Tilbake
8.2
Dataanalyse og feilkilder

8.2 Dataanalyse og feilkilder

Alle fag for VG3

Bearbeiding av måledata, statistiske metoder, grafisk framstilling og systematiske/tilfeldige feil.

45 min
12 oppgaver
DatabehandlingStatistiske metoderGrafisk framstillingSystematiske feilTilfeldige feilPresisjon og nøyaktighet
Du leser den tradisjonelle versjonen
Din fremgang i kapitlet
0 / 12 oppgaver
Kapitlets plass i kurset

Dataanalyse og feilkjelder

Etter at vi har gjennomført eit eksperiment og samla inn data, byrjar det verkelege arbeidet: å analysere dataene for å trekkje meiningsfulle konklusjonar. I dette kapittelet lærer vi korleis vi bearbeider, visualiserer og tolkar måledata — og korleis vi identifiserer og vurderer feilkjelder.

Oversikt over dataanalyseprosessen

1. Organisere dataene i tabellar
2. Rekne ut gjennomsnitt, standardavvik og uvisse
3. Framstille dataene grafisk
4. Tilpasse ein matematisk modell (t.d. lineær regresjon)
5. Vurdere kor godt modellen passar (R²)
6. Identifisere feilkjelder og outliers
7. Konkludere basert på analysen

Bearbeiding av måledata

Organisering i tabell

Alle måledata bør organiserast i ein ryddig tabell med:

- Kolonne for uavhengig variabel (t.d. lengd, spenning)
- Kolonne(r) for avhengig variabel (t.d. svingetid, straum)
- Gjentekne målingar i separate kolonnar
- Gjennomsnittsverdiar rekna ut frå gjentakingane
- Einingar tydeleg angjevne i kolonneoverskrifta
- Uvisse angjeven for kvar storleik

Eksempel: Pendelforsøk

LL (m) ±0,002\pm 0{,}002T1T_1 (s)T2T_2 (s)T3T_3 (s)Tˉ\bar{T} (s)sTs_T (s)
0,4001,271,261,281,2700,010
0,6001,551,561,541,5500,010
0,8001,791,801,811,8000,010
1,0002,012,002,022,0100,010
1,2002,202,192,212,2000,010
1,4002,372,382,362,3700,010

Her har vi tre gjentakingar for kvar pendellengd, og vi reknar ut gjennomsnitt og standardavvik for svingetida.

Grafisk framstilling

Ein god graf er eitt av dei viktigaste verktøya i dataanalyse. Han gjer det mogleg å oppdage mønster, trendar og avvik som ikkje er openberre frå tala åleine.

Krav til ein god graf

1. Tittel: Skildra kva grafen viser (t.d. «Svingetid som funksjon av pendellengd»).
2. Aksetitlar: Begge aksar skal ha namn og eining (t.d. LL (m), TT (s)).
3. Skala: Vel passande skala slik at datapunkta fyller mest mogleg av grafområdet. Start ikkje nødvendigvis på null.
4. Datapunkt: Bruk tydelege symbol (t.d. fylte sirklar).
5. Feilstavar (error bars): Vis uvissa for kvart datapunkt.
6. Tilpassa kurve/linje: Teikn den best tilpassa kurva gjennom datapunkta.
7. Akseval: Set den uavhengige variabelen langs x-aksen og den avhengige langs y-aksen.

Feilstavar (error bars)

Feilstavar er vertikale (og eventuelt horisontale) strekar gjennom kvart datapunkt som viser uvisseintervallet. Dei gjev eit visuelt bilete av presisjonen til målinga.

- Vertikale feilstavar: Uvisse i y-verdien (Δy\Delta y)
- Horisontale feilstavar: Uvisse i x-verdien (Δx\Delta x)

Ei god tilpassing bør gå gjennom (eller nær) dei fleste feilstavane.

Lineær regresjon

Lineær regresjon er ein metode for å finne den beste rette linja gjennom eit sett med datapunkt. Den rette linja har forma:

y=ax+by = ax + b

der aa er stigingstalet og bb er konstantleddet (y-skjeringspunktet).

Minste kvadraters metode

Den vanlegaste metoden er minste kvadraters metode (least squares). Han finn verdiane av aa og bb som minimerer summen av dei kvadrerte avstandane mellom datapunkta og linja:

S=∑i=1N(yi−(axi+b))2S = \sum_{i=1}^{N} (y_i - (ax_i + b))^2

Formlane for den beste tilpassinga er:

a=N∑xiyi−∑xi∑yiN∑xi2−(∑xi)2a = \frac{N\sum x_i y_i - \sum x_i \sum y_i}{N\sum x_i^2 - (\sum x_i)^2}

b=∑yi−a∑xiN=yˉ−axˉb = \frac{\sum y_i - a \sum x_i}{N} = \bar{y} - a\bar{x}

I praksis bruker vi digitale verktøy (kalkulator, Excel, GeoGebra, Python) til å utføre regresjonen.

Uvisse i regresjonsparametrane

Dei digitale verktøya gjev òg uvisse i aa og bb. Desse fortel oss kor godt bestemt stigingstalet og konstantleddet er.

Lineær regresjon (minste kvadraters metode)
y=ax+b,a=N∑xiyi−∑xi∑yiN∑xi2−(∑xi)2,b=yˉ−axˉy = ax + b, \quad a = \frac{N\sum x_i y_i - \sum x_i \sum y_i}{N\sum x_i^2 - (\sum x_i)^2}, \quad b = \bar{y} - a\bar{x}

$a$ er stigingstalet og $b$ er konstantleddet. Metoden minimerer summen av kvadrerte residualar $S = \sum(y_i - ax_i - b)^2$.

R²-verdien (bestemmingskoeffisienten)

R²-verdien (R-squared) er eit tal mellom 0 og 1 som angjev kor godt den tilpassa modellen forklarer variasjonen i dataene.

R2=1−∑(yi−y^i)2∑(yi−yˉ)2R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}

der y^i=axi+b\hat{y}_i = ax_i + b er dei føresagde verdiane og yˉ\bar{y} er gjennomsnittet av yy-verdiane.

Tolking

R2R^2Kvalitet
R2>0,99R^2 > 0{,}99Utmerkt tilpassing
0,95<R2<0,990{,}95 < R^2 < 0{,}99God tilpassing
0,90<R2<0,950{,}90 < R^2 < 0{,}95Akseptabel tilpassing
R2<0,90R^2 < 0{,}90Svak tilpassing — vurder om modellen passar

OBS: Ein høg R2R^2-verdi betyr ikkje nødvendigvis at den lineære modellen er rett. Sjekk alltid residualane (avvika) visuelt.
R² — bestemmingskoeffisienten
R2R^2 (R-squared) angjev delen av variasjonen i den avhengige variabelen som blir forklart av modellen. R2=1R^2 = 1 betyr perfekt tilpassing, R2=0R^2 = 0 betyr at modellen ikkje forklarer noko.

For ein lineær modell er R2=r2R^2 = r^2 der rr er korrelasjonskoeffisienten (Pearsons rr).

✏️Lineær regresjon — Ohms lov

Ein elev måler straumen gjennom ein motstand ved ulike spenningar:

UU (V)1,02,03,04,05,06,0
II (mA)2,14,36,28,510,112,4

Utfør lineær regresjon med II som funksjon av UU og finn motstandsverdien.

Vi tilpassar I=aU+bI = aU + b der a=1/Ra = 1/R ifølgje Ohms lov.

Utrekning (med digitalt verktøy):

∑Ui=21,0,∑Ii=43,6,∑UiIi=183,7,∑Ui2=91,0\sum U_i = 21{,}0, \quad \sum I_i = 43{,}6, \quad \sum U_i I_i = 183{,}7, \quad \sum U_i^2 = 91{,}0

a=6×183,7−21,0×43,66×91,0−(21,0)2=1102,2−915,6546−441=186,6105=1,777 mA/Va = \frac{6 \times 183{,}7 - 21{,}0 \times 43{,}6}{6 \times 91{,}0 - (21{,}0)^2} = \frac{1102{,}2 - 915{,}6}{546 - 441} = \frac{186{,}6}{105} = 1{,}777 \, \text{mA/V}

b=43,6−1,777×21,06=43,6−37,326=6,286=1,047≈0,14 mAb = \frac{43{,}6 - 1{,}777 \times 21{,}0}{6} = \frac{43{,}6 - 37{,}32}{6} = \frac{6{,}28}{6} = 1{,}047 \approx 0{,}14 \, \text{mA}

R2=0,9993R^2 = 0{,}9993

Motstand:

R=1a=11,777×10−3=563 ΩR = \frac{1}{a} = \frac{1}{1{,}777 \times 10^{-3}} = 563 \, \Omega

Tolking: R2≈0,999R^2 \approx 0{,}999 viser utmerkt lineær samanheng, som stadfestar Ohms lov. Konstantleddet b≈0,14 mAb \approx 0{,}14 \, \text{mA} er nær null, noko som tyder på at det ikkje er systematisk offset. Motstandsverdien er ca. 560 Ω560 \, \Omega.

Linearisering

Mange fysiske samanhengar er ikkje-lineære. For å kunne bruke lineær regresjon, kan vi linearisere samanhengen ved å transformere variablane.

Potenssamanheng: y=axny = ax^n

Tek vi logaritmen på begge sider:

ln⁡y=ln⁡a+nln⁡x\ln y = \ln a + n \ln x

Dette er ein lineær samanheng mellom ln⁡y\ln y og ln⁡x\ln x:

- Plot: ln⁡y\ln y mot ln⁡x\ln x (log–log-plot)
- Stigingstal: nn (eksponenten)
- y-skjering: ln⁡a\ln a, altså a=eskjeringa = e^{\text{skjering}}

Eksponentiell samanheng: y=aebxy = ae^{bx}

Tek vi den naturlege logaritmen:

ln⁡y=ln⁡a+bx\ln y = \ln a + bx

Lineær samanheng mellom ln⁡y\ln y og xx:

- Plot: ln⁡y\ln y mot xx (semilogaritmisk plot)
- Stigingstal: bb
- y-skjering: ln⁡a\ln a, altså a=eskjeringa = e^{\text{skjering}}

Eksponentiell samanheng med base 10: y=a⋅10cxy = a \cdot 10^{cx}

log⁡y=log⁡a+cx\log y = \log a + cx

Her bruker vi log⁡10\log_{10} og plottar log⁡y\log y mot xx.

Invers samanheng: y=ax+b\displaystyle y = \frac{a}{x} + b

Plot yy mot 1x\displaystyle \frac{1}{x}, og tilpass ei rett linje.

Eksempel: Pendelen

Svingetida er T=2πL/gT = 2\pi\sqrt{L/g}, altså T∝L1/2T \propto L^{1/2}.

T2=4π2g⋅LT^2 = \frac{4\pi^2}{g} \cdot L

Plot T2T^2 mot LL: stigingstalet gjev a=4π2/ga = 4\pi^2/g, og dermed g=4π2/ag = 4\pi^2/a.

Linearisering
Linearisering er teknikken der vi transformerer ein ikkje-lineær samanheng til ei lineær form Y=aX+bY = aX + b ved å innføre nye variablar (t.d. Y=ln⁡yY = \ln y, X=ln⁡xX = \ln x).

SamanhengPlotStigingstalSkjering
y=axny = ax^nln⁡y\ln y mot ln⁡x\ln xnnln⁡a\ln a
y=aebxy = ae^{bx}ln⁡y\ln y mot xxbbln⁡a\ln a
y=a/x+by = a/x + byy mot 1/x1/xaabb
T=2πL/gT = 2\pi\sqrt{L/g}T2T^2 mot LL4π2/g4\pi^2/g00
✏️Linearisering av pendelforsøk

Bruk dataene frå pendelforsøket til å bestemme gg:

LL (m)0,4000,6000,8001,0001,2001,400
Tˉ\bar{T} (s)1,2701,5501,8002,0102,2002,370

Lineariser samanhengen ved å plotte T2T^2 mot LL.

Steg 1: Rekn ut T2T^2

LL (m)T2T^2 (s²)
0,4001,613
0,6002,403
0,8003,240
1,0004,040
1,2004,840
1,4005,617

Steg 2: Lineær regresjon av T2T^2 mot LL
Vi tilpassar T2=aL+bT^2 = aL + b og får (med digitalt verktøy):
a=4,007 s2/m,b=−0,002 s2,R2=0,9999a = 4{,}007 \, \text{s}^2/\text{m}, \quad b = -0{,}002 \, \text{s}^2, \quad R^2 = 0{,}9999
Steg 3: Rekn ut gg
Frå T2=4π2gL\displaystyle T^2 = \frac{4\pi^2}{g}L har vi a=4π2g\displaystyle a = \frac{4\pi^2}{g}:
g=4π2a=4π24,007=39,484,007=9,85 m/s2g = \frac{4\pi^2}{a} = \frac{4\pi^2}{4{,}007} = \frac{39{,}48}{4{,}007} = 9{,}85 \, \text{m/s}^2
Tolking: R2=0,9999R^2 = 0{,}9999 viser ein utmerkt lineær samanheng mellom T2T^2 og LL, som stadfestar at T∝LT \propto \sqrt{L}. Verdien g=9,85 m/s2g = 9{,}85 \, \text{m/s}^2 er nær tabellverdien 9,81 m/s29{,}81 \, \text{m/s}^2. Konstantleddet b≈0b \approx 0 tyder på at det ikkje er systematisk feil.

Identifisering av feilkjelder

Ein viktig del av dataanalysen er å identifisere og vurdere moglege feilkjelder. Vi skil mellom systematiske og tilfeldige feil (sjå kapittel 8.1), og i tillegg ser vi etter outliers og vurderer reproduserbarheit.

Vanlege feilkjelder i fysikkforsøk

Systematiske feil:
- Feilkalibrert instrument (t.d. vekt som ikkje er nullstilt)
- Parallaksefeil ved avlesing
- Friksjon eller luftmotstand som ikkje er teken med i modellen
- Reaksjonstid ved manuell tidtaking
- Temperaturendringar som påverkar utstyret
- Spenningsfall i leidningar som ikkje er medrekna

Tilfeldige feil:
- Vibrasjonar i laboratoriet
- Variasjonar i startvilkår (t.d. utsleppspunkt)
- Elektronisk støy
- Avlesingsuvisse

Korleis identifisere systematiske feil

1. Samanlikn med tabellverdi: Viss resultatet konsekvent avvik frå ein kjend verdi, kan det tyde på ein systematisk feil.
2. Bruk ulike metodar: Mål den same storleiken med forskjellig utstyr eller teknikk.
3. Sjå etter mønster i residualane: Viss residualane (avvika frå tilpassa linje) viser eit systematisk mønster, tyder det på at modellen er feil eller at det er ein systematisk feil.

Outliers (uteliggjarar)

Ein outlier er eit datapunkt som avvik markant frå dei andre målingane. Outliers kan skuldast:

- Feil i avlesing eller registrering
- Uventa forstyrring under målinga
- Feil i utstyret
- Eit genuint fysisk fenomen

Handtering av outliers

1. Identifiser: Eit datapunkt som ligg meir enn 2s2s eller 3s3s frå gjennomsnittet, kan vurderast som ein mogleg outlier.
2. Undersøk årsaka: Prøv å finne ut kva som forårsaka avviket. Var det ei kjend forstyrring?
3. Dokumenter: Viss du fjernar ein outlier, må du grunngje kvifor i rapporten. Fjern aldri datapunkt berre fordi dei «ser feil ut».
4. Gjennomfør regresjonen med og utan: Vis at konklusjonen held uansett.

Statistisk test for outliers

Ein enkel test er Chauvenet-kriteriet: Viss sannsynet for å observere eit avvik like stort (eller større) er mindre enn 1/(2N)1/(2N), der NN er talet på målingar, kan punktet forkastast.

Reproduserbarheit

Eitt av grunnprinsippa i vitskap er at resultat skal kunne reproduserast av andre forskarar. Vi skil mellom to omgrep:

- Repeterbarheit (repeatability): Same person, same utstyr, kort tid mellom forsøka — gjev tilsvarande resultat.
- Reproduserbarheit (reproducibility): Andre forskarar, anna utstyr, annan stad — gjev tilsvarande resultat.

Kva er «tilsvarande resultat»?

To resultat er foreinlege (compatible) viss uvisseintervalla overlappar. Meir presist: Viss ∣x1−x2∣≤2Δx12+Δx22|x_1 - x_2| \leq 2\sqrt{\Delta x_1^2 + \Delta x_2^2}, er resultata foreinlege innanfor om lag 95%95\% konfidensintervall.

Tyding for rapportering

God reproduserbarheit krev at du dokumenterer:
- Eksperimentoppsettet i detalj
- Alle måleinstrument med presisjon
- Omgivnadsforhold (temperatur, lufttrykk, etc.)
- Databehandlingsmetodar
- Eventuelt kjeldekode brukt i analysen

✏️Linearisering med log–log-plot

Ein elev undersøker samanhengen mellom perioden TT og lengda LL for ein pendel. Dataene er:

LL (m)0,250,500,751,001,502,00
TT (s)1,001,421,742,012,462,84

Bruk eit log–log-plot for å stadfeste at T∝LnT \propto L^n og finn eksponenten nn.

Steg 1: Rekn ut ln⁡L\ln L og ln⁡T\ln T

LLln⁡L\ln LTTln⁡T\ln T
0,25−1,3861,000,000
0,50−0,6931,420,351
0,75−0,2881,740,554
1,000,0002,010,698
1,500,4052,460,900
2,000,6932,841,044

Steg 2: Lineær regresjon av ln⁡T\ln T mot ln⁡L\ln L
Tilpassar ln⁡T=n⋅ln⁡L+ln⁡a\ln T = n \cdot \ln L + \ln a:
n=0,501,ln⁡a=0,695,R2=0,9998n = 0{,}501, \quad \ln a = 0{,}695, \quad R^2 = 0{,}9998
Steg 3: Tolking
n≈0,50=12n \approx 0{,}50 = \frac{1}{2}
Dette stadfestar at T∝L1/2T \propto L^{1/2}, altså T∝LT \propto \sqrt{L}, som stemmer med pendelformelen T=2πL/gT = 2\pi\sqrt{L/g}.
Frå ln⁡a=0,695\ln a = 0{,}695 får vi a=e0,695=2,004≈2π/ga = e^{0{,}695} = 2{,}004 \approx 2\pi/\sqrt{g}, som gjev g=(2π/a)2=9,83 m/s2g = (2\pi/a)^2 = 9{,}83 \, \text{m/s}^2.
✏️Linearisering av eksponentiell funksjon — radioaktivt henfall

Aktiviteten til ei radioaktiv kjelde vart målt over tid:

tt (min)0102030405060
AA (Bq)800570400290200145100

Vis at samanhengen er eksponentiell og finn halveringstida.

Steg 1: Rekn ut ln⁡A\ln A

tt (min)AA (Bq)ln⁡A\ln A
08006,685
105706,346
204005,991
302905,670
402005,298
501454,977
601004,605

Steg 2: Lineær regresjon av ln⁡A\ln A mot tt
ln⁡A=bt+ln⁡A0\ln A = bt + \ln A_0
Regresjon gjev:
b=−0,0346 min−1,ln⁡A0=6,685,R2=0,9998b = -0{,}0346 \, \text{min}^{-1}, \quad \ln A_0 = 6{,}685, \quad R^2 = 0{,}9998
Steg 3: Halveringstid
For eksponentiell: A=A0ebtA = A_0 e^{bt}, der b=−λb = -\lambda (henfallskonstanten).
λ=0,0346 min−1\lambda = 0{,}0346 \, \text{min}^{-1}
t1/2=ln⁡2λ=0,6930,0346=20,0 mint_{1/2} = \frac{\ln 2}{\lambda} = \frac{0{,}693}{0{,}0346} = 20{,}0 \, \text{min}

Tolking: Den høge R2R^2-verdien stadfestar at henfallet er eksponentielt. Halveringstida er ca. 20 minutt.

Oppgaver

Lett3 oppgaver
Medium4 oppgaver
Vanskelig3 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.