Å vinne vitenskapsmessen betyr å skille seg ut fra konkurransen.
Ikke misforstå oss. Å lage en fantastisk natronvulkan kan snu noen få hoder. Men du må gjøre noe litt mer robust enn det hvis du vil ta topprisen, enten på skolen din eller til Google Science Fair.
I tillegg til å ha et fornuftig og godt designet eksperiment, er en av de viktigste tingene når du prøver å trekke en fast konklusjon, å analysere resultatene dine nøyaktig. Selv om du kanskje ikke vil høre det - er det ikke folk flest favoritt del av å gjøre vitenskap - dette betyr å gjøre noen grunnleggende statistikker for å se om noen forskjeller du observerer er Statistisk signifikant eller muligens bare på grunn av tilfeldigheter.
Ikke bekymre deg, men det er ikke veldig vanskelig å utføre statistiske tester, men det er en av de beste måtene å få prosjektet til å skille seg ut for dommerne.
Hvorfor bruke statistikk
Hvis du velger en variabel - for eksempel høyde, stavingstestresultater eller antall vellykkede frø - vil det alltid være noen variasjoner ved en tilfeldighet alene. Det er vanligvis en fordeling av resultatene rundt en sentral verdi. Dette gjør det litt vanskelig å virkelig
Statistiske tester som t-test og Pearsons korrelasjonskoeffisient gir deg verktøyene for å skille ut effekten av tilfeldig sjanse fra ekte effekter utover de som forventes ved en tilfeldighet. Hvis du for eksempel vil vite om gutter er høyere enn jenter, vil du ikke bare sammenligne gjennomsnittene (mer om det på et øyeblikk), du må se på hvordan forskjellene innenfor en gruppe sammenligner med forskjellene mellom gruppene.
Grunnleggende statistiske tiltak
For å bruke statistiske tester for vitenskapsprosjektet ditt, må du først vite et par grunnleggende ting. Den første er ganske enkel: begrepet "middel", det er det folk flest snakker om når de sier "gjennomsnittlig". Dette er ganske enkelt summen av et verdisett delt på antall verdier. Så hvis du har fem testpoeng: 20, 13, 18, 22 og 16, er gjennomsnittet:
\ begin {align} \ text {mean} & = μ = \ frac {20 + 13 + 18 + 22 + 16} {5} \\ & = 17.8 \ end {align}
Det andre viktige konseptet er standardavvik. Dette er et mål på spredningen av verdier rundt gjennomsnittet, og det brukes som en del av mange statistiske tester. Formelen for standardavvik er:
σ = \ sqrt {\ frac {1} {N} \ sum (x_i - μ) ^ 2}
Dette kan se skummelt ut, men det er ganske enkelt å beregne: begynn med å regne ut gjennomsnittet μ, og trekk deretter denne verdien fra hvert av de individuelle resultatene ( xJeg i ligningen), før du kvadrerer svaret. Oppsummer nå alle disse individuelle verdiene, divider med antall resultater (N), og til slutt ta kvadratroten av svaret.
Testing for en forskjell: t-testen
Hvis du vil teste for en forskjell i en bestemt variabel mellom to grupper - for eksempel gjennomsnittlig høyde på gutter vs. jenter eller testresultater av studenter som har tatt et oppsummeringskurs vs. de som ikke har - t-test er en av de mest brukte statistiske testene. Det forutsetter at dataene dine er normalt distribuert (som en bjellekurve - det vil det sannsynligvis være, så du trenger ikke å bekymre deg for dette for mye), at kvadratene til standardavvikene ("variansen") for hver gruppe er de samme og at observasjonene er uavhengige av hver annen.
Å utføre en t-test, du bruker formelen:
t = \ frac {μ_1 - μ_2} {\ sqrt {\ frac {s_p ^ 2} {n_1} + \ frac {s_p ^ 2} {n_2}}}
Nå er alt du trenger å vite hva hvert av symbolene betyr. For det første, den μ symbolene er middel for prøvene, n verdier er antall resultater i hver gruppe, og ss verdiene involverer standardavvikene til prøvene. Dette er litt mer komplisert og har en egen formel:
s_p ^ 2 = \ frac {(n_1 - 1) σ_1 ^ 2 + (n_2 - 1) σ_2 ^ 2} {n_1 + n_2 - 2}
Det er generelt lettere å beregne dette i stykker, og begynner med ss2 verdi, og legg deretter verdien inn i ligningen for t. Det siste trinnet er å slå opp resultatet du får for t i en tabell (se Ressurser) for riktig signifikansnivå, som vanligvis er 0,95 (hvis du tester for en forskjell i begge retninger, dvs. høyere og lavere, bruk enten en tabell for "tosidig" test eller bruk 0.975 verdi). Du må sjekke raden for antall frihetsgrader (den totale prøvestørrelsen minus 2), og hvis din t verdi (ignorerer eventuelle minustegn) er høyere enn verdien i tabellen, har du funnet en betydelig forskjell.
Dette er selvfølgelig bare begynnelsen: Hva gjør du med resultatet når du har funnet det? Den neste delen av denne artikkelen vil gå i dybden om å tolke resultatene dine.