Random errors affect the precision,

Random errors affect the precision, or repeatability, of an experiment. In the case of student A it is clear that the random errors are small, so we say that the results are precise. In addition, however, there are systematic errors-these cause all the results to be in error in the same sense (in this case they are all too high). The total systematic error (in a given experiment there may be several sources of systematic error, some positive and others negative; see Chapter 2) is called the bias of the measurement. (The opposite of bias, or lack of bias, is sometimes referred to as trueness of a method: see section 4.15.) The random and systematic errors here are readily distinguishable by inspection of the results, and may also have quite distinct causes in terms of experimental technique and equipment (see Section 1.4). We can extend these principles to the data obtained by student B, which are in direct contrast to those of student A. The average of B's five results (10.01ml )is very close to the true value, so there is no evidence of bias, but the spread of th results is very large, indicating poor precision, i.e. substantial random errors. Comparision of these results with those obtained by student A shows clearly that random and systematic errors can occur independently of one another . This conclusion is reinforced by the data of students C and D. Student C's work has poor precision (range 9.69-10.19ml) and the average result (9.90ml) is (negatively) biased. Student D has achieved both precise (range 9.97-10.04ml) and unbiased ( average 10.01ml) results. The distinction between random and systematic errors is summarised in table 1.2, and in Fig. 1.1 as a series of dot-plots. This simple graphical method of displaying data, in which individual results are plotted as dots on a linear scale, is frequently used in exploratory data analysis (EDA, also called initial data analysis, IDA: see Chapters 3 and 6)

Kết quả (Việt) 1:

Lỗi ngẫu nhiên ảnh hưởng đến độ chính xác, hoặc lặp, thử nghiệm. Trong trường hợp của học sinh A là rõ ràng rằng các lỗi ngẫu nhiên là nhỏ, do đó, chúng tôi nói rằng các kết quả chính xác. Ngoài ra, Tuy nhiên, không có nguyên nhân gây ra các lỗi hệ thống tất cả các kết quả phải nhầm lẫn trong cùng một ý nghĩa (trong trường hợp này họ tất cả quá cao). Hệ thống lỗi tất cả (trong một thử nghiệm nhất định có thể có một số nguồn tin của lỗi hệ thống, một số tích cực và những người khác tiêu cực; xem chương 2) được gọi là thiên vị của đo lường. (Đối diện của thiên vị, hoặc thiếu của thiên vị, đôi khi được gọi là trueness của một phương pháp: xem phần 4,15.) Các lỗi ngẫu nhiên và có hệ thống ở đây là dễ dàng phân biệt bởi các kiểm tra của các kết quả, và cũng có thể có các nguyên nhân khác biệt khá trong điều khoản của thiết bị và kỹ thuật thực nghiệm (xem phần 1.4). Chúng tôi có thể mở rộng các nguyên tắc để các dữ liệu thu được bởi sinh viên B, đó là trực tiếp trái ngược với sinh viên A. Là kết quả của B năm (10.01 ml) là rất gần với giá trị thực sự, do đó, không có bằng chứng về thiên vị, nhưng sự lây lan của th kết quả là rất lớn, cho biết chính xác kém, lỗi ngẫu nhiên tức là đáng kể. So sánh các kết quả với những người được sinh viên cho thấy một rõ ràng lỗi ngẫu nhiên và có hệ thống có thể xảy ra độc lập với nhau. Kết luận này được gia cố bởi dữ liệu học sinh C và C mất sinh viên làm việc có độ chính xác kém (nằm trong khoảng 9.69-10.19 ml) và kết quả trung bình (9,90 ml) (ảnh) được thiên vị. Sinh viên D đã đạt được cả hai chính xác (khoảng 9,97-10.04 ml) và không thiên vị (10.01 trung bình ml) kết quả. Sự khác biệt giữa lỗi ngẫu nhiên và có hệ thống tóm tắt trong bảng 1.2, và trong hình 1.1 là một loạt các dot-lô. Phương pháp này đơn giản đồ họa Hiển thị dữ liệu, trong đó kết quả cá nhân được vẽ như là dấu chấm trên một quy mô tuyến tính, thường xuyên được sử dụng trong phân tích dữ liệu thăm dò (thiết kế vi mạch, còn được gọi là phân tích dữ liệu ban đầu, IDA: xem chương 3 và 6)

Kết quả (Việt) 2:

Lỗi ngẫu nhiên ảnh hưởng đến độ chính xác, hoặc lặp lại, trong một thử nghiệm. Trong trường hợp của sinh viên A nó là rõ ràng rằng các lỗi ngẫu nhiên là nhỏ, vì vậy chúng tôi nói rằng kết quả là chính xác. Tuy nhiên, ngoài ra, có hệ thống lỗi ở những gây ra tất cả các kết quả là do lỗi trong ý nghĩa tương tự (trong trường hợp này họ là tất cả quá cao). Tổng sai số hệ thống (trong một thí nghiệm được đưa ra có thể có nhiều nguồn lỗi có hệ thống, một số tích cực và tiêu cực khác; xem Chương 2) được gọi là thiên vị của phép đo. (Ngược lại với thiên vị, hoặc thiếu sự thiên vị, đôi khi được gọi là trueness của một phương pháp:. Xem mục 4.15) Các lỗi ngẫu nhiên và có hệ thống ở đây là dễ phân biệt qua sự kiểm tra của các kết quả, và cũng có thể có nguyên nhân khá rõ rệt về các phương pháp thí nghiệm và thiết bị (xem mục 1.4). Chúng tôi có thể mở rộng các nguyên tắc để các dữ liệu thu được bằng cách học sinh B, mà là ngược lại trực tiếp cho những sinh viên A. Mức trung bình của B của năm kết quả (10.01ml) rất gần với giá trị thực sự, vì vậy không có bằng chứng về sự thiên vị, nhưng sự lây lan của kết quả thứ là rất lớn, cho thấy độ chính xác kém, sai sót ngẫu nhiên tức là đáng kể. So sánh các kết quả với những người thu được của học sinh A cho thấy rõ ràng rằng các lỗi ngẫu nhiên và có hệ thống có thể xảy ra độc lập với nhau. Kết luận này được củng cố bởi các dữ liệu của sinh viên C và làm việc D. Sinh viên C đã chính xác kém (khoảng 9.69-10.19ml) và các kết quả trung bình (9.90ml) được (âm) thiên vị. Sinh viên D đã đạt được cả hai chính xác (phạm vi 9.97-10.04ml) và không thiên vị (10.01ml trung bình) kết quả. Sự phân biệt giữa các lỗi ngẫu nhiên và có hệ thống được tóm tắt trong bảng 1.2, và trong hình. 1.1 như một loạt các dot-lô. Phương pháp đồ họa đơn giản hiển thị dữ liệu, trong đó kết quả cá nhân được vẽ như là dấu chấm trên một quy mô tuyến tính, thường được sử dụng trong phân tích dữ liệu thăm dò (EDA, cũng gọi là phân tích dữ liệu ban đầu, IDA: xem chương 3 và 6)