Hypotese og nullhypotese
Et forsøk starter med en , en påstand som faktisk kan motbevises. "Mer lys gir raskere vekst" er en god hypotese fordi den kan vise seg å være feil. Nullhypotesen (H0) er motstykket: den sier at det ikke er noen forskjell mellom gruppene. Forsøket leter etter data som taler mot H0. En påstand som passer uansett hva som skjer, kan ikke testes, og hører dermed ikke hjemme i biologien.
Slik uttrykker du det
En er en testbar antakelse, for eksempel at mer lys gir raskere karsevekst. Den er god fordi den er falsifiserbar: vi kan på forhånd si hva som ville vist at den er gal. Nullhypotesen sier at det ikke er noen forskjell mellom gruppene, og forsøket leter etter data som taler mot den. En påstand som passer uansett utfall, kan ikke testes.
Det som gjør en hypotese vitenskapelig, er at den kan slå feil.
Karse i vinduskarmen
Du sår karse og gir skålene 4, 8 eller 16 timer lys i døgnet. Lysmengden er den uavhengige variabelen, det du selv endrer. Høyden etter en uke er den avhengige variabelen, det du måler. Jord, vann, temperatur og antall frø holder du likt: det er de kontrollerte variablene. Du trenger flere skåler per behandling (replikater), ikke bare én, for en enkelt plante kan tilfeldigvis ha et dårlig frø. Setter du alle lys-skålene nærmest vinduet, lager du en systematisk feil: da får de ekstra dagslys på toppen.
Slik uttrykker du det
Lysmengden er den uavhengige variabelen, det jeg endrer. Høyden er den avhengige variabelen, det jeg måler. Jord, vann og temperatur holder jeg likt som kontrollerte variabler. Jeg bruker flere skåler per lysmengde (replikater) for å fange biologisk variasjon, og passer på at plasseringen ikke gir noen skåler ekstra dagslys. Da vet jeg at en forskjell i vekst skyldes lyset og ikke noe annet.
God design isolerer effekten av det du undersøker fra alt annet.
Tilfeldig og systematisk feil
Feilkilder er ikke alle like. En tilfeldig feil spriker i ulik retning fra måling til måling, for eksempel når frø har litt ulik kvalitet eller du leser av linjalen litt unøyaktig. Den demper du ved å gjenta og ta gjennomsnitt, fordi avvikene delvis jevner hverandre ut. En systematisk feil drar derimot alle målingene samme vei, som når én skål står for nær vinduet. Den forsvinner ikke av flere målinger; den krever bedre design.
Slik uttrykker du det
En tilfeldig feil varierer i ulik retning fra måling til måling, og jeg reduserer den ved å gjenta målingen og ta gjennomsnitt, fordi avvikene delvis jevner hverandre ut. En systematisk feil drar alle målingene samme vei, som en skål som står for nær vinduet eller et feilkalibrert måleinstrument. Den forsvinner ikke av flere målinger, bare ved å rette opp designet.
Gjennomsnitt og standardavvik
Når dataene er samlet inn, regner du ut et gjennomsnitt for hver lysbehandling. Men gjennomsnittet alene kan lure: to grupper kan ha samme snitt selv om verdiene i den ene spriker mye mer. Standardavviket beskriver nettopp denne spredningen rundt gjennomsnittet. Vises det som feilstolper i et søylediagram, ser du straks om forskjellen mellom gruppene er tydelig eller drukner i variasjonen.
Slik uttrykker du det
Gjennomsnittet sier hvor tyngdepunktet i målingene ligger, men det kan skjule store forskjeller i spredning. Standardavviket beskriver hvor mye enkeltverdiene varierer rundt gjennomsnittet. To grupper kan ha samme snitt med svært ulik spredning, og da er forskjellen mellom dem mer eller mindre pålitelig. Derfor tegner jeg standardavviket som feilstolper i diagrammet.
Gjennomsnitt sier hvor tyngdepunktet ligger, standardavvik sier hvor sikkert det er.
Sammenheng er ikke det samme som årsak
Tenk deg at plantene nærmest vinduet vokser best. Det betyr ikke uten videre at det er lyset som er årsaken, for der er det også varmere. At to ting opptrer sammen (korrelasjon) beviser ikke at det ene forårsaker det andre. For å vise årsak må alt annet holdes likt, helst i et kontrollert forsøk. Et ekstra varsku er confirmation bias: vi tolker lett egne data i favør av hypotesen vi håpet på.
Slik uttrykker du det
At planter nær vinduet vokser best, betyr ikke at lyset er årsaken, for der er det også varmere. En korrelasjon viser bare at to ting henger sammen, og for å vise årsak må alt annet holdes likt i et kontrollert forsøk. Jeg må også passe på confirmation bias, altså at jeg ikke tolker egne data i favør av det jeg håpet å finne.
Fra Linné til DNA
Å sortere livet er også metode. På 1700-tallet ga Carl von Linné hver et tonavnet latinsk navn (slekt og art, som Homo sapiens) og plasserte den i et hierarki fra rike ned til art. Systemet bygde på morfologi, altså ytre likhet i form og bygning. Problemet er at ulike arter kan ligne hverandre uten å være i slekt. I dag sammenligner vi -sekvenser direkte, og det avslører slektskap som øyet ikke ser.
Slik uttrykker du det
Carl von Linné innførte binær nomenklatur på 1700-tallet: hver får et tonavnet latinsk navn, slekt og art, som Homo sapiens, og plasseres i et hierarki. Systemet bygde på morfologi, altså ytre likhet. Det svake punktet er at ulike arter kan ligne uten å være i slekt. Moderne sammenligner direkte og avdekker dermed slektskap som formen alene skjuler.
Delfinen som ikke er en fisk
En delfin og en hai har samme strømlinjeform, finner og hale. Etter utseende alene virker de like. Men delfinen puster med lunger, føder levende unger og er et pattedyr, mens haien er en fisk. Likheten skyldes at begge er tilpasset et liv i vann, ikke felles opphav. Dette kalles konvergent evolusjon. -analyser bekrefter at delfinen er nærmere beslektet med kua enn med haien.
Slik uttrykker du det
Delfin og hai ligner fordi begge er tilpasset livet i vann, ikke fordi de er nær beslektet. Det kalles konvergent evolusjon, og det lurer ren morfologisk klassifisering. Delfinen puster med lunger og føder levende unger, og -sammenligning viser at den er nærmere kua enn haien. Slik forveksling er nettopp det molekylær klassifisering rydder opp i.
Lik form kan oppstå uavhengig; DNA viser det virkelige slektskapet.
DNA-strekkoder, slektstrær og tre domener
En -strekkode er en kort, standardisert DNA-sekvens som er unik nok til å skille arter. Du kan sekvensere DNA fra hår, jord eller en vannprøve (miljø-DNA) og finne arten i en database. Et fylogenetisk tre viser slektskap basert på likheter i arvestoffet; greinpunktene er felles forfedre. Kladistikk grupperer arter etter delte avledede trekk som stammer fra en felles forfar, ikke etter overordnet likhet. Da molekylære data ble gode nok, kom det også fram at livet deler seg i tre domener: bakterier, arkeer og eukaryoter.
Slik uttrykker du det
En -strekkode er en kort, standardisert DNA-sekvens som er unik nok til å artsbestemme en prøve, selv fra hår, jord eller miljø-DNA i vann. Et fylogenetisk tre viser slektskap, der greinpunktene er felles forfedre. Kladistikk grupperer etter delte avledede trekk fra en felles forfar, ikke etter ytre likhet. Først da sekvensering ble god nok, ble de tre domenene bakterier, arkeer og eukaryoter synlige.
Et biologisk forsøk starter med en testbar , en påstand som faktisk kan vise seg å være feil. For å teste den endrer du én ting, måler responsen og holder alt annet likt, slik at en forskjell i resultatet kan tilskrives nettopp det du undersøkte. Flere replikater og en gjør at du kan skille signal fra støy.
Å sortere livet i arter er også metode. Linné sorterte etter ytre likhet, men ulike arter kan ligne uten å være i slekt. I dag sammenligner vi direkte, og det avslører slektskap øyet ikke ser. Den teknologiske utviklingen har flyttet taksonomien fra hva arter ligner på, til hvor de stammer fra.