Call Us: US - +1 845 478 5244 | UK - +44 20 7193 7850 | AUS - +61 2 8005 4826

meth‐ ods of data presenta

Although these calcula ons may feel laborious, a well‐calculated presenta on can transform data into  a format that scien sts can more easily understand and learn from. Some of the most common meth‐ ods of data presenta on are:  

Table: A well‐organized summary of data collected. Tables should display any informa on relevant to  the hypothesis. Always include a clearly stated  tle, labeled columns and rows, and measurement  units. 

Variable  Height Wk. 1 (mm)  Height Wk. 2 (mm)  Height Wk. 3 (mm)  Height Wk. 4 (mm) 

Control   (without nutrients)  3.4  3.6  3.7 


Independent   (with nutrients) 

3.5  3.7  4.1  4.6 

Table Example: Plant Growth With and Without Added Nutrients 


Lab 1: Introduc on to Science 

Graph: A visual representa on of the rela onship between the independent and dependent variable.  They are typically created by using data from a table. Graphs are useful in iden fying trends and illus‐ tra ng findings. When construc ng a graph, it is important to use appropriate, consistent numerical  intervals. Titles and axes labels should also reflect the data table informa on. There are several differ‐ ent types of graphs, and each type serves a different purpose. Examples include line graphs or bar  graphs. Line graphs show the rela onship between variables using plo ed points that are connected  with a line.  There must be a direct rela onship and dependence between each point connected.  More  than one set of data can be presented on a line graph. By comparison, bar graphs: compare results that  are independent from each other, as opposed to a con nuous series. 

Speed (kph) 

Figure 4: Top speed for Cars A, B, C, and D 

Figure 3: Plant growth, with and without nutrients,  over  me 

Height   (mm) 


Lab 1: Introduc on to Science 

A er compiling the data, scien sts analyze the data to determine if the experiment supports or re‐ futes the hypothesis. If the hypothesis is supported, you may want to consider addi onal variables  that should be examined. If your data does not provide clear results, you may want to consider run‐ ning addi onal trials or revising the procedure to create a more precise outcome.