Technical Note 17 — June 2012

3.4 

Accuracy  

Accuracy is a property of a single measurement result and is influenced by both random and systematic 

errors, it is therefore not included as such in the method validation itself. The accuracy of a measurement 

result describes how close the result is to its true value and therefore includes the effect of both precision 

and trueness (expressed in the form of bias). 

  

Precision relates to the repeatability and / or reproducibility condition of the measurement “getting the same 

measurement each time”. In other words the closeness of results of multiple analyses to each other. 

Precision is therefore a measure of the spread of repeated measurement results and depends only on the 

distribution of random errors – it gives no indication of how close those results are to the true value.  

 

A measurement system can be accurate but not precise, precise but not accurate, neither, or both. For 

example, if an experiment contains a systematic error, then increasing the sample size generally increases 

precision but does not improve accuracy. Eliminating the systematic error improves accuracy but does not 

change precision. However, the validity of a measurement system is dependent on ‘fitness for purpose’ and 

hence the accuracy and precision need to be assessed against the validation criteria. There is no absolute 

scale. 

 

We can never make a perfect measurement. The best we can do is to come as close as possible within the 

limitations of the measuring instruments. 

 

The illustration below is used in an attempt to demonstrate the difference between the two terms, accuracy 

and precision. 

 

Suppose you are aiming at a target, trying to hit the bull's eye (the center of the target) with darts. Here are 

some representative patterns of darts in the target: 

 

       A   

 

     B 

 

             C 

 

A 

Accurate and precise. The darts are tightly clustered and their average position is the center of the 

bull's eye. 

B

 

Precise, but not accurate. The darts are clustered together but did not hit the intended mark. 

C 

Accuracy and precision are poor. The darts are not clustered together and are not near the bull's 

eye. 

 

Accuracy is also used as a statistical measure of how well a binary classification test correctly identifies or 

excludes a condition. That is, the accuracy is the proportion of true results (both true positives and true 

negatives) in the population.  

 

Condition

 

 

True 

False 

 

Positive 

True positive

 

False positive

 

→

 Positive 

predictive value

 

Test 

outcome

 

Negative 

False negative

 

True negative

 

→

 Negative 

predictive value

 

 

↓