Műszeres analitika vegyipari területre

Slides:



Advertisements
Hasonló előadás
I. előadás.
Advertisements

a terület meghatározása
Szakítódiagram órai munkát segítő Szakitódiagram.
2006. február 17. Valószínűségszámítás és statisztika II. Telefonos feladat Egy kalapban van két korong, az egyiknek mindkét oldala piros, a másiknak.
MÉRÉSI BIZONYTALANSÁG
Statisztika I. VI. Dr. Szalka Éva, Ph.D..
Kezdhetek mindent elölről…
Műveletek logaritmussal
ZAJVÉDELEM Koren Edit 4..
A PEDAGÓGIAI KUTATÁS FOLYAMATA
Csoportosítás megadása: Δx – csoport szélesség
MŰSZERES ANALÍZIS ( a jelképzés és jelfeldolgozás tudománya)
MŰSZERES ANALÍZIS ( a jelképzés és jelfeldologozás tudománya)
Főkomponensanalízis Többváltozós elemzések esetében gyakran jelent problémát a vizsgált változók korreláltsága. A főkomponenselemzés segítségével a változók.
Mérési pontosság (hőmérő)
Gazdaságelemzési és Statisztikai Tanszék
Mindenki az egyenes illesztést erőlteti. Kell olyan ábra ahol 1 ismeretlen pont van Kell olyan ábra ami a görbék párhuzamos lefutását mutatja Kell olyan.
STATISZTIKA II. 5. Előadás Dr. Balogh Péter egyetemi adjunktus Gazdaságelemzési és Statisztikai Tanszék.
Hegyesszögek szögfüggvényei
Dr. Szalka Éva, Ph.D.1 Statisztika II. IX.. Dr. Szalka Éva, Ph.D.2 Idősorok elemzése.
Közlekedésstatisztika
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. IX.. Dr. Szalka Éva, Ph.D.2 Idősorok elemzése.
Előadó: Prof. Dr. Besenyei Lajos
III. előadás.
Lineáris korreláció és lineáris regresszió. A probléma felvetése y = 1,138x + 80,778r = 0,8962.
A középérték mérőszámai
Adatgyűjtés, mérési alapok, a környezetgazdálkodás fontosabb műszerei
1 Adatgyűjtés, mérési alapok, a környezetgazdálkodás fontosabb műszerei KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc Gazdálkodási modul Gazdaságtudományi ismeretek.
Gazdasági informatikából megkaptuk a félévi feladatot!!! Mindenki nagy örömére… 0. hét.
GAZDASÁGI INFORMATIKA II.
AZ ÉLETTANI PARAMÉTEREK MINŐSÉGELLENŐRZÉSE
ÖSSZEFOGLALÓ ELŐADÁS Dr Füst György.
Dinamikai rendszerek kaotikus viselkedése

Nominális adat Módusz vagy sűrűsödési középpont Jele: Mo
Befektetési döntések Bevezetés
Gyengén nemlineáris rendszerek modellezése és mérése Készítette: Kis Gergely Konzulens: Dobrowieczki Tadeusz (MIT)
Készítette: Horváth Zoltán (2012)
Szükségünk lesz valamilyen spreadsheet / táblázat kezelő programra
ALKALMAZÁSOK ÉS LEHETŐSÉGEK Dr. Fekete András egyetemi tanár BCE Élelmiszertudomány Kar Fizika-Automatika Tanszék.
TÁMOP /1-2F Analitika gyakorlat 12. évfolyam Környezeti analitikai vizsgálatok Fogarasi József 2009.
Környezeti rendszerek modellezése
Gyakorlati alkalmazás
OECD GUIDELINE FOR THE TESTING OF CHEMICALS Soil Microorganisms: Carbon Transformation Test OECD ÚTMUTATÓ VEGYI ANYAGOK TESZTELÉSÉRE Talaj Mikroorganizmusok:
Hipotézis vizsgálat (2)
Tömegspektrometria, Mérés értékelés
Alapsokaság (populáció)
Lineáris regresszió.
I. előadás.
TÁRSADALOMSTATISZTIKA Sztochasztikus kapcsolatok II.
Minőségbiztosítás 11. előadás
A folytonosság Digitális tananyag.
Korreláció-számítás.
Máté: Orvosi képfeldolgozás5. előadás1 yy xx Linearitás kalibráció: Ismert geometriájú rács leképezése. Az egyes rácspontok képe nem az elméletileg.
Környezetvédelmi mérések követelményei
A számítógépes elemzés alapjai
TÁMOP /1-2F Műszeres analitika 14. évfolyam Fotometriás módszer validálása Tihanyi Péter 2009.
20. Mutassa be a minőségbiztosítás szerepét a laboratóriumi munkában! Ismertesse a szabványok fajtáit, jelentőségét, használatát a laboratóriumi munkában!
Környezetvédelmi analitika
A számítógépes elemzés alapjai
III. előadás.
7. Validálás Kemometria 2016/ Validálás
5. Kalibráció, függvényillesztés
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
2. A Student-eloszlás Kemometria 2016/ A Student-eloszlás
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
1.3. Hipotézisvizsgálat, statisztikai próbák
3. Varianciaanalízis (ANOVA)
Előadás másolata:

Műszeres analitika vegyipari területre Validálás fotometriás módszerre http://tp1957.atw.hu/ma_60.ppt

A validálás fogalma Az analitikai laboratóriumokkal szemben támasztott igények megkövetelik, hogy a laboratóriumok mérési eredményei – megbízhatóak, – ellenőrizhetőek és – visszakereshetőek legyenek (dokumentálás!). A validálás egy eljárás, amiben tanulmányozzuk a módszer teljesítmény-jellemzőit és igazoljuk, hogy a módszer alkalmas az adott analitikai alkalmazásra.

Mikor kell validálni? Validálásra a következő esetekben lehet szükség: új módszer bevezetése. meglévő módszer adaptációja, szabvány módszer kiterjesztése (más anyag, mátrix), eszközvásárlás, másik műszer, új analitikus. Az analitikai eljárás célja a validálás jellemzőinek megbecsülése.

Az analitikai módszer teljesítmény-jellemzői A tipikus validálási jellemzők a következők (zárójelben az angol kifejezés): Pontosság, helyesség (Accuracy, Trueness ) Precizitás (Precision) Ismételhetőség (Repeatability) Kibővített ismételhetőség (Intermediate Precision) Reprodukálhatóság (Reproducibility) Szelektivitás (Selectivity), specifikusság (Specificity), azonosság (Identity) Kimutatási határ (Detection Limit) Meghatározási határ (Quantitation Limit) Tartomány (Range) Linearitás (Linearity) Robosztusság, állékonyság (robustness) Visszanyerési tényező (Recovery)

A pontosság és precizitás különbsége Precíz, de pontatlan Pontos, de nem precíz Nem precíz, nem pontos Precíz és pontos

Pontosság, helyesség, torzítatlanság A mért és a névleges érték %-os eltérését tekintjük a mérési eljárás pontosságának, helyességének. A referencia anyag igazolt koncentrációjának és a mért koncentrációnak az eltérését az igazolt koncentráció százalékában megadva kapjuk a pontosságot. A pontosság megállapításához tanácsos legalább 9 meghatározást végezni, minimum 3 koncentráció értéken, ami lefedi a vizsgált tartományt (pl. 3 koncentráció, a teljes analitikai eljárás 3‑3 ismétlésével). Mintafeladat a tanulói jegyzetben.

Precizitás: ismételhetőség és reprodukálhatóság A precizitás az azonos, homogén minták mérése közti különbséget fejezi ki. Jellemző értékként a mérések szórását használják. Az ismételhetőség és a reprodukálhatóság különböző körülmények között végzett méréseket jellemeznek. Ismételhetőség: azonos hely, analitikus, műszer, beállítások, rövid időn belül mért értékek eltérése. Reprodukálhatóság: egyforma, szabványosított, standar- dizált módszer, de másik laboratórium, így más analitikus, műszer, beállítások, lehet hosszú idő múlva a mérés.

Ismételhetőség (Repeatability) Az ismételhetőség megállapításához legalább 9 meghatározást kell végezni, lefedve a vizsgált tartományt pl. 3 koncentráció, a teljes analitikai eljárás 3‑3 ismétlésével vagy 6 meghatározás a vizsgálatnak megfelelő 100 % koncentrációnál. Mintafeladat a tanulói jegyzetben.

Szelektivitás, specifikusság, azonosság A szelektivitás azt jellemzi, hogy a módszer, ami több alkotót is mér, mennyire képes azok között különbséget tenni. A zavaró összetevő növelheti, csökkentheti, vagy torzíthatja a jelet. Specifikus a módszer, ami csak az adott komponenst méri, azaz teljesen szelektív. Azonosság: a jel csak a meghatározandó anyagtól származik, nem valami ahhoz fizikailag vagy kémiailag hasonló anyagtól.

Kimutatási határ Az a legalacsonyabb mennyiség vagy koncentráció, amit az analitikai eljárás érzékelni képes (tehát meg tud különböztetni a vakmintától), de mennyiségileg meghatározni már nem. Általában az a legkisebb koncentráció, amire kapott jel értéke a vakmintára kapott átlagos jeltől a vakminta szórásának (ezt tekintjük zajnak) háromszorosával különbözik (Miért? Hány %?). , ahol cL (LOD) a kimutatási határ, svak a vak mintára kapott jel szórása, S az érzékenység (nem lineáris függvénynél a 0 koncentrációnál). Mintafeladat a tanulói jegyzetben.

Meghatározási határ Az a legalacsonyabb koncentráció vagy mennyiség, amit az analitikai eljárás mennyiségileg meghatározni képes. Általában a 10 % szórás a maximum, amit elfogadnak. A kimutatási határ mérésekor kapott adatok fel-használásával számítjuk a következő képlettel: ahol cQ (LOQ) a meghatározási határ, svak a vakmintára kapott jel szórása, S az érzékenység (nem lineáris függvénynél a 0 koncentrációnál). Mintafeladat a tanulói jegyzetben.

Mérési tartomány A mérésnél alkalmazható tartomány kiválasztása többféle módon történhet. Az érzékenység változása alapján: azt a koncentrációt fogadjuk el a tartomány felső határának, aminél az érzékenység a kezdeti érték meghatározott részére (pl. felére vagy harmadára) csökken. A szórások alapján azt a tartományt választjuk, amin belül a szórás nem nagyobb, mint az elvárás.

Mérési tartomány az érzékenység alapján ← A kalibrációs görbe (másodfokú polinom) differenciál-hányados függvénye: (A’=0,1556‑2·0,0056·c). Az érzékenység ebből számítható. A kezdeti érzékenység A’(0)=0,1556. Ha felső határként azt a koncentrációt választjuk, aminél az érzékenység ennek a fele: A’(c1)=0,0778 → a harmada: A’(c2)=0,0519 → lesz a mérési tartomány felső határa. c1=6,95 mg/dm3 c2=9,26 mg/dm3 Mintafeladat a tanulói jegyzetben.

Az adatok feldolgozása 1. Az Excelbe beírjuk az adatokat: vakpróbák Kiszámítjuk a szórást. Beírjuk a „rendes” kalibrációt Beírjuk a „plusz” kalibrációt. rB, mg/dm3 A -0,008 -0,009 -0,003 -0,014 0,004 rB, mg/dm3 A 0,8 0,080 1,6 0,148 2,4 0,192 3,2 0,271 4,0 0,340 svak 0,0061 6,0 0,554 8,0 0,646 10,0 0,740

Az adatok feldolgozása 2. Elkészítjük az analitikai mérőgörbét a „rendes” adatokból és a „plusz” adatokkal együtt is. svak 0,0061 rB, mg/dm3 A 0,8 0,080 1,6 0,148 2,4 0,192 3,2 0,271 4,0 0,340 6,0 0,554 8,0 0,646 10,0 0,740

Az adatok feldolgozása 3. Az analitikai mérőgörbe egyenlete a „plusz” adatokkal együtt: Ebből az érzékenység: S = 0,1076 A szórás: Ezekből a kimutatási határ a meghatározási határ y = -0,003x2 + 0,1076x - 0,0242 svak 0,0061 0,17 mg/dm3 0,57 mg/dm3

Az adatok feldolgozása 4. Az analitikai mérőgörbe egyenlete a „plusz” adatokkal együtt: Ennek a deriváltja: Keressük, hogy mikor lesz ennek a függvénynek az értéke az x = 0 függvényértéke fele: x = 8,97 A meghatározási határ az előző oldalról: 0,57 mg/dm3 Így a mérési tartományunk: y = -0,003x2 + 0,1076x - 0,0242 y' = -0,006x + 0,1076 y' = -0,006x + 0,1076 = 0,0538 0,6-9,0 mg/dm3

Mérési tartomány a szórásgörbe alapján Az elvárás: max. 2,5% relatív szórás. Olvassuk le a választott tartományt: Jelöljük be! 0,15..2,2 mg/ℓ Mintafeladat a tanulói jegyzetben.

Lineáris tartomány (Linearity) A lineáris tartomány az egyenes illesztés minősége alapján is megítélhető, de pontosabb, megbízhatóbb eredményt adnak az erre a célra használható próbák, amelyekkel itt nem foglalkozunk. Általános elvárás, hogy R2> 0,98 legyen. Az egyenes illesz- tés megfelelő.

Robusztusság, állékonyság (Robustness) Azt mutatja meg, hogy a módszer mennyire tűri a zavaró hatásokat; a mérési paraméterek pl. – pH, – ionerősség, – hőmérséklet, stb. megváltoztatása mennyire befolyásolja a kapott jel nagyságát. Célszerű a módszerfejlesztés korai szakaszában elvégezni. (Miért?)

Visszanyerési tényező (Recovery) Környezeti mérések során gyakran nem tudjuk a jelenlévő anyag teljes mennyiségét mérni (pl. kioldási, extrakciós veszteség, anyag visszamarad a mátrixban), ezért a visszanyerés hatásfokát az adott körülményekre meg kell mérni. ahol R a visszanyerés; ci, mért érték; cref, várt érték. A várt értéket irodalmi adatok, vagy a hozzáadott (spike, surrogate standard) anyagok mennyisége adja. Mintafeladat a tanulói jegyzetben.