TÁMOP 2.2.3-07/1-2F-2008-0011 Műszeres analitika 14. évfolyam Fotometriás módszer validálása Tihanyi Péter 2009.

Slides:



Advertisements
Hasonló előadás
I. előadás.
Advertisements

a terület meghatározása
Szakítódiagram órai munkát segítő Szakitódiagram.
MÉRÉSI BIZONYTALANSÁG
Statisztika I. VI. Dr. Szalka Éva, Ph.D..
ZAJVÉDELEM Koren Edit 4..
A PEDAGÓGIAI KUTATÁS FOLYAMATA
Az enzimek A kémiai reakciók mindig a szabadenergia csökkenés irányába mennek végbe. Miért nem alakul át minden anyag a számára legalacsonyabb energiájú,
Biológiai monitoring és mintavétel
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)
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.
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
1 Adatgyűjtés, mérési alapok, a környezetgazdálkodás fontosabb műszerei KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc Gazdálkodási modul Gazdaságtudományi ismeretek.
GAZDASÁGI INFORMATIKA II.
AZ ÉLETTANI PARAMÉTEREK MINŐSÉGELLENŐRZÉSE
ÖSSZEFOGLALÓ ELŐADÁS Dr Füst György.
Statisztika II. VIII. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VI.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Statisztika II. III. Dr. Szalka Éva, Ph.D..
Kvantitatív módszerek
Az Alakfelismerés és gépi tanulás ELEMEI
Dinamikai rendszerek kaotikus viselkedése

Egytényezős variancia-analízis
Nominális adat Módusz vagy sűrűsödési középpont Jele: Mo
Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás Marketing Msc I. évf., I. félév, levelező.
Gyengén nemlineáris rendszerek modellezése és mérése Készítette: Kis Gergely Konzulens: Dobrowieczki Tadeusz (MIT)
TÁMOP /1-2F Analitika gyakorlat 12. évfolyam Környezeti analitikai vizsgálatok Fogarasi József 2009.
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.
Paleobiológiai módszerek és modellek 4. hét
I. előadás.
Műszeres analitika vegyipari területre
Minőségbiztosítás 11. előadás
Munkakörelemés és –tervezés röviden
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
Analitika gyakorlat 12. évfolyam
20. Mutassa be a minőségbiztosítás szerepét a laboratóriumi munkában! Ismertesse a szabványok fajtáit, jelentőségét, használatát a laboratóriumi munkában!
Környezetvédelmi analitika
A számítógépes elemzés alapjai
Megbízhatóság alapú menedzsment Jónás Tamás szeptember 3.
III. előadás.
Szabályozott és képes termékek/szolgáltatások, folyamatok, rendszerek
7. Validálás Kemometria 2016/ Validálás
Kísérlettervezés 3. előadás.
5. Kalibráció, függvényillesztés
2. A Student-eloszlás Kemometria 2016/ A Student-eloszlás
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
Mérési skálák, adatsorok típusai
1.3. Hipotézisvizsgálat, statisztikai próbák
3. Varianciaanalízis (ANOVA)
Előadás másolata:

TÁMOP /1-2F Műszeres analitika 14. évfolyam Fotometriás módszer validálása Tihanyi Péter 2009

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 teljesítményjellemzőit 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 m ű szer, új analitikus. Az analitikai eljárás célja a validálás jellemzőinek megbecsülése.

Az analitikai módszer teljesítményjellemzői 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 Nem precíz, nem pontosPrecíz és pontos Pontos, de nem precíz

Pontosság, helyesség, torzítatlanság A mért és a névleges érték %-os eltérését tekintjük a mérési eljárás pontosságának, helyességének. A referenciaanyag 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, standardizált 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 c L a kimutatási határ, s vak 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 c Q a meghatározási határ, s vak 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) differenciálhányados függvénye: (A’=0,1556 ‑ 2·0,0056·c). Az érzékenység ebb ő l számítható. A kezdeti érzékenység A’(0)=0,1556. Ha felső határként azt a koncentrációt választjuk, aminél az érzékenység ennek a fele: A’(c 1 )=0,0778→ a harmada: A’(c 2 )=0,0519→ lesz a mérési tartomány felső határa. c 1 =6,95 mg/dm 3 c 2 =9,26 mg/dm 3 Mintafeladat a tanulói jegyzetben.

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

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 R 2 > 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. ki- oldási, extrakciós veszteség, anyag visszamarad a mátrixban), ezért a visszanyerés hatásfokát az adott körülményekre meg kell mérni. ahol R a visszanyerés; c i, mért érték; c ref, várt érték. A várt értéket irodalmi adatok, vagy a hozzáadott (spike, surrogate standard) anyagok mennyisége adja. Mintafeladat a tanulói jegyzetben.