عنوان

نقشه راه برای تشخیص داده پرت در کالیبراسیون خطی تک متغیره در شیمی تجزیه

پ۲۷۴۳۱

per

نقشه راه برای تشخیص داده پرت در کالیبراسیون خطی تک متغیره در شیمی تجزیه

فاطمه احمدیه

شيمی(پردیس دانشگاه تبریز)

۱۴۰۰

۱۰۰ص.

سی دی

کارشناسی ارشد

شيمی تجزیه

۱۴۰۰/۱۱/۲۷

ارزیابی کیفیت نمودار کالیبراسیون موضوع مهم در آنالیز¬های شیمیایی است. اگر نقاط تاثیرگذار و غیر مفید در کالیبراسیون شناسایی و کنار گذاشته نشوند، مدل ساخته شده اعتبار چندانی نخواهد داشت و صحت و دقت مرحله پیش‌بینی را تضمین نمی‌کند. شناخت نقاط تأثیرگذار، داده های پرت و کنار گذاشتن آنها یکی از مراحل پردازش داده است که در علوم مختلف مورد توجه قرار گرفته است. نکات تاثیرگذار را می توان ناشی از: 1) طراحی بد مجموعه کالیبراسیون 2) خطای فاحش در انجام آزمایشات دانست. بنابراین، هدف ما در این کار پژوهشی این است تا نقشه ای استخراج کنیم که موارد زیر را تشخیص دهد: الف) وجود داده هایی با لوریج بالا در رگرسیون که از بقیه نقاط فاصله دارد و به شدت بر معادله کالیبراسیون تأثیر می گذارد. ب) وقوع خطای درشت یا بزرگ در مراحل مختلف فرآیند آزمایش که منجر به ثبت سیگنالی می گردد که با غلظت مورد نظر مطابقت ندارد. ج) نقاط با غلظت کمتر از حد تعیین کمی که تخمین آنها با خطای زیادی همراه هست. برای این منظور در محاسبه حد تعیین کمی از خطای استاندارد رگرسیون به جای انحراف معیار بلانک محاسبه می¬شود.کارایی نقشه راه پیشنهادی بررسی خواهد شد و این دیدگاه جدیدی را در معادله کالیبراسیون برای جلوگیری از اشتباهات رایج در شیمی تجزیه ارائه می¬دهد. برای رسیدن به هدف فوق از آزمون¬های آماری معنی¬دار پارامتری و ناپارامتری مناسب استفاده خواهد شد و سعی شده که انجام آزمونها در محیط ساده مایکروسافت اکسل انجام شود.

Assessment of the adequacy of a proposed linear calibration curve is necessarily subjective in chemical analysis. If the influential points in calibration are not identified and discarded, the constructed model will not have much validity and doesn’t warrant the accuracy and precision of prediction step. Recognizing of influential points, outlier data, and discarding them is one of the steps in data processing that has been considered in various sciences. The influential points can be arisen from, I) bad design of calibration set II) gross error in doing experiments. So, we aimed to extract a map that recognizes the following issues: A) The existence of data with high regression coverage that is far from the rest and will strongly affect the accuracy of the calibration equation, high leverage points. B) Large error in the experimental process: the recorded signal does not match the desired concentration. C) Points with concentration lower than limit of quantification which calculated by considering standard error of regression instead of standard deviation of blank.The efficiency of proposed roadmap will be reviewed and this will give a new perspective on the calibration equation to avoid common mistakes in analytical chemistry. To achieve the above goal, visual and statistically significant tests will be used and all tests will be performed in a simple Microsoft Excel environment.

Roadmap for outlier detection in univariate linear calibration in analytical chemistry

احمدیه‏،

‏فاطمه

تهيه کننده

ناصری‏،

اسدپور زینالی،

عبدالحسین‏

کریم‏

استاد راهنما

استاد مشاور

‏تبریز