ਲੈਬੋਰਟਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸਰਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵਕਰ ਗਣਕ

ਮਿਆਰੀ ਡਾਟਾ ਬਿੰਦੂਆਂ ਤੋਂ ਰੇਖੀ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵਕਰ ਬਣਾਓ ਅਤੇ ਅਣਜਾਣ ਸੰਘਣਾਈਆਂ ਦੀ ਗਣਨਾ ਕਰੋ। ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਰਸਾਇਣ ਵਿਗਿਆਨ, ਲੈਬੋਰਟਰੀ ਕੰਮ ਅਤੇ ਵਿਗਿਆਨਕ ਖੋਜ ਲਈ ਬਿਹਤਰ।

ਸਧਾਰਨ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕ੍ਰਿਵ ਕੈਲਕੁਲੇਟਰ

ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਡੇਟਾ ਪੌਇੰਟ ਦਾਖਲ ਕਰੋ

ਕੇਂਦ੍ਰਤਾ

ਜਵਾਬ

ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕ੍ਰਿਵ

ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕ੍ਰਿਵ ਬਣਾਉਣ ਲਈ ਘੱਟੋ-ਘੱਟ 2 ਵੈਧ ਡੇਟਾ ਪੌਇੰਟ ਦਾਖਲ ਕਰੋ

ਅਣਜਾਣ ਕੇਂਦ੍ਰਤਾ ਦੀ ਗਣਨਾ ਕਰੋ

ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਘੱਟੋ-ਘੱਟ 2 ਡੇਟਾ ਪੌਇੰਟ ਦਾਖਲ ਕਰਕੇ ਇੱਕ ਵੈਧ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕ੍ਰਿਵ ਬਣਾਓ

📚

ਦਸਤਾਵੇਜ਼ੀਕਰਣ

ਸਧਾਰਣ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਕੈਲਕੂਲੇਟਰ

ਪਰਿਚਯ

ਇੱਕ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਵਿਸ਼ਲੇਸ਼ਣੀ ਰਸਾਇਣ ਵਿਗਿਆਨ ਅਤੇ ਲੈਬੋਰੇਟਰੀ ਵਿਗਿਆਨਾਂ ਵਿੱਚ ਇੱਕ ਮੁੱਢਲਾ ਸਾਧਨ ਹੈ ਜੋ ਯੰਤਰ ਦੇ ਜਵਾਬ ਅਤੇ ਕਿਸੇ ਪਦਾਰਥ ਦੇ ਜਾਣੇ ਪਛਾਣੇ ਕੇਂਦਰਾਂ ਦੇ ਵਿਚਕਾਰ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ। ਸਾਡਾ ਸਧਾਰਣ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਕੈਲਕੂਲੇਟਰ ਮਿਆਰੀ ਨਮੂਨਿਆਂ ਤੋਂ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਣਾਉਣ ਲਈ ਇੱਕ ਆਸਾਨ-ਵਰਤੋਂ ਵਾਲਾ ਇੰਟਰਫੇਸ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ ਤੁਹਾਨੂੰ ਅਣਜਾਣ ਕੇਂਦਰਾਂ ਨੂੰ ਸਹੀਤਾ ਅਤੇ ਵਿਸ਼ਵਾਸ ਨਾਲ ਨਿਰਧਾਰਿਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਚਾਹੇ ਤੁਸੀਂ ਰਸਾਇਣਕ ਯੌਗਿਕਾਂ ਦੀ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਰਹੇ ਹੋ, ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਟੈਸਟ ਕਰ ਰਹੇ ਹੋ, ਜਾਂ ਖੋਜ ਪ੍ਰਯੋਗ ਕਰ ਰਹੇ ਹੋ, ਇਹ ਕੈਲਕੂਲੇਟਰ ਤੁਹਾਡੇ ਕੈਲਿਬਰੇਸ਼ਨ ਡੇਟਾ ਤੋਂ ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੁਗਮ ਬਣਾਉਂਦਾ ਹੈ।

ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਕੱਚੇ ਯੰਤਰ ਮਾਪ (ਜਿਵੇਂ ਕਿ ਅਬਜ਼ਾਰਬੈਂਸ, ਪੀਕ ਖੇਤਰ, ਜਾਂ ਸਿਗਨਲ ਗਤੀ) ਨੂੰ ਅਰਥਪੂਰਨ ਕੇਂਦਰ ਮੁੱਲਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਅਹਮ ਹਨ। ਜਾਣੇ ਪਛਾਣੇ ਕੇਂਦਰਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਬੰਧਤ ਜਵਾਬਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਗਣਿਤੀਕ ਰਿਸ਼ਤਾ ਸਥਾਪਿਤ ਕਰਕੇ, ਤੁਸੀਂ ਇੱਕੋ ਮਾਪਣ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਣਜਾਣ ਨਮੂਨਿਆਂ ਨੂੰ ਸਹੀਤਾ ਨਾਲ ਮਾਤਰਾ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਕੈਲਕੂਲੇਟਰ ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਤੁਹਾਡੇ ਕੈਲਿਬਰੇਸ਼ਨ ਬਿੰਦੂਆਂ ਦੇ ਰਾਹੀਂ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟਿੰਗ ਸਿੱਧੀ ਲਾਈਨ ਨੂੰ ਲੱਭ ਸਕੇ, ਤੁਹਾਨੂੰ ਢਲਵਾਂ, ਕੱਟ ਅਤੇ ਸੰਬੰਧਿਤ ਗੁਣਾਂ (R²) ਦੇ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਤੁਹਾਡੇ ਕੈਲਿਬਰੇਸ਼ਨ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਅੰਕਲਨ ਕੀਤਾ ਜਾ ਸਕੇ।

ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀਆਂ ਹਨ

ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦੇ ਪਿਛੇ ਦੀ ਗਣਿਤ

ਇੱਕ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਦੇ ਕੇਂਦਰ (x) ਅਤੇ ਜਵਾਬ (y) ਦੇ ਵਿਚਕਾਰ ਦੇ ਗਣਿਤੀਕ ਰਿਸ਼ਤੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਵਿਸ਼ਲੇਸ਼ਣੀ ਤਰੀਕਿਆਂ ਲਈ, ਇਹ ਰਿਸ਼ਤਾ ਇੱਕ ਰੇਖੀ ਮਾਡਲ ਦੇ ਅਨੁਸਾਰ ਹੁੰਦਾ ਹੈ:

$y = mx + b$

ਜਿੱਥੇ:

$y$ = ਯੰਤਰ ਦਾ ਜਵਾਬ (ਨਿਰਭਰ ਚਰ)
$x$ = ਕੇਂਦਰ (ਆਜ਼ਾਦ ਚਰ)
$m$ = ਢਲਵਾਂ (ਤਰੀਕੇ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ)
$b$ = y-ਕੱਟ (ਪਿਛੋਕੜ ਸਿਗਨਲ)

ਕੈਲਕੂਲੇਟਰ ਇਹ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਿਕਾਲਦਾ ਹੈ, ਜੋ ਦੇਖੇ ਗਏ ਜਵਾਬਾਂ ਅਤੇ ਰੇਖੀ ਮਾਡਲ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਮੁੱਲਾਂ ਦੇ ਵਿਚਕਾਰ ਦੇ ਵਰਗਾਂ ਦੇ ਫਰਕਾਂ ਦੇ ਜੋੜ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ।

ਕੀ ਗਣਨਾਵਾਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ:

ਢਲਵਾਂ (m) ਦੀ ਗਣਨਾ: $m = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^{n}(x_i - \bar{x})^2}$
Y-ਕੱਟ (b) ਦੀ ਗਣਨਾ: $b = \bar{y} - m\bar{x}$
ਗੁਣਨਫਲ ਦਾ ਨਿਰਧਾਰਨ (R²) ਦੀ ਗਣਨਾ: $R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{n}(y_i - \bar{y})^2}$

ਜਿੱਥੇ $\hat{y}_i$ ਕਿਸੇ ਦਿੱਤੇ x-ਮੁੱਲ ਲਈ ਪੇਸ਼ ਕੀਤੀ ਗਈ y-ਮੁੱਲ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
ਅਣਜਾਣ ਕੇਂਦਰ ਦੀ ਗਣਨਾ: $x_{unknown} = \frac{y_{unknown} - b}{m}$

ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ

ਢਲਵਾਂ (m) ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣੀ ਤਰੀਕੇ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇੱਕ ਤੇਜ਼ ਢਲਵਾਂ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜਵਾਬ ਕੇਂਦਰ ਨਾਲ ਹੋਰ ਨਾਟਕਿਕ ਤੌਰ 'ਤੇ ਬਦਲਦਾ ਹੈ, ਜੋ ਸਮਾਨ ਕੇਂਦਰਾਂ ਵਿਚਕਾਰ ਵੱਖਰੇ ਕਰਨ ਲਈ ਬਿਹਤਰ ਨਿਰਧਾਰਿਤਤਾ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰ ਸਕਦਾ ਹੈ।

y-ਕੱਟ (b) ਪਿਛੋਕੜ ਸਿਗਨਲ ਜਾਂ ਯੰਤਰ ਦਾ ਜਵਾਬ ਦਰਸਾਉਂਦਾ ਹੈ ਜਦੋਂ ਕੇਂਦਰ ਜ਼ੀਰੋ ਹੁੰਦਾ ਹੈ। ਆਦਰਸ਼ ਤੌਰ 'ਤੇ, ਇਹ ਬਹੁਤ ਸਾਰੇ ਵਿਸ਼ਲੇਸ਼ਣੀ ਤਕਨੀਕਾਂ ਲਈ ਜ਼ੀਰੋ ਦੇ ਨੇੜੇ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਪਰ ਕੁਝ ਤਰੀਕੇ ਵਿੱਚ ਅਸੰਭਵ ਤੌਰ 'ਤੇ ਗੈਰ-ਜ਼ੀਰੋ ਕੱਟ ਹੁੰਦੇ ਹਨ।

ਗੁਣਨਫਲ ਦਾ ਨਿਰਧਾਰਨ (R²) ਤੁਹਾਡੇ ਡੇਟਾ ਦੇ ਰੇਖੀ ਮਾਡਲ ਨਾਲ ਕਿੰਨਾ ਚੰਗਾ ਫਿੱਟ ਹੁੰਦਾ ਹੈ, ਇਹ ਮਾਪਦਾ ਹੈ। R² ਦਾ 1.0 ਮੁੱਲ ਇੱਕ ਪੂਰਨ ਫਿੱਟ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ 0 ਦੇ ਨੇੜੇ ਮੁੱਲਾਂ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕੋਈ ਗਰੀਬ ਸੰਬੰਧ ਹੈ। ਭਰੋਸੇਯੋਗ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਲਈ, ਤੁਹਾਨੂੰ ਜ਼ਿਆਦਾਤਰ ਵਿਸ਼ਲੇਸ਼ਣੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ R² ਮੁੱਲ 0.99 ਤੋਂ ਉੱਪਰ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।

ਕੈਲਕੂਲੇਟਰ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ

ਸਾਡਾ ਸਧਾਰਣ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਕੈਲਕੂਲੇਟਰ ਇੰਟੂਇਟਿਵ ਅਤੇ ਸਿੱਧਾ ਵਰਤੋਂ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਆਪਣੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਅਣਜਾਣ ਕੇਂਦਰਾਂ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਨ ਲਈ ਇਹਨਾਂ ਕਦਮਾਂ ਦਾ ਪਾਲਣਾ ਕਰੋ:

ਕਦਮ 1: ਕੈਲਿਬਰੇਸ਼ਨ ਡੇਟਾ ਬਿੰਦੂ ਦਰਜ ਕਰੋ

ਆਪਣੇ ਜਾਣੇ ਪਛਾਣੇ ਕੇਂਦਰ ਮੁੱਲ ਨੂੰ ਖੱਬੇ ਕਾਲਮ ਵਿੱਚ ਦਰਜ ਕਰੋ
ਸਬੰਧਤ ਜਵਾਬ ਮੁੱਲ ਨੂੰ ਸੱਜੇ ਕਾਲਮ ਵਿੱਚ ਦਰਜ ਕਰੋ
ਕੈਲਕੂਲੇਟਰ ਡਿਫਾਲਟ ਰੂਪ ਵਿੱਚ ਦੋ ਡੇਟਾ ਬਿੰਦੂਆਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ
ਵਧੇਰੇ ਮਿਆਰੀਆਂ ਸ਼ਾਮਲ ਕਰਨ ਲਈ "ਡੇਟਾ ਬਿੰਦੂ ਸ਼ਾਮਲ ਕਰੋ" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ
ਕੋਈ ਵੀ ਗਲਤ ਡੇਟਾ ਬਿੰਦੂ ਹਟਾਉਣ ਲਈ ਕਚਰੇ ਦੇ ਚਿੰਨ੍ਹ ਦੀ ਵਰਤੋਂ ਕਰੋ (ਘੱਟੋ-ਘੱਟ ਦੋ ਦੀ ਲੋੜ ਹੈ)

ਕਦਮ 2: ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਣਾਓ

ਜਦੋਂ ਤੁਸੀਂ ਘੱਟੋ-ਘੱਟ ਦੋ ਵੈਧ ਡੇਟਾ ਬਿੰਦੂ ਦਰਜ ਕਰ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਕੈਲਕੂਲੇਟਰ ਆਪਣੇ ਆਪ:

ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ ਪੈਰਾਮੀਟਰਾਂ (ਢਲਵਾਂ, ਕੱਟ, ਅਤੇ R²) ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ
y = mx + b (R² = ਮੁੱਲ) ਦੇ ਫਾਰਮੈਟ ਵਿੱਚ ਰਿਗ੍ਰੈਸ਼ਨ ਸਮੀਕਰਨ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ
ਤੁਹਾਡੇ ਡੇਟਾ ਬਿੰਦੂਆਂ ਅਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਲਾਈਨ ਨੂੰ ਦਰਸਾਉਂਦੀਆਂ ਇੱਕ ਦ੍ਰਿਸ਼ਟੀਗ੍ਰਹਣ ਗ੍ਰਾਫ ਬਣਾਉਂਦਾ ਹੈ

ਕਦਮ 3: ਅਣਜਾਣ ਕੇਂਦਰਾਂ ਦੀ ਗਣਨਾ ਕਰੋ

ਅਣਜਾਣ ਨਮੂਨਿਆਂ ਦੇ ਕੇਂਦਰ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਨ ਲਈ:

ਆਪਣੇ ਅਣਜਾਣ ਨਮੂਨੇ ਦੇ ਜਵਾਬ ਮੁੱਲ ਨੂੰ ਨਿਯਤ ਖੇਤਰ ਵਿੱਚ ਦਰਜ ਕਰੋ
"ਗਣਨਾ ਕਰੋ" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ
ਕੈਲਕੂਲੇਟਰ ਤੁਹਾਡੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਦੇ ਅਧਾਰ 'ਤੇ ਗਣਨਾ ਕੀਤੀ ਗਈ ਕੇਂਦਰ ਨੂੰ ਦਰਸਾਏਗਾ
ਆਪਣੇ ਰਿਕਾਰਡਾਂ ਜਾਂ ਰਿਪੋਰਟਾਂ ਵਿੱਚ ਨਤੀਜੇ ਆਸਾਨੀ ਨਾਲ ਪੇਸ਼ ਕਰਨ ਲਈ ਕਾਪੀ ਬਟਨ ਦੀ ਵਰਤੋਂ ਕਰੋ

ਸਹੀ ਕੈਲਿਬਰੇਸ਼ਨ ਲਈ ਸੁਝਾਅ

ਸਭ ਤੋਂ ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ ਲਈ, ਇਹਨਾਂ ਸਰਵੋਤਮ ਅਭਿਆਸਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ:

ਇੱਕ ਮਜ਼ਬੂਤ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਲਈ ਘੱਟੋ-ਘੱਟ 5-7 ਕੈਲਿਬਰੇਸ਼ਨ ਬਿੰਦੂਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ
ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੈਲਿਬਰੇਸ਼ਨ ਮਿਆਰੀਆਂ ਤੁਹਾਡੇ ਅਣਜਾਣ ਨਮੂਨਿਆਂ ਦੀ ਉਮੀਦ ਕੀਤੀ ਰੇਂਜ ਨੂੰ ਕਵਰ ਕਰਦੀਆਂ ਹਨ
ਆਪਣੇ ਕੈਲਿਬਰੇਸ਼ਨ ਬਿੰਦੂਆਂ ਨੂੰ ਕੇਂਦਰ ਦੀ ਰੇਂਜ ਦੇ ਪਾਰ ਸਮਾਨ ਤੌਰ 'ਤੇ ਵਿਖੇੜੋ
ਸਹੀਤਾ ਦਾ ਅੰਕਲਨ ਕਰਨ ਲਈ ਦੁਹਰਾਈ ਮਾਪਣਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ
ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਡੇਟਾ ਇੱਕ ਰੇਖੀ ਰਿਸ਼ਤੇ ਦਾ ਪਾਲਣਾ ਕਰਦੇ ਹਨ (ਜ਼ਿਆਦਾਤਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ R² > 0.99)

ਵਰਤੋਂ ਦੇ ਕੇਸ

ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਬਹੁਤ ਸਾਰੇ ਵਿਗਿਆਨਕ ਅਤੇ ਉਦਯੋਗਿਕ ਖੇਤਰਾਂ ਵਿੱਚ ਅਹਮ ਸਾਧਨ ਹਨ। ਇੱਥੇ ਕੁਝ ਆਮ ਐਪਲੀਕੇਸ਼ਨ ਹਨ:

ਵਿਸ਼ਲੇਸ਼ਣੀ ਰਸਾਇਣ

ਵਿਸ਼ਲੇਸ਼ਣੀ ਰਸਾਇਣ ਵਿੱਚ, ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦਾ ਵਰਤੋਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ:

ਯੂਵੀ-ਦ੍ਰਿਸ਼ਮਾਨੀ ਸਪੈਕਟ੍ਰੋਮੈਟ੍ਰੀ: ਰੰਗਦਾਰ ਯੌਗਿਕਾਂ ਦੀ ਮਾਤਰਾ ਨੂੰ ਪ੍ਰਕਾਸ਼ ਦੇ ਅਬਜ਼ਾਰਬੈਂਸ ਨੂੰ ਮਾਪ ਕੇ ਨਿਰਧਾਰਿਤ ਕਰਨਾ
ਉੱਚ-ਕਾਰਜ ਵਾਲੀ ਲਿਕਵਿਡ ਕ੍ਰੋਮੈਟੋਗ੍ਰਾਫੀ (HPLC): ਪੀਕ ਖੇਤਰਾਂ ਜਾਂ ਉਚਾਈਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਯੌਗਿਕਾਂ ਦੀ ਮਾਤਰਾ ਕਰਨਾ
ਐਟਮਿਕ ਅਬਜ਼ਾਰਪਸ਼ਨ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ (AAS): ਵਾਤਾਵਰਣ ਜਾਂ ਜੀਵ ਵਿਗਿਆਨਕ ਨਮੂਨਿਆਂ ਵਿੱਚ ਧਾਤੂਆਂ ਦੀ ਮਾਤਰਾ ਮਾਪਣਾ
ਗੈਸ ਕ੍ਰੋਮੈਟੋਗ੍ਰਾਫੀ (GC): ਜਟਿਲ ਮਿਸ਼ਰਣਾਂ ਵਿੱਚ ਉਡਣ ਵਾਲੇ ਯੌਗਿਕਾਂ ਦੀ ਵਿਸ਼ਲੇਸ਼ਣ

ਜੀਵ ਵਿਗਿਆਨ ਅਤੇ ਮੌਲਿਕ ਜੀਵ ਵਿਗਿਆਨ

ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ ਖੋਜਕਰਤਾ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ:

ਪ੍ਰੋਟੀਨ ਦੀ ਮਾਤਰਾ: ਪ੍ਰੋਟੀਨ ਦੀ ਮਾਤਰਾ ਨਿਰਧਾਰਿਤ ਕਰਨ ਲਈ ਬ੍ਰੈਡਫੋਰਡ, BCA, ਜਾਂ ਲੋਰੀ ਅਸੈਸ
ਡੀਐਨਏ/RNA ਦੀ ਮਾਤਰਾ: ਨਿਊਕਲਿਕ ਐਸਿਡ ਦੀ ਮਾਤਰਾ ਨਿਰਧਾਰਿਤ ਕਰਨ ਲਈ ਸਪੈਕਟ੍ਰੋਮੈਟਰਿਕ ਜਾਂ ਫਲੋਰੋਮੈਟਰਿਕ ਮਾਪ
ਐਂਜ਼ਾਈਮ-ਲਿੰਕਡ ਇਮਿਊਨੋਸੋਰਬੈਂਟ ਅਸੈਸ (ELISA): ਜੀਵ ਵਿਗਿਆਨਕ ਨਮੂਨਿਆਂ ਵਿੱਚ ਐਂਟੀਜਨ, ਐਂਟੀਬਾਡੀ, ਜਾਂ ਪ੍ਰੋਟੀਨਾਂ ਦੀ ਮਾਤਰਾ ਕਰਨਾ
qPCR ਵਿਸ਼ਲੇਸ਼ਣ: ਮਾਤਰਾ PCR ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਨਮੂਨਾ ਮਾਤਰਾਵਾਂ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਨਾ

ਵਾਤਾਵਰਣੀ ਟੈਸਟਿੰਗ

ਵਾਤਾਵਰਣੀ ਵਿਗਿਆਨੀਆਂ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦਾ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ:

ਪਾਣੀ ਦੀ ਗੁਣਵੱਤਾ ਵਿਸ਼ਲੇਸ਼ਣ: ਪਾਣੀ ਦੇ ਨਮੂਨਿਆਂ ਵਿੱਚ ਪ੍ਰਦੂਸ਼ਕਾਂ, ਪੋਸ਼ਕ ਤੱਤਾਂ, ਜਾਂ ਜ਼ਹਿਰਾਂ ਦੀ ਮਾਤਰਾ ਕਰਨਾ
ਮਿੱਟੀ ਦੀ ਜਾਂਚ: ਮਿੱਟੀ ਦੇ ਨਿਕਾਸ ਵਿੱਚ ਖਣਿਜ, ਜੀਵਾਂਤ ਪਦਾਰਥਾਂ, ਜਾਂ ਪ੍ਰਦੂਸ਼ਕਾਂ ਦੀ ਮਾਤਰਾ ਕਰਨਾ
ਹਵਾ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਨਿਗਰਾਨੀ: ਕਣਾਂ ਜਾਂ ਗੈਸੀ ਪ੍ਰਦੂਸ਼ਕਾਂ ਦੀ ਮਾਤਰਾ ਕਰਨਾ

ਫਾਰਮਾਸਿਊਟਿਕਲ ਉਦਯੋਗ

ਫਾਰਮਾਸਿਊਟਿਕਲ ਖੋਜ ਅਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਵਿੱਚ, ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਅਹਮ ਹਨ:

ਦਵਾਈਆਂ ਦੀ ਅਸੈ: ਸਰਗਰਮ ਫਾਰਮਾਸਿਊਟਿਕਲ ਪਦਾਰਥ (API) ਦੀ ਸਮੱਗਰੀ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਨਾ
ਦਿਸ਼ਾ ਟੈਸਟਿੰਗ: ਫਾਰਮੂਲੇਸ਼ਨਾਂ ਤੋਂ ਦਵਾਈਆਂ ਦੇ ਰਿਲੀਜ਼ ਦਰਾਂ ਨੂੰ ਮਾਪਣਾ
ਸਥਿਰਤਾ ਅਧਿਐਨ: ਸਮੇਂ ਦੇ ਨਾਲ ਦਵਾਈ ਦੇ ਵਿਘਟਨ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ
ਬਾਇਓਐਨਾਲਿਟਿਕਲ ਤਰੀਕੇ: ਜੀਵ ਵਿਗਿਆਨਕ ਮੈਟ੍ਰਿਸ ਵਿੱਚ ਦਵਾਈਆਂ ਦੀ ਮਾਤਰਾ ਨਿਰਧਾਰਿਤ ਕਰਨਾ

ਖਾਦ ਅਤੇ ਪਾਣੀ ਦੀ ਉਦਯੋਗ

ਖਾਦ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਵਿਸ਼ੇਸ਼ਗਿਆਨੀਆਂ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦਾ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ:

ਪੋਸ਼ਣ ਦੀ ਵਿਸ਼ਲੇਸ਼ਣ: ਵਿਟਾਮਿਨ, ਖਣਿਜ, ਜਾਂ ਮੈਕਰੋਨਿਊਟਰੀਐਂਟ ਸਮੱਗਰੀ ਦੀ ਮਾਤਰਾ ਨਿਰਧਾਰਿਤ ਕਰਨਾ
ਪ੍ਰਦੂਸ਼ਕਾਂ ਦੀ ਜਾਂਚ: ਕੀਟਨਾਸ਼ਕ ਦੇ ਬਾਕੀ, ਭਾਰੀ ਧਾਤਾਂ, ਜਾਂ ਜੀਵਾਂਤ ਜ਼ਹਿਰਾਂ ਦੀ ਮਾਤਰਾ ਕਰਨਾ
ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ: ਸੁਆਦ ਦੇ ਯੌਗਿਕਾਂ, ਰੰਗਦਾਰਾਂ, ਜਾਂ ਪ੍ਰਿਜਰਵੇਟਿਵਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ

ਰੇਖੀ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦੇ ਵਿਕਲਪ

ਜਦੋਂ ਕਿ ਰੇਖੀ ਕੈਲਿਬਰੇਸ਼ਨ ਸਭ ਤੋਂ ਆਮ ਪਹੁੰਚ ਹੈ, ਕੁਝ ਵਿਕਲਪ ਹਨ ਜਦੋਂ ਕੇਂਦਰ ਅਤੇ ਜਵਾਬ ਦੇ ਵਿਚਕਾਰ ਦਾ ਰਿਸ਼ਤਾ ਰੇਖੀ ਨਹੀਂ ਹੁੰਦਾ:

ਪੋਲੀਨੋਮਿਯਲ ਕੈਲਿਬਰੇਸ਼ਨ: ਵੱਕਰ ਰਿਸ਼ਤਿਆਂ ਲਈ ਉੱਚ-ਕ੍ਰਮ ਦੇ ਪੋਲੀਨੋਮਿਯਲ ਸਮੀਕਰਨਾਂ (ਗੁਣਾਕਾਰ, ਘਣ) ਦੀ ਵਰਤੋਂ
ਲੌਗਾਰਿਦਮਿਕ ਰੂਪਾਂਤਰ: ਗੈਰ-ਰੇਖੀ ਡੇਟਾ ਨੂੰ ਰੇਖੀ ਰੂਪ ਵਿੱਚ ਬਦਲਣ ਲਈ ਲੌਗਾਰਿਦਮ ਲੈਣਾ
ਪਾਵਰ ਫੰਕਸ਼ਨ: ਕੁਝ ਕਿਸਮ ਦੇ ਡੇਟਾ ਲਈ ਪਾਵਰ ਰਿਸ਼ਤਿਆਂ (y = ax^b) ਦੀ ਵਰਤੋਂ
ਭਾਰਿਤ ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ: ਅਸਮਾਨ ਵੈਰੀਅੰਸ (ਹੇਟਰੋਸਕੇਡਾਸਟਿਸਿਟੀ) ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਲਈ ਡੇਟਾ ਬਿੰਦੂਆਂ ਨੂੰ ਭਾਰ ਦਿੱਤਾ ਜਾ ਰਿਹਾ ਹੈ
ਸਟੈਂਡਰਡ ਐਡਿਸ਼ਨ ਤਰੀਕਾ: ਨਮੂਨੇ ਵਿੱਚ ਜਾਣੇ ਪਛਾਣੇ ਪਦਾਰਥਾਂ ਦੀ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਕਰਕੇ ਕੇਂਦਰ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਨਾ ਬਿਨਾਂ ਵੱਖਰੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਦੇ
ਅੰਦਰੂਨੀ ਮਿਆਰੀ ਕੈਲਿਬਰੇਸ਼ਨ: ਜਵਾਬਾਂ ਨੂੰ ਨਾਰਮਲਾਈਜ਼ ਕਰਨ ਅਤੇ ਸਹੀਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਇੱਕ ਸੰਦਰਭ ਯੌਗਿਕ ਦੀ ਵਰਤੋਂ

ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦਾ ਇਤਿਹਾਸ

ਕੈਲਿਬਰੇਸ਼ਨ ਦਾ ਸੰਕਲਪ ਮਾਪ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣੀ ਵਿਗਿਆਨ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਡੂੰਘੇ ਜ roots ਹਨ। ਇੱਥੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦੀ ਵਿਕਾਸ ਦੀ ਇੱਕ ਸੰਖੇਪ ਸਮੀਖਿਆ ਹੈ:

ਸ਼ੁਰੂਆਤੀ ਵਿਕਾਸ

ਜਾਣੇ ਪਛਾਣੇ ਨੂੰ ਮਿਆਰੀਆਂ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਦਾ ਮੁੱਢਲਾ ਸਿਧਾਂਤ ਪ੍ਰਾਚੀਨ ਸਭਿਆਚਾਰਾਂ ਵਿੱਚ ਮਿਆਰੀ ਭਾਰ ਅਤੇ ਮਾਪ ਦੇ ਵਿਕਾਸ ਦੇ ਨਾਲ ਜੁੜਿਆ ਹੈ। ਹਾਲਾਂਕਿ, ਆਧੁਨਿਕ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਲਈ ਗਣਿਤੀਕ ਆਧਾਰ 19ਵੀਂ ਸਦੀ ਵਿੱਚ ਰਿਗ੍ਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਵਿਕਾਸ ਨਾਲ ਉਭਰਿਆ।

ਅੰਕੜਾ ਆਧਾਰ

1805 ਵਿੱਚ, ਐਡਰੀਅਨ-ਮੈਰੀ ਲੇਜੈਂਡਰੇ ਨੇ ਘੱਟੋ-ਘੱਟ ਵਰਗਾਂ ਦੀ ਵਿਧੀ ਨੂੰ ਪੇਸ਼ ਕੀਤਾ, ਜੋ ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ ਲਈ ਗਣਿਤੀਕ ਆਧਾਰ ਬਣੇਗਾ। ਬਾਅਦ ਵਿੱਚ, ਕਾਰਲ ਫ੍ਰਿਡਰਿਚ ਗਾਅਸ ਨੇ ਇਨ੍ਹਾਂ ਸੰਕਲਪਾਂ ਨੂੰ ਹੋਰ ਵਿਕਸਿਤ ਕੀਤਾ, ਜੋ ਆਧੁਨਿਕ ਕੈਲਿਬਰੇਸ਼ਨ ਵਿਧੀਆਂ ਦੇ ਪਿੱਛੇ ਦੀ ਸਾਂਖਿਆਕੀ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਆਧੁਨਿਕ ਵਿਸ਼ਲੇਸ਼ਣੀ ਰਸਾਇਣ

ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦੀ ਪ੍ਰਣਾਲੀਕ ਵਰਤੋਂ 20ਵੀਂ ਸਦੀ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣੀ ਵਿਗਿਆਨ ਤਕਨੀਕਾਂ ਦੇ ਵਿਕਾਸ ਨਾਲ ਪ੍ਰਸਿੱਧ ਹੋਈ:

1940 ਅਤੇ 1950 ਦੇ ਦਹਾਕਿਆਂ ਵਿੱਚ, ਸਪੈਕਟ੍ਰੋਮੈਟ੍ਰੀ ਦੀ ਆਗਮਨ ਨੇ ਮਿਆਰੀਆਂ ਦੀ ਮਾਤਰਾ ਲਈ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦੇ ਵਿਸ਼ਾਲ ਗ੍ਰਹਿਣ ਨੂੰ ਲੈ ਕੇ ਆਇਆ
20ਵੀਂ ਸਦੀ ਦੇ ਮੱਧ ਵਿੱਚ ਕ੍ਰੋਮੈਟੋਗ੍ਰਾਫਿਕ ਤਕਨੀਕਾਂ ਦੇ ਵਿਕਾਸ ਨੇ ਕੈਲਿਬਰੇਸ਼ਨ ਵਿਧੀਆਂ ਦੇ ਲਾਗੂ ਕਰਨ ਨੂੰ ਹੋਰ ਵਧਾਇਆ
1970 ਅਤੇ 1980 ਦੇ ਦਹਾਕਿਆਂ ਵਿੱਚ ਕੰਪਿਊਟਰਾਈਜ਼ਡ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਸ਼ੁਰੂਆਤ ਨੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਦੇ ਬਣਾਉਣ ਅਤੇ ਵਰਤੋਂ ਨੂੰ ਆਸਾਨ ਬਣਾਇਆ

ਗੁਣਵੱਤਾ ਦੀ ਪੱਕੀ ਵਿਕਾਸ

ਜਿਵੇਂ ਜਿਵੇਂ ਵਿਸ਼ਲੇਸ਼ਣੀ ਤਰੀਕੇ ਹੋਰ ਸੁਧਰਦੇ ਗਏ, ਕੈਲਿਬਰੇਸ਼ਨ ਦੇ ਤਰੀਕੇ ਵੀ ਹੋਰ ਵਿਕਸਤ ਹੋਏ:

ਵਿਧੀ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਦਾ ਸੰਕਲਪ, ਜਿਸ ਵਿੱਚ ਲੀਨੀਅਰਿਟੀ, ਰੇਂਜ, ਅਤੇ ਪਛਾਣ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਸ਼ਾਮਲ ਹੈ, ਮਿਆਰੀ ਬਣ ਗਿਆ
ਨਿਯਮਕ ਸੰਗਠਨਾਂ ਜਿਵੇਂ ਕਿ FDA, EPA, ਅਤੇ ICH ਨੇ ਸਹੀ ਕੈਲਿਬਰੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਲਈ ਮਾਰਗਦਰਸ਼ਕ ਤਿਆਰ ਕੀਤੇ
ਸਾਂਖਿਆਕੀ ਸਾਫਟਵੇਅਰ ਦੇ ਵਿਕਾਸ ਨੇ ਰੁਟੀਨ ਲੈਬੋਰਟਰੀਆਂ ਲਈ ਵਧੇਰੇ ਜਟਿਲ ਕੈਲਿਬਰੇਸ਼ਨ ਮਾਡਲਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਆਸਾਨੀ ਦਿੱਤੀ

ਅੱਜ, ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਵਿਸ਼ਲੇਸ਼ਣੀ ਵਿਗਿਆਨ ਲਈ ਬੁਨਿਆਦੀ ਹਨ, ਜਿਸ ਨਾਲ ਚੁਣੌਤੀਆਂ ਅਤੇ ਘੱਟ ਪਛਾਣ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਲਈ ਕੈਲਿਬਰੇਸ਼ਨ ਵਿਧੀਆਂ ਨੂੰ ਸੁਧਾਰਨ 'ਤੇ ਚਲ ਰਹੀ ਖੋਜ ਜਾਰੀ ਹੈ।

ਕੋਡ ਉਦਾਹਰਨਾਂ

ਇੱਥੇ ਵੱਖ-ਵੱਖ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਦੀਆਂ ਗਣਨਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਉਦਾਹਰਨ ਹਨ:

Excel

1' Excel VBA ਫੰਕਸ਼ਨ ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਲਈ
2Function CalculateUnknownConcentration(response As Double, calibrationPoints As Range) As Double
3    Dim xValues As Range, yValues As Range
4    Dim slope As Double, intercept As Double
5    Dim i As Integer, n As Integer
6    
7    ' x ਅਤੇ y ਮੁੱਲ ਸੈੱਟ ਕਰੋ
8    n = calibrationPoints.Rows.Count
9    Set xValues = calibrationPoints.Columns(1)
10    Set yValues = calibrationPoints.Columns(2)
11    
12    ' LINEST ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਢਲਵਾਂ ਅਤੇ ਕੱਟ ਦੀ ਗਣਨਾ ਕਰੋ
13    slope = Application.WorksheetFunction.Slope(yValues, xValues)
14    intercept = Application.WorksheetFunction.Intercept(yValues, xValues)
15    
16    ' ਅਣਜਾਣ ਕੇਂਦਰ ਦੀ ਗਣਨਾ ਕਰੋ
17    CalculateUnknownConcentration = (response - intercept) / slope
18End Function
19
20' ਵਰਤੋਂ ਇੱਕ ਵਰਕਸ਼ੀਟ ਵਿੱਚ:
21' =CalculateUnknownConcentration(A1, B2:C8)
22' ਜਿੱਥੇ A1 ਵਿੱਚ ਜਵਾਬ ਦਾ ਮੁੱਲ ਹੈ ਅਤੇ B2:C8 ਵਿੱਚ ਕੇਂਦਰ-ਜਵਾਬ ਜੋੜ ਹਨ
23

Python

1import numpy as np
2from scipy import stats
3import matplotlib.pyplot as plt
4
5def create_calibration_curve(concentrations, responses):
6    """
7    Known concentration-response pairs ਤੋਂ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਣਾਉਣਾ।
8    
9    ਪੈਰਾਮੀਟਰ:
10    concentrations (array-like): ਜਾਣੇ ਪਛਾਣੇ ਕੇਂਦਰ ਮੁੱਲ
11    responses (array-like): ਸਬੰਧਤ ਜਵਾਬ ਮੁੱਲ
12    
13    ਵਾਪਸੀ:
14    tuple: (ਢਲਵਾਂ, ਕੱਟ, r_squared, plot)
15    """
16    # ਇਨਪੁਟ ਨੂੰ ਨੰਪਾਈ ਐਰੇਜ਼ ਵਿੱਚ ਬਦਲੋ
17    x = np.array(concentrations)
18    y = np.array(responses)
19    
20    # ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ ਕਰੋ
21    slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
22    r_squared = r_value ** 2
23    
24    # ਭਵਿੱਖਬਾਣੀ ਲਾਈਨ ਬਣਾਓ
25    x_line = np.linspace(min(x) * 0.9, max(x) * 1.1, 100)
26    y_line = slope * x_line + intercept
27    
28    # ਪਲਾਟ ਬਣਾਓ
29    plt.figure(figsize=(10, 6))
30    plt.scatter(x, y, color='red', label='ਕੈਲਿਬਰੇਸ਼ਨ ਬਿੰਦੂ')
31    plt.plot(x_line, y_line, color='blue', label=f'y = {slope:.4f}x + {intercept:.4f}')
32    plt.xlabel('ਕੇਂਦਰ')
33    plt.ylabel('ਜਵਾਬ')
34    plt.title('ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ')
35    plt.legend()
36    plt.grid(True, linestyle='--', alpha=0.7)
37    plt.text(min(x), max(y) * 0.9, f'R² = {r_squared:.4f}', fontsize=12)
38    
39    return slope, intercept, r_squared, plt
40
41def calculate_unknown_concentration(response, slope, intercept):
42    """
43    ਕੈਲਿਬਰੇਸ਼ਨ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਵਾਬ ਮੁੱਲ ਤੋਂ ਅਣਜਾਣ ਕੇਂਦਰ ਦੀ ਗਣਨਾ ਕਰੋ।
44    
45    ਪੈਰਾਮੀਟਰ:
46    response (float): ਮਾਪਿਆ ਗਿਆ ਜਵਾਬ ਮੁੱਲ
47    slope (float): ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਤੋਂ ਢਲਵਾਂ
48    intercept (float): ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਤੋਂ ਕੱਟ
49    
50    ਵਾਪਸੀ:
51    float: ਗਣਨਾ ਕੀਤੀ ਕੇਂਦਰ
52    """
53    return (response - intercept) / slope
54
55# ਉਦਾਹਰਨ ਦੀ ਵਰਤੋਂ
56concentrations = [0, 1, 2, 5, 10, 20]
57responses = [0.1, 0.3, 0.5, 1.1, 2.0, 3.9]
58
59slope, intercept, r_squared, plot = create_calibration_curve(concentrations, responses)
60print(f"ਕੈਲਿਬਰੇਸ਼ਨ ਸਮੀਕਰਨ: y = {slope:.4f}x + {intercept:.4f}")
61print(f"R² = {r_squared:.4f}")
62
63# ਅਣਜਾਣ ਕੇਂਦਰ ਦੀ ਗਣਨਾ ਕਰੋ
64unknown_response = 1.5
65unknown_conc = calculate_unknown_concentration(unknown_response, slope, intercept)
66print(f"ਅਣਜਾਣ ਕੇਂਦਰ: {unknown_conc:.4f}")
67
68# ਪਲਾਟ ਦਿਖਾਓ
69plot.show()
70

JavaScript

1/**
2 * ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਲਈ ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ ਦੀ ਗਣਨਾ ਕਰੋ
3 * @param {Array} points - [ਕੇਂਦਰ, ਜਵਾਬ] ਜੋੜਾਂ ਦਾ ਐਰੇ
4 * @returns {Object} ਰਿਗ੍ਰੈਸ਼ਨ ਪੈਰਾਮੀਟਰ
5 */
6function calculateLinearRegression(points) {
7  // x ਅਤੇ y ਮੁੱਲਾਂ ਨੂੰ ਨਿਕਾਲੋ
8  const x = points.map(point => point[0]);
9  const y = points.map(point => point[1]);
10  
11  // ਮੀਨ ਦੀ ਗਣਨਾ ਕਰੋ
12  const n = points.length;
13  const meanX = x.reduce((sum, val) => sum + val, 0) / n;
14  const meanY = y.reduce((sum, val) => sum + val, 0) / n;
15  
16  // ਢਲਵਾਂ ਅਤੇ ਕੱਟ ਦੀ ਗਣਨਾ ਕਰੋ
17  let numerator = 0;
18  let denominator = 0;
19  
20  for (let i = 0; i < n; i++) {
21    numerator += (x[i] - meanX) * (y[i] - meanY);
22    denominator += Math.pow(x[i] - meanX, 2);
23  }
24  
25  const slope = numerator / denominator;
26  const intercept = meanY - slope * meanX;
27  
28  // R-ਚੌਰਸ ਦੀ ਗਣਨਾ ਕਰੋ
29  const predictedY = x.map(xVal => slope * xVal + intercept);
30  const totalSS = y.reduce((sum, yVal) => sum + Math.pow(yVal - meanY, 2), 0);
31  const residualSS = y.reduce((sum, yVal, i) => sum + Math.pow(yVal - predictedY[i], 2), 0);
32  const rSquared = 1 - (residualSS / totalSS);
33  
34  return {
35    slope,
36    intercept,
37    rSquared,
38    equation: `y = ${slope.toFixed(4)}x + ${intercept.toFixed(4)}`,
39    calculateUnknown: (response) => (response - intercept) / slope
40  };
41}
42
43// ਉਦਾਹਰਨ ਦੀ ਵਰਤੋਂ
44const calibrationPoints = [
45  [0, 0.1],
46  [1, 0.3],
47  [2, 0.5],
48  [5, 1.1],
49  [10, 2.0],
50  [20, 3.9]
51];
52
53const regression = calculateLinearRegression(calibrationPoints);
54console.log(regression.equation);
55console.log(`R² = ${regression.rSquared.toFixed(4)}`);
56
57// ਅਣਜਾਣ ਕੇਂਦਰ ਦੀ ਗਣਨਾ ਕਰੋ
58const unknownResponse = 1.5;
59const unknownConcentration = regression.calculateUnknown(unknownResponse);
60console.log(`ਅਣਜਾਣ ਕੇਂਦਰ: ${unknownConcentration.toFixed(4)}`);
61

R

1# ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਣਾਉਣ ਅਤੇ ਅਣਜਾਣ ਕੇਂਦਰ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨ
2create_calibration_curve <- function(concentrations, responses, unknown_response = NULL) {
3  # ਡੇਟਾ ਫ੍ਰੇਮ ਬਣਾਓ
4  cal_data <- data.frame(
5    concentration = concentrations,
6    response = responses
7  )
8  
9  # ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ ਕਰੋ
10  model <- lm(response ~ concentration, data = cal_data)
11  
12  # ਪੈਰਾਮੀਟਰ ਨਿਕਾਲੋ
13  slope <- coef(model)[2]
14  intercept <- coef(model)[1]
15  r_squared <- summary(model)$r.squared
16  
17  # ਪਲਾਟ ਬਣਾਓ
18  plot <- ggplot2::ggplot(cal_data, ggplot2::aes(x = concentration, y = response)) +
19    ggplot2::geom_point(color = "red", size = 3) +
20    ggplot2::geom_smooth(method = "lm", formula = y ~ x, color = "blue", se = FALSE) +
21    ggplot2::labs(
22      title = "ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ",
23      x = "ਕੇਂਦਰ",
24      y = "ਜਵਾਬ",
25      subtitle = sprintf("y = %.4fx + %.4f (R² = %.4f)", slope, intercept, r_squared)
26    ) +
27    ggplot2::theme_minimal()
28  
29  # ਜੇ ਦਿੱਤਾ ਗਿਆ ਹੈ ਤਾਂ ਅਣਜਾਣ ਕੇਂਦਰ ਦੀ ਗਣਨਾ ਕਰੋ
30  unknown_conc <- NULL
31  if (!is.null(unknown_response)) {
32    unknown_conc <- (unknown_response - intercept) / slope
33  }
34  
35  # ਨਤੀਜੇ ਵਾਪਸ ਕਰੋ
36  return(list(
37    slope = slope,
38    intercept = intercept,
39    r_squared = r_squared,
40    equation = sprintf("y = %.4fx + %.4f", slope, intercept),
41    plot = plot,
42    unknown_concentration = unknown_conc
43  ))
44}
45
46# ਉਦਾਹਰਨ ਦੀ ਵਰਤੋਂ
47concentrations <- c(0, 1, 2, 5, 10, 20)
48responses <- c(0.1, 0.3, 0.5, 1.1, 2.0, 3.9)
49
50# ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਣਾਓ
51result <- create_calibration_curve(concentrations, responses, unknown_response = 1.5)
52
53# ਨਤੀਜੇ ਛਾਪੋ
54cat("ਕੈਲਿਬਰੇਸ਼ਨ ਸਮੀਕਰਨ:", result$equation, "\n")
55cat("R²:", result$r_squared, "\n")
56cat("ਅਣਜਾਣ ਕੇਂਦਰ:", result$unknown_concentration, "\n")
57
58# ਪਲਾਟ ਦਿਖਾਓ
59print(result$plot)
60

ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ

ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਕੀ ਹੈ?

ਇੱਕ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਜਾਣੇ ਪਛਾਣੇ ਕੇਂਦਰਾਂ ਅਤੇ ਸਬੰਧਤ ਯੰਤਰ ਜਵਾਬਾਂ ਦੇ ਵਿਚਕਾਰ ਦੇ ਰਿਸ਼ਤੇ ਦਾ ਗ੍ਰਾਫਿਕਲ ਪ੍ਰਤੀਨਿਧਿਤਾ ਹੈ। ਇਹ ਜਾਣੇ ਪਛਾਣੇ ਕੇਂਦਰਾਂ ਦੇ ਮਾਪਣ ਕਰਕੇ ਬਣਾਈ ਜਾਂਦੀ ਹੈ ਅਤੇ ਡੇਟਾ ਬਿੰਦੂਆਂ 'ਤੇ ਇੱਕ ਗਣਿਤੀਕ ਮਾਡਲ (ਆਮ ਤੌਰ 'ਤੇ ਰੇਖੀ) ਨੂੰ ਫਿੱਟ ਕਰਦੀ ਹੈ। ਇਹ ਕਵਰਵ ਫਿਰ ਅਣਜਾਣ ਨਮੂਨਿਆਂ ਦੇ ਕੇਂਦਰਾਂ ਨੂੰ ਮਾਪਣ ਦੇ ਆਧਾਰ 'ਤੇ ਨਿਰਧਾਰਿਤ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।

ਮੈਂ ਕਿੰਨੇ ਕੈਲਿਬਰੇਸ਼ਨ ਬਿੰਦੂ ਵਰਤਣੇ ਚਾਹੀਦੇ ਹਾਂ?

ਜ਼ਿਆਦਾਤਰ ਵਿਸ਼ਲੇਸ਼ਣੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ, ਇੱਕ ਮਜ਼ਬੂਤ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਸਥਾਪਿਤ ਕਰਨ ਲਈ ਘੱਟੋ-ਘੱਟ 5-7 ਕੈਲਿਬਰੇਸ਼ਨ ਬਿੰਦੂਆਂ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਵਧੇਰੇ ਬਿੰਦੂਆਂ ਦੀ ਵਰਤੋਂ ਆਮ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਕੈਲਿਬਰੇਸ਼ਨ ਦੀ ਸਹੀਤਾ ਨੂੰ ਸੁਧਾਰਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਕਿ ਇੱਕ ਵੱਡੀ ਕੇਂਦਰ ਰੇਂਜ ਨੂੰ ਕਵਰ ਕਰਨਾ। ਨਿਯਮਕ ਅਨੁਸਾਰ, ਕੁਝ ਵਿਧੀਆਂ ਘੱਟੋ-ਘੱਟ ਕੈਲਿਬਰੇਸ਼ਨ ਬਿੰਦੂਆਂ ਦੀ ਲੋੜ ਰੱਖਦੀਆਂ ਹਨ, ਇਸ ਲਈ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਸਬੰਧਤ ਮਾਰਗਦਰਸ਼ਕਾਂ ਦੀ ਜਾਂਚ ਕਰੋ।

R² ਮੁੱਲ ਮੇਰੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਾਰੇ ਕੀ ਦੱਸਦਾ ਹੈ?

ਗੁਣਨਫਲ ਦਾ ਨਿਰਧਾਰਨ (R²) ਤੁਹਾਡੇ ਡੇਟਾ ਦੇ ਰੇਖੀ ਮਾਡਲ ਨਾਲ ਕਿੰਨਾ ਚੰਗਾ ਫਿੱਟ ਹੁੰਦਾ ਹੈ, ਇਹ ਮਾਪਦਾ ਹੈ। R² ਦਾ 1.0 ਮੁੱਲ ਇੱਕ ਪੂਰਨ ਫਿੱਟ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ 0 ਦੇ ਨੇੜੇ ਮੁੱਲਾਂ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕੋਈ ਗਰੀਬ ਸੰਬੰਧ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣੀ ਤਰੀਕਿਆਂ ਲਈ, R² ਮੁੱਲ 0.99 ਤੋਂ ਉੱਪਰ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਹਾਲਾਂਕਿ ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਵੱਖਰੇ ਮੰਗਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇੱਕ ਘੱਟ R² ਮੁੱਲ ਤੁਹਾਡੇ ਮਿਆਰੀਆਂ, ਯੰਤਰ, ਜਾਂ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇੱਕ ਗੈਰ-ਰੇਖੀ ਮਾਡਲ ਹੋਰ ਉਚਿਤ ਹੋਵੇਗਾ।

ਕੀ ਮੈਂ ਆਪਣੇ ਕੈਲਿਬਰੇਸ਼ਨ ਰੇਂਜ ਦੇ ਬਾਹਰ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹਾਂ?

ਆਪਣੇ ਕੈਲਿਬਰੇਸ਼ਨ ਰੇਂਜ ਦੇ ਬਾਹਰ (ਜਾਂ ਤਾਂ ਸਭ ਤੋਂ ਘੱਟ ਜਾਂ ਸਭ ਤੋਂ ਵੱਧ ਮਿਆਰੀ) ਬਾਹਰ ਜਾਣਾ ਆਮ ਤੌਰ 'ਤੇ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਮਹੱਤਵਪੂਰਨ ਗਲਤੀਆਂ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ। ਕੇਂਦਰ ਅਤੇ ਜਵਾਬ ਦੇ ਵਿਚਕਾਰ ਦਾ ਰਿਸ਼ਤਾ ਕੈਲਿਬਰੇਸ਼ਨ ਰੇਂਜ ਦੇ ਬਾਹਰ ਰੇਖੀ ਨਹੀਂ ਰਹਿ ਸਕਦਾ। ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ, ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਅਣਜਾਣ ਨਮੂਨੇ ਤੁਹਾਡੇ ਕੈਲਿਬਰੇਸ਼ਨ ਮਿਆਰੀਆਂ ਦੀ ਕੇਂਦਰ ਰੇਂਜ ਦੇ ਅੰਦਰ ਹਨ। ਜੇ ਲੋੜ ਹੋਵੇ, ਤਾਂ ਆਪਣੇ ਸਭ ਤੋਂ ਵੱਧ ਮਿਆਰੀ ਤੋਂ ਵੱਧ ਹੋਣ ਵਾਲੇ ਨਮੂਨਿਆਂ ਨੂੰ ਪਤਲਾ ਕਰੋ ਜਾਂ ਸਭ ਤੋਂ ਘੱਟ ਮਿਆਰੀ ਤੋਂ ਘੱਟ ਹੋਣ ਵਾਲੇ ਨਮੂਨਿਆਂ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰੋ।

ਮੈਂ ਕਿੰਨੀ ਵਾਰ ਨਵਾਂ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ?

ਕੈਲਿਬਰੇਸ਼ਨ ਦੀ ਅਵਧੀ ਕਈ ਕਾਰਕਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ:

ਯੰਤਰ ਦੀ ਸਥਿਰਤਾ
ਵਿਧੀ ਦੀਆਂ ਲੋੜਾਂ
ਨਿਯਮਕ ਮਾਰਗਦਰਸ਼ਕਾਂ
ਨਮੂਨਾ ਥਰੋਊਟ
ਵਾਤਾਵਰਣੀ ਹਾਲਤ

ਆਮ ਅਭਿਆਸਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

ਰੋਜ਼ਾਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਦਿਨ ਦੀ ਕੈਲਿਬਰੇਸ਼ਨ
ਹਰ ਬੈਚ ਦੇ ਨਮੂਨਿਆਂ ਲਈ ਕੈਲਿਬਰੇਸ਼ਨ
ਪੂਰੇ ਕੈਲਿਬਰੇਸ਼ਨ ਦੇ ਵਿਚਕਾਰ ਚੈੱਕ ਮਿਆਰੀਆਂ ਦੀ ਵਰਤੋਂ
ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਨਮੂਨਿਆਂ ਦੇ ਸੰਕੇਤਾਂ ਨੂੰ ਦਰਸਾਉਣ 'ਤੇ ਦੁਬਾਰਾ ਕੈਲਿਬਰੇਸ਼ਨ

ਸਦਾ ਆਪਣੇ ਵਿਧੀ-ਵਿਸ਼ੇਸ਼ ਮਾਰਗਦਰਸ਼ਕਾਂ ਅਤੇ ਨਿਯਮਕ ਮੰਗਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।

ਕੀ ਮੇਰੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਨੂੰ ਗੈਰ-ਰੇਖੀ ਬਣਾਉਣ ਦਾ ਕਾਰਨ ਕੀ ਹੋ ਸਕਦਾ ਹੈ?

ਕਈ ਕਾਰਕਾਂ ਕਾਰਨ ਗੈਰ-ਰੇਖੀ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ:

ਡਿਟੈਕਟਰ ਦਾ ਸੰਤ੍ਰਾਸ: ਜਦੋਂ ਡਿਟੈਕਟਰ ਆਪਣੇ ਜਵਾਬ ਦੇ ਉੱਪਰਲੇ ਸੀਮਾ ਤੱਕ ਪਹੁੰਚ ਜਾਂਦਾ ਹੈ
ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਭਾਵ: ਨਮੂਨੇ ਦੇ ਅੰਸ਼ਾਂ ਦੁਆਰਾ ਜਵਾਬ 'ਤੇ ਪ੍ਰਭਾਵ
ਰਸਾਇਣਕ ਸਮਤਲ: ਵੱਖ-ਵੱਖ ਕੇਂਦਰਾਂ 'ਤੇ ਮੁਕਾਬਲਾ ਕਰਨ ਵਾਲੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ
ਐਡਸਰਪਸ਼ਨ ਪ੍ਰਭਾਵ: ਘੱਟ ਕੇਂਦਰਾਂ 'ਤੇ ਅਣਜਾਣ ਪਦਾਰਥ ਦੀ ਹਾਨੀ
ਯੰਤਰ ਦੀ ਸੀਮਾਵਾਂ: ਤਕਨਾਲੋਜੀ ਦੇ ਨਾਲ ਜੁੜੀ ਗੈਰ-ਰੇਖੀ ਡਿਟੈਕਟਰ ਜਵਾਬ

ਜੇ ਤੁਹਾਡਾ ਡੇਟਾ ਨਿਰੰਤਰ ਗੈਰ-ਰੇਖੀ ਵਿਹਾਰ ਦਿਖਾਉਂਦਾ ਹੈ, ਤਾਂ ਗੈਰ-ਰੇਖੀ ਮਾਡਲਾਂ (ਪੋਲੀਨੋਮਿਯਲ, ਲੌਗਾਰਿਦਮਿਕ) ਦੀ ਵਰਤੋਂ ਕਰਨ ਬਾਰੇ ਸੋਚੋ ਜਾਂ ਆਪਣੇ ਕੇਂਦਰ ਦੀ ਰੇਂਜ ਨੂੰ ਸੰਗ੍ਰਹਿਤ ਕਰਨ ਲਈ ਕੰਟਰੋਲ ਕਰੋ।

ਮੈਂ ਪਛਾਣ ਦੀ ਸੀਮਾ (LOD) ਅਤੇ ਮਾਤਰਾ ਦੀ ਸੀਮਾ (LOQ) ਆਪਣੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਤੋਂ ਕਿਵੇਂ ਨਿਕਾਲਾਂ?

ਕੈਲਿਬਰੇਸ਼ਨ ਡੇਟਾ ਤੋਂ LOD ਅਤੇ LOQ ਨਿਕਾਲਣ ਲਈ ਆਮ ਤੌਰ 'ਤੇ ਕੁਝ ਪਦਤੀਆਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ:

ਸਿਗਨਲ-ਟੂ-ਨੋਇਜ਼ ਅਨੁਪਾਤ ਵਿਧੀ:
- LOD = 3 × (ਖਾਲੀ ਦਾ ਮਿਆਰੀ ਵਿਸ਼ਲੇਸ਼ਣ)
- LOQ = 10 × (ਖਾਲੀ ਦਾ ਮਿਆਰੀ ਵਿਸ਼ਲੇਸ਼ਣ)
ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਵਿਧੀ:
- LOD = 3.3 × (y-ਕੱਟ ਦਾ ਮਿਆਰੀ ਵਿਸ਼ਲੇਸ਼ਣ) ÷ ਢਲਵਾਂ
- LOQ = 10 × (y-ਕੱਟ ਦਾ ਮਿਆਰੀ ਵਿਸ਼ਲੇਸ਼ਣ) ÷ ਢਲਵਾਂ
ਘੱਟ ਕੇਂਦਰ ਦੁਹਰਾਉਣ ਵਾਲੀ ਵਿਧੀ:
- LOD = 3 × (ਘੱਟ ਕੇਂਦਰ ਦੁਹਰਾਉਣ ਵਾਲੇ ਦੁਹਰਾਉਣਾਂ ਦਾ ਮਿਆਰੀ ਵਿਸ਼ਲੇਸ਼ਣ)
- LOQ = 10 × (ਘੱਟ ਕੇਂਦਰ ਦੁਹਰਾਉਣ ਵਾਲੇ ਦੁਹਰਾਉਣਾਂ ਦਾ ਮਿਆਰੀ ਵਿਸ਼ਲੇਸ਼ਣ)

ਸਭ ਤੋਂ ਉਚਿਤ ਵਿਧੀ ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣੀ ਤਕਨੀਕ ਅਤੇ ਨਿਯਮਕ ਮੰਗਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।

ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਮਿਆਰੀ ਕੈਲਿਬਰੇਸ਼ਨ ਵਿੱਚ ਕੀ ਅੰਤਰ ਹੈ?

ਬਾਹਰੀ ਮਿਆਰੀ ਕੈਲਿਬਰੇਸ਼ਨ ਇੱਕ ਵੱਖਰੇ ਸੈਟ ਦੇ ਮਿਆਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਣਾਉਂਦੀ ਹੈ। ਇਹ ਸੌਖੀ ਹੈ ਪਰ ਨਮੂਨਾ-ਵਿਸ਼ੇਸ਼ ਵੱਖਰਿਆਂ ਜਾਂ ਤਿਆਰੀ ਦੌਰਾਨ ਹਾਨੀਆਂ ਦਾ ਖਿਆਲ ਨਹੀਂ ਰੱਖਦੀ।

ਅੰਦਰੂਨੀ ਮਿਆਰੀ ਕੈਲਿਬਰੇਸ਼ਨ ਇੱਕ ਜਾਣੇ ਪਛਾਣੇ ਯੌਗਿਕ (ਅੰਦਰੂਨੀ ਮਿਆਰੀ) ਨੂੰ ਦੋਹਾਂ ਮਿਆਰੀਆਂ ਅਤੇ ਨਮੂਨਿਆਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦੀ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਜਵਾਬਾਂ ਦੇ ਅਨੁਪਾਤ ਨੂੰ ਕੈਲਿਬਰੇਸ਼ਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਪਦਾਰਥ ਤਿਆਰੀ, ਇੰਜੈਕਸ਼ਨ ਦੀ ਮਾਤਰਾ, ਅਤੇ ਯੰਤਰ ਦੇ ਜਵਾਬ ਵਿੱਚ ਵੱਖਰਿਆਂ ਲਈ ਸਮਾਨਤਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜੋ ਵਿਸ਼ਲੇਸ਼ਣੀ ਤਰੀਕਿਆਂ ਲਈ ਬਿਹਤਰ ਸਹੀਤਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਟਿਲ ਨਮੂਨਿਆਂ ਜਾਂ ਕਈ ਪ੍ਰਕਿਰਿਆ ਪਦਤੀਆਂ ਵਾਲੀਆਂ ਵਿਧੀਆਂ ਲਈ।

ਸੰਦਰਭ

ਹੈਰਿਸ, ਡੀ. ਸੀ. (2015). Quantitative Chemical Analysis (9ਵੀਂ ਸੰਸਕਰਣ). W. H. Freeman and Company.
ਸਕੋਗ, ਡੀ. ਏ., ਹੋਲਰ, ਐਫ. ਜੇ., & ਕ੍ਰਾਊਚ, ਐਸ. ਆਰ. (2017). Principles of Instrumental Analysis (7ਵੀਂ ਸੰਸਕਰਣ). Cengage Learning.
ਮਿਲਰ, ਜੇ. ਐਨ., & ਮਿਲਰ, ਜੇ. ਸੀ. (2018). Statistics and Chemometrics for Analytical Chemistry (7ਵੀਂ ਸੰਸਕਰਣ). Pearson Education Limited.
ਬ੍ਰੇਰਟਨ, ਆਰ. ਜੀ. (2018). Applied Chemometrics for Scientists. John Wiley & Sons.
ਯੂਰਾਚਮ. (2014). The Fitness for Purpose of Analytical Methods: A Laboratory Guide to Method Validation and Related Topics (2ਵੀਂ ਸੰਸਕਰਣ). ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ: https://www.eurachem.org/
ਅੰਤਰਰਾਸ਼ਟਰੀ ਸੰਮੇਲਨ 'ਤੇ ਸਮਰੂਪਤਾ (ICH). (2005). Validation of Analytical Procedures: Text and Methodology Q2(R1). ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ: https://www.ich.org/
ਥੌਮਸਨ, ਐਮ., ਐਲੀਸਨ, ਐਸ. ਐਲ. ਆਰ., & ਵੁਡ, ਆਰ. (2002). Harmonized guidelines for single-laboratory validation of methods of analysis (IUPAC Technical Report). Pure and Applied Chemistry, 74(5), 835-855.
ਮੈਗਨਸਨ, ਬੀ., & ਓਰਨਮਾਰਕ, ਯੂ. (ਸੰਪਾਦਕ). (2014). Eurachem Guide: The Fitness for Purpose of Analytical Methods – A Laboratory Guide to Method Validation and Related Topics (2ਵੀਂ ਸੰਸਕਰਣ). ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ: https://www.eurachem.org/
ਅਲਮੀਡਾ, ਏ. ਐਮ., ਕਾਸਟਲ-ਬਰਾਂਕੋ, ਐਮ. ਐਮ., & ਫਾਲਕੋ, ਏ. ਸੀ. (2002). Linear regression for calibration lines revisited: weighting schemes for bioanalytical methods. Journal of Chromatography B, 774(2), 215-222.
ਕਰੀ, ਐਲ. ਏ. (1999). Detection and quantification limits: origins and historical overview. Analytica Chimica Acta, 391(2), 127-134.

ਅੱਜ ਹੀ ਸਾਡੇ ਸਧਾਰਣ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਕੈਲਕੂਲੇਟਰ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣੀ ਕੰਮ ਨੂੰ ਸੁਗਮ ਬਣਾਓ! ਸਿਰਫ ਆਪਣੇ ਕੈਲਿਬਰੇਸ਼ਨ ਡੇਟਾ ਬਿੰਦੂਆਂ ਨੂੰ ਦਰਜ ਕਰੋ, ਇੱਕ ਸਹੀ ਕੈਲਿਬਰੇਸ਼ਨ ਕਵਰਵ ਬਣਾਓ, ਅਤੇ ਵਿਸ਼ਵਾਸ ਨਾਲ ਅਣਜਾਣ ਕੇਂਦਰਾਂ ਨੂੰ ਸਹੀਤਾ ਨਾਲ ਨਿਰਧਾਰਿਤ ਕਰੋ। ਕੀ ਤੁਹਾਨੂੰ ਹੋਰ ਲੈਬੋਰਟਰੀ ਗਣਨਾਵਾਂ ਨਾਲ ਮਦਦ ਦੀ ਲੋੜ ਹੈ? ਖੋਜਕਰਤਾ, ਵਿਦਿਆਰਥੀਆਂ, ਅਤੇ ਲੈਬੋਰਟਰੀ ਪੇਸ਼ੇਵਰਾਂ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਗਏ ਸਾਡੇ ਪੂਰੇ ਵਿਗਿਆਨਕ ਕੈਲਕੂਲੇਟਰਾਂ ਦੇ ਪੂਰੇ ਸੂਟ ਨੂੰ ਖੋਜੋ।

🔗

ਸਬੰਧਿਤ ਸੰਦਾਰਬਾਰਾਂ

ਆਪਣੇ ਕਾਰਜ ਦੇ ਲਈ ਵਰਤਣ ਯੋਗ ਹੋਣ ਵਾਲੇ ਹੋਰ ਸੰਦੇਸ਼ ਦੀ ਖੋਜ ਕਰੋ