1.17
Krzywe kalibracyjne: Liniowa metoda najmniejszych kwadratów
Krzywa kalibracji to wykres reakcji przyrządu na szereg znanych stężeń substancji. Krzywa ta służy do ustawiania poziomów reakcji przyrządu, wykorzyst…
Krzywa kalibracyjna to matematyczna zależność między sygnałem przyrządu a znanymi stężeniami analitu. To równanie krzywej przewiduje nieznane stężenie próbki.
Dane eksperymentalne mogą nie leżeć idealnie na linii prostej z powodu błędów losowych. Tak więc liniowa metoda najmniejszych kwadratów - analiza regresji służy do uzyskania linii prostej, która najlepiej pasuje do różnych punktów.
LLS opiera się na dwóch założeniach. Po pierwsze, istnieje liniowa zależność między sygnałem przyrządu a stężeniem analitu. Po drugie, błędy są przypisywane błędom losowym, a nie błędom ludzkim.
Najlepiej dopasowana linia jest rysowana poprzez zminimalizowanie sumy kwadratów różnic między wartościami szacowanymi i rzeczywistymi.
Zarejestrowany wykres daje równanie linii. Tutaj y jest sygnałem instrumentu, x jest stężeniem analitu, m jest nachyleniem linii, a c jest punktem przecięcia z osią y. Nieznane stężenie próbki określa się poprzez pomiar jej sygnału instrumentalnego i podstawienie odpowiednich wartości w równaniu.
View the full transcript and gain access to JoVE Core videos
Q1: What is a calibration curve and why is it used in analytical chemistry?
A calibration curve is a plot of an instrument's response against known concentrations of a substance. It establishes the mathematical relationship between the instrument's signal and analyte concentration, allowing you to determine unknown sample concentrations reliably. The curve serves as a standard reference for converting measured signals into concentration values.
Q2: Why does experimental data not always fall perfectly on a straight line?
Experimental data deviates from a perfect line due to random error in measurements. The linear least squares method addresses this by fitting the best straight line through the scattered data points, minimizing the sum of squared differences between predicted and actual values to obtain the most accurate representation.
Q3: What are the two key assumptions of the linear least squares method?
The linear least squares method assumes first that a linear relationship exists between the instrument's signal and analyte concentration. Second, it assumes that errors are random, not systematic human errors. These assumptions ensure the method produces a valid best-fit line for predicting unknown concentrations accurately.
Q4: How do you determine an unknown sample concentration using a calibration curve?
Once the best-fit equation is determined from the calibration curve, measure the unknown sample's instrumental signal and substitute it as the y-value into the equation y = mx + c. Solve for x to calculate the unknown analyte concentration. This direct substitution method converts the measured signal into a concentration value.
Q5: What does the slope and y-intercept represent in a calibration curve equation?
In the equation y = mx + c, the slope (m) represents the sensitivity of the instrument—how much the signal changes per unit concentration. The y-intercept (c) represents the instrument's baseline signal when analyte concentration is zero. Together, these parameters define the instrument's response characteristics for the specific analyte.
Q6: How does linear least squares minimize error in fitting data points?
Linear least squares calculates the best-fit line by minimizing the sum of squared differences between estimated values from the line and actual measured values. This mathematical approach reduces the overall deviation of all data points from the fitted line, producing the most statistically accurate representation of the relationship between signal and concentration.
Q7: What role does the calibration curve play in analytical instrument validation?
The calibration curve validates that an instrument responds predictably and linearly to known analyte concentrations. By establishing this relationship through the best-fit equation, you can confidently use the instrument to measure unknown samples. The curve confirms the instrument's accuracy and reliability for analytical measurements across the tested concentration range.