Gosudarstvennaya_farmakopeya_RB

Если при измерениях получают логарифмы исходных вариант, вместо величин μ, x и s в таблице 3.1 приводят величины lgμ, lg xg и slg . При этом в графу 8 вносят

величину lgx, a в графу 9 – максимальное по абсолютной величине значение ε. Аналогичные замены проводят при вычислении t по уравнению (2.7) и F по уравнению (3.1).

4. МЕТРОЛОГИЧЕСКАЯ ХАРАКТЕРИСТИКА СРЕДНЕГО РЕЗУЛЬТАТА.

Если с помощью данной методики анализа (измерения) следует определить зна-

чение некоторой величины A, то для полученной экспериментально однородной выборки объема m рассчитывают величины, необходимые для заполнения табл. 4.1. Ес-

ли методика имеет метрологическую аттестацию, графы 2, 4, 5, 7, 8 и 9 табл. 4.1 заполняются на основании данных табл. 2.1. Это позволяет значительно сузить границы доверительного интервала за счет большего числа степеней свободы (см. уравнение

1.17). Если n ≤ 15, а m + n > 1,5 , величины s и ν целесообразно вычислять по форму- n

лам (2.1) и (2.2).

Таблица 4.1

Метрологические характеристики среднего результата

Во многих случаях проще использовать относительные (по отношению к x ) величины. В этом случае целесообразно проводить расчеты по Табл. 4.1а.

Таблица 4.1а

Метрологические характеристики среднего результата

Таким образом, на основании выражения (1.14) для измеряемой величины А при незначимости систематической погрешности с вероятностью Р выполняется условие:

или с использованием относительных величин:

Если при измерениях получают логарифмы исходных вариант, в графе 9 табл.

4.1 приводят величину lg x , а каждую из граф 3, 9 и 10 разбивают на две (а, б). В

графе 3а приводят значение xg , в графе 3б – значение lg xg , в графах 9а и 9б — соответственное значения нижней и верхней границ доверительного интервала для xg

(см. уравнения 1.24 и 1.25). Наконец, в графе 10 приводят максимальное по абсолютной величине значение e (см. уравнение 1.28а).

5. Сравнение средних результатов двух выборок

Если в результате измерений одной и той же величины А получены две выборки объема п1 и п2 причем x1 ¹ x2 , может возникнуть необходимость проверки статистиче-

ской достоверности гипотезы:

т.е. значимости разности ( x1 - x2 ).

Такая проверка необходима, если величина А определялась двумя разными методиками с целью их сравнения, или если величина А определялась одной и той же методикой для двух разных объектов, идентичность которых требуется доказать. Для проверки гипотезы (5.1) следует установить, существует ли статистически значимое

различие между дисперсиями s12 и s22 . Эта проверка проводится так, как указано в

разделе 3.

Рассмотрим три случая.

5.1. Различие дисперсий s12 и s22 статистически незначимо (справедливо

неравенство 3.3). В этом случае средневзвешенное значение s2 вычисляют по уравне-

Далее вычисляют критерий Стьюдента:

Если при выбранном значении Р2 (например, при Р2 = 95%)

то результат проверки положителен - разность ( x1 − x2 ) является значимой, и гипотезу x1 = x2 отбрасывают. В противном случае надо признать, что эта гипотеза не проти-

воречит экспериментальным данным.

Следовательно, в данном случае

Вычисленное по уравнению (5.9) значение t сравнивают с табличным значением t(Р2, ν'), как это описано выше для случая 1.

Рассмотрение проблемы упрощается, когда п1≈п2 и s12 >> s22 . Тогда в отсутст-

вие систематической погрешности среднее x2 выборки объема п2 принимают за достаточно точную оценку величины А, т.е. принимают x2 = μ . Справедливость гипотезы x1 = μ , эквивалентной гипотезе (5.1), проверяют с помощью выражений (2.7) и (2.8),

принимая ν1 = n1—1. Гипотеза (5.1) отклоняется, как статистически недостоверная, ес-

ли выполняется неравенство (2.8).

5.3. Известно точное значение величины А.

Если А = μ, проверяют две гипотезы: x1 = μ и x2 = μ . Проверку выполняют так,

как описано в разделе 2 с помощью выражений (2.7) и (2.8), отдельно для каждой из

гипотез. Если обе проверяемые гипотезы статистически достоверны, то следует признать достоверной и гипотезу (5.1). В противном случае гипотеза (5.1) должна быть отброшена.

Если при измерениях получают логарифмы исходных вариант, при сравнении средних используют величины lg xg , slg2 и slg .

В тех случаях, когда разность ( x1 − x2 ) оказывается значимой, определяют до-

^ ^

верительный интервал для разности соответствующих генеральных средних ( x1 − x2 )

6. ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ АНАЛИЗА, ПОЛУЧЕННЫХ С ПОМОЩЬЮ МЕТРОЛОГИЧЕСКИ АТТЕСТОВАННОЙ МЕТОДИКИ.

Данная интерпретация основывается на том, что для метрологически аттесто-

ванной методики известна принятая оценка стандартного отклонения.

6.1. Оценка сходимости результатов параллельных определений.

При рутинных анализах аналитик обычно проводит два-три, реже четыре параллельных определения. Варианты полученной при этом упорядоченной выборки объе-

ма т, как правило, довольно значительно отличаются друг от друга. Если методика анализа метрологически аттестована, то максимальная разность результатов двух параллельных определений должна удовлетворять неравенству:

где s – принятая оценка стандартного отклонения, L(P, m)— фактор, вычисленный по Пирсону при Р = 95%.

Если неравенство (6.1) не выполняется, необходимо провести дополнительное

определение и снова проверить, удовлетворяет ли величина |x1–xn| неравенству (6.1).

Если для результатов четырех параллельных определений неравенство (6.1) не выполняется, следует считать, что конкретные условия анализа привели к снижению

воспроизводимости методики и принятая оценка величины s применительно к данному

случаю является заниженной. В этом случае поступают, как указано в разделе 1.2.

6.2. Определение необходимого числа параллельных определений.

Если необходимо получить средний результат x с относительной неопределенностью ε £ ϕ (где ϕ - некоторое число, например, 2%) , причем методика анализа мет-

рологически аттестован, необходимое число параллельных определений m находят из уравнения

6.3. ГАРАНТИЯ КАЧЕСТВА ПРОДУКЦИИ.

Описанный ниже подход применим к метрологически аттестованной методике. В других случаях могут применяться иные подходы (см. общую статью «Валидация ана-

литических методик и испытаний»).

Предположим, что качество продукции регламентируется предельными значе-

ниями amin и amax величины А , которую определяют на основании результатов анализа.

Примем, что вероятность соответствия качества продукта условию

должна составлять P1.

Пусть величину А находят экспериментально как среднее выборки объема т, а

методика ее определения метрологически аттестована. Тогда условие (6.3) будет выполняться с вероятностью P1, если значение x = A будет лежать в пределах

Значения коэффициента U для вероятности P1 = 95% и P1 = 99% соответственно рав-

ны 1,65 и 2,33.

Иными словами, для гарантии качества наблюдаемые пределы изменения величины А на практике следует ограничить значениями:

Наоборот, если заданы значения Amin и Amax, значения amin и amax, входящие в неравенство (6.3), могут быть найдены путем решения уравнений (6.6) и (6.7). Наконец,

если заданы пары значений Amin, amin и Amax, amax, то уравнения (6.6) и (6.7) могут быть

решены относительно т. Это может быть использовано для оценки необходимого числа параллельных определений величины А.

Если при измерениях получают логарифмы исходных вариант, описанные в раз-

деле 6 вычисления проводят с использованием величин lg xg , lg xi , slg и т.п.

Примеры расчетов приведены в разделе 9.7.

7. РАСЧЕТ И СТАТИСТИЧЕСКАЯ ОЦЕНКА ПАРАМЕТРОВ ЛИНЕЙНОЙ ЗАВИСИМОСТИ

При использовании ряда химических и физико-химических методов количест-

венного анализа непосредственному измерению подвергается некоторая величина у, которая является линейной функцией искомой концентрации (количества) х опреде-

ляемого вещества или элемента. Иными словами, в основе таких методов анализа лежит существование линейной зависимости:

где у - измеряемая величина; х - концентрация (количество) определяемого вещества или элемента; b - угловой коэффициент линейной зависимости; а - свободный член линейной зависимости.

Для использования зависимости (7.1) в аналитических целях, т. е. для опреде-

ления конкретной величины х по измеренному значению у, необходимо заранее найти

числовые значения констант b и а, т.е. провести калибровку. Иногда константы функ-

ции (7.1) имеют тот или иной физический смысл, и их значения должны оцениваться с

учетом соответствующего доверительного интервала. Если калибровка проведена, и значения констант а и b определены, величину х находят по измеренному значению уi:

При калибровке величину х рассматривают как аргумент, а величину у - как функцию. Наличие линейной зависимости между х и у не всегда является очевидным.

По этой причине экспериментальные данные, полученные при калибровке, в первую очередь используют для оценки жесткости, т. е. степени неслучайности линейной связи

между х и у, и лишь затем определяют значения констант а и b и их доверительные интервалы. В первом приближении судить о жесткости линейной связи между перемен-

ными х и у можно по величине линейного коэффициента корреляции (или просто, коэффициента корреляции) r, который вычисляют по уравнению:

исходя из экспериментальных данных.

Линейный коэффициент корреляции r изменяется в пределах от –1 до +1. Положительные значения r указывают на рост, а негативные – на уменьшение y с ростом x.

Линейный коэффициент корреляции r является частным случаем общего индекса корреляции Rс , который применим также и для нелинейных зависимостей между

величинами y и x :

s2

Rc = 1 - s02 (7.3а)

y

где:

so - остаточное стандартное отклонение (уравнение 7.7),

sy - стандартное отклонение величин yi относительно среднего значения y (уравнение 7.15); рассчитывают с использованием уравнения (1.5).

Уравнение (7.3а), в силу своей простоты и наглядности, нередко используется

вместо соотношения (7.3) в том случае, когда знак коэффициента корреляции не имеет

значения.

Чем ближе абсолютная величина |r| к единице, тем менее случайна наблюдаемая линейная зависимость между переменными х и у.

Коэффициент корреляции r используется обычно для выявления стахостической взаимосвязи между величинами, функциональная зависимость между которыми может

и отсутствовать. Коэффициент корреляции является значимым, если его величина для

данной вероятности Р и числа степеней свободы ν превышает значения, приведенные

в Таблице 11.6. В противоположном случае нельзя говорить о существовании значимых зависимостей (7.1-7.2).

Значимость коэффициента корреляции является обязательным, но не достаточным условием использования уравнений (7.1-7.2) для аналитических целей (см. ниже). В аналитической химии в большинстве случаев используют линейные зависимости с коэффициентом корреляции |r| ³ 0.98 (при соответствии требованиям Таблицы 11.6) и только при анализе следовых количеств рассматривают линейные зависимости с ко-

эффициентом корреляции |r| ³ 0.9.

Коэффициенты а и b и другие метрологические характеристики зависимости

(7.1) рассчитывают с использованием метода наименьших квадратов по экспериментально измеренным значениям переменной у для заданных значений аргумента х.

Пусть в результате эксперимента найдены представленные в Таблице 7.1 пары значений аргумента х и функции у.

Таблица 7.1

Тогда, если величины yi имеют одинаковую неопределенность (а такое допущение обычно выполняется для достаточно узкого диапазона варьирования величин yi),

то:

Если полученные значения коэффициентов а и b использовать для вычисления

значений у по заданным в Таблице 7.1 значениям аргумента х согласно зависимости (7.1), то вычисленные значения у обозначают через Y1, Y2, ... Yi, ... Yn. Разброс значе-

ний yi относительно значений Yi характеризует величина остаточной дисперсии s02 , ко-

торую вычисляют по уравнению:

Для того, чтобы уравнения (7.1-7.2) адекватно описывали экспериментальные

данные, необходимо, чтобы остаточная дисперсия s02 не отличалась значимо по кри-

терию Фишера (соотношения 3.1-3.4) от дисперсии воспроизводимости (сходимости) величин yi . Последняя может быть найдена экспериментально или спрогнозирована

(см. Главу 10) из паспортных данных оборудования.

В свою очередь дисперсии констант b и а находят по уравнениям:

Стандартные отклонения sb и sa и величины b и a, необходимые для оценки доверительных интервалов констант, рассчитывают по уравнениям:

Коэффициенты а и b должны значимо отличаться от нуля, т.е. превышать, соот-

ветственно, величины a и b.

Уравнению (7.1) с константами а и b обязательно удовлетворяет точка с координатами x и y , называемая центром калибровочного графика:

Наименьшие отклонения значений yi от значений Yi наблюдаются в окрестностях

центра графика. Стандартные отклонения sy и sx величин у и х, рассчитанных соответ-

ственно по уравнениям (7.1) и (7.2) исходя из известных значений х и у, определяются с учетом удаления последних от координат центра графика:

где:

y j - среднее значение;

nj - число вариант, использованных при определении y j .

С учетом значений sy и sx могут быть найдены значения величин y и x.

Значения sx и Dx, найденные при ni =1, являются характеристиками воспроизво-

димости (сходимости) аналитической методики, если х - концентрация, а у - функция х. Обычно результаты статистической обработки по методу наименьших квадратов

сводят в Таблицу 7.2.

Таблица 7.2

Результаты статистической обработки экспериментальных данных, получен-

ных при изучении линейной зависимости вида y = bx + a

Примечание 1. Если целью экспериментальной работы являлось определение констант b и а, графы 11, 12 и 13 Таблицы 7.2 не заполняются.

Примечание 2. Если y = b lg x + a , вычисления, описанные в разделе 7, выполняют с использованием уравнений (1.8), (1.9), (1.22 – 1.25).

Примечание 3. Сравнение дисперсий s02 , полученных в разных условиях для двух ли-

нейных зависимостей, может быть проведено, как указано в разделе 3.

8. ПОСЛЕДОВАТЕЛЬНАЯ СХЕМА СТАТИСТИЧЕСКОГО АНАЛИЗА РЕЗУЛЬТАТОВ ХИМИЧЕСКИХ ИЗМЕРЕНИЙ

Традиционно в фармакопейном анализе преобладают методы статистического анализа с фиксированным объемом выборки. Наряду с этим в последние годы все ши-

ре применяются методы так называемого последовательного (секвенционального)

анализа6. Использование этих методов имеет смысл в тех случаях, когда выполнение каждого анализа дорого, трудоемко или отнимает много времени, и при этом имеется

возможность анализировать результаты последовательно, по мере их поступления. Частным случаем последовательной схемы является метод проверки с двукрат-

ной выборкой. Такой метод применяется в фармакопейном анализе, например, при контроле однородности дозирования: берется первая выборка, и по полученным ре-

6 См., например, D. Siegmund. Sequential Analysis. Springer-Verlag. 1985.

зультатам партия либо проходит, либо бракуется, либо принимается решение взять

вторую выборку. Такая схема позволяет сэкономить (в среднем) число наблюдений, необходимое для принятия решения. Еще более экономична последовательная схема

в общем виде. По данным7 коэффициент выгоды при сопоставлении с традиционными схемами (фиксированный объем выборки) колеблется между двумя и тремя.

Последовательный критерий для различения двух простых гипотез Н0: выборка извлечена из генеральной совокупности f(x , μ0 ,σ);

Н1: выборка извлечена из генеральной совокупности f(x , μ1 ,σ)

предложен Вальдом8 (здесь f(x, μ , σ) – функция плотности вероятности нормального распределения). Критическая статистика γ (n) (n - число наблюдений) задается в виде:

Область возможных значений критической статистики разбивается на три (а не

на две, как в случае выборок фиксированного объема) части: 1) область принятия гипотезы Н0

2) область принятия гипотезы Н1

Здесь:

α - погрешность первого рода (вероятность принятия гипотезы H1 , в то время как на самом деле верна гипотеза H0);

β - погрешность второго рода (вероятность принятия гипотезы H0 , в то время как на самом деле верна гипотеза H1).

Если результаты n испытаний рассматривать как случайную выборку из генеральной совокупности, подчиняющейся нормальному распределению с дисперсией σ2 (которая предполагается известной из предыдущих экспериментов), то

Если значение критической статистики, вычисленное на шаге n, попадает в область 1), то принимается гипотеза Н0; если оно попадает в область 2), то принимается гипотеза Н1; если значение критической статистики попадает в область 3), то произво-

дится еще одно измерение. Доказано, что с вероятностью 1 этот процесс заканчивается принятием одной из двух альтернативных гипотез.

7С.А. Айвазян Теор. вер. и ее примен. – 1959. – Т. 4. - № 1. – С. 87-93.

8А. Вальд. Последовательный анализ. М.: Физматгиз. 1960.