Statistické zpracování výsledků

Podobné dokumenty
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT

UNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE

Zápočtová práce STATISTIKA I

KRUHOVÝ TEST 4/2018/NIR

Úloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat )

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy

Lužice doškolovací kurz Vzorkování heterogenních materiálů. Pavel Bernáth, Zdeněk Veverka, Milena Veverková, Petr Kohout

Charakteristika datového souboru

STATISTICKÉ CHARAKTERISTIKY

KRUHOVÝ TEST 4/2013/NIR

KRUHOVÝ TEST 2/2012/NIR

KRUHOVÝ TEST 3/2013/NIR

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

1 Úvod a důležité kontakty 3

Statistika pro geografy

ZÁVĚREČNÁ ZPRÁVA O VÝSLEDCÍCH EXPERIMENTU SHODNOSTI

Obsah. Příloha (celkový počet stran přílohy 24) Závěrečná zpráva o výsledcích experimentu shodnosti ZČB 2016/1

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice

Statistická analýza jednorozměrných dat

Základy popisné statistiky. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek

Praktická statistika. Petr Ponížil Eva Kutálková

PLÁN PROGRAMU ZKOUŠENÍ ZPŮSOBILOSTI. ZČB 2018/2 Zkoušení čerstvého betonu (ZČB 12350)

Statistická analýza. jednorozměrných dat

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

Náhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1

UNIVERZITA PARDUBICE

PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)

PLÁN PROGRAMU ZKOUŠENÍ ZPŮSOBILOSTI. ZZB 2019/2 Pevnost a pružnost ztvrdlého betonu (ZZB 12390, , 1542, )

Popisná statistika kvantitativní veličiny

ZÁKLADNÍ STATISTICKÉ CHARAKTERISTIKY

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

Číselné charakteristiky a jejich výpočet

Statistická analýza jednorozměrných dat

TECHNICKÁ UNIVERZITA V LIBERCI. Ekonomická fakulta. Semestrální práce. Statistický rozbor dat z dotazníkového šetření školní zadání

ZZ SČZL 4/2014. Zkouška rázem v ohybu metodou Charpy za okolní teploty. Ing. Jan Wozniak, CSc.

Normální (Gaussovo) rozdělení

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.

Obsah. Závěrečná zpráva o výsledcích experimentu shodnosti ZMC 2015/1

Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality

Základní statistické charakteristiky

Minerální vody. problematika analýz a vyhodnocení mezilaboratorních porovnávacích zkoušek. Klub techniků Novotného lávka 5, Praha 1

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

PLÁN PROGRAMU ZKOUŠENÍ ZPŮSOBILOSTI. ZZB 2019/1 Pevnost a trvanlivost ztvrdlého betonu (ZZB 12390, , , , )

Matematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

Průzkumová analýza dat

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

Neparametrické metody

Protokol č. 1. Tloušťková struktura. Zadání:

Regulační diagramy (RD)

UNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek

Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.

Kvalita v laboratorní a kontrolní praxi

MATEMATIKA III V PŘÍKLADECH

3. Základní statistické charakteristiky. KGG/STG Zimní semestr Základní statistické charakteristiky 1

Kalibrace a limity její přesnosti

Číselné charakteristiky

Popisná statistika. Jaroslav MAREK. Univerzita Palackého

PRINCIPY ZABEZPEČENÍ KVALITY

PLÁN PROGRAMU ZKOUŠENÍ ZPŮSOBILOSTI. ZK 2019/1 Zkoušení kameniv (ZK 933, 1097, 1367, 137, )

PLÁN PROGRAMU ZKOUŠENÍ ZPŮSOBILOSTI. ZZ 2018/1 Zkoušení zemin (ZZ 17892, 13286)

Posouzení přesnosti měření

23. Matematická statistika

UNIVERZITA PARDUBICE

Plánování experimentu

Národní informační středisko pro podporu kvality

Základy popisné statistiky

Testování vzorků podzemní vody z monitorovacích vrtů na stanovení těkavých organických látek.

Doplňuje vnitřní kontrolu kvality. Principem je provádění mezilaboratorních porovnávacích zkoušek (srovnatelnost výsledků)

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté

S E M E S T R Á L N Í

Kalibrace a limity její přesnosti

Obsah. Závěrečná zpráva o výsledcích experimentu shodnosti ZZB 2015/1

Modul Základní statistika

S E M E S T R Á L N Í

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE

Simulace. Simulace dat. Parametry

Neparametrické testy

Nejistota měř. ěření, návaznost a kontrola kvality. Miroslav Janošík

KGG/STG Statistika pro geografy

1 Úvod a důležité kontakty 4

Obsah. Příloha (celkový počet stran přílohy 28) Závěrečná zpráva o výsledcích experimentu shodnosti ZZB 2015/2

Jevy a náhodná veličina

Úvod do kurzu. Moodle kurz. (a) (b) heslo pro hosty: statistika (c) skripta na pravděpodobnost

KALIBRACE. Definice kalibrace: mezinárodní metrologický slovník (VIM 3)

SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík

Obsah. Příloha (celkový počet stran přílohy 44) Závěrečná zpráva o výsledcích experimentu shodnosti PrZZ ZZ 2014/1

Popisná statistika. Statistika pro sociology

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:

Statistické metody. Martin Schindler KAP, tel , budova G. naposledy upraveno: 9.

Minimální hodnota. Tabulka 11

Chyby měření 210DPSM

Srovnávací praktické zkoušení upravených kalů mezi zúčastněnými laboratořemi sledovalo dílčí samostatné cíle:

Obsah. Státní zdravotní ústav, Praha listopad / 9

Mezilaboratorní porovnávací zkoušky jeden z nástrojů zajištění kvality zkoušení. Lenka Velísková, ITC Zlín Zákaznický den,

Pravděpodobnost a matematická statistika

Transkript:

Statistické zpracování výsledků Výpočet se skládá ze dvou částí. Vztažná hodnota a také hodnota směrodatné odchylky jednotlivých porovnání se určuje z výsledků dodaných účastníky MPZ. V první části je vypočten medián a vyloučeny odlehlé hodnoty dle algoritmu převzatého po určité úpravě z WEPAL (Wageningen Evaluating Programmes for Analytical Laboratories, Wageningen, The Netherlands). Jeho podrobný popis uvádí van Montfort [13]. Ve druhé části je vypočítáno z-score, které je vyjádřeno v číselné i grafické podobě. Základem pro výpočet hodnot z-score jsou robustní hodnoty průměru a směrodatné odchylky vypočítané podle algoritmu pro robustní analýzu. Podrobný popis je uveden v normě ISO 13528 [16]. Určení vztažné hodnoty a intervalu spolehlivosti se pro menší počet laboratoří počítá Hornovým postupem [15]. Jako vztažná hodnota je v případě problematických výsledků brána hodnota zjištěná vyhodnocením výsledků stanovených pilotním pracovištěm v rámci testů homogenity resp. stability. Výpočet mediánu a vyloučení odlehlých hodnot Ze všech hodnot pro určitý parametr (kromě hodnot označených < ) se vypočítá medián. Použití mediánu místo aritmetického průměru sníží ovlivnitelnost výpočtu extrémními hodnotami. Z absolutních hodnot rozdílů mezi naměřenými hodnotami a mediánem se určí medián absolutních odchylek MAD. Vylučování odlehlých výsledků probíhá ve dvou stupních. Nejprve se podle vylučovacího kritéria provede první stupeň vylučování a vyloučené hodnoty se označí "**". Potom se provede nový výpočet mediánu a mediánu absolutních odchylek a opět se provede vyloučení. Hodnoty vyloučené ve druhém kole se označí "*". Ve výsledkové části je uvedena hodnota mediánu i MAD po 1. a 2. stupni vylučování. Vyloučené hodnoty jsou označené příslušným počtem hvězdiček. Do výpočtu mediánu nejsou zahrnuty hodnoty označené "<". Tyto hodnoty se vyhodnocují podle následujících kritérií. Pokud je laboratoří uvedená hodnota vyšší, než je součet hodnot mediánu 1 a dvojnásobku meze 1. stupně (Median 1 + 2 Mez 1.st), výsledek je označen "*M". To znamená, že byla použita metoda s vysokou hodnotou meze stanovitelnosti. V případě, že je laboratoří udaná hodnota příliš nízká, je menší než rozdíl hodnot mediánu 1 a meze 1. stupně (Median 1 Mez 1.st), výsledek se označí "**" jako vyloučená hodnota. Výpočet mediánu a mediánu absolutních odchylek (MAD) Je-li počet vyhodnocovaných hodnot (n) lichý, je medián roven prostřední hodnotě řady hodnot daného parametru uspořádané podle velikosti. Jde tedy o (n+1)/2 -tou hodnotu setříděného souboru dat. Je-li n sudé, platí, že medián je průměrem hodnot dvou prostředních prvků, tedy n/2-té a (n+2)/2-té hodnoty. Hodnota mediánu absolutních odchylek se vypočte tak, že nejprve se od každého prvku v souboru dat odečte vypočtený medián a ten se vyjádří jako absolutní hodnota. Ze setříděných hodnot takto vypočtených absolutních odchylek od mediánu se vypočte medián obdobně jako při výpočtu mediánu jednotlivých měřených hodnot.

Vylučování probíhá podle kriteria: x - MEDIAN /(f MAD) > 2, t.j., je-li podíl absolutní hodnoty rozdílu naměřené hodnoty a mediánu dělený součinem faktoru f a MAD (mediánu absolutních odchylek) větší než 2, je hodnota považována za odlehlou. Vylučování se může provést jen pro počet měřených hodnot větší než 7. f = (0,772 + 1,604/n) t t - aproximace kritických hodnot Studentova rozdělení získaná jako výsledek řešení Hornerova pravidla pro a = 0.05 a daný počet stupňů volnosti (v = n-1). Postup je uveden v literatuře [14]. t = 1,960 + (1/v) {2,350 + (1/v) [3,226 + (1/v) (0,621 + (1/v) 4,549)]} Ve výsledcích se kromě MAD uvádí i hodnota meze pro vylučování odlehlých výsledků, tj. maximální povolená odchylka od mediánu, pro kterou ještě nebylo provedeno vyloučení odlehlé hodnoty. Výpočet z-score Výpočet z-score se provádí pouze pro alespoň 8 naměřených hodnot. Z-score je definováno jako rozdíl mezi naměřenou hodnotou a hodnotou robustního průměru dělený robustní směrodatnou odchylkou. V rámci mezilaboratorního porovnání lze považovat absolutní hodnotu z-score menší nebo rovnou 1 za dobrou, hodnotu od jedné do dvou za uspokojivou, hodnota mezi 2 až 3 je diskutabilní (ve výsledcích značena "!") a hodnota větší než 3 je neuspokojivá (ve výsledcích značena "!!"). Dvojitý křížek (#) znamená, že z-score nebylo možné vypočítat, protože bylo poskytnuto méně než 8 výsledků. Pomlčka (-) znamená, že laboratoř nedodala výsledky pro daný parametr. Značka $ znamená, že laboratoř dodala výsledek, ale z-score nebylo možno vypočítat, protože robustní směrodatná odchylka je nulová (rob.s.od = 0). Výpočet z-score z-score = (x x * )/s * x - naměřená hodnota x * - robustní průměr, ve výsledcích značen jako rob.prum. (může být nahrazen ATV - assigned true value tzn. předem stanovená vztažná hodnota) s * - robustní směrodatná odchylka, ve výsledcích značena jako rob.s.od. (může být nahrazena SATV tzn. předem určenou směrodatnou odchylkou) Pro výpočet robustních hodnot průměru x * a směrodatné odchylky s * se použije následující algoritmus pro robustní analýzu [16]: Jednotlivé naměřené hodnoty se seřadí vzestupně podle velikosti a označí se x1, x2., xi., xp

Vypočte se počáteční hodnota x *, což je medián naměřených hodnot a vypočte se počáteční hodnota robustní směrodatné odchylky s *, což je medián absolutních odchylek vynásobený faktorem 1,483: x * = medián hodnot xi, kde i = 1,2,, p s * = 1,483 medián hodnot xi x *, kde i = 1,2,, p. Hodnoty x * a s * se upraví následovně. Vypočte se hodnota δ dle vztahu δ = 1,5 s * a dále se pro každou hodnotu xi (i = 1,2,, p) vypočte hodnota xi *, pro kterou platí jedna z následujících podmínek: Ze všech hodnot xi * se vypočtou nové hodnoty x * a s * podle vztahů: Robustní odhady x * a s * se zpřesňují iterací, tj. opakováním výpočtů od kroku, kdy se vypočítá nová hodnota δ s naposledy vypočítanou hodnotu s *. Iterace je ukončena, pokud mezi dvěma opakovanými výpočty nenastane změna třetí platné číslice u hodnoty robustní směrodatné odchylky. Hornův postup Tento postup je použitelný pro 4 až 20 platných měření. Statistické zpracování vychází z pořádkové statistiky souboru. Podle počtu měření se určí hloubka pivotů, pivotová polosuma (odhad střední hodnoty) a pivotové rozpětí. Součin pivotového rozpětí a kvantilu rozdělení TL pro 1 - a = 0,975 udává odhad intervalu spolehlivosti. Hloubka pivotu H se určí dle vztahů H = (int [(n + 1)/2] )/2 nebo H = (int [(n + 1)/2] + 1)/2 podle toho, které bude celé číslo. Dolní pivot je xd = x(h) a horní pivot xh = x(n+1 -H), n je počet měření. Odhad střední hodnoty - pivotová polosuma PL se určí ze vztahu

XHORN = PL = (xd + xh)/2 a odhadem parametru rozptýlení je pivotové rozpětí RL = xh - xd. Náhodná veličina TL = PL/RL má přibližně symetrické rozdělení. Odhad intervalu spolehlivosti SHORN je dán součinem pivotového rozpětí RL a kvantilu rozdělení TL pro 1 - a = 0,975, tzn. SHORN = RL tl,0,975(n) Kvantily tl pro 1 - a = 0,975 rozdělení TL viz [15]. Výpočet pro MPZ ÚKZÚZ mykotoxiny V případě MPZ ÚKZÚZ mykotoxiny je statistické vyhodnocení upraveno následujícím způsobem: a) vztažná hodnota pro každý parametr MPZ ÚKZÚZ mykotoxiny se vypočítá podle algoritmu z ISO 13528 (viz SOP č. 05/2013) jako robustní průměr hodnot získaných od účastníků, kteří stanovení prováděli chromatografickými metodami. V případě, že od účastníků s chromatografickými metodami je k dispozici < 8 hodnot, není možno počítat robustní průměr, ale použije se vztažná hodnota vypočtená podle Hornova postupu pro malé soubory viz SOP 05/2013. b) hodnota směrodatné odchylky pro vypočtenou vztažnou hodnotu koncentrace (viz a) se vypočítá dle Horwitzovy rovnice případně rovnic upravených dle Thompsona [3], v závislosti na koncentraci analytu, vyjádřené hmotnostním zlomkem. s Horw směrodatná odchylka, ve výsledcích značena jako s_horw. c) c koncentrace stanovovaného parametru v procentech (hmotnostní zlomek). Jedná se o vztažnou hodnotu vypočtenou dle a) vyjádřenou v požadovaném tvaru hmotnostního zlomku. Ve výsledcích značeno jako x* (může být nahrazen ATV assigned true value tzn. předem stanovená vztažná hodnota nebo hodnotou vypočtenou podle Hornova postupu pro soubory s počtem výsledků < 8, ve výsledcích značeno jako x_horn). Výsledky z diagnostických metod (ELISA, ROSA) jsou zpracovány zvlášť s použitím vztažné hodnoty, která se získá statistickým zpracováním výsledků z chromatografických metod a směrodatné odchylky vypočítané podle upravené Horwitzovy rovnice (viz a) a b)) d) Výsledky předané jako < méně než : vypočítá se z-score pro uvedené hodnoty. Pokud laboratoř uvede hodnotu, která bude menší než vypočtený robustní průměr,

bude výsledek označen podle hodnoty z-score. Pokud laboratoř uvede hodnotu, která bude větší než vypočtený robustní průměr, bude v případě z-score > 3 upozorněna na použití nevhodné metody s vysokou hodnotou meze stanovitelnosti.