തൂക്കവും വോള്യം അനിശ്ചിതത്വവും ഒന്നിച്ചു ചേർത്ത് സാന്ദ്രത അനിശ്ചിതത്വം കണ്ടെത്തുക
C=m/V, C=(m·P)/V, C=(m·P)/(M·V) പോലുള്ള സൂത്രങ്ങൾക്ക് സ്റ്റാൻഡേർഡ് അനിശ്ചിതത്വങ്ങൾ കൂട്ടിച്ചേർക്കുന്നു.
തൂക്ക പിശക്, വോള്യം പിശക്, അനുബന്ധ ഇൻപുട്ടുകൾ എന്നിവയിൽ നിന്ന് സാന്ദ്രതയും ഡൈല്യൂഷനും സംബന്ധിച്ച അനിശ്ചിതത്വം നേരിട്ട് ബ്രൗസറിൽ കണക്കാക്കുക.
സംയുക്ത സ്റ്റാൻഡേർഡ് അനിശ്ചിതത്വം uc, വിപുലിത അനിശ്ചിതത്വം U=k·uc, പ്രധാന സംഭാവകങ്ങൾ, റിപ്പോർട്ടിന് തയ്യാറായ കോപ്പി ഔട്ട്പുട്ട് എന്നിവ ഒരിടത്ത് പരിശോധിക്കുക.
C=m/V, C=(m·P)/V, C=(m·P)/(M·V) പോലുള്ള സൂത്രങ്ങൾക്ക് സ്റ്റാൻഡേർഡ് അനിശ്ചിതത്വങ്ങൾ കൂട്ടിച്ചേർക്കുന്നു.
certificate-style ±a(k=2), specification-style ±a, triangular assumptions എന്നിവ വേറെയായി കൈകാര്യം ചെയ്യാതെ തന്നെ മാറുന്നു.
സംഭാവന വിഭജനം ഏത് ഘടകമാണ് variance-നെ കൂടുതൽ സ്വാധീനിക്കുന്നത് എന്ന് കാണിക്കുന്നു, അതിനാൽ മെച്ചപ്പെടുത്തൽ എവിടെ കേന്ദ്രീകരിക്കണമെന്ന് മനസ്സിലാകും.
Plain text, Markdown, CSV, JSON എന്നിവയ്ക്കിടയിൽ മാറി നിങ്ങൾക്ക് വേണ്ട കൃത്യമായ ഫോർമാറ്റ് പകർത്താം.
m=100.00 mg ±0.10 (rectangular), V=100.00 mL ±0.08 (normal, k=2)
സാന്ദ്രത, uc, U, m, V എന്നിവയുടെ സംഭാവന വിഭജനം കാണിക്കുന്നു.
C1=1000 mg/L ±5, V1=10.00 mL ±0.02, V2=100.00 mL ±0.08
ഡൈല്യൂട്ട് ചെയ്ത സാന്ദ്രതയ്ക്കുള്ള U ഉം ഏത് വോള്യം പിശകാണ് ഏറ്റവും പ്രധാനമെന്നതും കാണിക്കുന്നു.
A=98.0 ±0.5, B=100.0 ±0.2
A/B അല്ലെങ്കിൽ Recovery(%) യ്ക്കുള്ള അനിശ്ചിതത്വം കാണിക്കുന്നു.
m, P, M, V എന്നിവ ഒപ്പം നൽകുക
ശുദ്ധതയും മോളാർ ഭാരവും നൽകുന്ന സംഭാവനയും കാണിക്കുന്നു.
ഇൻപുട്ട് അളവ് x-നോട് ബന്ധപ്പെട്ട സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ പോലുള്ള അനിശ്ചിതത്വം.
എല്ലാ ഇൻപുട്ട് സംഭാവനകളും കൂട്ടിച്ചേർത്ത ശേഷം ഫലം y-യുടെ സ്റ്റാൻഡേർഡ് അനിശ്ചിതത്വം.
U = k·uc ആയി റിപ്പോർട്ടിനായി കാണിക്കുന്ന അനിശ്ചിതത്വം.
ഒരു ഇൻപുട്ട് മാറുമ്പോൾ ഫലം എത്ര ശക്തമായി മാറുന്നു എന്ന് കാണിക്കുന്ന ഗുണകം.
മൊത്തം variance-യിൽ ഒരു ഘടകത്തിന് വരുന്ന പങ്ക്.
സ്റ്റാൻഡേർഡ് അനിശ്ചിതത്വം പരിവർത്തനം: u=a/k, a/√3, a/√6സംയുക്ത സ്റ്റാൻഡേർഡ് അനിശ്ചിതത്വം: uc = √Σ(c_i·u_i)^2വിപുലിത അനിശ്ചിതത്വം: U = k·ucസാന്ദ്രത: C = m/V, (m·P)/V, (m·P)/(M·V)ഡൈല്യൂഷൻ: C2 = C1·V1/V2അനുപാതം: R = A/Bഒരു distribution assumption തിരഞ്ഞെടുക്കുമ്പോൾ tolerance notation നെ സ്റ്റാൻഡേർഡ് അനിശ്ചിതത്വത്തിലേക്ക് മാറ്റാം. Normal(k) ആണെങ്കിൽ u=a/k, rectangular ആണെങ്കിൽ u=a/√3, triangular ആണെങ്കിൽ u=a/√6 ഉപയോഗിക്കുന്നു.
k=2 സാധാരണമാണ്, പക്ഷേ നിങ്ങളുടെ സ്റ്റാൻഡേർഡ്, ആഭ്യന്തര നിയമം, അല്ലെങ്കിൽ ഉപഭോക്തൃ ആവശ്യം പിന്തുടരണം. തിരഞ്ഞെടുത്ത k ഫലം മേഖലയിൽ എന്നും കാണിക്കും.
അതെ. Plain text, Markdown, CSV, JSON എന്നിവ ലഭ്യമാണ്, സൃഷ്ടിക്കുന്ന ഔട്ട്പുട്ടിൽ assumptions, inputs, results, top contributors എന്നിവ ഉൾപ്പെടും.
ആദ്യ പതിപ്പ് സ്വതന്ത്ര ഇൻപുട്ടുകളാണ് കരുതുന്നത്. നിങ്ങളുടെ ഇൻപുട്ടുകൾ correlated ആണെങ്കിൽ ഫലം കുറവോ കൂടുതലോ ആയി കണക്കാക്കപ്പെടാം.
ഈ ടൂൾ first-order propagation ആണ് ഉപയോഗിക്കുന്നത്. ആപേക്ഷിക അനിശ്ചിതത്വം വലിയതാണെങ്കിൽ അല്ലെങ്കിൽ സൂത്രം വളരെ nonlinear ആണെങ്കിൽ, മറ്റൊരു രീതിയിൽ ഫലം പരിശോധിക്കണം.