Weighing आणि volume uncertainty ला concentration uncertainty मध्ये एकत्र करा
Tool C=m/V, C=(m·P)/V, आणि C=(m·P)/(M·V) सारख्या सूत्रांसाठी standard uncertainties एकत्र करते.
Weighing error, volume error, आणि संबंधित inputs वरून concentration आणि dilution साठी uncertainty थेट ब्राउझरमध्ये मोजा.
Combined standard uncertainty uc, expanded uncertainty U=k·uc, मुख्य contributors, आणि report-ready copy output एकाच ठिकाणी पहा.
Tool C=m/V, C=(m·P)/V, आणि C=(m·P)/(M·V) सारख्या सूत्रांसाठी standard uncertainties एकत्र करते.
हे certificate-style ±a(k=2), specification-style ±a, आणि triangular assumptions हाताने रूपांतर न करता हाताळते.
Contributor breakdown दाखवतो की variance मध्ये कोणत्या factor चा प्रभाव सर्वाधिक आहे, त्यामुळे तुम्ही सुधारणा पटकन लक्ष्य करू शकता.
Plain text, Markdown, CSV, आणि JSON मध्ये स्विच करा आणि तुम्हाला हवे ते exact format कॉपी करा.
m=100.00 mg ±0.10 (आयताकार), V=100.00 mL ±0.08 (नॉर्मल, k=2)
Concentration, uc, U, आणि m व V मधील contributor split दाखवते.
C1=1000 mg/L ±5, V1=10.00 mL ±0.02, V2=100.00 mL ±0.08
Diluted concentration साठी U आणि कोणत्या volume error चा परिणाम जास्त आहे ते दाखवते.
A=98.0 ±0.5, B=100.0 ±0.2
A/B किंवा Recovery(%) साठी uncertainty दाखवते.
m, P, M, आणि V एकत्र भरा
Purity आणि molar mass मधील योगदानही दाखवते.
Input quantity x शी संबंधित standard-deviation सारखी uncertainty.
सर्व input contributions एकत्र केल्यानंतर result y ची standard uncertainty.
U = k·uc म्हणून मोजली जाणारी report-facing uncertainty.
एक input बदलल्यावर result किती जोरात बदलतो ते दर्शवणारा coefficient.
एक factor ला दिलेला एकूण variance चा वाटा.
मानक अनिश्चितता रूपांतरण: u=a/k, a/√3, a/√6संयुक्त मानक अनिश्चितता: uc = √Σ(c_i·u_i)^2विस्तारित अनिश्चितता: U = k·ucएकाग्रता: C = m/V, (m·P)/V, (m·P)/(M·V)दुर्बलीकरण: C2 = C1·V1/V2Ratio: R = A/BDistribution assumption निवडल्यास tolerance notation standard uncertainty मध्ये रूपांतरित करता येते. Tool normal(k) साठी u=a/k, rectangular साठी u=a/√3, आणि triangular साठी u=a/√6 वापरते.
k=2 सामान्य आहे, पण तुमचा standard, internal rule, किंवा customer requirement पाळा. Tool नेहमी निवडलेले k निकालात दाखवते.
हो. Plain text, Markdown, CSV, आणि JSON उपलब्ध आहेत, आणि generated output मध्ये assumptions, inputs, results, आणि top contributors समाविष्ट असतात.
पहिली आवृत्ती independent inputs गृहीत धरते. Inputs correlated असतील, तर निकाल कमी किंवा जास्त अंदाजाने येऊ शकतो.
हे टूल first-order propagation वापरते. Relative uncertainties मोठ्या असतील किंवा formula strongly nonlinear असेल, तर निकाल दुसऱ्या पद्धतीने पडताळा.