செறிவு நிச்சயமின்மை
எடைப் பிழை, அளவு பிழை மற்றும் தொடர்புடைய உள்ளீடுகளிலிருந்து செறிவு நிச்சயமின்மையை மதிப்பிடுங்கள்.
எடைப் பிழை, அளவு பிழை மற்றும் தொடர்புடைய உள்ளீடுகளிலிருந்து, உலாவியிலேயே செறிவு மற்றும் நீர்த்தல் முடிவுகளுக்கான நிச்சயமின்மையை கணக்கிடுங்கள்.
கூட்டு நிலையான நிச்சயமின்மை uc, விரிவாக்கப்பட்ட நிச்சயமின்மை U = k·uc, முக்கிய பங்களிப்பாளர்கள் மற்றும் அறிக்கைத் தயாரான நகல் வெளியீட்டை ஒரே இடத்தில் பாருங்கள்.
எடைப் பிழை, அளவு பிழை மற்றும் தொடர்புடைய உள்ளீடுகளிலிருந்து செறிவு நிச்சயமின்மையை மதிப்பிடுங்கள்.
நீர்த்தல் கணக்குகளில் கூட்டு மற்றும் விரிவாக்கப்பட்ட நிச்சயமின்மையைப் பெறுங்கள்.
uc, U = k·uc மற்றும் காரணங்களைக் காப்பி செய்ய ஏற்ற வடிவத்தில் பார்க்கலாம்.
முடிவில் அதிக தாக்கம் உள்ள உள்ளீடுகளைத் தெளிவாகக் காணலாம்.
m=100.00 mg ±0.10 (rectangular), V=100.00 mL ±0.08 (normal, k=2)
Shows concentration, uc, U, and the contributor split between m and V.
C1=1000 mg/L ±5, V1=10.00 mL ±0.02, V2=100.00 mL ±0.08
Shows U for the diluted concentration and which volume error matters most.
A=98.0 ±0.5, B=100.0 ±0.2
Shows uncertainty for A/B or Recovery(%).
Enter m, P, M, and V together
Shows the contribution from purity and molar mass as well.
The standard-deviation-like uncertainty associated with an input quantity x.
The standard uncertainty of the result y after combining all input contributions.
The report-facing uncertainty calculated as U = k·uc.
A coefficient showing how strongly the result changes when one input changes.
The share of the total variance attributable to one factor.
Standard uncertainty conversion: u=a/k, a/√3, a/√6Combined standard uncertainty: uc = √Σ(c_i·u_i)^2Expanded uncertainty: U = k·ucConcentration: C = m/V, (m·P)/V, (m·P)/(M·V)Dilution: C2 = C1·V1/V2Ratio: R = A/BTolerance notation can be converted into standard uncertainty when you choose a distribution assumption. The tool uses u=a/k for normal(k), u=a/√3 for rectangular, and u=a/√6 for triangular.
k=2 is common, but you should follow your standard, internal rule, or customer requirement. The tool always shows the chosen k in the result.
Yes. Plain text, Markdown, CSV, and JSON are available, and the generated output includes assumptions, inputs, results, and the top contributors.
The first release assumes independent inputs. If your inputs are correlated, the result can be under- or over-estimated.
This tool uses first-order propagation. If relative uncertainties are large or the formula is strongly nonlinear, you should verify the result with another method.