Testování, jehož smyslem je porovnání odhadů a,b se skutečnými hodnotami parametrů a, b, lze provést za použití Studentova t-testu (7) při testování pro  a = 0 a vypočtená hodnota t se porovnává s tabelovanou kritickou hodnotou Studentova rozdělení. Jestliže t_a ³ t(P=0,95;f=m-2), pak rozdíl je statisticky význam­ný. Obdobně se může testovat i regresní koeficient b /8/ proti očekávané hodnotě  b = 1 a porovnáním s kritickou hodnotou. V případě, že se otestováním  zjistí, že rozdíl koeficientu a od nuly je statisticky nevýznamný, může se pak předpokládat závislost typu (10a). Pro regresní koeficient b_o pak platí

a pro směrodatnou odchylku , která charakterizuje rozptýlení kolem regresní přímky pro předpoklad a = 0 , platí:

kde hodnoty  jsou predikované hodnoty y_i, tj. hodnoty vypočtené z reg­resní rovnice (10a). Odhad směrodatné odchylky  je vždy větší než odhad směrodatné odchylky s_y,x.Pomocí F-testu je třeba rozhodnout, zda je toto zhoršení přesnosti signifikantní nebo ne. Hodnota F se počítá jako

kde s_y,x je směrodatná odchylka (13). Vypočtená hodnotu F se porovná s kritickou hodnotou Fisher-Snedecerova rozdělení F pro n₁ = 1, n₂ = m-2 a pro zvolenou hladinu významnosti (příloha II). Je-li hodnota F podle vztahu (18) menší než kritická hodnota, lze oba způsoby vystižení závislosti (10a, 10b) pokládat za rovnocenné, přičemž vyjádření podle vztahu (10a) je jednodušší.

Konstanty kalibrační funkce y = a + bx sestrojené z m bodů, se mohou měnit s časem a je nutná kontrola celého systému. Počet re­kalibračních standardů o známém obsahu analytu x_i odpovídá počtu konstant kalibrační závislosti. Při rekalibraci se vypočítá nová hodnota regresního koeficientu b´ a otestuje se rozdíl obou hodnot pomocí Studentova t-testu:

resp. vypočte se hodnota koeficientu a´ a otestuje opět rozdíl obou hodnot pomocí Studentova t-testu:

Pokud je t £ t(P=0,95;f=m-1), nejsou dokazatelné žádné odchylky od původně určené hodnoty regresního koeficientu b. Je-li rozdíl statisticky významný, je třeba kalibraci opakovat. Obdobné závěry platí pro koeficient a.

Při určení linearity a následných testů platí následující akceptační kriteria:

1. počet kalibračních vzorků je minimálně 5 (obsahy analytu x jsou v oblasti x_min až x_max) a pro každou koncentrační hladinu se stanoví nejméně dvakrát (tzn. minimálně získáme 10 údajů). Provede se regresní analýza všech dat a ne pouze jejich průměrných hodnot (korelační koeficient r (9), koeficienty a, b (11, 12, 16) a testování koeficientů a, b (6, 7, 13, 14, 15, 17, 18))
2. směrnice kalibrační křivky (b) se ověřuje před každou analýzou (nejméně ze dvou bodů) a testuje se podle (19). V případě, že rozdíl mezi hodnotami regresních koeficientů je statisticky významný, provede se rekalibrace
3. jednobodová kalibrace se může použít v případě, úsek na ose y je zanedbatelný a platí podmínky rovnice (7,18).

3.3.2 Citlivost metody. Vliv matrice vzorku

Citlivost metody je definována jako rozdíl v koncentraci analytu, který odpovídá nejmenšímu rozdílu, jenž může být ještě detekován při odezvě instrumentace metody. Matematicky je citlivost metody vyjádřena jako první derivace kalibrační funkce y = f(x):

a pro lineární závislost se jedná o směrnici kalibrační přímky vy­jádřená regresním koeficientem b (11, 16).

Vliv matrice vzorku na hodnotu směrnice a úseku regresní křivky se prokazuje srovnávacím roztokem kalibračních roztoků s matricí za stejných akceptačních podmínek (3.1) a vypočtou se hodnoty koeficientů a´,b´ a provede se statistické testování (19a,b). Jestliže jsou koeficienty a,b v rámci chyby shodné, pak přítomnost odchylky kalibrace vlivem matrice nebyla prokázána. V případě, že se prokáže vliv matrice, je třeba používat ke kalibraci kalibračních roztoků v příslušné matrici.

V případě, že matrice vzorku není dostupná, použije se metoda standardního přídavku pro pět koncentračních hladin (v minimálně dvou opakování) k positivnímu vzorku pro stanovení shodnosti směrnic regresních křivek (porovnání úseku-koeficientu a´ u této metody není možné). Vypočte se směrnice kalibrační křivky b´ a provede se statistické testování (19a). Jestliže jsou směrnice v rámci chyby shodné, pak přítomnost odchylky kalibrace vlivem matrice nebyla prokázána. V případě, že se prokáže vliv matrice, je třeba používat místo vyhodnocení kalibrační křivkou používat metodu standardního přídavku k potlačení vlivu matrice na odchylku kalibrace.

3.3.3 Mez detekce metody

Mez detekce odpovídá koncentraci, pro kterou je analytický signál statisticky významně odlišný od šumu. Mez detekce y_D odpovídá hodnotě koncentrace, pro kterou je dolní mez (1-a) %ního intervalu spolehlivosti predikce signálu z kalibračního modelu rovna y_C, tj. kritické úrovni (představuje horní mez 100(1-a)%ního intervalu spolehlivosti predikce signálu z kalibračního modelu pro koncent­raci rovnou nule, tj. slepý pokus). Pro kritickou úroveň platí:

kde m je počet hodnot kalibrační křivky,  je průměrná hodnota závisle proměnné y_i, je průměrná hodnota nezávisle proměnné x_i, t je kvantil Studentova rozdělení pro f = m-2 (P=0,95), s_y,x je směrodatná odchylka absolutních reziduí  (y_i-) (13,17), b je regresní koeficient kalibrační přímky.

Pro lineární kalibrační model lze psát pro mez detekce y_D:

Odpovídající koncentrace x_D se pak vypočte podle vztahu:

Mez detekce udává skutečnou úroveň signálu, která ještě umožňu­je detekci koncentrace.

U separačních metod se používá k výpočtu meze detekce velikost hodnoty signálu slepého pokusu. Podmínkou je, že jsou k dispozici chromatogram slepého pokusu a směrnice kalibrační přímky v kombinaci s následujícím postupem: z chromatogramu slepého pokusu se určí maximální kolísání základní linie (h_max) v oblasti dané 20-ti násobkem pološířky píku stanovovaného analytu. Pro odezvu meze detekce platí: y_D = 3h_max a pro koncentraci na mezi detekce:

Je nutné uvést, že směrnice kalibrační přímky b₁ musí být ze koncentrační závislosti y = b₁x, kde y je výška chromatografického píku a ne plocha jak je obvyklé.

U metod, u nichž je k dispozici slepý pokus (optické metody - spektrofotometrie, AAS), se opakovanou analýzou slepého pokusu (v počtu 6 až 10 opakování) určí průměrná hodnota slepého pokusu  a směrodatná odchylka . Pro odezvu meze detekce platí a koncentraci meze detekce platí:

kde b₁ je směrnice kalibrační přímky.

3.3.4 Mez stanovitelnosti

Mez stanovitelnosti y_S je nejmenší hodnota signálu, pro kterou je relativní směrodatná odchylka predikce z kalibračního modelu dostatečně malá a obyčejně se pokládá hodnotě 0,1. Pro y_S platí:

(24)

Odpovídající koncentrace je pak rovna:

Při výpočtu meze detekce a meze stanovitelnosti platí stejná akceptační kriteria uvedena v čl. 3.1. Obecně je však mez stanovitelnosti rovna hodnotě y₁, tj. prvnímu kalibračnímu bodu kalibračního modelu a její odpovídající hodnotě x₁. V případě, že hodnota signálu y_S<y₁, bude odpovídající hodnota x_S zatížena chybou , protože kalibrační funkce je platná pouze v oblasti naměřených hodnot. V tomto případě je účelné provést rekalibraci pro níž platí y₁£y_S.

U separačních metod se používá k výpočtu meze stanovitelnosti velikost hodnoty signálu slepého pokusu. Podmínkou je, že jsou k dispozici chromatogram slepého pokusu a směrnice kalibrační přímky v kombinaci s následujícím postupem: z chromatogramu slepého pokusu se určí maximální kolísání základní linie (h_max) v oblasti dané 20-ti násobkem pološířky píku stanovovaného analytu. Pro odezvu meze stanovitelnosti platí y_S = 10h_max a pro mez stanovitelnosti:

Je nutné uvést, že směrnice kalibrační přímky b₁ musí být ze koncentrační závislosti y = b₁x, kde y je výška chromatografického píku a ne plocha jak je obvyklé.

U metod, u nichž je k dispozici slepý pokus (optické metody - spektrofotometrie, AAS), se opakovanou analýzou slepého pokusu (v počtu 6 až 10 opakování) určí průměrná hodnota slepého pokusu  a směrodatná odchylka . Pro odezvu meze stanovitelnosti platí a koncentraci meze detekce platí:

kde b₁ je směrnice kalibrační přímky.

3.4 Selektivita

Selektivita analytické metody je definována jako schopnost přesného a správného určení analytu i v přítomnosti interferujících látek (matrice). Selektivní metoda je tedy taková metoda, která za určitých podmínek umožňuje přesné a správné stanovení obsahu složky ve vymezené směsi jiných složek. Selektivita analytické metody je testována porovnáním výsledků vzorků standardů s výsledky vzorků s matricí. Interference matrice se projevuje tím, že analytický signál neodpovídá stanovovanému analytu, ale tento signál je superponován signálem rušivé složky (čistota signálu). Prokazování selektivity metody je do jisté míry závislé na použité instrumen­tální technice a proto je nutné pro každý použitý systém vypracovat individuální program prokazování selektivity metody.

V případě, že je dostupná matrice vzorku, k zjištění selektivity metody se analyzují srovnávací vzorky matrice, srovnávací vzorky metody (vzorek bez přítomnosti matrice a analytu - rozpouštědla) v minimálním počtu tří těchto vzorků a kalibrační standard o nejnižší koncentraci. Stanoví se velikost a rozptyl signálů pozadí a významnost těchto signálů vzhledem k výsledku kalibračního standardu (statistické testování F-testem shody rozptylů a t-testem shody středních hodnot). V případě prokazatelné statistické významnosti velikosti pozadí signálu:

- pocházejícího ze srovnávacího vzorku metody, se musí odstranit zdroj interference (kontaminace rozpouštědla, laboratorního nádobí, přístrojů)

- pocházejícího ze srovnávacího vzorku matrice, je nutné optimalizovat extrakci vzorku, předseparaci (čištění vzorku), chromatografickou separaci.

Odezva interferujících látek musí být menší než 1 % odezvy nejnižší koncentrační hladiny analytu ve vzorku.

V případě, že matrice vzorku není dostupná provedou se stejné operace jako v předešlém případě mimo analýz srovnávacích vzorků matrice; místo analýz srovnávacích vzorků matrice se použijí positivní vzorky s analytem a sledují se kvalitativní data signálu, zda je signál tvořen pouze sledovaným analytem (UV spektra, IR spektra pro standardní substanci a vzorek). V případě, že detekční metoda neumožní sbírat kvalitativní data, použije se k prokázání čistoty signálu jiná technika nebo se používají certifikované materiály s přijatou referenční hodnotou a selektivita metody se takto prokazuje nepřímo.

3.5 Robustnost metody

Robustnost metody je definována jako míra vlivu kolísání úrovně jednotlivých parametrů na výsledek analytického stanovení. Další definice a postupy ověření robustnosti jdou uvedeny zde.

3.5.1 Postup

Statistická optimalizace má význam hlavně v instrumentální analýze, musí být však pečlivě naplánována i provedena (ideální případ je on-line propojení s PC). Dále si ukážeme postup ověření robustnosti dle Placketta a Burmana. Při každé optimalizaci musí být předem definována účelová funkce y (např. směrodatná odchylka), která nabývá za optimálních podmínek určitého extrému a lze ji kvantitativně vyčíslit. Dále musí být určeny faktory x, které významně ovlivňují hodnotu y. Jako faktory mohou být použity jenom vzájemně nezávislé proměnné.

Statistická optimalizace se zpravidla provádí v několika po sobě jdoucích krocích:

1. zvolí se účelová veličina (účelová funkce), která nabývá za optimálních podmínek svého maxima nebo minima. Tato veličina je vy­jádřena kvantitativně (číselně), označuje se y.
2. uváží se jednotlivé faktory, které mohou mít vliv na konečný výsledek, popř. na hodnotu účelové funkce y, a to i takové, jejichž vliv lze jenom předpokládat. Jednotlivé faktory se označí x.
3. z velkého počtu faktorů se určí ty, které výrazně ovlivňují účelovou funkci.
4. pro významně se uplatňující faktory x_i se určí extrém (minimum nebo maximum) účelové veličiny y. Ty hodnoty xi, za nichž y nabývá optima (minima nebo maxima) představují optimální podmínky analytické metody.

Významnost jednotlivých faktorů se může určit pomocí zkrácené multifaktorové analýzy. Jedná se o dvoustupňové (l=2) neúplné plány pokusů umožňující určit x m pokusů (m musí být dělitelné l²=4) významnost nebo nevýznamnost faktorů n=m-1.

V Placketově-Burmanově plánu se každé z proměnných přiřadí dvě hodnoty, vyšší (+) a nižší (-). Celý plán (tabulka II) je uspořádán tak, že v každém řádku je m/2 proměnných větší hodnotu (+) a ostatní proměnné, tj. (m/2-1) proměnných, hodnotu nižší (-). V pos­ledním řádku mají všechny proměnné hodnotu (-). Po sestavení prv­ního řádku plánu vznikají další řádky cyklickou záměnou znamének (+) a (-).

Prakticky se postupuje tak, že se zvolí 4 parametry, u nichž se dá předpokládat vliv na výsledek (jedná se o parametry x_A-x_D). Zvolí se minimální a maximální hodnota každého z uvedených para­metrů. Při volbě stupňů faktorů je třeba si uvědomit, že 2 stupně představují linearizaci závislosti y na daném faktoru. To je spl­něno tehdy, není-li rozdíl mezi jednotlivými stupni (+) a (-) pří­liš velký, avšak příliš malý rozdíl může naopak způsobit, že se zjistí vliv nevýznamný i tehdy, když vliv ve skutečnosti na y existuje. Pokud není možné odhadnout rozdíl mezi (+) a (-), do­poručuje se provést celý postup dvakrát, pokaždé s jinými rozdíly mezi (+) a (-).

Tab. II Placketův-Burmanův plán pro 7 proměnných při 8 pokusech

Význam jednotlivých symbolů je následující

Sloupce pro x_Eaž x_G se neobsadí žádnou skutečnou veličinou a použijí se pro výpočet vlivu zdánlivě proměnné W_S. Pro kombinaci hodnot parametrů podle výše uvedeného schématu se provede 8 analýz identického vzorku za identických podmínek s rozdílem změn hodnot x_A až x_D. Takto zjištěné y_j se zapíše do příslušného sloupce (viz schéma). Hledaný vliv jednotlivých proměnných (faktorů) se zjistí ze vztahu:

Vypočtené hodnoty W_i jsou pouze odhady a lze je porovnávat pouze za použití statistických metod. Vlivem náhodných chyb kolísá proměnná W_S okolo nuly a umožňuje vypočítat rozptyl  při m pokusech a n skutečných faktorech jako:

a pro směrodatnou odchylku s_w:

Vliv faktoru se pokládá za významný tehdy, když

ke s je směrodatná odchylka, t (P,f) je kritická hodnota Studen­tova rozdělení pro zvolenou hladinu významnosti P.

Placket-Burmanův plán s m=8 pokusy poskytuje malý počet stupňů volnosti (f=3) pro testování, což způsobuje malou citlivost průkazu významnosti. Proto se vychází z většího plánu, kdy je vetší po­čet nezávisle proměnných W_S, což umožňuje jistější zjištění významnosti.

Pro takové větší plány se volí pak první řádek:

m = 12  + + - + + + - - - + -

m = 16  + + + + - + - + + - - + - - -

m = 24  - - - - + - + - + + + - + + - - - + + + + + -

Ostatní řádky se určí cyklickými záměnami, poslední má všechny hodnoty (-).

3.6 Statistické testování

Statistické testování se uplatňuje při objektivním porovnávání výsledků analýz na dvou souborech experimentálně získaných dat (např. určení významnosti způsobu přípravy vzorků, vliv teploty, času, koncentrace použitých při konkrétním pracovním postupu).

3.6.1 Test shody rozptylů

Jsou dány dva soubory dat pro jejichž směrodatné odchylky platí s₁² ¹  s₂². Klasický F-test umožňuje ověření hypotézy H₀ : s₁² =  s₂² proti alternativní hypotéze H_A: s₁² ¹  s₂². Testovací kriterium má tvar:

a platí-li, že s₁²> s₂², má F -test počet stupňů volnosti f₁ = (n₁-1) a f₂ = (n₂-1) (v opačném případě se pořadí stupňů volnosti zamění). Tento test je citlivý na předpoklad normality obou výběrů. Platí-li, že F ³ F(P;f₁,f₂), je hypotéza H₀ o shodě rozptylů zamítnuta.

3.6.2 Test shody středních hodnot

Jsou dány dva soubory dat o průměrech x₁ a x₂ a platí x₁ ¹  x₂ Studentův t-test umožňuje testování hypotézy H₀: m_x1= m_x2 proti alternativní H_A: m_x1¹ m_x2 při splnění předpokladů o výběrech:

1) s_x1² = s_x2² má testovací kriterium tvar:

kde s² je rozptyl

Tato testovaná statistika má Studentovo rozdělení s f = n₁ + n₂ - 2 stupni volnosti. Platí-li, že t₁ ³ t(P;f), je rozdíl obou průměrů za statisticky významný a hypotéza H₀ je zamítnuta.

2) s_x1² ¹  s_x2² má testovací kriterium tvar

Tato testovaná statistika má Studentovo rozdělení s f stupni volnosti

Platí-li, že t₂³  t(P;f), je hypotéza H₀ o shodě středních hodnot zamítnuta. Určitým problémem je neznalost obou hodnot s_x1² a  s_x2². V případě, že platí n₁ = n₂> 8, lze použít testovací kriterium t₁ i když s_x1² ¹ s_x22. V případě, že n₁ ¹ n₂, lze použít testovacího kriteria, když je poměr výběrových rozptylů blízký jedné.

3.6.3 Odlehlé hodnoty

Pro použití v analytické praxi k vyloučení odlehlých výsledků ^[6] je nejvhodnější Grubbsův test T za použití míry rozptýlení, která je podobná směrodatné odchylce (populační směrodatná odchylka), nebo Deanův a Dixonův test Q za použití rozpětí R nebo Studentovým t-testem.

3.6.3.1 Grubbsův test

Při tomto testu se výsledky seřadí podle velikosti tak, že x₁<x₂... <x_n a vypočte se kritérium:

podle toho, zda se testuje na odlehlost výsledek největší (x_n) nebo nejmenší (x₁). Hodnota S_n odpovídá populační směrodatné odchylce

Hodnota T_n nebo T₁ se porovnává s kritickou hodnotou Grubbsova rozdělení T_a (příloha III). Je-li T₁ nebo T_n³ T_a, je výsledek odlehlý. V opačném případě, tj. je-li T₁ nebo T_n <T_a, je splněna nulová hypotéza a testovaný výsledek se nevylučuje.

Nevýhodou tohoto testování je, že se pro účely testování musí počítat s populační směrodatnou odchylkou (36). Může se však postupovat i tak, že se dosazuje do kritéria

kde s_x je výběrová směrodatná odchylka (1). Vypočtené hodnoty T_s,n resp. T_s,1 vypočtené podle (37) se porovnávají s kritickou hodnotou T_s,a, která se vypočte

Je-li T_s,1 nebo , je výsledek odlehlý a musí se z testovaného souboru dat vyloučit.

3.6.3.2 Deanův a Dixonův test

Výsledky se seřadí podle velikosti a vypočte se

a poté se porovnává výsledek s kritickou hodnotou Q_a, která je tabelovaná v tabulce III pro dané n a a. Je-li Q_n nebo Q₁ ³ Q_a, je testovaný výsledek odlehlý a vylučuje se. Deanovo a Dixonovo kritérium nelze použít k vylučování ze tří výsledků, jsou-li dva z nich stejné, protože podle tohoto kritéria vychází každý výsledek, který se liší od zbývajících dvou výsledků, jako odlehlý, i když ve skutečnosti patří do téhož základního souboru.

Tab. III. Kritické hodnoty Q_a pro vylučování odlehlých výsledků

Vylučování odlehlých výsledků je možno použít při počtu paralelních stanovení n³3. Při větším počtu výsledků, je-li odlehlým výsledkem současně nejnižší i nejvyšší, může  testování podle Grubbse i Deana a Dixona selhat, protože symetrie obou odlehlých výsledků okolo průměru způsobí zároveň i zvětšení hodnoty S_n nebo R ve jmenovateli vztahu (35, 39).

3.6.3.3 Studentův t-test

Výhodou tohoto testování oproti Grubbsovu testu a testu podle Deana a Dixona je, že při testování odlehlých výsledků neovlivní výpočet hodnoty t velikost směrodatné odchylky s_x nezahrnuje testované krajní hodnoty souboru dat. Podle rovnice (31) se vypočítá

kde X je výsledek, který se testuje na odlehlost,  celkový průměr (bez testovaného výsledku X) s_x - směrodatná odchylka (1), která nezahrnuje testovaný výsledek X a n je počet výsledků z nichž je počítán celkový průměr . Je-li t>t(P;f = n-1), jsou výsledky odlehlé.

3.6.3.4 Cochranův test

Cochranův test se používá v pokusech s jednoduchými úrovněmi, neboť se jedná o test homogenity rozptylů. Cochranův test prověřuje pouze největší hodnotu ze souboru směrodatných odchylek nebo rozpětí - jednostranný test. Nehomogenita rozptylů se však může projevit i tím, že některá ze směrodatných odchylek nebo rozpětí může být výrazně nižší proti ostatním. Toto může být výrazně ovlivněno také stupněm zaokrouhlením výsledků. Vylučovat ale výsledky, jejichž směrodatná odchylka resp. rozdíl vykazují lepší vzájemnou shodu se nezdá být logické.

Pro daný soubor p odhadů směrodatných odchylek s_i, kdy každý z odhadů byl stanoven na základě n opakovaných výsledků zkoušek, je charakteristika Cochranova testu C dána vztahem:

V případě opakování kdy n=2 lze použít místo směrodatných odchylek s_i použít rozpětí w_i a Cochranova charakteristika má tvar:

V obou výrazech (41, 42) představuje s_max a w_max vždy největší hodnotu ze souboru všech hodnot. Kritické hodnoty Cochranovy statistiky jsou uvedeny v příloze IV pro hladinu významnosti P = 0,95 a P = 0,99. Prakticky se postupuje tak, že je-li největší odhad směrodatné odchylky nebo rozpětí označena jako odlehlá, vyloučí se a Cochranův test se použije na zbylé hodnoty. Tento postup se může dále opakovat; přílišné zamítání hypotézy nesvědčí o základním předpokladu normality výběru.

3.7 Validace instrumentální

Validace jednotlivých komponent systému (hardware) je zjednodu­šena v případě, že použitá technika je certifikována podle norem řady ISO (International Organization for Standardization) 9000 - 9004. V tomto případě je testování celého systému zaručena výrobcem. V opačném případě je testování specifickou záležitostí jednotlivých komponent systému a pro ně musí být zpracován individuální validační program instrumentace.

4. Revalidace systému

Podmínky revalidace systému nejsou obecně definovatelné, protože každá změna v celém analytickém systému vede zákonitě k jeho revalidaci. Každá změna musí být však posouzena individuálně, zda má prokazatelný vliv na konečný výsledek. V kladném případě je nutné provést revalidaci, avšak tato revalidace nemusí být komplexní, ale pouze jako dílčí krok validačního programu (např. kalibrace, citlivost) s tím, že musí být zpětně určena směrodatná odchylka (resp. R_max) a zda tato změna nemá vliv na velikost R_max resp. s_x (viz čl.3.1.1). Některé podmínky, které definují nutnost revalidace jsou dány již ve validačním programu.

5. Validační protokol

Validační protokol se odvolává na validační program, respektive konkrétní validační program. Do validačního protokolu se zazname­návají všechna měření, výpočty i pomocné výpočty. Výsledky a závě­ry jsou zřetelně definované. Do validačního protokolu se uvádí da­tum jednotlivých zkoušek, jméno zodpovědného pracovníka a jména dalších pracovníků, kteří se podíleli na validačním programu.

6. Literatura

Literární odkazy mohou být součástí jednotlivých článků vali­dačního programu nebo se může uvést literární odkaz jako samostat­ná příloha validačního programu.

Použitá literatura:

1. Eckschalger K., Horsák I., Kodejš Z.: Vyhodnocování analytických výsledků a metod, SNTL,Praha 1980.
2. Doerffel K., Eckschalger K.: Optimální postup chemické analýzy, SNTL, Praha 1985.
3. Meloun M., Militký J.: Statistické zpracování experimentálních dat na osobním počítači, FINISH, Pardubice 1992.
4. Hubek L.: Good Laboratory Practice, Hewlett-Packard Company, 1993.
5. ČSN 01 0251 Stanovení opakovatelnosti a reprodukovatelnosti normalizované zkušební metody pomocí mezilaboratorních zkoušek. ÚNM Praha, 1988.
6. Mocák J., Eckschlager K.:Chem.Listy,81(1),1-24 (1987).
7. ČSN ISO 3534-1 Statistika-slovník a značky Část 1: Pravděpodobnost a obecné statistické termíny. ČNI, 1994.
8. Nejistota výsledků v analytické praxi, Sborník referátů a závěry diskuse, BIJO T.C. a.s. 1998 Praha.
9. Interlaboratory Analytical method Validation - Short Course Manual, AOAC International, 1996.
10. Validace analytických metod,Vítězslav Centner, EffiChem (http://www.effichem.cz)

top of page

Poznámky

[Top of Page]

Last modified: