{
  "id": "calibration-curve",
  "title": "校准曲线",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "校准曲线将仪器测量响应与已知参考值联系起来，用于在经验证的测量范围内估计未知量值。",
  "category": "science",
  "subcategory": "chemistry",
  "type": "concept",
  "aliases": [
    "标准曲线",
    "工作曲线"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/calibration-curve/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/calibration-curve/",
      "json": "https://aiwiki.page/en/calibration-curve.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "校准曲线是某个量的已知值与测量系统相应响应之间的数学关系或图形表示。它通过在规定条件下测量参考标准而建立，随后用于根据观测到的响应估计未知值。校准曲线在分析化学中具有核心地位，也广泛用于计量学、实验室科学和工业测量。虽然称为“曲线”，这种关系也可以是一条直线，而不一定是弯曲的函数图像。"
    },
    {
      "heading": "原理与术语",
      "text": "校准曲线体现了校准过程的一部分：建立参考量值与仪器示值之间的关系，并考虑二者各自的不确定度。校准不同于调整；调整是对仪器作出改变，使其示值满足规定要求。\n\n在常见的分析测量设置中：\n\n- 横轴表示分析物的已知含量或浓度；分析物即被测物质。\n- 纵轴表示观测到的响应，例如吸光度、电势、检测器计数或色谱峰面积。\n- 拟合得到的数学关系描述响应如何随参考值变化。\n\n参考量不一定是浓度。校准关系可以将传感器输出与温度、压强、质量或其他可测性质联系起来。曲线也可以反向表示，直接将仪器示值映射为参考量值，因此必须说明其表示方向。\n\n标准的赋值来自制备程序、参考测量或标准物质。在适用情况下，有文件记录的校准层级体系可建立对公认参考的计量溯源性，其中包括对国际单位制的溯源。仅有良好的统计拟合并不能建立溯源性。"
    },
    {
      "heading": "数学表示",
      "text": "线性校准\n\n一种常见的校准模型为\n\n\\[y=a+bx+\\varepsilon,\\]\n\n其中，\\(x\\) 为参考量值，\\(y\\) 为测量响应，\\(a\\) 为截距，\\(b\\) 为斜率，\\(\\varepsilon\\) 表示模型无法解释的残差变动。\n\n对于拟合直线，可通过逆预测估计未知值：\n\n\\[\\hat{x}=\\frac{y_{\\mathrm{u}}-\\hat{a}}{\\hat{b}},\\]\n\n其中，\\(y_{\\mathrm{u}}\\) 为未知样品的响应，带帽符号表示估计量。该表达式要求斜率非零，且响应处于模型适用的范围内。\n\n斜率描述分析灵敏度，即被测量每变化一个单位时响应的变化量。灵敏度不等同于最小可检出量，因为检出能力还取决于噪声、背景变动和统计判定程序。\n\n非零截距可能反映试剂空白、仪器背景、污染或其他系统性贡献。只有测量模型及相关证据支持这一约束时，强制拟合直线通过原点才有依据。\n\n非线性校准\n\n有些响应本身就是非线性的，例如结合测定中的饱和现象、电极的对数响应，以及检测器接近工作极限时的响应特性。适用的模型可以包括多项式、指数或对数函数，以及四参数或五参数逻辑斯蒂函数。\n\n模型也可以依据物理理论建立。在吸收光谱学中，比尔－朗伯定律描述了规定条件下吸光度与浓度、光程长度之间的关系。在电位分析法中，能斯特方程描述了电极电势与热力学活度之间理想的对数关系。\n\n可用的校准关系必须能够区分所关注的量值。如果不同量值产生相同响应，除非限制测量范围或提供额外信息，否则反求量值时就会存在歧义。"
    },
    {
      "heading": "校准曲线的建立",
      "text": "校准标准与空白\n\n校准标准的赋值应适合预期测量用途，其取值应覆盖未知样品的预期范围。在溶液分析中，校准标准通常由已知物质的量浓度的储备溶液稀释制得。\n\n制备时需要重点考虑纯度、稳定性、称量与容量测量的不确定度、容器吸附，以及储存期间可能发生的化学变化。标准制备的不确定度可能影响由同一储备溶液制得的所有校准点，从而产生相关误差。\n\n空白含有相关试剂或样品介质，但未有意加入分析物。不同空白可揭示不同来源的贡献：仪器空白用于表征仪器背景，而程序空白则经历整个制备过程。空白响应不一定为零。\n\n测量设计\n\n校准水平的数量和间隔取决于模型、工作范围、变异程度和预期用途。重复测量可提供有关重复性的信息，并有助于区分随机变动与模型本身的系统性不适用。\n\n测量顺序也很重要。如果仅按浓度由低到高的顺序测量标准，就可能将响应随浓度的变化与仪器漂移混淆。随机安排测量顺序、重复测量核查标准或采用其他适当设计，有助于识别这些影响。当样品制备是重要的变异来源时，对同一份已制备溶液重复进行仪器读数，不能替代独立制备。\n\n未知样品与校准标准应在具有充分可比性的条件下测量。即使分析物浓度相同，溶剂、酸度、样品组成或制备过程的差异也可能改变响应。"
    },
    {
      "heading": "曲线拟合与评价",
      "text": "回归方法\n\n校准数据通常采用回归分析进行拟合。普通最小二乘法通过最小化响应残差的平方和来估计模型参数：\n\n\\[\\sum_{i=1}^{n}\\left[y_i-f(x_i;\\boldsymbol{\\theta})\\right]^2,\\]\n\n其中，\\(f\\) 为校准模型，\\(\\boldsymbol{\\theta}\\) 表示其参数。\n\n在通常的经典处理方法中，参考值被视为实际上已知，而响应误差则被假定为相互独立且具有恒定的方差。这些假设并非在所有情况下都适用。\n\n当响应的变异程度随浓度变化时，可采用加权最小二乘法：\n\n\\[\\sum_{i=1}^{n}w_i\\left[y_i-f(x_i;\\boldsymbol{\\theta})\\right]^2.\\]\n\n理想情况下，权重应反映响应方差的倒数。以浓度倒数或浓度平方的倒数等作为权重，虽然方便，但需要有合理依据，并非普遍适用的规则。如果参考值的不确定度不可忽略，则可能需要采用变量误差模型或其他能考虑不确定度的拟合方法。\n\n残差与模型适用性\n\n残差是观测响应与拟合响应之差。残差图可以揭示：\n\n- 模型未能描述的弯曲趋势。\n- 在整个范围内逐渐增大或减小的变异程度。\n- 随测量顺序出现的漂移。\n- 异常观测值或残留效应。\n- 不同制备批次之间明显不同的表现。\n\n决定系数 \\(R^2\\) 不足以证明校准有效。较高的决定系数也可能与系统误差同时存在，尤其是在浓度范围较宽时。评价时还应考虑残差结构、反算得到的标准值、独立核查样品，以及工作范围边界附近的表现。\n\n在各校准水平进行重复测量，可以将重复性变动与各水平平均值相对于拟合模型的偏离区分开来，从而为失拟评价提供依据。仅仅因为某个观测值异常，并不足以成为删除它的理由。"
    },
    {
      "heading": "校准策略",
      "text": "外标校准\n\n外标校准将校准标准与未知样品分开测量。它适用于标准与样品的响应特性具有充分可比性，且系统保持稳定的情况。\n\n基体匹配校准是一种外标法，其校准标准中除分析物以外的组成与样品相似。这种方法用于应对基体效应，即样品中其他组分引起的响应变化。\n\n内标校准\n\n内标物是以受控量加入校准标准和未知样品中的另一种物质。校准使用响应比，通常为分析物响应与内标物响应之比。\n\n只要内标物的行为符合要求，这种方法就可以补偿进样体积变化或某些制备损失等影响。它广泛用于色谱法和质谱法。同位素标记的类似物能够密切跟随分析物的行为，但内标校正并不会自动消除所有偏倚来源。\n\n标准加入法\n\n在标准加入法中，向样品的若干分样中加入已知量的分析物，并根据所得响应估计样品的原始浓度。\n\n当响应呈线性且基体效应恒定时，可通过向浓度轴外推来推断浓度，同时对稀释和加入体积作出适当校正。当无法获得具有代表性且不含分析物的基体时，这种方法很有用。它并不能消除所有干扰，而且要求加入的分析物与样品中原有分析物的行为具有可比性。"
    },
    {
      "heading": "不确定度与有效范围",
      "text": "由校准曲线推得的结果具有测量不确定度，其来源不只是未知样品响应的离散性。相关贡献可能包括：\n\n- 校准标准的赋值与制备。\n- 拟合参数的不确定度及其相关性。\n- 样品测量的重复性。\n- 样品制备、回收率和稀释。\n- 基体效应、漂移和模型不适用。\n\n对于局部可逆的响应关系 \\(y=f(x)\\)，较小的响应不确定度所产生的贡献近似为\n\n\\[u_x\\approx\\frac{u_y}{|f'(x)|}.\\]\n\n这一关系说明了为什么近乎平坦的响应会导致较差的浓度分辨能力。它并非完整的不确定度预算，因为其中未计入校准关系及其他测量步骤的不确定度。\n\n拟合平均响应的置信区间，也不等同于根据一次新测量推得的未知浓度的区间。逆预测必须同时考虑响应和拟合关系各自的不确定度。\n\n内插是在校准范围内估计数值。外推是在校准范围以外估计数值，而该范围内的响应特性缺乏同样直接的观测支持。即使某一段区间内呈线性关系，超出该区间后也可能发生变化。\n\n校准范围不一定等同于经验证的工作范围。在低端，检出与定量取决于背景变动和可接受的不确定度。在高端，饱和现象、化学效应或样品负载限制可能使校准关系失效。"
    },
    {
      "heading": "应用与局限",
      "text": "校准曲线可将吸光度、荧光、峰面积、离子计数及其他信号转换为定量结果。它们用于环境检测、食品分析、药物测量、材料表征和生物化学测定。传感器校准同样将电信号或数字输出与物理量联系起来。\n\n校准曲线的适用性始终取决于测量系统和测量程序。仪器部件、试剂批次、环境条件或样品组成的变化，都可能改变校准关系。核查标准和质量控制样品可为其持续有效性提供证据，但这并不意味着每次核查后都必须重新拟合曲线。\n\n校准建立的是响应关系，并不能证明整个方法有效。拟合良好的曲线本身不能证明分析物身份、没有干扰、提取完全，或方法在不同样品基体中的准确性。"
    }
  ],
  "links": [
    "analytical-chemistry",
    "metrology",
    "calibration",
    "temperature",
    "pressure",
    "mass",
    "reference-material",
    "metrological-traceability",
    "international-system-of-units",
    "polynomial",
    "spectroscopy",
    "beer-lambert-law",
    "nernst-equation",
    "thermodynamic-activity",
    "molar-concentration",
    "solvent",
    "least-squares",
    "variance",
    "chromatography",
    "mass-spectrometry",
    "measurement-uncertainty",
    "confidence-interval"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}