一、仪器准备 

1. 打开仪器电源，按照仪器说明书要求预热，通常需30分钟 - 1小时，使光源和检测器达到稳定工作状态。 

2. 检查仪器光路系统，确保无遮挡，清洁样品池架和样品池，保证透光良好。 

3. 根据测量范围选择合适光源，一般氘灯用于紫外光区（190 - 400nm），钨灯或卤钨灯用于可见光区（400 - 800nm），部分仪器可自动切换，也有需手动更换的。  

二、样品准备 

1. 将样品溶解在合适溶剂中制成均匀溶液，所选溶剂在测量波长范围内应无吸收或吸收极小，且不与样品反应、不影响样品性质，如常用的甲醇、乙醇、水等。 

2. 控制样品溶液浓度，使吸光度在0.2 - 0.8之间，可通过稀释或浓缩调整。 

3. 将样品溶液转移至石英样品池中，液体应充满2/3以上，避免气泡，有气泡则轻敲样品池排出；固体样品可制成薄膜或粉末压片，放入固体样品架。  

三、测量参数设置 

1. 设置测量波长范围，未知样品初步分析可扫描200 - 800nm宽范围，已知吸收峰大致位置则可缩小范围以提高分辨率和准确性。 

2. 选择扫描速度，一般在100 - 2000nm/min之间，根据样品吸收特性和仪器性能调整，速度快则测量时间短但分辨率可能降低，速度慢则分辨率高但时间长。 

3. 设置狭缝宽度，通常在0.1 - 10nm之间，需根据样品吸收光谱特点和测量要求优化，狭缝宽光强大但分辨率低，狭缝窄分辨率高但光强弱。

四、测量过程 

1. 进行基线校正，将空白溶剂放入样品池，置于样品光路中进行基线扫描，仪器记录空白溶剂在各波长下吸光度作为基线，以消除溶剂、样品池和仪器本身等因素的影响。 

2. 将装有样品溶液的样品池放入样品光路，启动仪器扫描测量，仪器自动扣除基线后记录样品在不同波长下的吸光度，生成紫外可见吸收光谱图。测量中保持仪器和样品稳定，避免震动、光线照射等干扰。 

3. 测量多个样品时，依次按上述步骤进行，更换样品时及时清洗样品池，并用待测样品溶液润洗2 - 3次，防止残留样品干扰。  

五、数据处理与分析 

1. 用仪器自带或其他数据处理软件对光谱数据处理分析，可进行平滑处理、基线调整等操作以提高光谱质量。 

2. 根据吸收光谱特征，确定吸收峰位置、强度和形状等参数，与标准物质光谱或文献数据对比，进行定性分析，判断样品中可能存在的官能团或化合物。 

3. 定量分析时，选合适吸收峰，根据朗伯 - 比尔定律，通过测量吸光度与已知浓度标准样品建立校准曲线，再根据样品吸光度从校准曲线上求出样品浓度。  

六、仪器维护 

1. 测量结束关闭电源，取出样品池，用适当溶剂清洗干净、晾干后妥善保存，腐蚀性或污染性样品需特殊处理。 

2. 定期清洁仪器光学部件，使用专用清洁工具和试剂，防止灰尘、污渍影响光路传输和光强度，避免刮伤光学表面。 

3. 定期校准仪器，包括波长准确性和吸光度准确性校准，一般半年至一年校准一次，使用标准物质如重铬酸钾溶液、镨钕滤光片等按说明书方法校准。 

4. 仪器放置在干燥、清洁、温度和湿度稳定的环境中，避免震动、电磁干扰和化学腐蚀，长期不用时定期通电预热以保持性能稳定。

十大统计检验方法

   统计检验方法能够帮助验证模型的性能差异是否具备统计显著性，避免结果偶然。通过这些方法，可以确保实验结果具有可重复性和稳健性，从而支持科学结论的有效性。此外，统计检验还可以帮助发现不同模型、特征或算法改进的真实影响，避免误导性优化。

t 检验，卡方检验，方差分析，Mann-Whitney U 检验，检验（K-S 检验），符号秩检验，Kruskal-Wallis 检验，精确检验，McNemar 检验，Cochran's Q 检验。细节1. t 检验（t-test）t 检验是用于比较两个样本均值的假设检验方法，假设数据服从正态分布。它包括单样本 t 检验、独立样本 t 检验和配对样本 t 检验。原理：t 检验基于样本均值与总体均值的差异，考虑了样本标准误的影响。其关键思想是，如果两个样本均值的差异在合理范围内，则认为它们来自相同的总体，否则就认为它们有显著差异。

独立样本 t 检验的统计量为：

"t = \frac{\bar{X}1-bar{X}_2}{\sqrt

{\frac{s_1^2}{n_1} +frac{s_2^2}{n_2}" 

style="text-align: center;overflow: auto;"

分别是样本 1 和样本 2 的均值，分别是两个样本的方差;是两个样本的样本数量公式推导：假设两个独立样本来自相同的总体。根据中心极限定理，样本均值近似服从正态分布。假设样本方差未知，我们使用样本方差代替总体方差进行估计。

1. 均值的差异：样本均值的差异为。

2. 标准误差的计算：

对于两个样本均值的标准误差

公式为：

data-formula="SE = \sqrt{\frac{s_1^2}

{n_1}+frac{s_2^2}{n_2}" style="text-align: 

center;overflow: auto;"

3. t 值计算：

将均值差异除以标准误，得到 t 值：

"t = \frac{\bar{X}1-bar{X}-2}{SE}" 

style="text-align: center;overflow:auto;"

4. t 分布：

  通过计算得到的 t 值，可以根据 t 分布表来确定 p 值，p 值反映了均值差异的显著性。

5. 自由度：

  t 分布的自由度为。如果计算出的 t 值超过临界值，则拒绝零假设，即认为两个样本的均值显著不同。

Python实现：

  假设我们想检验一种新的教学方法是否比传统方法更有效。在这个实验中，我们有两个独立的学生组：一个组使用传统教学方法，另一个组使用新的教学方法。我们想比较这两组学生在最终考试中的平均成绩，以确定新的教学方法是否有显著提高学生的成绩。

传统方法组：

  学生使用传统教学方法，他们的成绩从某个正态分布中随机生成。

新方法组：

  学生使用新的教学方法，他们的成绩从另一个正态分布中随机生成。我们将使用两个样本的独立 t 检验来比较这两个组的平均成绩，假设新方法能提高学生的平均分数。

分享内容：

1.数据生成：我们生成了两组虚拟数据，分别代表传统方法组和新方法组的考试成绩。2.t 检验：通过进行独立样本的 t 检验，检验两组平均值是否有显著差异。箱线图：展示两组的成绩分布，便于观察中位数、四分位距和离群点。可以清晰地展示数据的集中趋势和离散趋势，帮助判断数据的分布和潜在的异常值。

直方图：

展示两组成绩的频率分布，并叠加核密度估计曲线，帮助观察数据的形态及正态性。结合核密度估计曲线，能够显示数据的分布形状，便于验证假设数据的正态性，这对于 t 检验非常重要。

原理:卡方检验通过比较观测值与期望值,衡量分类变量的独立性。如果实际观测值与期望值的差异很大,则认为变量之间存在关联。核心公式卡，方统计量的计算公式为：

•  是观察值（观测频数）
•  是期望值（期望频数）

公式推导：

1.零假设：假设分类变量是独立的。            

2.期望频数的计算：期望频数   的计算为：

3. 差异计算：计算每个单元格的观测频数   和期望频数   的差异平方。

4. 归一化差异：用期望频数   归一化差异，计算卡方统计量。

5. 卡方分布：最终的卡方统计量服从卡方分布，其自由度为  ，其中   是行数，  是列数。通过查卡方分布表，若卡方统计量超出临界值，则拒绝零假设，认为两个变量不独立。Python实现：有一组虚拟数据集，包含两个分类变量：产品类型（A, B, C）和客户满意度（高, 中, 低）。我们想检验产品类型与客户满意度是否存在显著的关联。