以下为正文：
在检验科的各项检查中仪器的校准报告是其中最重要的一项，校准报告中的分析数据繁多，我们怎样读懂校准报告？
报告中最常出现的几个名词CV值，SD值，它们各代表的什么意义，它们是如何计算出来的？
我们一起来了解一下吧！
精密度
计量的精密度(precision of measurement)，系指在相同条件下，对被测量进行多次反复测量，测得值之间的一致(符合)程度。从测量误差的角度来说，精密度所反映的是测得值的随机误差。精密度高，不一定正确度高。也就是说，测得值的随机误差小，不一定其系统误差亦小。
准确度
是指你得到的测定结果与真实值之间的接近程度。
精密度与准确度的关系
准确度是指测得值与真值之间的符合程度。
准确度和精密度是两个不同的概念，但它们之间有一定的关系。应当指出的是，测定的精密度高，测定结果也越接近真实值。但不能绝对认为精密度高，准确度也高，因为系统误差的存在并不影响测定的精密度，相反，如果没有较好的精密度，就很少可能获得较高的准确度。可以说精密度是保证准确度的先决条件。
标准差
它能够反映变量值的离散程度 ，正负值就是在计算好的SD上加个正负号 表示在这个范围内波动 在平均值上加上或者减去这个数字，都认为在正常范围内。
方差：s^2=[(x1-x)^2 +(x2-x)^2 +......(xn-x)^2]/（n-1）(x为平均数)
标准差：方差的算术平方根=S
标准差能很客观准确的反映一组数据的离散程度，但是对于不同的检验目的，或同一项目不同的样本，标准差就缺乏可比性了，因此对于方法学评价来说又引入了变异系数CV。
CV(Coefficient of Variance):标准差与均值的比率。用公式表示为：CV＝σ/μ
线性分析验证
考虑预测对象发展变化本质基础上，分析因变量随一个自变量变化而变化的关联形态，借助回归分析建立它们因果关系的回归方程式，描述它们之间的平均变化数量关系，据此进行预测或控制。
基本原理
假设预测目标因变量为Y，影响它变化的一个自变量为X，因变量随自变量的增（减）方向的变化。一元线性回归分析就是要依据一定数量的观察样本（Xi,Yi）i=1，2…，n，找出回归直线方程Y=a+bX (1)
对应于每一个Xi，根据回归直线方程可以计算出一个因变量估计值Yi，将求出的a和b代入式（1）就得到回归直线Yi =a+bXi 。那么，只要给定Xi值，就可以用作因变量Yi的预测值。
在分析测试中，一元回归分析通常采用相关系数r这一统计量来检验X与Y是否确实相关以及相关的程度如何。相关系数r的值总是在－1与＋1之间.
当r＝1时，所有的点都在一条直线即回归直线上，此时称Y与X完全线性相关
当r＝0时，b＝0，即回归直线平行于X轴，所示，说明Y的变化与X无关， 此时X与Y毫无线性关系。
