tämä artikkeli tarvitsee huomiota asiantuntija tilastoja. Lisää syy tai puhua parametri tähän malliin selittää ongelman artikkelin. WikiProject-tilastot voivat auttaa asiantuntijan rekrytoinnissa. (Helmikuu 2009)
todennäköisin lukumenetelmä, joka tunnetaan myös Poisson zeroes-menetelmänä, on menetelmä, jolla saadaan positiivisista/negatiivisista (insidenssi) tiedoista kvantitatiivista tietoa diskreettien pitoisuuksista.
on monia diskreettejä entiteettejä, jotka on helppo havaita mutta vaikea laskea. Mikä tahansa monistusreaktio tai katalyysireaktio hävittää helposti kvantifioinnin, mutta mahdollistaa läsnäolon havaitsemisen hyvin herkästi. Yleisiä esimerkkejä ovat mikro-organismien kasvu, entsyymin toiminta tai katalyyttinen kemia. MPN-menetelmässä otetaan alkuperäinen liuos tai näyte ja jaetaan se suuruusluokittain (usein 10× tai 2×) ja arvioidaan esiintyminen/puuttuminen useassa osa-alueessa.
se laimennusaste, jossa poissaolo alkaa näkyä, osoittaa, että eriä on laimennettu niin paljon, että on monia osanäytteitä, joissa niitä ei esiinny. Toistojen sarja millä tahansa pitoisuudella mahdollistaa hienomman erottelukyvyn, jotta voidaan käyttää positiivisten ja negatiivisten näytteiden määrää alkuperäisen pitoisuuden arvioimiseksi asianmukaisessa suuruusluokassa.
mikrobiologiassa viljelmiä inkuboidaan ja arvioidaan silmillä, ohittaen tylsän pesäkelaskennan tai kalliin ja tylsän mikroskooppisen määrän. Oletetut, varmentavat ja valmiit testit ovat osa MPN
molekyylibiologiassa yleinen sovellus on POLYMERAASIKETJUREAKTIOIKSI (PCR) laimennettu DNA-mallineule. Reaktiot etenevät vasta, kun on olemassa malline, joka mahdollistaa eräänlaisen kvantitatiivisen PCR: n, jolla voidaan arvioida mallimolekyylien alkuperäistä konsentraatiota. Toinen sovellus sisältää entsyymivarastojen laimentamisen liuokseksi, joka sisältää kromogeenisen substraatin, tai antigeenien laimentamisen Elisa-liuoksiksi (entsyymi-immunologinen määritys) tai muu vasta-ainekaskadetaatioreaktio entsyymin tai antigeenin alkuperäisen pitoisuuden mittaamiseksi.
MPN-menetelmien suurin heikkous on se, että tarvitaan suuri määrä toisintoja sopivassa laimennuksessa luotettavuusvälien kaventamiseksi. Se on kuitenkin erittäin tärkeä laskentamenetelmä, kun sopivaa suuruusluokkaa ei tiedetä etukäteen ja näytteenotto on välttämättä tuhoisaa.
