CONCEPTOS BASICOS DE

QUIMIOMETRIA Y
CONTROL DE CALIDAD EN
QUI MICA ANALITICA

vLcell'vte rerreLret <;oll'vzaLez

Departamento de Quimica Analitica
Universidad de Zaragoza

f---.! Estudio interferencias adirivas

II
f---.! Estudio recuperacion I
>-------ol I
Estudio interferencias I
~ c._____-----+1 propcrcionales
(efectos de matriz y otros) j ,
 CONCEPTOS BASICOS DE
QUIMIOMETRIA Y CONTROL DE
CALIDAD EN QUIMICA ANALITICA

Vicente Ferreira Gonzalez

Departamento de Quimica Analitica

Facultad de Ciencias
Universidad de Zaragoza
Conceptos basicos de Quimiometrfa y Control de Calidad en
Qufmica Analftica

© 2006 Vicente Ferreira Gonzalez

2a edici6n 2006

Imprime: Servicio de Publicaciones de Ia Universidad de

Zaragoza

ISBN: 84-96214-70-2
Deposito legal: Z-727-2006
 '-"'-'1• I L-1•.&..._,'-1'

Tema 1.- Introducci6n a Ia quimiometria 1

1 Papel de Ia Qufmica Analftica 1
2 Conceptos fundamentales de Qufmica Analftica 4
3 Conceptos fundamentales de Ia teorfa de Ia
informacion: errores, precision y exactitud 15
4 Tests de significacion 37
Tema 2.- Descomposici6n de varianzas y
aplicaciones analiticas 53
1 Concepto y utilidad 53
2 Fuentes de variacion 53
3 Descomposicion de varianzas 55
4 ANOVA de un factor de efecto fijo o controlado 58
5 La tabla de analisis de Ia varianza 62
6 El modelo subyacente al ANOVA 64
7 Factor de efecto aleatorio/teorfa del muestreo 67
Problemas 70
Tema 3.- Calibraci6n de metodos analiticos 73
1 Funciones de calibracion 73
2 Linealidad de Ia funcion de calibracion 74
3 La recta de regresion de y sobre x 75
4 El modelo subyacente a Ia regresion 78
5 Rectas de regresion ponderadas 81
6 Calibracion por adicion estandar 84
7 Rectas de calibrado como parametres de calidad
y diagnostico de metodos de analisis 86
Problemas 87
Tema 4.- Validaci6n y Control de Calidad en
Quimica Analitica 91
1 Introduccion 91
2 Validacion de metodos de analisis. Concepto 92
3 Validacion de Ia exactitud y trazabilidad de un
metoda 93
4 Vision general de Ia validacion de metodos de
analisis 102
5 Ensayos de control y puesta en marcha 105
Referencias recomendadas de quimiometria 109
Apendice 1: Transparencias control de calidad
Apendice 2: Tablas estadisticas
 lCUH:l 1. UlUUUUt...t...lUU 414 \,lUll1UV111\,.U1Cl

QUIMICA ANALITICA A VANZADA

TEMA 1

1.- lntroducci6n a Ia Quimiometria

Contenido
Papel de la Quimica Analitica. Conceptos fundamentales: Metodo, proceso, instrumento, tecnica ...; Conceptos
fundamentales de la teoria de la informacion: errores, precision y exactitud. Control de la exactitud. Fuentes de
incertidumbre en Quimica Analitica.
Distribucion de errores aleatorios: distribucion normal y distribucion t. Teorema del limite central. Intervalos de
confianza. Presentacion de resultados. Propagacion de errores. Tests de significacion: Test t, test t por parejas, test
F, test Q. Verificacion de la normalidad de una poblacion.

1.- PAPEL DE LA QUIMICA ANALITICA.

1.1.- Obtencion de informacion

La funcion de la Quimica Analitica actual es proporcionar de manera optima la informacion de
caracter quimico de un sistema material que es necesaria para resolver un problema o cuestion que se ha
generado sabre dicho sistema.

La vision clasica y coloquial de la Quimica Analitica es la de la ciencia que "analiza" sin mas.
Esta vision presenta al profesional de la quimica analitica como una especie de mago al que se le Bevan
muestras para que, tras una serie de ensayos de naturaleza quimica y fisico-quimica, adivine que es lo que
contienen. Aun reconociendole valor romantico a esta vision es preciso reconocer que esta totalmente
pasada de moda. Como siempre, la realidad es alga mas prosaica y menos romantica pero no por ella
menos interesante.

Hoy se reconoce la importancia que la informacion tiene para abordar o resolver cualquier
proceso de produccion, de control, investigacion o desarrollo. De hecho, puede decirse que hemos vivido
y estamos viviendo una revolucion en el mundo del analisis y el control. £,Quien podia haberse imaginado
hace tan solo 20 aiios que iba a ser necesario analizar tantas cos as y tantos parametros de cada co sa? j Si
hasta la orina de los atletas puede sufrir mas de 20 analisis diferentes antes de una competicion! Y lo
cierto es que vamos a mas: los alimentos, el agua, el aire, los juguetes, los materiales de construccion, los
embalajes, los plasticos ... y un largo etcetera de productos han de ser sometidos al analisis de numerosos
parametros acerca de su composicion quimica. Por no hablar del numero de parametros, cada vez mas
complejos, que han de ser controlados en un hospital.

Este cambia responde a toda una serie de causas y problemas relacionados con o generados por el
desarrollo y que, en parte, comentaremos posteriormente. Los analisis se realizan para resolver dichos
problemas, y la informacion que han de generar estos analisis no es cualquiera y a cualquier coste, sino
solo aquella que es precisa, justificada y suficiente para resolver el problema planteado acerca dicho
sistema material. Hay dos razones de peso para que esto sea asi: a) extraer informacion de un sistema
quimico puede costar mucho dinero, y tanto mas cuanto mas informacion y de mayor calidad sea; b) la
informacion ha de ser procesada, registrada y almacenada, y esto tambien cuesta dinero y ocupa mucho
tiempo. En ambos casas un exceso de informacion implica un coste y una perdida de eficiencia. La
Quimica Analitica es la Ciencia cuya mision es generar esta informacion, tal y como puede verse en el
siguiente esquema:
 __,. ? QUIMICA
-A~N::=-cA'=L"'=IT=I=-=C~A,------~~
INFORMACION
UTIL
• (RESULTADO)

Esta vision de Ia Quimica Analitica supera a Ia tradicional en Ia que habia simplemente una
muestra (noun sistema material) que era analizada (no de Ia que se extraia informacion) para nose sabia
que fm (en Iugar de en respuesta a un problema). Por tanto los principales protagonistas de nuestra
historia son los sistemas materiales, los interrogantes que sobre ellos se formulan, y Ia informacion que
ha de generarse para resolverlos. Esta informacion habra de responder a ciertos requisitos de calidad y
cantidad que iremos viendo posteriormente, y ademas habra de haberse obtenido a un coste razonable.
Por tanto, un requisito adicional de Ia tarea de Ia Quimica Analitica es el proporcionar Ia informacion
requerida al menor coste posible.

Otra cuestion subyacente a Ia anterior es Ia diferencia entre lo que es un simple analisis,

entendido como una operacion eventual realizada en un laboratorio, de lo que es un sistema de analisis y
medida que funciona de manera continua o semicontinua. En dicho sistema Ia informacion tiene que fluir
en un continuo (ya que dicha informacion puede ser parte de una cadena de operaciones exterior al
laboratorio) a un ritmo determinado, y siempre manteniendo bajo control su coste y su calidad. Esto
afiade una novedad mas. La tarea de un quimico analitico ya no es solo saber analizar (o generar
informacion), sino saber gestionar un sistema de analisis y medida.

Un ejemplo:

Los ayuntamientos de las ciudades estan obligados a velar por la seguridad e higiene de sus ciudadanos, lo que
incluye el asegurarse de que en el casco urbano no hay acumulacion importante de algunos productos que se sabe
contaminantes, particulannente los oxidos de Nitrogeno y el Ozono.
Sistema: Atmosfera urbana; Problema planteado: Vigilancia de niveles de oxidos de nitrogeno y de ozono;
Informacion requerida: a) Concentracion promedio de oxidos de Nitrogeno en la ciudad (contaminacion a largo
plazo); b) Determinacion del riesgo de que en alguna zona se supere el nivel de exposicion maximo permitido.
Observa que para resolver esta cuestion es preciso el concurso de numerosos profesionales (quimicos, politicos,
estadisticos, medicos, especialistas medioambientales ...)
Observa tambien que la informacion requerida es cuantitativa pero no se limita solo a un dato de concentracion.
Observa, ademas, que no se trata de realizar un analisis eventual, sino de montar un sistema de medicion y control
que habra de funcionar de forma continua y en un plazo determinado (no tiene sentido que la respuesta se produzca
despues de haber pasado la alerta.
Observa, finalmente, que los contribuyentes quieren estar protegidos del peligro de la contaminacion, pero no
quieren que su dinero se gaste en experimentos.
Ejercicio.- Busca unos cuantos ejemplos mas, identificando en todos los casas el problema, el sistema a
estudio, Ia informacion requerida y su posible inserci6n en una cadena exterior allaboratorio, la
periodicidad de los ana/isis y las dificultades de gesti6n de dicho sistema. Resalta las diferencias
entre el sistema material y Ia muestra, entre Ia informacion requerida y el dato de
concentracion, entre el amilisis y el sistema de medida.

En RESUMEN: La Quimica Analitica es Ia ciencia que se ocupa de Ia generacwn de

informacion de sistemas materiales sobre los que se ha planteado una cuestion o problema. La
informacion generada debe ser la necesaria y suficiente para resolver el problema, y debe ajustarse en
tiempo, calidad y coste a los requerimientos. Dicha informacion se producira en un sistema que
funcionara de manera continua o semicontinua y que debe ser gestionado de forma adecuada. La
informacion que Ia Quimica Analitica suministra puede ser de caracter quimico basico, o elaborada. La
informacion quimica basica puede ser de naturaleza cualitativa, cuantitativa o estructural. AI atomo,
molecula o especie objeto de Ia investigacion analitica se le conoce como analito. Pero tambien Ia
informacion generada puede ser mas elaborada, como ocurre por ejemplo, en el control antifraude. En
QUlMlCA ANALlTlCA A VANZAUA tema 1: lntroauccwn a 1a I.,.IUlmiOmema

estos casos la informacion quimica no es relevante, se emplea la informacion quimica para obtener una
identidad de origen, marca o tipo, por ejemplo.

Tabla sinopsis de las diferencias entre la vision clasica y la actual de la Quimica Analitica y de su tarea
Vision clasica Parametro Vision actual
Analizar Funci6n Proporcionar informacion optima
Conocimiento Raz6n Resolver un problema
Muestra Objeto Sistema material
lndiferente Sujeto Cliente
Metoda de analisis Herramienta Sistema de medida
Presencia o concentracion Resu/tado Informacion
Veracidad Criteria de evaluaci6n Utilidad/Coste
Eventual Frecuencia Continua o semicontinua
Continua, sistematizada
Calibracion Forma de control
retroalimentada

1.2.- Grandes areas de trabajo de Ia Quimica Analitica

Como se deduce de lo expuesto en el epigrafe anterior, la Quimica Analitica no es solo una
Ciencia, rama de la Quimica, sino que es una profesion singular y en expansion. La Quimica Analitica
esta presente en muchas areas de actividad economica, cientifica o social, por lo que es muy dificil
describir de forma exhaustiva todas sus posibles aplicaciones. Sin embargo, si que conviene sefialar
algunas grandes areas y grandes retos.

Quimica Clinica: La medicina hospitalaria requiere informacion fidedigna y muy rapida de

muchos parametros quimicos y bioquimicos indicadores del estado de un paciente. Ademas del requisito
de rapidez y de gran nfunero de muestras, los ensayos quimicos se han de realizar con volumenes muy
pequefios de muestra. Casi todos los ensayos se realizan con sangre entera, plasma, suero u orina. Hay
mas de 50 parametros de naturaleza quimica que se analizan de forma rutinaria en el hospital, y el
numero de parametros que deben ser analizados se incrementa de forma continua conforme progresa la
ciencia medica. De esta forma, a\ln cuando los metodos de analisis tienden a ser mas sencillos y
automaticos, el flujo de informacion generado por ellaboratorio de un hospital es cada vez mas complejo
y dificil de gestionar. Para poder trabajar en el laboratorio de un hospital es preciso tener el Titulo de
Especialista correspondiente, regulado seg\ln el Real Decreto 1163/2002 de 8 de noviembre, B.O.E.
de 15 de noviembre. En mi conocimiento existe un curso magister de la Universidad Complutense de
Madrid. Se puede obtener mas informacion en la pagina Web de la sociedad Espafiola de Quimica Clinica
(http://www.seqc.es/).

Quimica Industrial: En casi todas las industrias de transformacion es preciso realizar de forma
rutinaria analisis de los productos de partida y del producto acabado. Estos analisis pueden tener la
funcion de aceptar/rechazar un lote determinado, lo que lleva asociada una decision de alta
responsabilidad. Otro area cada vez ma:s irnportante es el Control de Procesos, que si bien basta ahora se
realizaba con parametros exclusivamente fisicos (densidad, temperatura, presion), cada vez se emplean
mas parametros quimicos (medidas de infrarrojo, sondas de gases, sistemas sensores ... ). Muchos de estos
sistemas de medida compleja (un sistema de Infrarrojo Medio, o un conjunto de sensores de gases
denominados nariz electronica) se emplean no solo en las cadenas de produccion sino en la
caracterizacion del producto de partida o final. Ademas, el quimico analitico en una empresa se suele
hacer cargo de las reclamaciones de productos defectuosos o de procesos que no consiguen la calidad
deseada. La industria tambien analiza los productos propios y de la competencia, y emplea el analisis
como parte de la investigacion y desarrollo.

Medio ambiente: Cada vez hay mas parametros que es obligatorio controlar para proteger el
medio natural y la salud publica. En el agua y en algunos alimentos: pesticidas, compuestos
organoclorados, organofosforados, dioxinas, metales pesados; en el aire ,oxidos de nitrogeno, ozono,
oxidos de azufre, monoxido de carbono, etc. Este control suele realizarse en laboratorios publicos,
aunque existen cada vez mas laboratorios privados que emiten un certificado (que solo sera valido si el
laboratorio esta acreditado) que puede ser irnprescindible para vender una mercancia, para conseguir
4 V.Ferreira

pasar un control aduanero o conseguir un certificado sanitario. La mayor parte de estos analisis se ha de
realizar siguiendo unas normas muy estrictas sometidas a control legal. Trabajar en estas areas es lo que
denominamos trabajo en entomos regulados, lo que exige una forma muy rigurosa de planificar, ejecutar,
controlar, evaluar y registrar todos los pasos y datos de un analisis.

Protecci6n al consumidor: Los alimentos pueden contener sustancias no autorizadas que pueden
dafiar al consumidor, que no estan permitidas, o que son simplemente distintas de Io especificado
(fraude). Tambien es cada vez mayor el mimero de parametros a determinar: drogas veterinarias
(anabolizantes no autorizados), conservantes ilegales en alimentos, niveles maximos de conservantes y de
ciertas sustancias toxicas, contaminacion bacteriana, presencia de transgenicos, etc. Esta area de trabajo,
es tambien un area sensible sometida a control legal y el trabajo se ha de desempefiar en un entomo
regulado.

Certificaci6n y peritaje: En muchas transacciones comerciales, el precio de un producto es

funcion de su contenido en cierto metal, o en cierto compuesto. Su determinacion con exactitud es una
cuestion clave que se realiza en laboratories oficiales o acreditados.

Otras muchas areas en donde el analisis es fundamental son la quimica forense y de aduanas, el
control antifraude, el control antidoping, la quimica agricola, etc.

2.- CONCEPTOS FUNDAMENTALES DE QUIMICA ANALITICA

2.1.- Metrologia fisica y metrologia quimica

La metrologia es la ciencia, o el conjunto de ciencias, que se encargan de medir. En tanto y en

cuanto para obtener informacion de un sistema material es precise realizar alguna medicion sabre el,
puede decirse que la Quimica Analitica es una metrologia de sistemas quimicos. Medir es comparar un
objeto con otro de referenda. La metrologia fisica clasica desarrolla sistemas de medida de longitudes y
pesos, y posteriormente otros de unidades de iluminacion, electricidad, etcetera. A partir de ese sistema
metrologico, se pueden hacer numerosos ensayos sabre los sistemas materiales para obtener informacion
de los mismos. Por ejemplo, podemos determinar su densidad, su dureza, su resistencia a las fuerzas de
cizalla, la viscosidad, etcetera. Son ensayos de tipo fisico. En todos los ensayos el sistema es estimulado
y su respuesta se compara con la del sistema de referenda. Por ejemplo, en la medicion de la masa la
fuerza de gravedad acrua sabre el cuerpo, y su respuesta (el peso), se compara con la de una masa
escogida como referenda ( el kilo). Algo parecido ocurre en los ensayos de dureza de materiales, etc.

La metrologia quimica ( cuantitativa) busca medir lo que denominamos analitos: atomos, iones,
moleculas, radicales, macromoleculas, grupos funcionales, impurezas, etcetera. Como toda metrologia ha
de estimular el sistema material y estudiar la respuesta, pero el proceso de medicion en general resulta
mucho mas complicado que en el caso de los ensayos fisicos, como se resume en la tabla siguiente.

Tabla. Algunas diferencias entre la metrologia quimica y la metrologia fisica

Sistemas fisicos Parametro Sistemas guimicos
Propiedades flsicas ~Que mide? Analitos
Con sistemas de referencia
Comparaci6n ~?
arbitrarios
Gran numero operaciones
Directos Caracteristicas
previas
Mecanicos Alta intervenci6n humana
Estimulando TODO el sistema ~Como? Estimulando ANALITOS
Propiedad del sistema Propiedad analitica
Serial Serial Analftica
lnstrumentos dedicados ~D6nde? lnstrumentos versatiles
Una dificultad de la metrologia quimica es que la comparacion ha de hacerse con un sistema de
composici6n conocida, y no con un sistema de unidades arbitrarias, como ocurre en la metrologia fisica.
La segunda dificultad esta asociada ala complejidad de algunas tecnicas de medida quimicas y a los altos
QUlMlCA ANALlTlCA A VANZAUA tema 1: lntroduccu:m a Ja 1.,/mmwmetna

requisitos de mantenimiento y preparacion de la muestra que llevan asociadas. Esto implica, por lo
general, que en la medicion quimica seni preciso incluir etapas de reduccion y pretratamiento de la
muestra. Otra caracteristica diferencial importante es que en la medicion quimica se precisa de la
participacion humana en un grado mayor, y ademas el tipo de profesional requerido es de una alta
cualificacion.

2.2.- Tecnicas de amilisis

Para obtener informacion quimica, ha de emplearse una propiedad del sistema material que este
relacionada de alguna manera con el analito. Par ejemplo, si la densidad de una disolucion esta
relacionada con la cantidad de analito que esta contiene, podemos emplear la determinacion de la
densidad para nuestros fmes. A esta propiedad la denominamos propiedad analitica y constituye el
principia de medida del analisis. Par ejemplo, muchos elementos de la tabla periodica tienen propiedades
de absorcion de luz muy atractivas para medirlos. Hay moleculas que tienen propiedades redox muy
defmidas que pueden ser explotadas en su medicion, otras tienen propiedades fluorescentes de interes, ....

instrumento
analftico

INFORMACION
UTIL
(RESULTADO)

QUIMICA ANALITICA "IDEAL"

Como quiera que sea, la Quimica Analitica hace usa de una forma de materia o energia que es la
que emplea para estimular el sistema aprovechando una propiedad de este o de los analitos. La naturaleza
de esta forma de materia o energia y de la propiedad analitica empleadas en el proceso de medicion dan
origen a las Tecnicas de Analisis, que son todo un conjunto de estrategias de obtencion de sefiales
analiticas que emplean un principia de medicion similar. Por ejemplo, el usa de la capacidad de absorcion
de luz de longitud de onda defmida par los metales (y otros elementos) da Iugar a las Tecnicas de
Analisis englobadas bajo el nombre Espectrofotometria de Absorcion Atomica. La respuesta generada
par el sistema es la que denominamos seiial analitica, que en el caso ideal anteriormente planteado
podria asimilarse al resultado buscado. Solo en casas muy particulares se pueden emplear tecnicas de
analisis basadas en una propiedad de la muestra y no del analito. Par ejemplo, la densidad o el indice de
refraccion se pueden emplear para conocer el contenido en azucar de un mosto o zumo de frutas, pero
solo porque en estos los azucares son un componente mayoritario (el segundo en proporcion tras el agua).
Este ensayo ya no sirve si el contenido en azucares es inferior a 20 giL.

El tipo de sefial elegido para realizar la medicion es fundamental en quimica analitica, y de hecho
da Iugar a la clasificacion de las tecnicas y metodos de analisis. En primer Iugar puede hacerse la
siguiente division de tecnicas de analisis:

1.- Tecnicas clasicas de analisis, basadas en la medicion directa de alg\ln componente de una
reaccion de estequiometria conocida. La magnitud medida (masa, volumen o cantidad de electricidad) es
una expresion directa (caso de la masa), o relacionable a traves del conocimiento de la normalidad del
agente valorante (volumetrias) de la concentracion de los analitos. Son las tecnicas que se estudiaron
fundamentalmente en el segundo curso del primer ciclo de la licenciatura.

2.- Tecnicas instrumentales de analisis, basadas en la interaccion de alguna forma de energia con
los analitos, y en la evaluacion de la forma e intensidad de la respuesta de los analitos a dicha forma de
energia. La magnitud medida guarda una relacion con la concentracion del analito y = f( c), que
6 V.Ferreira

habitualmente es determinada mediante un proceso de calibracion. Parte de estas tecnicas fueron

estudiadas en el tercer curso de Ia Licenciatura. Algunas otras senin ampliadas en este curso.

En el cuadro presentado en Ia pagina siguiente se muestra una clasificacion elemental de las

tecnicas de analisis. Es recomendable memorizar su contenido, pues constituye un esquema util sobre el
que construir de forma ordenada los conocimientos de Quimica Analitica que se han de adquirir durante
la asignatura y a lo largo de la licenciatura.

Los procesos de medicion se realizan por medio de instrumentos analiticos especialmente

disefiados para cada tecnica analitica en particular. Los instrurnentos mas sencillos son la balanza y la
bureta. Los instrurnentos mas comunes en los laboratorios actuates son:

• cromatografos de liquidos o de gases, para el analisis de moleculas organicas o de iones. Se

comercializan basicamente cuatro tipos de sistemas bien diferenciados:
o sistemas HPLC,
o sistemas GC,
o analizadores de iones, y
o sistemas GC-MS y HPLC-MS.
• espectrofotometros de absorcion molecular uv-vis, para muchos tipos de analisis de rutina.
Muchos de los metodos enzimaticos de analisis emplean deteccion espectrofotometrica.

• electrodos selectivos de iones, particularmente el pHmetro.

• espectrofotometros de absorcion/emision atomica, para el analisis de rutina de la mayor parte de

elementos metalicos. El sistema mas frecuente en las empresas es el espectrofotometro de
absorcion atomica a la llama, en algunos casos tambien equipado con camara de grafito.

• sistemas de valoracion automatica (tituladores automaticos) que para la determinacion del

punto de equivalencia pueden emplear electrodos selectivos, o espectrofotometros uv-vis.

• sistemas autoanalizadores, que generalmente hacen uso de una reaccion y de una determinacion
espectrofotometrica uv-vis, pero lo hacen de forma automatica.

• analizadores multicomponente. Cada vez mas frecuentes en las empresas. Se trata de sistemas
basados en la medicion de parametros cromaticos (uv-vis, IR, NIR. MIR ... ), en la presencia de
una serie de sensores de distinta selectividad (oxidos metalicos, oxidos polimericos), o incluso en
la deteccion rapida del espectro de masas, que captan gran cantidad de informacion en poco
tiempo y que es procesada por sistemas inteligentes para dar una informacion elaborada o
cuantitativa.
QUIMICA ANALITICA A VANZADA tema 1: lntroducci6n a Ia ()mmwmetria
Tabla de clasificaci6n de las tecnicas analiticas
Tecnicas Chisicas
Gravimetrias Miden una masa. Son
metodos absolutos
Volumetricas Miden un volumen de
reactivo que reacciona
estequiometricamente con el
analito
Tecnicas Instrumentales
Cromatograticas Separan todos los
componentes en una
columna y un detector
colocado a la salida los
detecta de forma continua
Opticas Miden Ia Absorcion,
Emision, Fluorescencia,
Dispersion de luz
Electricas Miden Potencial o Corriente
electrica
de Particulas Emplean haces de particulas, Espectrometria de
iones, electrones y otras Mas as
especies
I
De precipitacion Se emplean como metodos de referencia en
el analisis inorgamco. Analisis de Gases.
De volatilizacion
Determinacion formula empirica orgamcos.
Electrodeposicion
Acido Base Se emplean como metodos de rutina en
todas las ramas del analisis clasico
Complexometrias
(inorgamco y orgamco)
Redox
Precipitacion
I
HPLC (Cromatografia Analisis de rutina de todo tipo de especies
Liquida de Alta orgamcas poco volatiles, analisis de
Resolucion) biomoleculas.
Analizadores de iones Especificos para Ia determinacion
cuantitativa de aniones y cationes
CG (Cromatografia de Analisis de todas las especies volatiles
Gases) (basta puntos de ebullicion 400°).
Espectrofotometria de Analisis no muy dificiles de especies
Absorcion Molecular orgamcas e inorganicas (uv-vis)
Analisis de control y estructural (IR).
Detector HPLC mas usado.
Fluorescencia Detector HPLC de gran selectividad y
molecular sensibilidad. Analisis de biomoleculas.
Absorcion y Emision Analisis de rutina de cationes y metales.
Atomica Tambien ultratrazas. Detector especifico
elementos
Tecnicas Medida de rutina de pH e iones mas
potenciometricas comunes (electrodos selectivos de iones).
Sensores de gases. Metodos de deteccion
punto final automatico. Detector HPLC.
Tecnicas Determinacion directa y selectiva de
voltamperometricas especies con propiedades redox. Detector
HPLC altamente selectivo.
Determinacion de estructuras orgamcas
Analisis de ultratrazas orgarucas e
inorgamcas
Es el detector mas potente de las tecnicas
cromatograficas
8 V.Ferreira

Otras tecnicas Emplean una miscellinea de Medici6n de densidad, Determinacion de la composici6n de

basadas en principios cientificos para de indice de mezclas muy sencillas y bien conocidas
propiedades de medir. refracci6n, de (arucar, alcohol, mezclas de disolventes).
una disoluci6n (no conductividad Algunos se pueden emplear como
de un analito) electrica, de rotaci6n detectores cromatognificos (caso del indice
de luz polarizada, de refracci6n o del de conductividad
©V.Ferreira electrica)
Puesto que un analito puede poseer distintas propiedades analiticas, puede ser analizado mediante
diferentes tecnicas. Por ejemplo, el hierro presente en una aleacion o en un mineral puede ser
determinado a traves de sus propiedades redox (tras ser disuelto) con una dicromatometria, o mediante
una polarografia (voltamperometria). Podriamos tambien hacer uso de sus propiedades opticas y
determinarlo a traves de la absorcion molecular uv-vis de alguno de sus complejos (ferrocianuro, o
tiocianato, ... ), o bien a traves de sus propiedades opticas atomicas y determinarlo por absorcion atomica
a la llama, o por emision atomica. Como puede verse, surgen muchas posibilidades de analisis y eso que
no las hemos agotado todas. Para poder elegir es preciso establecer terminos de comparacion entre las
tecnicas, lo que da origen a los parametros de calidad analiticos de los que hablaremos posteriormente.

2.3.- Proceso analitico

En realidad, en muy pocos casos es posible extraer la informacion adecuada del sistema material
sin nada mas que la tecnica, el instrumento y las condiciones operativas del mismo. (A diferencia de lo
que ocurre en el caso de la metrologia fisica). Esto es por las siguientes razones:

1.- Cualquier instrumento analitico emplea cantidades de muestra muy pequefias en la medicion,
debido a la cantidad de energia necesaria para obtener la sefial analitica. Por ejemplo, un
espectrofotometro de Absorcion Atomica aspira caudales de 0,5-2 mL/min. Mayores caudales requeririan
una llama mucho mas energetica y grande. Una columna de cromatografia gas capilar se satura con masas
superiores al microgramo de analito y no tolera mas de 0,1-1 mg de muestra. Cuanto mas eficaz sea la
columna, menor cantidad de muestra y analito puede procesar. Esto es, los instrumentos analiticos
procesan masas de muestra raramente superiores al miligramo, cuando los objetivos del analisis se
refieren a un sistema material que puede tener una gran dimension y heterogeneidad. Necesariamente ha
de haber etapas de muestreo a fm de obtener una muestra representativa y de reduccion de la muestra, a
fm de llevarla al nivel analitico.

2.- Por otra parte, los instrumentos analiticos requieren que la muestra que se les PRESENTA
refula una serie de requisitos, como por ejemplo, que sea liquida, o que no tenga particulas solidas, o que
su pH este comprendido en cierto rango, ademas por supuesto de que los analitos esten en una
concentracion adecuada, que no haya interferencias, etc....

3.- Los instrumentos de medida en todos los casos suministran sefiales que podemos Hamar
primarias, y que aunque estan relacionadas directamente con el dato de concentracion o masa, es preciso
el conocimiento de la ley que permita relacionar la sefial (generalmente una corriente electrica o una
magnitud fisica) con el dato de concentracion. La tendencia general es a utilizar zonas de trabajo en las
que la relacion sefial/concentracion sea lineal, y a determinar la concentracion mediante interpolacion en
una recta de calibrado.

4.- Ademas, en muchas ocasiones el dato analitico no constituye la informacion buscada, sino que
ha de ser procesado o comparado para generarla, o simplemente no existe tal dato analitico porque lo que
se busca es una informacion mas elaborada. Ejemplos: en un laboratorio industrial con la responsabilidad
de realizar el control de materias primas, el dato de composicion no es la informacion buscada, sino el
hecho de si ellote debe ser aceptado o rechazado; otro caso, es el de un analizador de Infrarrojo Cercano
programado para detectar la calidad de un producto fmal. En este caso, ni siquiera se genera un dato de
composici6n, los espectros de infrarrojo son directamente procesados para determinar dicha calidad.

5.- Una ultima pero no menos importante raz6n, es que los analisis no son hechos aislados, sino
que tienden a ser sistemas de medici6n continuos o semicontinuos que se repiten en el tiempo. Esto
QUlMlCA ANALlllCA AV ANZAUA tema 1: lntroouccl(m a Ia l.,lulm!Ometna

implica que como todo sistema, debe ser continuamente controlado para asegurar que se mantiene bajo
control, y que el control debe estar disefiado de forma que pueda ser facilmente revisado y mejorado.

Por todas estas razones, el proceso de medicion analitica suele ser mas complejo que el expuesto
anteriormente, tal y como refleja la figura siguiente. En general habran de incluirse las siguientes etapas:

1. Muestreo. Etapa cuya mision es proporcionar una fraccion del sistema representativa de
la propiedad a estudio.

2. Reduccion de la muestra. Etapa importante solo en sistemas materiales grandes (tipico de

solidos), en los que se hade triturar y mezclar los elementos que componen la muestra a
fm de irla reduciendo en tamafio.

3. Acondicionamiento y preparacion de la muestra. Una etapa o conjunto de etapas que en

muchos metodos pueden ser la parte mas complicada. Pueden incluir desde eliminacion
de humedad, hasta procesos de digestion, de puesta en disolucion, extraccion,
concentracion, transformacion quimica, etc

4. Medida. El proceso de medicion en el instrumento analitico en si. Esta etapa suele incluir
procesos de pretratamiento de la sefial.

5. Calculo de la concentracion. En el caso mas com(m, es la interpolacion en una recta de

calibrado.

6. Procesado de la informacion. El conjunto de operaciones necesarias para transformar el

dato de concentracion (o directamente la sefial) en la informacion requerida.

7. Evaluacion del sistema. El conjunto de actividades que se realizan de forma continua y

que permiten determinar que la medicion se realiza en condiciones satisfactorias,
establecer su calidad y programar mejoras en el sistema.

A este proceso en etapas seguido por la Quimica Analitica para medir lo denominamos proceso
analitico, y al conjunto de instrucciones concretas para la realizacion de un analisis particular, metodo de
analisis.

?• INFORMACION
UTIL

t (RESULTADO)

~i
bruta INFORMACION
r:::::::==-~~SrA (DATO)
INFORMACION
Muestra BRUTA (SENAL)
preparada

PROCESO ANALITICO
10 V.Ferreira

2.4.- Definiciones
PROCESO ANALITICO: Es el conjunto de etapas secuenciales que la Quimica Analitica sigue
para cumplir su mision, esto es, la de proporcionar la informacion requerida de un sistema material al
minima coste.

TECNICA ANALITICA: Es el principia de medida elegido para la realizacion de un analisis.

Par ejemplo, tecnica cromatogratica, o tecnica potenciometrica.

INSTRUMENTO ANALITICO: Es el sistema fisico empleado para realizar una medicion

analitica, es par tanto la materializacion de una tecnica analitica.

PRESENTACION de la muestra: Es la forma fisica en la que se debe encontrar la muestra que

va a medirse mediante una tecnica determinada, para que la medicion pueda realizarse con garantias de
exito y sin producir dafios al instrumento.

METODO ANALITICO: Es el conjunto de instrucciories necesarias para realizar un analisis

completo. Muy a menudo se equipara a PROTOCOLO, aunque este ultimo es mucho mas detallado.

PLAN DE MUESTREO: Es el conjunto de instrucciones y acciones necesarias para llevar a

cabo las operaciones asociadas a la toma de muestra.

ANALITO: Es la especie quimica (atomo, molecula, ion, especie radical, agregado molecular,
macromolecula, etc ... ) que es objeto de un analisis.

2.5.- Metodos de amilisis

Aunque desde un punta de vista te6rico, el trabajo de la Quimica Analitica se realiza mediante la
cadena operacional conocida como Proceso Analitico, en la practica la cadena se separa en dos etapas
diferenciadas: Muestreo y Metoda de analisis. Esto es asi par razones estrictamente practicas y de
economia, ya que sabre una misma muestra se suelen realizar muchos analisis distintos, par lo que es mas
comodo archivar par un lado las instrucciones para realizar la toma de muestra, y par otro las de los
analisis correspondientes. Esto hace que en la practica, muchos metodos de analisis omitan la etapa de
obtencion de la muestra. Sin embargo, no debemos olvidar que los metodos estan disefiados para actuar
sabre un tipo de muestras particulares.

Un ejemplo. Un metoda disenado para controlar Ia madurez de una fruta esta basado en Ia medida del
indice de refracci6n del zumo de dicha fruta. Sin embargo, es de vital importancia especificar Ia
forma en Ia que se debe obtener el zumo para que Ia medici6n sea correcta. Muchos metodos para
Ia medici6n de ciertos parametros en sangre estan disenados para actuar sabre el suero sanguineo.
La forma en Ia que este se obtiene debe estar completamente especificada.

Los metodos de analisis contienen el conjunto de especificaciones necesarias para realizar la

determinacion de un analito en una muestra dada empleando una cierta tecnica de analisis, par lo que un
metoda viene defmido par un analito, un tipo de muestras y una tecnica de analisis.

Metoda espectrofotometrico para la determinacion de Calcio en agua.

Metoda colorimetrico para la determinacion de Calcio en cementos.

Muy probablemente existan muchos metodos distintos que permiten resolver un mismo problema
analitico. Los metodas pueden diferir en el tipo de tecnica analitica empleada en la medicion (diferencia
sustancial), o en alguna otra etapa del proceso analitico (diferencia secundaria). Los metodos de analisis
se clasifican seglin la calidad de los resultados que proporcionen, o mejor dicho, seglin el grado de
conocimiento que tengamos de ellos y el usa que pensemos darle. Pueden distinguirse las siguientes
categorias mas o menos bien definidas:
QUIMICA ANALITICA A VANZAIJA tema I: Introducc16n a Ia (,1u1m10metria 11

Metodos de referenda: Son metodos cuya exactitud se ha demostrado y es universalmente aceptada

basta el punta de haber adquirido un valor legal y haber sido propuestos par distintos
organismos nacionales o internacionales dedicados a la normalizacion y validacion
metrologica, o a la supervision de la tarea de los laboratories de alglin area de interes social.
Par ejemplo ISO (International Organization for Standardization), OCDE (Organization for
Economic Cooperation and Development), FDA (US Food and Drug Administration), Ia
EPA (Enviromental Protection Agency), el NIOSH (National Institute of Occupacional
Safety and Health), las distintas comisiones de la Union Europea, o a un nivel mas local los
ministerios de agricultura, sanidad o industria espaiioles,.... En estos ultirnos casas se
denominan metodos oficiales de analisis. No todos los metodos de referenda son oficiales,
pero de alguna manera todos los metodos oficiales son metodos de referenda.

Metodos estandares: Son metodos de precision demostrada y son recomendados par alguna asociacion
profesional para Ia realizacion de un tipo de analisis. Existen varias asociaciones de mucho
prestigio que proponen metodos de estas caracteristicas como la ASTM (American Society
for the Testing of Materials), que se dedica al analisis de productos manufacturados y
materias prirnas de interes industrial, la AOAC (Association of Official Analytical
Chemists), que se dedica al desarrollo de metodos para el analisis de alirnentos, Ia APHA
(American Public Health Association) que se dedica al control del agua potable, y muchas
otras asociaciones de caracter sectorial mas restringido como la OIV (Office International de
la Vigne et du vin), el IB (Institute ofBrewing, Analysis Comitee),.y un largo etcetera

Metodos recomendados par autores de prestigio: Hasta hace no muchos aiios, eran pocas las personas
que se encargaban de realizar las tareas de analisis en ciertos sectores sociales o industriales.
Algunos profesionales e investigadores eran los responsables de laboratories con
responsabilidades clave y alcanzaban una gran experiencia en el analisis de todo tipo de
muestras. En ocasiones, estos autores han escrito Iibras que se han convertido en la "biblia"
del analisis de ciertos productos o de algunas industrias. En muchas ocasiones estos Iibras
han acabado siendo adoptados como textos base por las asociaciones profesionales citadas
anteriormente. Historicamente los textos de Fresenius, Vogel, Feigl, Kalthoff merecen ser
mencionados. En Espaiia el del profesor Bermejo (dentro de Ia categoria "generales").

Metodos publicados en las distintas revistas analiticas: Son metodos de reciente desarrollo y aplicacion,
y par tanto no existe un grado de conocirniento similar al de los anteriores. Sin embargo
pueden representar mejoras muy considerables frente a los metodos estandares o de
referenda. Los publicados en las revistas de mas prestigio suelen incluir un estudio de
validacion completo realizado par los propios autores, aunque en Ia inmensa mayoria de los
casas Ia validacion se ha realizado tan solo en un laboratorio, par lo que antes de aplicarlo
deben volver a validarse. Par supuesto nadie, excepto el prestigio y etica profesional de los
autores, avala que los detalles publicados sean correctos. A pesar de estas lirnitaciones
aparentes, estos metodos constituyen la reserva cientifica y el nucleo de desarrollo de Ia
ciencia analitica, y muchos de elias estan llamados tras algunas modificaciones a convertirse
en los metodos estandares, de referenda o incluso oficiales del futuro. Ademas, resulta
obvio que no existen metodos de referenda, oficiales o estandares para todos los casas, par
lo que en muchas ocasiones los metodos publicados en las distintas revistas cientificas son el
Unico antecedente en el que podemos apoyamos.

En general, el nivel de conocimiento que se tiene sabre un metoda esta relacionado con su
irnportancia social o economica, ya que los metodos que mas se conocen son los que mas se practican.
Casi todos los problemas analiticos relacionados con transacciones comerciales (par ejemplo
determinacion de Ia ley del oro, de la plata, de un mineral irnportante, del grado de riqueza de un
reactivo ), con cuestiones de seguridad alimentaria o medioambiental (par ejemplo, determinacion de
restos de plomo en alirnentos, en fangos o en tierras) ode seguridad general (par ejemplo, determinacion
de AI en cementa) poseen metodas amparados par la ley y existen miles de laboratories de todo el mundo
que los practican, par lo que el grado de conocimiento que se tiene de estos metodos es muy grande.
Otros problemas analiticos que son de irnportancia para un determinado sector industrial o economico
tienen metodos de referenda o metodos estandares (par ejemplo la determinacion del extracto seco de
12 V.Ferreira

una cerveza) y tambien se practican en miles de laboratorios. Tambien nos encontramos con problemas
mucho mas especificos o mucho mas recientes que tan solo son resueltos analiticamente en uno o dos
laboratories, o que solo han sido abordados de forma experimental en laboratories universitarios o de
investigacion.

Ademas de Ia clasificacion anterior se pueden proponer muchas otras clasificaciones de tipos de

metodos analiticos. Por ejemplo podemos citar metodos de uso intemo, que son metodos disefiados para
el control de procesos o para el control intemo de una empresa y cuyo dato es simplemente orientativo,
podemos hablar de metodos de rutina, de metodos de screening 0 rastreo, metodos modificados, metodos
automaticos, etc.

2.6.- Parametros de calidad de metodos, tecnicas y resultados

Como se afrrmo anteriormente, un mismo analito puede ser determinado empleando varias
tecnicas, o empleando una misma tecnica con distintas etapas de tratamiento de Ia muestra. Esto hace que
el nillnero de posibilidades para realizar un determinado analisis sea muy grande. Para poder establecer
comparaciones, necesitamos una serie de parametres o propiedades analiticas de los metodos que nos
permitan evaluar su calidad y compararlos entre si. En este momento no vamos a dar defmiciones
estrictas de dichos parametres, sino que buscaremos comprender los parametres de forma intuitiva.
Defmiciones precisas se veran en secciones siguientes.

El parametro de calidad analitico mas importante es Ia EXACTITUD. Puede aplicarse para

calificar tanto a un resultado como a un metodo e incluso a una tecnica. Puede comprenderse que es muy
dificil evaluar Ia exactitud de un resultado, puesto que esta se define como Ia similitud entre el valor
determinado y el valor real de Ia muestra. Pero claro, este valor real no se conoce nunca porque para algo
estamos analizando dicha muestra. Por ello suele aceptarse que un resultado es exacto si se ha realizado
siguiendo convenientemente1 un metodo de amilisis cuya exactitud ha sido demostrada por Ia
comunidad analitica. La determinacion de Ia exactitud de un metodo es un tema complejo que conlleva
mucho trabajo y tiempo.

Otro parametro de calidad importante es la PRECISION de un metodo ode un resultado, y mide

el grado de incertidumbre que tenemos sobre dicho resultado, o sobre los resultados generados por un
cierto metodo. Lo defmiremos con mas detalle posteriormente.

Los otros dos parametros de interes son la SELECTIVIDAD y Ia SENSIBILIDAD de un

metodo. En este caso estos parametres se aplican a los metodos (y tecnicas) y no a los resultados. La
Selectividad de un metodo mide su capacidad de que Ia sefial generada corresponda al analito y no a
posibles interferencias. Es por tanto un concepto relativo ya que dependera del caso concreto en que nos
encontremos. Ahora bien, es tambien correcto afirmar que hay tecnicas o metodos mas selectivos que
otros. Por ejemplo, puedo decir que los metodos de determinacion de Hierro basados en medidas de
Absorcion Atomica son mas selectivos que los basados en medidas de Absorcion Molecular, pero esto no
quiere estrictamente decir que todas las medidas de Absorcion Atomica del Hierro vayan a estar siempre
libres de interferencias. Esto dependera del caso concreto en que nos encontremos.

La SENSIBILIDAD de un metodo analitico se refiere a Ia cantidad de sefial producida por

unidad de masa de analito. Por tanto un metodo mas sensible que otro producira una sefial mucho mas
facil de medir. Aunque el concepto es facil de comprender, no es facil de medir por la sencilla razon de
que las sefiales pueden amplificarse tanto como queramos. Para medirlo es imprescindible especificar
perfectamente las condiciones de trabajo. Aun asi, en ciertos casos es mucho mas conveniente emplear el
parametro de limite de detecci6n o de minima cantidad detectable, que se defme como la masa minima
de analito que proporciona una sefial netamente diferenciable del ruido de fondo.

1convenientemente hace referencia a que el analisis se ha realizado en un laboratorio y en unas

condiciones en las que se pueda asumir que cumple los requisites de calidad
QUIMlCA ANALITICA A VANZAlJA tema 1: lntroouccwn a la I.,.IUimwmema 1.)

Las tecnicas de amilisis poseen una sensibilidad y selectividad intrinsecas, pero la sensibilidad y
selectividad del metoda puede mejorarse mediante el usa de etapas de tratamiento de la muestra o de
tratamiento de la informacion. Formas de mejorar la selectividad: incluir una etapa de separaci6n de
interferencias, derivatizar al analito (transformandolo par reacci6n quimica) para poder emplear una
tecnica mas selectiva, enmascarar las interferencias, emplear estrategias matematicas para separar sefiales
superpuestas. Formas de mejorar la sensibilidad: lntroducir etapas de preconcentraci6n, derivatizar al
analito para poder emplear una tecnica (o unas condiciones de trabajo) mas sensible, o emplear
algoritmos matematicos para reducir el ruido de fonda.

2.7.- Cuestiones:
1.- Hemos dividido las tecnicas y metodos analiticos en clasicos e instrumentales, pero desde otro punta
de vista pueden dividirse en metodos absolutos (miden directamente la masa de analito ), estequiometricos
(miden la masa o volumen de un derivado de estequiometria conocida), o relativos (miden un parametro
que esta relacionado con la concentraci6n de analito). Razona cual de ellos puede ser mas exacto.
2.- Trata de relacionar la clasificaci6n anterior de tecnicas (absolutos, estequiometricos y relativos) con
Ia que hicimos anteriormente (clasica e instrumental). Razona Ia respuesta.
3.- La selecci6n de un metoda de analisis es un asunto bastante delicado y cuyo comienzo siempre es Ia
elecci6n de la tecnica de medida. Lo que se hace de acuerdo con criterios combinadas de caracteristicas
analiticas de cada tecnica y de asequibilidad y coste de las mismas. Una vez que se ha determinado Ia
tecnica de analisis que se ha de emplear, cual sera Ia cuesti6n clave siguiente en Ia selecci6n o disefio del
metoda.
4.- De los casas presentados a continuacion, nombra Ia tecnica de ami/isis, el analito y el instrumento
con que se realiza Ia medicion:
Determinacion del contenido de azucar de un zumo de frutas par medicion de Ia densidad.
Determinacion de Hierro par medicion del color generado al formar un complejo con tiocianato.
Determinacion de Calcio par medicion del color generado al meter Ia disolucion en una llama.
Determinacion de Cloruro empleando un electrodo selectivo
Determinacion de pesticidas organoclorados par separacion en cromatografia gaseosa
empleando un detector selectivo de masas
Determinacion de cloruros del agua par pesada del precipitado de cloruro de plata obtenido
5.- Haz una visita a Ia pagina web de Ia asociaci6n ISO (b.ttp:!lwww.iso.ch/) y determina si hay a/gUn
metoda de ana/isis quimico para alimentos regulado par una norma ISO. iQue tipo de metodos?
6.- En Ia OCDE (b.ttp://www.oecd.org) hay un capitulo dedicado al tema de seguridad alimentaria. i Que
tipo de aspecto preocupa mas a Ia OCDE?
7.- iQue norma ASTM (b.ttp:/lwww.astm.org) tendrias que consultar para realizar un ana/isis de oxido
de cobre-I en tintas?
8.- iEn que esta basado el metoda propuesto par Ia EPA (b.ttp://www.epa.gov/) para determinar aniones
inorganicos en agua potable?
9.- iQue directiva de Ia UE (b.ttp://europa.eu.int!) aborda el ana/isis de dioxinas y PCBs en piensos?
i Que recomienda esta directiva?
10.- i Como define Ia precision y Ia exactitud de un metoda bioanalitico Ia FDA (b.ttp:/lwww.(da.gov/)?
(una pista, busca validacion)
QUIMlCA ANALITICA A VANZAUA tema 1: lntro<luccJOn a la \.,!Ullmomema lJ

3.- CONCEPTOS FUNDAMENTALES DE LA TEORiA DE LA

INFORMACION: ERRORES, PRECISION Y EXACTITUD
Todas las decisiones que tomamos estan basadas en datos y el acierto de una decision depende de
Ia correcta interpretacion de estos datos. Un cientifico, al seguir el "metoda cientifico" busca disefiar un
experirnento que le proporcione los datos necesarios para aceptar o rechazar una hipotesis. El profesional
de una empresa recaba datos de composicion para aceptar o rechazar un lote de materia prima, o para
reformular un producto, o para cualquier otra cuestion, pero siempre se apoya en datos. El precio de
numerosos productos naturales e industriales se fija en funcion del contenido en ciertas sustancias, cuya
medicion puede resultar compleja, en fm, en un largo etcetera de actividades hay decisiones que deben
tomarse en funcion de datos obtenidos en un laboratorio o instrumento quimico de medida. Silos datos
fueran inequivocos tamar una decision seria facil, sin embargo, esto no es asi: los resultados de un
proceso analitico no son inequivocos, sino que existe una cierta probabilidad de que no coincidan
totalmente con los valores reales, por toda una serie de razones que vamos a estudiar. Las distintas causas
que pueden hacer que un resultado no concuerde exactamente con el valor cierto son analizadas,
clasificadas y tratadas por Ia teoria de los errores y de las medidas repetidas.

3.1.- Errores, exactitud y precision

resultado i i
incertidumbre El grado de acuerdo entre el resultado de un
analisis y el valor cierto (el valor que es
aceptado como cierto) de composicion es lo que
R ±U denominamos exactitud. Dicha exactitud puede
t
exactitud
t
precision
verse alterada, de acuerdo con Ia teoria de
errores, por dos tipos de errores, los

+ t t
Crasos Sistematicos Aleatorios
denominados errores crasos y los denominados
errores sistematicos.

Un error craso es el resultado de un accidente o confusion fortuitos, por ejemplo el derrame de un

liquido, Ia confusion de un bote de reactivo, un error de transcripcion. Son errores que pueden ser
facilmente detectables por su magnitud (solo en un sistema bien organizado, clara) y se resuelven
repitiendo el analisis. Afectan a Ia exactitud. No son achacables al metoda de analisis, sino a un analisis o
tanda de analisis en concreto. Aparecen de forma fortuita y son, en principia, hechos muy poco
frecuentes. Su estudio e interpretacion puede realizarse a partir de Ia teoria de probabilidades y existen
una serie de tests especialmente diseiiados para detectar este tipo de errores. La probabilidad de
ocurrencia de estos errores es dificil de conocer durante Ia puesta en marcha de un metoda de analisis, ya
que para medirla hacen falta tiempos muy largos de estudio y series muy grandes de datos. Sin embargo,
un laboratorio que realice con frecuencia un cierto tipo de analisis y lleve un sistema de control y archivo
adecuado, puede hacerse al cabo del tiempo una buena idea de su frecuencia de aparicion y de los
factores que en ello inciden. La frecuencia de aparicion de este tipo de errores esta ligada a Ia
complejidad y grado de manualidad del trabajo, y al nivel de organizacion dellaboratorio. Cuanto mas
largo y complicado sea un proceso de analisis, y cuanto mas desorganizado sea el trabajo de un
laboratorio tanto mas probable sera que se produzca un error de este tipo.

Ejemplo. Un laboratorio que realiza un ana/isis de forma automatizada, ha llegado a Ia conclusion de que
I de cada 75 veces, hay un error en Ia introducci6n de muestra. Cuando ocurre esto, el sistema introduce entre un
20 y un 90% menos de ana/ito en el sistema analitico, lo que produce un error por defecto de entre el 20 y el 90%
del resultado total. Puesto que los ana/isis se realizan por duplicado, t,cual es Ia probabilidad de que el
laboratorio de un resultado err6neo?
16 V Ferreira ·

AI realizarse los ana/isis por duplicado, detectaremos Ia presencia de dicho tipo de error si observamos
una divergencia de mas del 10% entre los valores de las replicas. Tan solo podria pasarnos inadvertido un error
de este tipo, si el fallo del inyector ocurre de forma simultanea en las dos replicas (Y ademas fuera de Ia misma
magnitud). Esto ocurrira 1/(75/ de las veces. Por tanto, Ia probabilidad de que el resultado vaya afectado de
dicho error craso sera inferior a/ 0, 17 por mil.

Un error sistematico ( o determinado) es aquel que introduce una desviacion del resultado frente
al valor real como consecuencia de un paso del analisis defectuoso: por ejemplo una mala calibracion,
una interferencia, adsorcion y perdida de analitos por almacenar las muestras en recipientes inadecuados.
Como puede verse, no son errores fortuitos, sino que si no se corrigen afectaran aproximadamente por
igual a TODAS las muestras que se analicen siguiendo el mismo protocolo (por eso se Haman
sistematicos). Tienen un signo defmido (haran que los resultados se desvien del valor real por exceso o
por defecto ). Se Haman sistematicos porque afectim a una parte del sistema de medida, o sea a un metodo
de analisis (p.e. un metodo de analisis que no tenga en cuenta la existencia de una interferencia) o a su
implantacion concreta en un laboratorio (p.e. Un laboratorio que tenga contaminado el patron de
referenda, o que tenga mal calibrada la balanza). Afectan a Ia exactitud. (afectan al resultado
directamente). Algunos errores sistematicos se corrigen mediante una calibracion, pero otros requeriran
distintas acciones correctivas que pueden implicar el cambio de m6todo o incluso de tecnica.

Por ejemplo, los errores sistematicos consecuencia de contaminaciones en los materiales o

reactivos requieren el analisis de lo que se denomina "blanco" de analisis para poder detectarse y
corregirse. Finalmente, hay otros errores sistematicos cuyo descubrimiento y correccion son bastante mas
complicados. Se trata de errores asociados a Ia contaminacion del propio patron (que solo se corrige
conociendo su pureza), a Ia presencia de interferencias (cuya correccion muy probablemente requiera el
cambio de metodo), o a Ia presencia de lo que denominamos efectos de Ia matriz (cuya presencia se
detecta y corrige con mucho esfuerzo mediante una tecnica de calibracion denominada adicion estandar).

Incertid urn bre

La incertidumbre se refiere al grado de claridad de nuestro conocimiento. En ausencia de

incertidumbre cualquier conocimiento no admite matices y tiene contomos perfectamente defmidos. En el
caso de un resultado analitico, sino hubiera incertidumbre un resultado de 26,0 mg/L seria estrictamente
26,0000000 ... mg/L y lo podriamos considerar diferente de otro de 26,01 mg/L. En presencia de
incertidumbre, no es que dudemos de Ia veracidad, sino que admitimos que nuestro conocimiento no tiene
una claridad total, que existe un pequefio intervalo en tomo a nuestro resultado en el que es igualmente
probable que se encuentre la respuesta real. Por eso hablamos de precision de nuestro metodo de analisis
o de nuestro resultado.

)\,
25 26 27 215 27

)'~
I I I

I I ~ I I I I..,..., I

).~
Un mundo sin incertidumbre: nuestro
conocimiento sabre cualquier resultado
o medida tiene claridad absoluta
)~
Un mundo con incertidumbre: nuestro
conocimiento sabre cualquier resultado
admite que en sus cercanias es
probable que se encuentre el valor
cierto

La existencia de incertidumbre es una ley natural, y en el limite particular viene expresada por el
principio de Incertidumbre de Heissenberg, que establece que nuestro conocimiento sobre un sistema
particular nunca puede ser total, ya que al medir debemos interaccionar sobre nuestro sistema, lo que
provoca su cambio de estado. Este concepto puede chocar con algunas de nuestras experiencias con Ia
medicion, sobre todo si nos hemos desenvuelto desde el comienzo en un entomo digital. AI tomar el peso
QUiMICA ANALiTICA A VANZADA tema 1: lntroducci6n a Ia (..?mmwmetria 1 I

de un objeto de forma repetida, la balanza arroja el mismo resultado, lo que falsamente nos puede hacer
creer que no hay incertidumbre en esta medicion. La hay, lo que pasa es que en este caso es muy
pequefia, para detectarla solo tendremos que emplear una balanza mucho mas precisa.

En realidad, el proceso de medicion debe ser considerado como un proceso de reduccion de la

incertidumbre (mejora de nuestro conocimiento) del sistema objeto de la medicion. Antes de realizar la
medicion nuestra incertidumbre sobre la composicion de un sistema puede ser muy grande (aunque casi
nunca es infmita). Tras la medicion, nuestra incertidumbre acerca del conocimiento de ese sistema se
hace menor. En todos los casos incertidumbre hace referenda al intervalo de valores en el cual esperamos
que se encuentre el verdadero resultado de la medicion. Este intervalo de valores sera tanto mas estrecho
(y la incertidumbre sera menor) cuanto con mas cuidado realicemos la medicion, esto es, cuanto mas
control ejerzamos sobre el proceso de medicion. Este aumento del control requiere complicar y encarecer
de forma progresiva el proceso de medicion, lo que implica que debe alcanzarse siempre un punto de
equilibrio en el que el esfuerzo invertido proporcione la reduccion de incertidumbre imprescindible para
que el resultado de la medicion sea util. Una incertidumbre mas pequefia de la realmente necesaria
siempre supone un sobreprecio innecesario. Por el contrario, una incertidumbre mayor de la requerida
puede arruinar la fmalidad del analisis.

Un ejemp/o, en una determinacion volume/rica est(mdar (cuya incertidumbre o precision en terminos relativos se
situa en torno a/ 0.5-1%), Ia pesada de muestra suele estar entre 0,1 y 1 g, y se realiza en una balanza
analitica cuya precision es de ±0, 0001 g. La incertidumbre de Ia pes ada en terminos re/ativos es por tanto
menor de un 1 por mil, suficiente para considerarla despreciable frente a otras fuentes de incertidumbre
(por ejemplo Ia determinacion del punto final). No tendria sentido emplear una ba/anza de alta precision
(hay balanzas con precisiones ±0, 00001 g e inferiores), que es mucho mas cara y en Ia que Ia medicion es
mas lenta. Pero tampoco tendria sentido emplear un granatario (cuya precision se situa en torno a ±0, OJ g),
ya que esto aumentaria de forma indebida Ia incertidumbre del ana/isis.

La teoria cientifica asocia la incertidumbre a la existencia de unos errores denominados aleatorios

o indeterminados. El termino error no se maneja aqui como sinonimo de equivocacion, sino de
introduccion de error o incertidumbre. Un error aleatorio es aquel que introduce una desviacion del
resultado consecuencia de nuestra incapacidad para controlar todas las variables que afectan a nuestro
proceso de analisis. Los errores aleatorios se deben tanto a la variabilidad, temporal y/o espacial, del
sistema material que estamos estudiando (errores de muestreo ), como a la imprecision del sistema de
medicion. Los errores aleatorios hacen que aumente la incertidumbre de un resultado, esto es, que se haga
mas amplio (difuso) el intervalo de valores en el cual sabemos que esta el valor real. Por esta razon no
tienen signo defmido y se denotan con un ±.

El control de estos errores es fundamental para Ia toma de decisiones y para el disefio de los
sistemas analiticos. Por ello los objetivos de este capitulo son comprender las razones de su existencia,
aprender la forma de medirlos, conocer en que medida afectan al grado de conocimiento del sistema a
estudio y de que manera pueden mantenerse bajo control. Veamos un ejemplo que aclara a donde
queremos llegar y la importancia de su control.

El departamento de medio ambiente del ayuntamiento de una gran ciudad informa de que el contenido de oxidos de
Nitrogeno en la atmosfera es de 2,5 ppm. La medicion se realiza mediante unos sensores situados en media docena
de puntos de la ciudad y el promedio de los valores da la citada cifra de 2,5 ppm. l, Cmiles son las posibles fuentes
de error de este resultado y como afectan a su "credibilidad". ·
fuente de error tipo de error afecta a:
los sensores estan mal calibrados Sistematico exactitud
(analitico)
los sensores no dan una respuesta constante Aleatorio precision
(analitico)
los sensores estan colocados en puntos de la ciudad que no son Sistematico (de exactitud
representativos muestreo)
18 V Ferreira ·

los sensores estin mal aislados termicamente y su respuesta depende Aleatorio y precision y
de la temperatura del dia sistematico exactitud
(analitico)
solo se recogen las mediciones a las 8 de la maiiana Sistematico (de exactitud
muestreo)
en una zona de la ciudad hay un compuesto que produce una sefial Sistematico exactitud
interferente (analitico)
por muy representatives que sean los puntos de analisis en realidad Aleatorio (de precision
solo representan una fraccion infima de toda la atmosfera urbana muestreo)
un sensor se estropea y arroja medidas erroneas Craso exactitud

Tanto los errores crasos como los sistematicos se pueden eliminar (o al menos reducir) siguiendo
un trabajo riguroso y empleando metodos de analisis bien conocidos. Los errores aleatorios siempre
existiran y haran que el resultado tenga una cierta incertidumbre. Esta incertidumbre afecta a las
decisiones que tomamos en base a los resultados, como lo demuestran las siguientes cuestiones:

Supongamos que la incertidumbre del resultado del ejemplo anterior fuera 1 ppm (esto quiere decir que, evaluadas
las posibles fuentes de error aleatorio, el valor real de concentracion se encuentra con probabilidad en el intervalo
resultado obtenido±1 ppm). Si el nivel toxico de los oxidos deN es de 2,7±1 ppm, l,accionarias la alarma? l,Y si
fuera la incertidumbre de ±0,001 ppm?
Reducir Ia incertidumbre cuesta esfuerzo y dinero. Una forma obvia de reducir Ia incertidumbre
en Ia toma de muestra es colocar mas sondas en muchos puntos de Ia ciudad, pero esto implica una mayor
inversion en sondas y un mayor esfuerzo derivado de Ia recolecci6n y manipulaci6n de un conjunto
mayor de datos y del mantenimiento de un sistema de medida mas complejo.

Si el nivel toxico fuera 100 ppm, no tendria mucho sentido invertir dinero para que la incertidumbre del resultado
fuera 0,001 ppm. l,Cual es la incertidumbre que mejor se adapta al coste y a las necesidades?
Todas estas cuestiones las iremos resolviendo en esta secci6n.
1°.- Clasifica los siguientes errores en las categorias craso, sistematico y aleatorio:
a) El matraz de aforo utilizado en un ana/isis contenia en realidad 250, 7 mL (en Iugar de 250, 0) debido
a haber sido conge/ado.
b) En un ana/isis dado se estan utilizando disolventes organicos de tension superficial, viscosidad y
densidad muy distintas a las del agua. Se emplea material volumetrico normal (disenado y calibrado
para trabajar con disoluciones acuosas). Se observan los siguientes fen6menos:
1.- Quedan gotitas de disolvente agarradas a las paredes del material volumetrico.
2.- No ocurre lo anterior, pero el volumen remanente en la punta de la pipeta es casi nulo.
c) Tras realizar una medida en un instrumento cientifico, percibes que Ia celda (del detector) se
encuentra a una temperatura de trabajo incorrecta.
d) AI concentrar una muestra por evaporaci6n del disolvente, se observa que el ana/ito que se esta
analizando se co-evapora perdiendose parte. Haces cinco experiencias y encuentras que la cantidad
perdida es el 25, 26, 30, 24, y 22%.
e) Se desea determinar el contenido en Fe de un vag6n de piritas, y Ia sonda con que Ia que se extrae Ia
muestra del vag6n es excesivamente estrecha, de forma que los trozos de mineral mas grandes no cab en
(el contenido en mena de un mineral no es el mismo en particulas grandes que en las pequenas).
f) En el caso anterior, Ia sonda es del tamano adecuado. El vag6n contiene 30 Tm de mineral y se extrae
una muestra de 1 Kg para su ana/isis.
I...!UlMlLA ANAL111LA AV ANL..AUA tema 1; llllfUUUI.:I,;lUll a Ja \,lUlllllU!llCU li:l

1bis.- Enumera y clasi.fica seg-Un su importancia relativa todas las fuentes de incertidumbre que puede
haber en la determinacion de:
a) tu propio peso
b) el contenido en Sn de una aleaci6n
c) Ia temperatura de una habitaci6n
d) las dioxinas presentes en el agua de un rio
e) las dioxinas presentes en un tipo de productos alimenticios

3.2.- Control de Ia exactitud

Para controlar la exactitud de un trabajo analitico son precisas tres cuestiones:

a) Que la muestra sea representativa del objeto y propiedad a estudio

b) Que el metodo de amilisis escogido tenga una exactitud adecuada y a ser posible, contrastada

c) Que la aplicacion del metodo a las muestras en nuestro laboratorio se realice de forma
adecuada y con garantia de calidad

La representatividad de la muestra se define como el grado de acuerdo entre la propiedad de la

muestra tomada y la del objeto o sistema material que representa. Esto es, la representatividad de la
muestra es la propiedad equivalente a la exactitud del resultado. Su medicion es dificil, ya que no
disponemos de sistemas materiales grandes de composicion controlada, lo que explica que se dedique un
gran esfuerzo al estudio de los sistemas de muestreo que proporcionan mejores resultados y que muchos
de los sistemas de muestreo esten regulados por ley (como habras podido comprobar en los temas
legislados por la Comunidad Europea, ministerio de Sanidad y Consumo, ministerio de Industria... ).

La exactitud de un metodo de analisis se determina en los estudios de validacion del metodo, que
veremos con algo mas de detalle en el Tema 4. Los estudios de validacion tienen como objeto verificar
que la sefial es proporcional a la cantidad de analito, determinar el rango de concentraciones en que se
verifica dicha proporcionalidad, verificar que la constante de proporcionalidad no cambia de muestra a
muestra (efectos de la matriz), que no hay interferencias, y determinar cual debe ser la funcion de
calibracion. En general, los metodos de analisis tienen una exactitud asociada, como ya discutimos en el
epfgrafe 2 de este capitulo. Esto quiere decir que hay metodos que son mas exactos que otros, bien
porque emplean una tecnica mas exacta de por si, o porque son menos sensibles a cierto tipo de
interferencias. Ahora bien, la exactitud de un metodo no es un absoluto, sino que es un atributo que
depende de la muestra y del problema analitico concreto. La aplicacion de un metodo conocido a un
nuevo tipo de muestras o de problemas analfticos requiere verificar que su exactitud sigue
manteniendose. ·

Otro parlimetro relacionado con la exactitud de los metodos de analisis es la robustez, que se
defme como la resistencia al cambio de la sefial al cambiar alguno de los parlimetros de analisis. Este
termino sera defmido con mayor precision posteriormente y aqui solo haremos un uso intuitivo del
mismo. Hay metodos analiticos que son muy robustos, 16 que significa que su aplicacion a un laboratorio
concreto no representa mayores problemas. Por el contrario, hay metodos analiticos muy poco robustos
que requieren un elevado control de las condiciones operacionales y ambientales, un elevado
adiestramiento de los operadores de laboratorio y un esfuerzo de calibracion muy riguroso. La
transferencia de un metodo poco robusto de un laboratorio a otro puede ser muy costosa.

La exactitud del trabajo de un laboratorio concreto (que emplea un metodo previamente validado)
se puede verificar mediante el uso de muestras certificadas, de estlindares quirnicos, por comparacion con
metodos contrastados (oficiales o estlindares), o mediante ensayos de colaboracion. Se mide comparando
el resultado medio con el valor real. La forma mas directa es, desde luego, el uso de una muestra
certificada, aunque no existen muestras para todos los problemas posibles. Una muestra certificada es una
20 V Ferreira ·

muestra tipo cuyas propiedades de composicion son perfectamente conocidas. Por ejemplo, una muestra
de polvo de granito con contenido certificado en Estafio. Las muestras certificadas son producidas por
alguno de los organismos de acreditacion y normalizacion y se pueden adquirir solicitandolas a dichos
organismos, o bien a alguna empresa especificamente dedicada a ello (podnis encontrar un directorio en
la pagina http://www.labcompliance.com/ref-compounds/suppliers.htm). Los dos organismos mas
importantes que producen muestras certificadas son el americana y el europeo, cuyos datos se facilitan a
continuacion.

''National Institute of Standards and Technology (NIST)", que produce mas de 1200 SRM
(Standard Reference Materials) URL: http://ts.nist.gov/srm

Bureau Commounaitaire de Reference (BCR) - Certified Reference Materials; Institute of

Reference Materials and Measurements (IRMM) http://www.irmm.jrc.be/

Otros, Laboratorio del "Government Chemist", http://www.lgc.co.uk/; Laboratorio Nacional de

Ensayos (Francia), http://www.lne.fr/.

Para que el trabajo de un laboratorio sea satisfactorio, es preciso que la organizacion y forma de
trabajo del mismo se ajusten a una serie de normas de calidad. En particular, es preciso que ellaboratorio
garantice que la sefi.al de analito obtenida en el analisis de una ·muestra se pueda relacionar de forma
inequivoca con la sefial de estandares de concentracion perfectamente conocida. A este concepto se le
denomina TRAZABILIDAD del resultado. Para garantizar la trazabilidad del resultado es preciso
introducir todo el sistema analitico en un sistema de calidad (proceso de acreditacion de un laboratorio o
de un metodo particular). Este proceso puede ser largo pero supone determinar cuales son los puntos
criticos del sistema y establecer los controles de calidad y de verificacion que se consideren pertinentes,
ademas del establecimiento de una cadena jerarquica, de estructuras de responsabilidad, etc... Puede
considerarse necesario el establecimiento de auditorias extemas (una empresa experta en calibracion que
periodicamente revisa el material de vidrio, las balanzas, instrumentos, etc, .. ), ademas de establecer
controles propios (muestras de referenda intema, blancos, controles de pesada.... ).

Hablaremos con mas extension en el capitulo 4.

3.3.- Medida de Ia precision

Una de las consecuencias de la existencia de incertidumbre es que, por lo general, cuando
realizamos medidas repetidas de una muestra, no obtenemos una serie estrictamente identica de
resultados. El grado de dispersion obtenido en una serie de medidas repetidas es una estimacion de la
precision de nuestro metodo. Hay varios parametros que se pueden emplear para medir la dispersion. El
mas importante es la desviacion estandar, ya que esta relacionado con las propiedades matematicas
fundamentales de las distribuciones. La desviacion estandar se denota con S y se calcula con la conocida
formula:

S= [1]
n-l

don de Yi es un dato de una serie de n datos con media y

Un metodo de medida preciso es aquel que va afectado de pocas variaciones aleatorias, por lo que
al repetir un proceso de medicion deberan obtenerse valores muy proximos entre si y consiguientemente,
una desviacion estandar pequefia. Por el contrario, en un metodo impreciso acruan muchas fuentes de
variacion aleatorias (fuera de nuestro control) que hacen que medidas repetidas de un mismo objeto
arrojen resultados dispares y muy disperses. Por consiguiente, la desviacion estandar sera muy grande.
Esta misma observacion es valida para un metodo de muestreo determinado: Un metodo de muestreo
preciso nos proporcionara resultados replicados con una S menor que uno imprecise. La desviacion
(JUlMlCA ANAL!i!LA A VANLAJJA lt::IlH:1 1: lllU UUUl,.;\,;lUH i1 14 \,lU11111UHH.. u .lQ

estandar se expresa a menudo como tanto por ciento de la media, y entonces se le denomina Coeficiente
de Variaci6n o RSD (Relative Standard Deviation).

En ocasiones puede ocurrir que la desviaci6n estandar de una serie replicada de medidas sea cero.
Esto no quiere decir que la precision analitica sea infmita y la incertidumbre sea cero, lo U.nico que quiere
decir es que la incertidumbre de dicho proceso de medici6n es muy pequefia y nose ha podido medir.

Ejemplo. AI medir de forma replicada el peso de una moneda (cuyo peso real es 0,4500 g) en un
granatario, se obtiene Ia siguiente serie de medidas: 0,45; 0,45; 0,45; 0,45; 0,45; 0,45. La
media de esta serie es 0,45 y su desviacion estandar 0. Esto no quiere decir que Ia medicion en
el granatario no tenga imprecision, lo unico que quiere decir es que su imprecision es inferior
a 0, 01 g y no Ia hemos podido medir.

Ejercicios:

2°.- Cinco laboratorios distintos estan realizando un ensayo de colaboracion en el que se analizan par
sextuplicado unas muestras certificadas con un contenido de 16.5 Jig L-1 de un pesticida organo-
fosforado (metilparation) . La tabla siguiente resume los resultados obtenidos par los distintos
laboratorios:

A 15,8 15,3 16,3 15,9 16,0 16,2

B 17,9 18,3 18,2 17,9 18,0 18,1
c 15,1 16, 7 17,1 15,9 16,9 16,9
D 12,8 10,9 13,5 11,3 12,0 11,9
E 16,6 16,9 16,4 16,6 16,5 16,4
Empleando Ia media y Ia desviacion estandar de cada sexteto de resultados, califica el trabajo
de los laboratorios en cuanto a su precision y exactitud. iA que tipos de errores pueden ser debidas las
desviaciones observadas? Representa en un eje cada una de las series de medidas obtenidas par cada
laboratorio junto con el valor central y Ia desviacion estandar.

3°.- Un ingeniero quimico desea conocer Ia concentracion de un producto de reaccion que se genera en
tres reactores de 200.000 L. Para ella toma seis muestras aleatorias de distintas partes de cada reactor y
las analiza par un metoda analitico muy preciso. Los resultados que obtiene en las seis muestras de cada
reactor son los siguientes:

A 15,8 15,3 16,3 15,9 16,0 16,2

B 17,9 18,3 18,2 17,9 18,0 18,1
c 15,1 16,7 17,1 15,9 16,9 16,9
iCual es el reactor que produce mayor rendimiento? iCual es el que genera un producto de
calidad mas uniforme? iA que piensas que pueden deberse las diferencias encontradas? iCual es Ia
diferencia entre Ia variabilidad (aleatoria) analitica y Ia muestral?
4° La siguiente tabla muestra los resultados obtenidos en Ia medicion repetida de Ia Absorbancia de una
muestra. Construye el histograma correspondiente a Ia distribucion de los resultados y calcula su valor
central (promedio) y su dispersion (desviacion estandar).

medida valor medida valor medida valor

1 0.341 7 0.347 13 0.363
2 0.335 8 0.346 14 0.353
3 0.347 9 0.343 15 0.348
4 0.359 10 0.342
5 0.353 11 0.356
22 V Ferreira ·

6 0.346 12 0.350

3.4.- Distribuciones de resultados. Distribuci6n normal y propiedades

En las series de medidas repetidas las distribuciones de resultados que se obtienen no siguen
distribuciones caprichosas, sino que se pueden observar distribuciones tipo en funcion de Ia naturaleza de
los factores causantes de Ia desviacion. De todas las distribuciones tipo Ia mas importante es Ia
distribucion normal o de Gauss. Otras distribuciones de resultados posibles son Ia log-normal, Ia
distribucion binomial y la de Poisson.

La distribucion normal o gaussiana es una distribucion simetrica en Ia que el suceso mas probable
es el central, y Ia probabilidad de ocurrencia de un hecho disminuye de forma exponencial conforme nos
alejamos del centro. Esta distribucion es Ia que mejor representa Ia distribucion posible de resultados
afectados por una serie de fuentes aleatorias de incertidumbre, tal y como ocurre con los resultados
proporcionados por un metodo analitico. Esta observacion puede considerarse una verdad empirica acerca
de la naturaleza general de la realidad. En la figura siguiente se muestran cuatro distribuciones gaussianas
tipicas.

N(30,1'2)
~ 0 , 8 +---------------~~-------A~----~
:E
~ 0,6 -j----------------1--+------+-+-----------1
..c
a.0 o,4 + - - - - -----'-"\-'-"'rJ+--- - - - - +-+-------,1---\------l

0 10 20 30 40

Figura 5: Ejemplos de distribuciones gaussianas

Cada una de las distribuciones viene defmida por tan solo dos parametros, que son los que
figuran entre parentesis. El primero es el que denominamos centroide y coincide con el centro de la
distribucion y valor maximo, y el segundo es el que denominamos a (sigma) o desviacion tipica de Ia
distribucion. Este parametro es el que determina la anchura de Ia distribucion tal y como puede verse por
comparacion entre las cuatro distribuciones. El significado de estas distribuciones es el siguiente: Si
tuvieramos un metodo de analisis cuya precision fuera ±1,2 y analizaramos repetidamente (infinitas
veces) una muestra cuyo valor de composicion real fuera 30,0, obtendriamos una distribucion de
resultados como la indicada por la gaussiana N(30,1 '2). De acuerdo con esta distribucion, el valor que
obtendriamos un nfunero superior de veces es 30,0, y el 50% de los valores serian superiores a 30,0 y un
porcentaje similar serian inferiores a 30,0. Como puede verse de forma aproximada en Ia figura,
practicamente todos los valores estarian comprendidos entre 26 y 34. Por el contrario, si nuestro metodo
tuviera una precision de ±3,0, la distribucion de resultados esperada seria la marcada como N(30,3). En
esta distribucion el valor mas probable sigue siendo 30,0, y de nuevo el 50% de los valores son
superiores a este valor, y el otro 50% inferiores. Sin embargo, puede observarse que el intervalo en que se
encuentran la mayor parte de los valores es muy superior (aproximadamente entre 21 y 39), siendo
relativamente probable encontrar valores como 24 o 36.

Estas distribuciones no solo pueden describir la distribucion de resultados potenciales de un

analisis de precision conocida, sino que tambien pueden describir Ia distribucion del valor de un cierto
atributo en una poblacion. Por ejemplo, si tenemos un lote de pastillas de un farmaco que deben contener
30,0 mg de principia activo por pastilla, es mas que probable que no todas las pastillas tengan
\,lUJlVllLf\ f\1~1\Llll\...f\ f \ V f\l~Li"ti-1./'"\ LCHH:l 1 . l.UU UUUt...\,.lUll a Ia \,{U1111lVUlto..U. JU

exactamente 30,0 mg, sino que apareceni una distribuci6n parecida a alguna de las de la figura, mas o
menos ancha segful sea la homogeneidad dellote.

L,Siempre aparece una distribuci6n gaussiana?

No. Hay ocasiones en las que no aparece una distribuci6n gaussiana, pero esto siempre es debido
ados posibles razones. En primer Iugar, existe la posibilidad de que los datos no pertenezcan a una unica
misma serie (poblaci6n). Par ejemplo, si en el caso del metoda analitico en el que has analizado
repetidamente una muestra certificada, este analisis se realiza en dos dias distintos y el metodo se
descalibra, obtendrias una distribuci6n suma de dos distribuciones. Lo mismo ocurriria si el late de
pastillas incluyera pastillas producidas por dos fabricantes distintos. Este efecto se puede observar en la
figura siguiente. Observa que la distribuci6n de resultados suma de las dos distribuciones individuales es
marcadamente asimetrica. Decimos que los resultados no se distribuyen de forma normal.

1,2
suma

-g
1\
;g
:g 0,6
0,8
I\ A
.c
\ N(32'5,1 5)
[ 0,4

0,2
N(30,1 ,2)
h\ I

0
}) \\
0 10 20 30 40

Figura 6: Una funci6n suma de 2 gaussianas de distinto centro noes una gaussiana

Existe una segunda posibilidad. Hay ocasiones en las que son otras distribuciones de
probabilidad las que aparecen. Por ejemplo, en distribuciones de atributos que par naturaleza no pueden
ser simetricas aparece una distribuci6n muy importante denominada log-normal. Este es el caso de la
distribuci6n del atributo "peso" en la poblaci6n humana. Esta distribuci6n no puede ser simetrica ya que
sabemos que siendo el peso medio 70Kg, existen individuos cuyo peso es superior a 140Kg, pero no
pueden existir individuos con peso negativo (que tendrian que existir para que la distribuci6n fuera
simetrica). La distribuci6n del peso tiene que ser una distribuci6n asimetrica con una cola hacia la
derecha, tal y como muestra la figura 7. Sin embargo, la distribuci6n dellogaritmo del peso si que es una
distribuci6n normal (par eso se llama log-normal).

0,4
0,35
0,3

..
"0

;g
0,25
0,2
..
:c
.c 0,15
ec. 0,1
0,05
0
-0,05 10 20 30

Figura 7: Otras distribuciones importantes

Otras distribuciones importantes son la de Poisson, que es la que se obtiene cuando un hecho es
poco frecuente. Por ejemplo, podriamos obtener una distribuci6n de ese tipo al muestrear particulas de
mineral con distinto contenido en mena y ganga. Habria una composici6n media, pero algunas particulas
24 V Ferreira ·

que tuvieran mas mena que ganga darian contenidos muy superiores. Otra distribuci6n posible es Ia
binomial, que es Ia que aparece cuando hay dos sucesos posibles (por ejemplo, blanco o negro) cada uno
con una probabilidad asociada, y realizamos extracciones de N elementos. Una comparativa de estas
distribuciones se puede ver en Ia figura 7.

Aparte de porque se trata de una distribuci6n "natural", Ia distribuci6n gaussiana es muy

importante porque Ia mayor parte de los tests estadisticos estan basados en esta distribuci6n o en otras de
ella derivada. Ademas, y como veremos posteriormente, bajo ciertas circunstancias, incluso
distribuciones marcadamente asimetricas pueden ser convertidas en distribuciones normales. Por todas
estas razones es vital para cualquier cientifico (mas para aquel cuyo trabajo este relacionado con datos y
mediciones) el comprender y saber manejar las propiedades de esta distribuci6n.

La formula de Ia distribuci6n gaussiana es Ia siguiente:

Las poblaciones distribuidas normalmente se caracterizan por el valor central de Ia distribuci6n,

f.l, y por su desviaci6n estandar poblacional, cr, que determina Ia amplitud de Ia distribuci6n.

En dichas poblaciones se cumple que:

aproximadamente 2/3 (67%) de todos los individuos estan en el intervalo f.l±cr

aproximadamente el 95% de todos los individuos estan en el intervalo f.l±2cr
aproximadamente el99,7% de todos los individuos estan en el intervalo f.l±3cr

0,35 ~u 0

0,3 / '\
I \
..
"C

;g
0,25

0,2
15,9% I \ 15,9%
:c .___;.
.8 0,15 ~
!:!
Q. 0,1 I 6%
\
0,05 / 5 0
\ 2 3%

0
_/f ~
J.L+2a

Figura 8: Propiedades de las distribuciones normales

Todas las distribuciones normales cumplen las propiedades anteriores, independientemente de

cuales sean su centroide y desviaci6n tipica.

De hecho, todas las distribuciones normales son exactamente iguales si se normalizan de Ia

siguiente manera: Para cada punto de Ia poblaci6n normal se calcula el siguiente parametro que
denominamos z:

X - f.1
Z = I [3]
a

Este parametro no es mas que Ia distancia al centroide normalizada por Ia desviaci6n tipica de Ia
distribuci6n (distancia al centro normalizada por el error) y si ahora para cada z representamos su
probabilidad de ocurrencia, obtenemos Ia distribuci6n normal estandarizada o distribuci6n z.
(.,!UlMlCA ANALlllCA A VANL.AlJA tema 1: muoauccwn a 1a I.,!UimJOmt:ana

Distribuci6n nonnal estandar

045

.z .........
/ '

I
I ' \
\
I , & \
/ \.,
/ :,.,

-5 -3
-----
-2 -1
"2
--.........
4 5

Figura 9: Distribucion normal estandar

La ecuaci6n de la distribuci6n normal estandar es la siguiente:

p(y) = - e -
1 (z/{)
2
[4]
-&
Lo que nos muestra, tal y como se ve tambien en la figura 9, que la distribuci6n z es una
distribuci6n normal de cr=l y centroide f-1.=0.

Cualquier hoja de calculo o paquete estadistico nos permite conocer cual es el porcentaje de
individuos de dicha distribuci6n que se encuentran a una cierta distancia z del centroide. La tabla de z
adjunta a este material tambien permite conocer este valor. De manera similar, es posible conocer el
porcentaje de individuos que se encuentra en un cierto intervalo, simetrico o no, en tomo al centroide.

Ejemplo. En la distribucion N(30,1 '2) que manejamos anteriormente, el 67% de los elementos se
encuentran en torno a 30±1,2, y el 95% de los elementos en torno a 30±2,4. Si queremos saber
cuimtos elementos (que porcentaje) son mayores de 32, es preciso hacer el siguiente calculo. La
distancia a[ centroide es 2. Esta distancia expresada en unidades de sigma es la que denominamos
z yes z=211,2=1,67. Buscando en la tabla zen lafila de z 1,6, columna 0,07, se obtiene un valor
0,0475, lo que quiere decir que un 4, 75% de elementos son mayores de 32. Si desearamos conocer
la proporcion de elementos que estan en el entorno 30±2, solo hay que descontar los que estan a
la derecha de J-L+1,6a- (4, 75%) y los que estan ala izquierda de J-L-1,6a- (4,75%), por lo que el
90,50% de elementos se encuentran en el intervalo pedido.

En general, el intervalo simetrico que ·contiene a un cierto porcentaje de individuos en tomo al valor
central se calcula con la ayuda de la tabla y la formula,

x=p±za- [5]

Conocido este intervalo podemos inferir que si de la poblaci6n normal extraemos al azar un elemento, la
probabilidad de que se encuentre en el intervalo anterior es la asociada a z.

SO.- Si el nivel diario de impurezas de un deposito de agua se distribuye de forma normal con una media
4, 0 giL y con una desviacion estandar 0, 3 giL:
a) ;, Que porcentaje de dias encontraremos una concentracion comprendida entre 3, 7 y 4,3 giL?
b);, Y entre 3,4 y 4,6 giL?
c);, Y que porcentaje de dias encontraremos un nivel de impurezas superior a 4,9 giL?
6°.- Si un metodo para la determinacion de Cloruros en agua tiene una precision de 0, 02 giL y
analizamos un estandar certificado de 1,28 giL; ;,Cual es la probabilidad de que por causas puramente
aleatorias obtengamos un valor inferior a 1,24 giL?
26 V Ferreira ·

r.- La poblacion de marcianos tiene un tamano que se distribuye norma/mente con media 6 em y
desviacion estandar 1. 1, Cual es Ia probabilidad de que el primer marciano que encuentre Ia NASA tenga
un tamano comprendido entre 5 y 7 em?

3.5.- Teorema del limite central

La siguiente propiedad fundamental de las poblaciones normales es la conocida como teorema
del limite central. Esta propiedad establece que si de una poblacion dada con valor central J..l. y
desviacion cr, extraemos grupos de n elementos y determinamos su media, la nueva poblacion formada
por las medias de dichos grupos se distribuye tambien de forma normal, con un valor medio J..l. y con una
desviacion cr/...Jn. Esto es, la distribucion de las medias tiene el mismo valor central, y una dispersion que
se ha reducido en un factor ...Jn.

Por ello, en la distribucion de las medias, se cumple que:

- aproximadamente 2/3 de todas las medias de n individuos estan en el intervalo f.J±cr/...Jn

- aproximadamente el 95% de todas las medias de n individuos estan en el intervalo f..l±2cr/...Jn
- aproximadamente el99,7% de todas las medias den individuos estan en el intervalo f.J±3cr/...Jn
- en general, el x% de todas las medias de n individuos estan en el intervalo f.J±zcr/...Jn , donde z es
un valor que se encuentra tabulado en tablas estadisticas.
Lo que se expresa, de manera analoga a como hicimos anteriormente, mediante la formula:

8°.- 1, Cuales seran las nuevas J1. y a de los niveles semanales (en Iugar de diarios) de impurezas del
deposito de agua del problema 4 (JL = 4,0 y a= 0,3 giL)?

9°.- 1, Cual es el intervala de concentraciones que se espera que se encuentren los niveles de impurezas
del deposito el 95% de las semanas?

10°.- Si los marcianos del ejercicio 6~ via}an siempre en grupos de cuatro, 1, cual sera Ia probabilidad de
que Ia media de tamano del primer cuarteto encontrado par Ia NASA sea inferior a 5 em?

El teorema del limite central tiene una consecuencia practica de gran importancia para la
medicion: Es posible regular la incertidumbre de un resultado controlando el nfunero de mediciones
replicadas realizadas sobre una misma muestra, o en su caso, controlando el nfunero de incrementos
muestrales extraidos de un sistema para estimar su composicion media.

Ejemplo. Si Ia imprecision de un metoda de ana/isis es de 10 ppm (a=10 ppm), un resultado de ana/isis

de una muestra dada en el 95% de los casas contendra al valor real de composicion de dicha
muestra en el intervalo x±2a. Esta quiere decir, que si el resultado es, par ejemplo, 220 ppm,
tenemos el 95% de probabilidad de que el valor real de Ia muestra este en el intervalo 220±20. Si
par el contrario, realizamos 4 ana/isis de dicha muestra (lo que denominamos replicas), !enemas
el 95% de probabilidad de que el valor real de Ia muestra este en el intervalo
220±(20/raiz(4))=220 ± 5. Hemos reducido Ia incertidumbre del resultado en unfactor 2.

10bis.- Si se desea conocer el contenido media en co/estero! de un late de alimento producido en un

proceso continuo de variabilidad 10%, con una precision superior al 1%, 1, cuantas muestras de alimenta
tendre que tamar? Nota: Debe suponerse que Ia imprecision analitica es despreciable.
QUIMICA ANALITlCA A VANZAUA tema 1: lntro<lucciOn a Ja ~mmwmema ~I

Observa que estamos diferenciando la precision del metoda de analisis de la incertidumbre del
resultado. Igualmente, estamos diferenciando entre la precision de un metoda de muestreo y la
incertidumbre de la muestra fmal recogida.

Un segundo efecto de gran importancia que se observa en las distribuciones de las medias de
poblaciones que no se distribuyen de una forma normal es que la distribucion de las medias es siempre
mucho mas "normal" que la distribucion de partida y tanto mas cercana a la normal cuanto mayor es el
nllinero de elementos que componen la media.

Esta aflrmacion puede ser ilustrada con algunos ejemplos. En primer lugar consideremos la
distribucion derivada dellanzamiento de un dado. Se trata de una distribucion uniforme con 6 resultados
posibles y equiprobables. Bastante lejos de una distribucion normal. Si lanzamos el dado dos veces y
sacamos la media del resultado obtenido, la distribucion deja de ser uniforme, ya que algunos resultados
son mas probables que otros como consecuencia del juego de combinatoria. Par ejemplo, el resultado 1
solo se obtiene si tanto el primer dado como el segundo sacan 1. Su probabilidad es 1/36 (ya que hay 36
resultados posibles). Par el contrario, el resultado 3,5 se obtiene con mas combinaciones de dados (1 y 6,
2 y 5, 3 y 4, 4 y 3, 5 y 2, 6 y 1). Su probabilidad es 1/6. Si lanzamos el dado 5 veces, el nllinero de
resultados posibles es 56= 15625 par lo que la probabilidad de sacar un 1 (o un 6) pasan a ser
practicamente nulas mientras que la probabilidad de ocurrencia de los hechos centrales es superior.

Tambien muchas distribuciones marcadamente asimetricas se convierten en distribuciones

simetricas muy similares ala normal. Considera el ejemplo de una distribucion tipo Poisson, como la que
se obtiene al muestrear particulas de un mineral que contiene particulas de mena y particulas de ganga,
siendo las primeras 999 veces mas frecuentes que las segundas. Si extraemos al azar 1000 particulas (que
podrian ser las que caben en la punta de espatula que empleamos para pesar y comenzar el analisis), el
nllinero de particulas de mena presentes en el analisis sigue una distribucion muy sesgada denominada
distribucion de Poisson que es la que se ve en la flgura 9-1 mostrada a continuaci6n. Como puede verse,
aunque la media de la distribucion es 1, la probabilidad de extraer 0 particulas es exactamente igual a la
de extraer 1, que representaria el 1lnico resultado correcto. Extraer dos particulas pasa aproximadamente 2
de cada 6 veces (dariamos un resultado doble del real), y extraer 3 ocurre todavia un 6,1% de las
ocasiones.

Extrocci6n de 1000 portlculos 2 replicas

0,4 0,3
0,35 1- 0,25 ~
-
0,3 1-
~ 0,25 r- 11
:!!
0,2 - -
i 0,2 1- ~ 0,15
.:: -=- - -
! 0,15 r- r- ~ 0,1 f- - -
0,1 1- 1-
0,05
0
r- r- l l ~
0,05

0
r- - -
-n n
0 1 2 3 4 5
n• partfculas mena
6 7 8 g 10 0 0,5 1 1,5 2 2,5 3 3,5
n• medio de partfculas de mena
• 4,5 5 5,5

Figura 10-1 Figura 10-2

10 replicas 20 replicas

0, 14 0,1
0,12 0,09
0,08
0,1 11 0,07
11
:!! 0,06
~ 0,08
i 0,05
.: 0 ,1)5
0
-g 0,04
G. 0,()4 a o,oJ n1
nil~ 1~~i111n
0,02
0,02
0,01 n1 11
0 itn- llnn 0 , nil IIII I

"' ,'1- "'~ "'~ ,'!> ~'~- ~~ ~" ,'? ~ ,'!> ~<? ~'~- ~1' ~'? ~~
~
~~
~" "'~
'\.
"' "'' "' "''"" ~"
n• medio de partfculas de mena n• medio de partfculas de mana

Figura 10-3 Figura 10-4

28 V Ferreira ·

Si este analisis lo replicarnos (esto es, para carla muestra de mineral realizarnos dos
determinaciones que comienzan cogiendo 1000 particulas carla una). La distribucion de resultados
posibles pasa a ser la mostrada en la figura 9-2, si realizarnos 10 replicas del analisis, la distribucion de
resultados (expresada como nfunero de particulas de mena carla 1000 particulas) seria la que se muestra
en la figura 9-3, y si lo replicararnos 20 veces, obtendriarnos la distribucion de resultados mostrados en 9-
4. Las dos ultimas distribuciones de resultados son muy parecidas a la normal, a pesar de que dado el
ejemplo escogido, se trata de distribuciones discontinuas. Como quiera que sea, su consecuencia es de
gran importancia practica, ya que si realizarnos el nfunero suficiente de replicas, la distribucion de
resultados va a ser normal. Esto refuerza la importancia de esta distribucion y de su uso practico.

3.6.- Intervalos de confianza

La introduccion de la distribucion z nos esta permitiendo conocer de antemano en que intervalo
en tomo a un valor medido, o a una media de valores medidos, esperarnos con una cierta probabilidad
que este contenido el valor real. Esto es un gran avance, ya que desde que introdujimos el concepto de
imprecision e incertidumbre hablarnos de la existencia de un intervalo de valores en el cual acepto que
existe una probabilidad de que se encuentre nuestro valor real. Ahara podemos darle extension numerica,
y lo unico que hacemos es darle la vuelta a la formula

- (j' - (j'
x = J.1 ± z Fn, , para pasar a J.1 = x ± z Fn, [7]

Estos intervalos se denominan intervalos de confianza de una media o de un valor.

Esta idea puede ser explotada para saber si una media o un valor son "normales", o si por el
contrario, son tan poco probables que lo mas seguro es que procedan de una poblacion distinta. Esto se
utiliza directarnente en la toma de decisiones.

Par ejemplo, en el deposito de agua de los ejemplos anteriores, sabemos que de forma natural, el 99, 7%
de las semanas el nivel de impurezas estara en el intervala 4, 0 ± 0, 34 giL (que es el intervala de
confianza de la media semanal del 99, 7%). Si una semana en particular encontramos un nivel de
impurezas de 4, 5 giL sabemos que es tan poco probable que de forma natural se encuentre un
nivel tan alto (Ia sabemos despues de estudiar dicho sistema durante mucho tiempo, obviamente),
que es practicamente seguro que ha pasado alga en el sistema; como que se han obturado los
filtros, a que el metoda de ana/isis esta fallando; par lo que el data nos indicaria que debemos
iniciar alguna acci6n al respecto.

1JD.- Sabemos que un matraz aforado de 20 mL tipo B tiene una tolerancia (que podemos asimilar ala
desviaci6n de la poblaci6n) de 0, 03 mL. Deseamos saber si el matraz se ha descalibrado par su usa.
Para ella lo aforamos con agua (densidad 1,0000 glmL) y determinamos supeso: 20,0610 g. ;,Cual es la
probabilidad de que el matraz se haya descalibrado?

3.7.- distribuci6n t
La cuestion siguiente es que en ocasiones no conocemos los parametros que defmen a la
poblacion. En realidad es justarnente al reves: si mido es para averiguarlos. Esto nos obliga a estimar la
desviacion estandar poblacional, cr, a partir de la desviacion estandar de un numero limitado de
mediciones, s (desde el punto de vista practico, podemos considerar a como una s con mas de 50 grados
de libertad). Ahora bien, al realizar esta estimacion aumenta mi incertidumbre, por lo que cuando manejo
desviaciones estandar, s, ya no puedo emplear la distribucion normal, sino una muy parecida que se
denomina funcion de distribucion t. Para comprender su origen y uso es conveniente que resolvamos
primero el siguiente ejercicio:
(.)UlMlCA ANALlllCA A VANLAUA tema 1: muoaucc10n a ta t.<Utmtomema

II bis.- ;, Que tipo de distribuci6n se obtiene si de una poblaci6n que en cierto parametro se distribuye de
forma normal (con centro J1 y desviaci6n tipica CY), extraemos n elementos, calculamos su media y
calculamos el cociente

para cada extracci6n aleatoria den elementos?

Resulta obvio que la distribuci6n que se obtiene es la distribuci6n z, o distribuci6n normal

estandar, ya que el panimetro anterior es justamente la distancia de cada media al centroide de la
distribuci6n normalizado por la desviaci6n (en este caso de las medias).

Pues bien, si en la formula anterior reemplazamos cr por s, se obtiene Ia distribuci6n t. Esto es, t
es la distribuci6n estadistica derivada de Ia distribuci6n normal que aparece cuando de una poblaci6n que
se distribuye de forma normal, extraemos n elementos, calculamos su media y su desviaci6n estandar y
representamos la distribuci6n de probabilidades del panimetro t calculado segun

j.l- X
t =-- [8]
fFn
Como se puede apreciar en la ecuaci6n anterior, t es un parcimetro de distancia al centroide
normalizada por el error, de manera exactamente amiloga a z. Lo que ocurre es que en el caso de t el error
se estima por s/raiz(n), mientras que en el caso de z (para una media) el error es cr/raiz(n)

La forma de la distribuci6n t es muy similar a la de la funci6n normal, si bien siempre es mas

ancha, y se obtiene una distribuci6n t para cada n. Esto es, si de la poblaci6n normal extraemos grupos de
2 elementos, calculamos su media y su desviaci6n estandar, obtenemos la distribuci6n t con un grado de
libertad (el nUII1ero de grados de libertad de s es n-1 ). En esta distribuci6n el intervalo que contiene al
95% de los elementos de la poblaci6n es ±12,7 (frente a 1,96 de la distribuci6n z). Si se realizan
extracciones de 3 elementos, se obtiene la distribuci6n t con 2 grados de libertad, en la que el 95% de los
elementos estan en el intervalo ±4,3, si de 4 elementos la de 3 grados de libertad (±3,18), y asi
sucesivamente. Si se extrae un nUII1ero muy grande de elementos la distribuci6n t se superpone a la z (ya
que s tiende a cr cuando n tiende a oo).

lPor que la distribuci6n t es siempre mas ancha que z? Porque el numerador del cociente que
defme a t es el mismo que el que defme a z, pero en el denominador t depende de s. S es un estimador de
cr, cr es fijo, pero s puede variar tanto mas cuanto menor sea el numero de grados de libertad de su
estimaci6n. Esto implica que s puede ser mas pequefio (y mas grande) que sigma, lo que hara que valores
de t grandes sean probables. En la figura 11 se muestran distribuciones t de distintos tamafios que ilustran
este efecto.

:F:\.
',1/. ~\\
..,.. ,//1 ".\\
· ······ !de 1
;g --tde2
:a
•
.a
eQ.
l!;
1~:<
f :'
'\\
..~,
.. , - - - - t deS
-tde50
- -dens idad z

~
/ '-
~--
-~ -" ' r 1 ~

t 0 z
30 V Ferreira ·

Figura 11

Las dos expresiones que defmen los resultados mas probables de una determinacion (para una
medida y para una media) se convierten en:

x = J1 ± ts, [9] para un linico dato, y x = J1 ± t Fn [10] para una media

Y las correspondientes expresiones de los intervalos de confianza de una media o de un valor se

convierte en las expresiones:

J1 = x ± ts [11] y J1 = x± t Fn [12], respectivamente.

En estas formulas, t depende tanto del nivel de probabilidad empleado (al igual que z) como del
nfunero de medidas que hay amos empleado en Ia estimacion de s: (en realidad del nfunero de grados de
libertad empleado en el calculo de s =no de medidas empleadas -1 ).

12°.- En Ia determinacion de Sn en un vegetal, seis determinaciones han dado los siguientes resultados
(expresados en ppm): 24,4; 24,0; 24,1; 24,3; 24,2; 24,5 ;,Cwil es el intervalo de valores en el que existe
un 95% de probabilidades de que se encuentre Ia concentracion real de Sn en el vegetal?

La media es 24,25 ppm, y Ia desviacion estandar 0,187 ppm. El numero de grados de libertad es
el numero de datos empleados en Ia determinacion de s menos 1, esto es, 5. Para un 95% de
probabilidades y 5 grados de libertad, el valor de t es 2,571 (el valor de z era aproximadamente 2). El
intervalo de confianza de Ia media es par tanto ±ts/ J;z = ± 2,571 0,1871 .J6
= ± 0,196 ppm. Par tanto
en el intervalo comprendido entre 24,05 y 24,45 tenemos un 95% de probabilidad de que se encuentre el
valor real de Sn.

Como ya establecimos anteriormente, Ia amplitud del intervalo depende del nfunero de

mediciones, por lo que se puede regular el nivel de incertidumbre de nuestro resultado con el nfunero de
mediciones replicadas realizadas, o con el nfunero de muestras extraidas. En el caso de Ia distribucion t,
al aumentar el numero de mediciones tambien aumenta el nfunero de grados de libertad del calculo de s,
par lo que t para un mismo nivel de confianza es menor.

13°.-t,Cuimtas mediciones mas del vegetal anterior tendrias que r_ealizar para reducir Ia longitud de este
intervalo a Ia mitad?

14°.-t,Cual es Ia diferencia existente entre JlY x? 1, Y entre CYy s? 1, Tiene sentido dar signa a CYo s? ;,Par
que? 1, Yunidades?

15°.- Nos dice el analista que el contenido de un colorante en un alimento es de 5 ppm. 1, Que mas datos
necesitamos para conocer Ia precision del data? 1, Y para Ia exactitud?

16°.- En un Espectrofotometro de Absorcion Atomica estamos midiendo el contenido en Cu de un

mineral. Obtenemos los siguientes valores de Absorbancia:

0,546; 0,560; 0,576; 0,551; 0,556; 0,549;

;,Cual es el valor media, cualla precision, y cuales los intervalos de confianza al 95% y al 99%. ;,Que
quieren decir estos parametros?

17°.- Un quimico necesita hacer unos ana/isis de un producta industrial que se encuentra en varias ppm.
El error tolerado es de 1,0 ppm. En una muestra patron ensayada 10 veces se obtienen los siguientes
resultados:
(..1UlMlCA ANALlllCA AVANLAUA Lt::IIH:l 1 : ~uu UUU~\,;1UH i:1 1a \,{UUJ.uuuu.. u ta

25,8; 26,3; 25,0; 24,9; 25,6; 25,9; 26,2; 25,3; 25,5; 25,0

a) 1, Cucintos datos tendrci que tamar cada vez para tener Ia conjianza (P=O, 05) de que el valor real se
encuentra en el intervalo requerido?; b) 1, Y si el error tolerado fuera de 0,3 ppm?; c) 1, Y si siguiera
siendo de 1,0 ppm pero se requiriera el 99,9% de probabilidad?; d) t,Despues de esto que pensarias al
descubrir que el analista para ahorrar tiempo solo tomaba uno de los datos?

18°.- Se tomo Ia temperatura en puntas distintos de un bio-reactor, dando los siguientes resultados: 33, 0;
33, 7; 32,5; 33,9t,Cucil es Ia temperatura real del reactor con sus intervalos de confianza a/95 y a/99%?

19°.- t,Bajo que circunstancias podemos conocer el intervalo de conjianza de un ana/isis del que solo se
ha realizado una replica?

La cuestion planteada en el ejercicio 19 es de gran importancia para la Quimica Analitica, ya que

a menudo los analisis son caros y dificiles de replicar. Suele ser comlin entre los quimicos no muy
familiarizados con la quimiometria pensar que si no se han hecho replicas de una medida, no es posible
obtener una estimacion de su incertidumbre. Seglin esta concepcion no tendria valor realizar analisis con
una linica replica. Esto es cierto, sin embargo, tan solo en el caso de que no se tenga realmente ninguna
estimacion de Ia incertidumbre, lo cual ocurre las primeras veces en que se emplea un metodo de analisis.
No hay que olvidar, sin embargo, que muy a menudo si que disponemos de una evaluacion de la
incertidumbre con base en Ia experiencia previa y que como dijimos en la introduccion, los metodos
analiticos se hacen funcionar de forma semicontinua para formar autenticos sistemas analiticos de los que
estamos siempre aprendiendo.

Cuando empleamos una distribucion t es porque asumimos que no tenemos un conocimiento

preciso de la desviacion tipica de la poblacion y manejamos una s, desviacion estandar, que es una
estimacion de a con n-1 grados de libertad. Dicha estimacion puede servir para mediciones subsiguientes
siempre que sea razonable pensar que ambos sets de datos proceden de una poblacion con identica sigma.
Esto es, si al poner en marcha un metodo de analisis en ellaboratorio se realiza un estudio de su precision
analizando de forma replicada 6 muestras, las obtenida (vamos a llamarla s 1) puede considerarse que es
una estimacion de la precision del metodo con 5 grados de libertad. Si se emplea ese metodo para analizar
una segunda muestra (con resultado x 2), y no se tienen razones para pensar que Ia precision del metodo
vaya a ser diferente en esa segunda muestra, se puede (y debe) aprovechar la estimacion anterior de la
precision para establecer los intervalos de confianza de esta segunda medicion:

De la misma manera, si a continuacion se analiza una muestra 3 y en esta ocasion se realizan dos
replicas (de media x3
y desviacion s3), podria pensarse que la expresion del intervalo de confianza para
el resultado obtenido en su analisis viene defmida por:

Donde t se mide con un grado de libertad, lo que haria que el intervalo de confianza fuera muy
ancho. Sin embargo esta aproximacion no es correcta, ya que obvia el conocimiento previo de sigma que
tenemos. Si s3 y s 1 son ambas estimaciones de la misma a, no hay razon para emplear la que es una
estimacion mas debil (basada en menos grados de libertad). Seria mas correcto escribir entonces:

(Observa que el nfunero de grados de libertad de t siempre se corresponde con el de s, y raiz de n se corresponde con el nfunero
de mediciones empleadas para obtener Ia media).
32 V Ferreira ·

En realidad, y como veremos posteriormente, si tanto s3 como s1 son ambas estimadores de la

misma desviacion tipica (con 5 y 1 grados de libertad, respectivamente), lo mejor que podemos hacer es
combinarlas para obtener una s combinada con 6 grados de libertad, de forma que nuestro conocimiento
mejore.

Los intervalos de confianza nos pueden servir tambien para detectar la presencia de errores
sistematicos. Gracias a ellos podemos decidir con una probabilidad adecuada si una media de resultados
esta alejada de un valor real o no de forma significativa.

20°.- El analista del ejemplo 17, introduce algunas semanas despues una disoluci6n de concentraci6n
conocida (C= 25,3 ± 0,1 ppm) proveniente de una muestra certificada, y encuentra los siguientes datos:

26,2; 25,3; 26,8; 26,0; 26,1; 26,3; 25,8

t,Se puede afirmar la existencia de un error sistematico?, ;,Con que grado de confianza? ;,Que
decision debe tomarse?

3.8.- Presentaci6n de resultados

En la practica real, tanto si se han obtenido en un sistema analitico de precision conocida como si
se han obtenido de un metodo poco conocido, los resultados no se suelen presentar empleando la
expresion del intervalo de confianza en funcion de t ni en funcion de z. En la practica se suele dar el
resultado medio como una estimacion del valor verdadero y una estimacion de la precision del metodo en
forma des ode cr, segful el conocimiento que tengamos del metodo. Es preceptivo indicar el numero de
elementos que componen la media, y el nl1mero de grados de libertad con que se conoce s (como
indicamos con anterioridad, si el nl1mero de grados de libertad es superior a 50, entonces s y a son
practicamente coincidentes). Si el resultado es la media de varias replicas en ocasiones no se da la
desviacion estandar, sino el parametro s/raiz(n) o cr/raiz(n), que se conoce como error estandar de la
media. En estos casos se pueden presentar los resultados como

Resultado=media ± error estandar de la media

En cualquier caso, y al no existir un convenio universalmente aceptado, debe explicarse el que se

esta empleando.

El valor medio tiene que escribirse con un numero de cifras significativas que sea coherente con
la precision del experirnento. Si se incluyen cifras significativas de mas, no solo se dificultara la lectura y
la interpretacion, sino que inducira a pensar que los resultados tienen una precision mayor de la que en
realidad tienen. Si se incluyen cifras significativas de menos se perdera informacion de forma
injustificada.

l,Que entendemos por cifras significativas? Las cifras de un resultado que conocemos con certeza
suficiente. Si obtenemos un resultado 16,5412 ppb y nuestra incertidumbre es ±1,3, debemos expresar el
resultado como 16,5 i.,Por que? Porque aceptamos que nuestro intervalo de confianza tiene una extension
de ±1,3 unidades y su centro lo situamos en 16,5. Si lo situamos en 16, nos distanciamos
innecesariamente media unidad del centro mas probable. Si lo situamos en 16,54 lo estamos situando con
una precision muy superior a la que en realidad somos capaces, lo cuallleva a engafio. Siguiendo con el
mismo razonamiento, si nuestra incertidumbre es ±0,13, el resultado debe expresarse como 16,54. Si
nuestra incertidumbre es ±0,013, lo escribiremos como 16,541.

Observa que el nl1mero de cifras significativas no coincide con el nl1mero de cifras decirnales.
Por ejemplo, el resultado anterior expresado en ppm es 0,0165, 0,01654 o 0,016542, segnn sea la
precision. Esta es Ia utilidad de Ia notacion denominada cientifica, en la que las cifras significativas se
incluyen como prefijo y se afiade un exponente para indicar Ia posicion de la coma. En los tres casos
anteriores, el resultado en notacion cientifica seria 1,6 10'2 ; 1,65 10·2 y 1,654 10·2 ppm, respectivamente o
1,6 101; 1,65 101 y 1,654 101•
QUlMlCA ANALlTlCA A VANL.AUA tema 1: mtroauccwn a Ja l.,lUimwmema JJ

El mantener la coherencia de las cifras significativas nos obligani a prescindir de algunas cifras
obtenidas en nuestras mediciones y en ocasiones a redondear. Ambas cosas deben realizarse
exclusivamente al presentar los resultados. Nunca debe prescindirse durante los ca.lculos previos de cifras
cuya falta pudiera afectar al resultado. En la pnictica esto quiere decir que para los calculos debemos
preservar tantas cifras como las significativas mas dos.

21°.-1, Tiene sentido sis = 0,01 ppm, escribir el resultado como 2,0263 ppm? 1, Y como 2 ppm?

En cuanto a las desviaciones estandar y las incertidumbres, no tiene sentido expresarlas con mas
de dos cifras significativas. La razon es clara: una desviacion estandar es una medida de la incertidumbre
de una medicion, es por naturaleza un ±algo. Por ejemplo 13,2±1,1 tiene sentido y nos indica que la cifra
3 oscila una unidad y algo mas, pero 13 ,2± 1,12 no tiene sentido, ya que no tenemos en realidad ninguna
posibilidad efectiva real de conocer la segunda cifra decimal (cuarta significativa) del resultado.

AI expresar la desviaci6n estandar o la incertidumbre en forma relativa, la cuestion se simplifica.

Si nuestra imprecision es superior al 10%, solo podremos dar dos cifras significativas. Si esta entre 1 y
10%, podremos dar 3, y si esta entre 0,1 y 1%, podremos dar 4.

3.9.- Propagacion y combinacion de errores

Cualquier resultado analitico tiene una incertidumbre y error fmales que son consecuencia de las
incertidumbres y errores cometidos en cada uno de los pasos del analisis. Es necesario conocer como se
suman (o propagan) los errores sistematicos o aleatorios de cada una de las etapas para determinar tanto
cual es la incertidumbre o error fmal esperados, como en cual de las etapas del analisis debe realizarse un
mayor esfuerzo para disminuir la incertidumbre o el error fmal.

Los errores se propagan de una forma muy diferente si son aleatorios o sistematicos, puesto que
los ultimos tienen signa defmido y los primeros no. Si al realizar una medida se realizan una serie de
operaciones aditivas (o consecutivas) que introducen cada una un cierto error aleatorio, el error aleatorio
fmal no es la suma de los errores aleatorios cometidos en las distintas operaciones, sino que son las
varianzas (cr2) las que son la combinacion lineal de las varianzas.

220.- Se tiene una bureta cuyo error de lectura (que podemos asimilar a CY) es ±0, 02 mL, 1, cual es el error
introducido par la bureta en una valoraci6n?

Hay que recordar que en la bureta se realiza la operaci6n de lectura dos veces: una cuando
enrasamos a cera y otra cuando tomamos el volumen consumido. El error total es debido a las dos
operaciones:

cr2 = cr2I + cr22 = 0 , 022 + 0 , 022. = 0, 0008=> cr = 0, 028 mL

Nos interesa particularmente conocer cual es la incertidumbre de un metoda de analisis en
funcion de la incertidumbre introducida en las distintas etapas del analisis. Veamos lo que ocurre en una
cierta determinacion volumetrica. Como ejemplo supongamos que pesamos 0,1 g de muestra, se afora a
100 mL, se pipetean 10 mL de muestra y se consumen alrededor de 20 mL de agente valorante.
Supongamos tambien que la Normalidad del agente valorante es conocida con una gran precision
(incertidumbre despreciable) y que el error de viraje es nulo. La incertidumbre del resultado de la
valoracion es funcion de las incertidumbres introducidas en la operacion de pesada, aforo, transferencia y
valoraci6n.
1. Incertidumbre de la pesada: Podemos asimilarla a la incertidumbre de lectura, que para
una balanza analitica normal es de ±0,0001 g.
2. Incertidumbre del aforo: Podemos asimilarla a la tolerancia del matraz, que para un
matraz aforado de 100 mL de clase B es de ±0,2 mL
3. Incertidumbre del pipeteo: Podemos asimilarla ala tolerancia de la pipeta, que para una
pipeta normal de 10 mL de clase B es de ±0,04 mL.
34 V Ferreira ·

4. Incertidumbre de Ia valoraci6n: Con los condicionantes previamente descritos, podemos

asimilarla al error de lectura ya calculado en el ejercicio 22, ±0,028 mL.
Para combinar todas estas incertidumbres debemos pasarlas primero a desviaciones relativas, ya
que se encuentran en unidades no homogeneas y posteriormente sumamos sus cuadrados ya que se trata
de errores aleatorios .
.---------------------------------
2

=±~0,001
2 +0,002 2 +0,004 2 +0,0014 2 =±0,48%
2 2 2
0 0001 02 0 04 0 028
Inc.Global=± ( • ] +( • ] +( • ] +( • ]
0,1 100 10 20
Este resultado nos indica que la incertidumbre de la operaci6n global (expresado como RSD(%)) es el
0,48% y que pnicticamente toda la incertidumbre se ha introducido en la etapa de pipeteo.

23°.- Calcula el efecto que sabre la precision global tendria en el caso anterior: a) sustituir Ia pipeta de
tipo B (tolerancia ±0,04) por una tipo A (tolerancia ±0,02),· b) sustituir el matraz aforado tipo B
(tolerancia ±0,2) por uno tipo A (tolerancia ±0, 1).
Este mismo razonamiento puede aplicarse para el calculo de la incertidumbre de una operaci6n de
medida compuesta de una toma de muestra y de una determinacion analitica.

23bis 0. - Si estamos determinando cual es el contenido media en Sn de un carnian cargado de casiterita y

para ella empleamos un metoda analitico cuya cr es 1 g/Kg y ademas sabemos que el metoda de muestreo
empleado tiene una cr de 3 g/Kg, 1, cual es el error aleatorio que se comete al extraer una muestra y
analizarla una vez?.

24°.- Expresa de forma precisa el significado de cada una de las cr del ejemplo anterior.

Cuando lo que queremos determinar son los errores sistematicos, el error de la medida fmal es la
suma de los errores sistematicos cometidos en las etapas individuales (recuerda que los errores
sistematicos tienen signo). El calculo hay que hacerlo con cuidado, ya que es facil confundir los signos.

Ejemplo. En una determinacion volumetrica la pesada de muestra se realiza con un error sistematico del
-1% (por una mala calibraci6n de la balanza) y el aforo a volumen con un error del+ 1% (por
una mala calibraci6n del matraz aforado). Determina cual es el error del resultado si el resto
de la valoraci6n (pipeteo, titulaci6n y calculo de los equivalentes) ya no va afectada de mas
errores.

Un error sistematico del -1% en la pesada, quiere decir que la masa medida es un 1% inferior
a la real. Un error sistematico del + 1% en el aforo a volumen, quiere decir que el volumen
contenido en el matraz de aforo es un 1% superior al nominal. Veamos como afectan estos
errores al numero de equivalentes de ana/ito presentes en la alicuota de muestra analizada:
Si tomamos una masa real de 100 mg, Ia lectura de Ia balanza sera de 99 mg; Esta masa se
disuelve ahara en un matraz de 100 mL nominales, que contiene en realidad 101 mL. A
continuaci6n se taman por ejemplo 10 mL de este volumen y se valoran con agente valorante,
dandonos un resultado de X mequivalentes. Nuestro resultado sera que Ia cantidad total de
equivalentes seran 1OXpresentes en 99 mg de muestra.

Sin embargo, el numero de equivalentes presentes rea/mente seran 10, IX en 100 mg de

muestra. El error final cometido es: q1
0 /J1"l c 01 ) '"

E=JOX/99-JO,JX/100= (10/99-10,1/JOO)X= (0,10101-0,JOJ)X= 1,01 J0-5X

E(O/o)=l,OJJ(J5/0,101 X 100 = 0,01% ;:::,0

·) I

Esto es, el Error relativo final es aproximadamente Ia suma de los errores relativos.

Si el matraz de aforo tuviera un error del -1%, el resultado seria sin embargo un error por
exceso del 2, 03%. Calculalo como ejercicio.

E-
\0 1"\l 'y )(,_
1 y

•'
(JU!M!CA ANALiilCA A VAl\IL..AlJA tema 1: lnlTUUUl:l:IUH a Ja \,lUlliiiUIIlt;U 1<1 .J.J

25°.- Si en la determinacion del contenido de Pb de un maiz se introduce un sesgo (error sistematico) en

la etapa de muestreo del maiz de +2,2 ppm. Y que el metoda analitico empleado, esta mal calibrado,
introduciendo un error par exceso de 1,1 ppm. 1,Cual es el error sistematico total del resultado?

Otra situacion de combinacion y propagacion de errores que debemos considerar es aquella en la

que el resultado analitico depende de uno o varios datos o parametres que son procesados con un
operador matematico. Por ejemplo, para calcular la densidad, nos apoyamos en dos datos (la masa y el
volumen), y dividimos el dato del primero por el segundo. Un segundo ejemplo, la Absorbancia es en
realidad el logaritmo de la Transmitancia, que a su vez es el cociente de los dos parametres medidos I e
10 • Existen muchos casos de este tipo y nos interesa conocer como un error aleatoric en uno de los
parametres se transmite al resultado fmat
Para ello es preciso echar mano del calculo diferencial, y averiguar como una variacion en un
parametro x, afecta a mi resultado y, que es fun cion de x.
y=f(x)
una variacion diferencial en x, introduce la siguiente variacion en y:

dy=~dxl
Ahora bien, como las varianzas estan relacionadas con el cuadrado de las variaciones:

por lo que a; =(:)'a; [14]

Esto es, como era de esperar, la imprecision en el parametro x se transmite al resultado fmal a
traves de la derivada de la funcion con respecto a x al cuadrado.
En el caso mas general, si un resultado analitico es dependiente de m factores xi de acuerdo con la
expresion:
y = f(X1, X2, XJ ... Xm),
una variacion diferencial en cada uno de los factores, introduce una variacion en el resultado dada por:

dy = ldx ~ + dx
1 2
~ + ..... + dxm bY I, lo que conlleva que la varianza del resultado se relaciona con la
tlxl tlx2 &m
varianza de cada factor seglin:

siempre que los factores m sean independientes (solo en este caso podemos despreciar los productos
cruzados que aparecerian al elevar al cuadrado la expresion diferencial.
La aplicacion de la expresion anterior a distintas relaciones matematicas entre y y x nos lleva a
las expresiones que se muestran en la tabla mostrada en la pagina siguiente.
26°.- En los metodos opticas, lo que se mide rea/mente es el porcentaje de luz absorb ida par Ia muestra
(I'= Trcmsmitancia), pero el parametro que manejamos par ser lineal con Ia concentracion es Ia
Absorbancia, que se define como A =-logT. Calcula el intervala en el que Ia desviacion estandar relativa
es minima. 1, Que implicaciones tiene esto?

27°.- Se hade determinar una constante de reparto de un equilibria de extraccion de un ana/ito entre dos
fases. Para ella medimos las concentraciones en el equilibria de ana/ito en ambas fases. Para Ia
determinacion del ana/ito en fase organica se emplea un metoda de RSD conocida del 10%. Para Ia
36 V Ferreira ·

determinacion enfase acuosa se emplea un metoda de RSD del 5%. ;,Cual es Ia imprecision (en RSD) de
Ia K determinada?

27bis.- Aplica Ia expresion para deducir que Ia varianza de una poblacion de medias de n elementos
(que se distribuyen norma/mente con sigma Ci) es igual a Ia varianza de Ia poblacion original reducida
en n.
TIPODE FORMA DE LA
RELACION I INCERTIDUMBRE
y = X1 + X2
y = X1- X2
y= X1 X2
y = X1/X2

y=log x
QUIMICA ANALITICA A VANZADA tema 1: lntroduccJ6n a Ia (,!UJmJOmetria jf

4.- TESTS DE SIGNIFICACION

4.1.- Concepto y estructura general

Como hemos vista en las secciones anteriores, la existencia de lo que denominamos errores
aleatorios no nos permite conocer con absoluta certeza el valor real de un panimetro. Mas bien hemos de
conformarnos con delimitar un intervalo mas o menos estrecho en el que dicho valor real se halle con una
cierta probabilidad. Este hecho repercute fuertemente en todos los procesos de toma de decision y los
convierte en procesos relacionados con el calculo de probabilidades. Desde el punta de vista conceptual
esto supone un vuelco que es muy importante meditar y comprender: Las casas no van a ser ya blancas o
negras, sino que diremos que algo es blanco si Ia probabilidad de que nolo sea a partir de los datos
observados, es despreciable. El investigador es quien delimita lo que considera despreciable o no.
Siempre habremos de admitir la probabilidad de que los datos observados sean fruto de la variabilidad
aleatoria.
En la actualidad, los procedimientos mas utilizados para realizar el contraste de hipotesis son los
denominados "test o contrastes de hip6tesis", cuya caracteristica mas especifica es que parten de la teoria
de la probabilidad para formalizar una regia de decision entre dos hipotesis complementarias; su objetivo
va a ser aceptar o rechazar hipotesis cientificas, mediante un razonamiento inductivo de tipo
probabilistico.
Todos los contrastes de hipotesis tienen una estructura similar, y constan de las siguientes etapas:
1) Conocer, en la medida de lo posible, la distribucion de la poblacion.
2) Determinar las hipotesis de la prueba, que seran complementarias:
La hipotesis nula H 0 es la que se establece como verdadera y es la que se aceptara o rechazara. La
hipotesis nula en general establece que las diferencias entre los valores de los datos se deben a
causas puramente aleatorias. La hipotesis alternativa H 1 es la complementaria a la nula y par
tanto, se aceptara como verdadera cuando rechacemos la hipotesis nula. La hipotesis alternativa
par tanto, establece que las diferencias entre los valores observados NO se deben a causas
puramente aleatorias, sino que se de ben a la existencia de un factor con efecto.
3) Eleccion del nivel de significacion y el estadistico de prueba. El nivel de significacion a. nos
marca el error maximo del denominado tipo I que estamos dispuestos a admitir. Defme el
porcentaje de la poblacion que elegimos considerar no normal. Si elegimos a.=0,05, estamos
diciendo que aceptamos que un 5% de la poblacion lo vamos a considerar extraiio. Si la prueba es
de dos colas, consideraremos normal el 95% central y despreciaremos los 2,5% de los elementos
mas extremos. Si la prueba es de una cola, despreciaremos el 5% mas extrema, tal y como se ve
en la figura 11. La eleccion ·del nivel de significacion tiene importantes consecuencias. Si
elegimos a.=0,05, y rechazamos la hipotesis nula, tenemos un 5% de probabilidad de
equivocarnos. Si elegimos a.=0,01 y rechazamos la hipotesis nula, solo tenemos un 1% de
probabilidad de equivocarnos, pero esta aumentando el riesgo de cometer un error
complementario (error que denominamos tipo II). Luego lo vemos con mas detaile.
El estadistico de prueba (el tipo de test) es el que nos permitira dividir la distribucion muestral en
dos regiones complementarias, la de aceptacion de H 0 y, la de rechazo de Ho y aceptacion de H 1
(denominada region critica).
4) Obtencion de las regiones de aceptacion y rechazo de la hipotesis nula H 0, cuyos valores limites
los determinaremos en las tablas correspondientes segtin el estadistico que hayamos elegido. La
region de rechazo es la zona de la distribucion de la muestra cuya probabilidad es menor o igual
al nivel de significacion a..
38 V Ferreira ·

prueba bilateral prueba unilateral

Figura 11

Con esta regia de decision nos podemos encontrar con las siguientes situaciones:
Decidimos H 0 verdadera H 1 verdadera
Error de tipo IT
AceptarHo decision correcta
P(error tipo II)= ~

Rechazar Hoy Error de tipo I

decision correcta
aceptar H 1 P(error tipo I) = a.

a. :;=Riesgo, 1- ~ = Potencia del test

5) Calculo del estadistico de contraste. Que es el que nos va a permitir aceptar la hipotesis nula, si el
estadistico de contraste se encuentra en la region de aceptacion, o rechazarla, si se encuentra en la
region de rechazo.
6) Conclusiones.

En esta seccion presentaremos los contrates mas usados, dando un enfasis especial a los controles de
exactitud y precision de los resultados y metodos analiticos. Analicemos con ayuda del ejemplo
presentado en el problema 11 la estructura basica de los tests, siguiendo los puntas presentados
anteriormente.

11°.- Sabemos que un matraz aforado de 20 mL tipo B tiene una tolerancia (que podemos asimilar a Ia
desviaci6n de Ia poblaci6n) de 0, 03 mL. Deseamos saber si el matraz se ha descalibrado por su uso.
Para ello lo aforamos con agua (densidad 1,0000 g/mL) y determinamos supeso: 20,0610 g. ;, Cucil es Ia
probabilidad de que el matraz se haya descalibrado?

La forma de trabajar es la siguiente:

En primer Iugar consideramos si la poblacion se distribuye de forma normal o no. No existe

ningUn motivo para que la poblacion no se distribuya de forma normal y asumimos que asi lo hace. (en
otros casas mas complejos es preciso aplicar algtin test para verificar la suposicion de normalidad. AI
fmal del presente capitulo veremos algtin tipo de test para verificarlo)

En segundo Iugar, formulamos la hipotesis nula, lfo. Esta hipotesis establece que todas las
diferencias son atribuibles a errores de naturaleza aleatoria. En nuestro caso la hipotesis nula es que el
matraz no esta descalibrado, y por tanto la diferencia entre el valor medido (20,0610 g) y el esperado
(20,0000) es aleatoria, ya que ambos puntas pertenecen ala misma distribucion. De forma simultanea se
QUIMICA ANALITlCA A VANZAlJA tema 1: lntroauccwn a Ja \,lutmJOmema :J:7

plantea la hipotesis altemativa, H~, que es que esos dos valores pertenecen a distribuciones distintas, el
segundo a una distribucion de centro conocido e igual a 20,0000, y el primero a una distribucion con
centro diferente.

En tercer Iugar se debe elegir el test estadistico y el nivel de significacion. Puesto que conocemos
la distribucion de la poblacion (J..L=20,0000; a=0,03 mL), escogeremos un test z.

En cuanto al nivel de significacion, comunmente se toma el nivel del 95%. Esto quiere decir que
si la probabilidad de que el valor medido pertenezca a la distribucion de referenda es inferior al 5%
(a=0,05), rechazaremos la hipotesis nula. Dicho de otra forma, vamos a considerar tan solo el 95% de los
individuos centrales de la poblacion, y vamos a despreciar como "poco normales o poco probables" el 5%
de los individuos situados en los extremos, segun se mostro en esquema en la figura 11.

El cuarto paso es determinar las regiones de aceptacion y rechazo de la hipotesis nula. En nuestro
caso, y puesto que hemos decidido realizar un test z, lo que tenemos que determinar es que valores de z
son los que delirnitan el 95% de elementos centrales de la poblacion de los dos sectores (colas) que
consideramos marginales. En nuestro caso z=1,96.

El quinto paso es el calculo del estadistico de contraste, esto es, el valor experimental de z. En el
caso que nos ocupa, lo que tenemos que calcular es cual es la distancia normalizada en terminos del error
mediante la formula [3].

Z =X;- J1 = 0,0610 = 2 03
(J 0,03 '

Esto es, nuestro valor se encuentra separado 2,03 a del valor central y queda por tanto fuera de la
zona de aceptacion, que quedaba confinada para valores de z inferiores a 1,96. En la tabla de la
distribucion z se aprecia que tan solo un 2x0,0212=4,24% de puntas de la poblacion estan separados
tanto (o mas) del valor central. Dicho de otra forma, la probabilidad de que de una poblacion con centro
20,0000 y a 0,03 extraigamos un valor 20,0610 es inferior al 5%. Par tanto rechazamos la hipotesis nula
y concluirnos que el matraz esta descalibrado. La probabilidad de equivocamos al decir esto es inferior al
5% (lo que se denomina error a o error de tipo I que es el error de rechazar una hipotesis nula cierta).

4.2.- Errores tipo I y tipo II

Habitualmente nos limitamos a fijar el nivel de significacion a, por lo que podemos no ser
demasiado conscientes de las irnplicacjones reales que tiene dicha eleccion, pero veamos que es lo que
ocurre cuando cambiamos deliberadamente el nivel de significacion a. Puesto que defmirnos a como el
error de tipo I que estamos dispuestos a asumir, podriamos pensar que trabajaremos mas seguros si
hacemos que a sea mas pequefio. Hagainos a por ejemplo 0,01 en Iugar de 0,05. AI tamar dicha decision,
desde luego que sera mucho menos probable que rechacemos una hipotesis nula cierta, pero estamos
perdiendo precision. Esto se puede ver facilmente con ayuda del ejemplo mostrado en el epigrafe
anterior. Si en el caso anterior a=0,01, entonces el z que delimita las zonas de aceptacion y rechazo ya no
es 1,96, sino que es 2,575. El estadistico de contraste (el z experimental) sigue siendo el mismo, 2,03,
pero en esta ocasion cae dentro de la zona de aceptaci6n de la hipotesis nula. Por tanto, al cambiar el
valor de a estariamos aceptando que nuestro matraz no esta descalibrado.

Lo que ocurre es que en al hacer mas pequefio el riesgo alfa, hacemos mas alto su riesgo
complementario, que se denomina beta, y que es aceptar como cierta una hipotesis nula falsa, lo que se
denomina error de tipo II. Ambos riesgos estan ligados y su defmicion exacta escapa del alcance de estos
apuntes.

Tambien podemos especular con lo que ocurriria si decidimos hacer mas grande el error alfa, por
ejemplo 0, 1. En ese caso rechazaremos la hipotesis nula mucho mas facilmente, par lo que sera muy poco
40 V Ferreira ·

probable que aceptemos una hipotesis nula falsa (error tipo II o error j3), pero sera mucho mas facil que
rechacemos una hipotesis nula cierta (error tipo I o error a).

4.3.- Comparacion de una media con un valor conocido mediante el test t

Ademas del test z, que se aplicara siempre que conozcamos la distribucion de partida (siempre
que conozcamos la precision o tolerancia de los metodos o instrumentos analiticos), se emplean otros
tests basados en Ia distribucion t que se aplicaran siempre que la precision o tolerancia tengan que
estimarse en el propio experimento mediante la realizacion de medidas repetidas. Estos tests se
denominan test t.

El problema de comparar medias con valores conocidos es bastante frecuente en quumca

analitica tanto en Ia deteccion de errores sistematicos como en Ia comprobacion de Ia pureza de lotes. Por
ejemplo, hemos comprado un lote de mineral de pureza 67% y queremos comprobarlo tomando una serie
de muestras y analizandolas. Otro ejemplo, hemos puesto en marcha en nuestro laboratorio un metodo
analitico para determinar azufre en carbon y queremos verificar su exactitud mediante el analisis de una
muestra certificada con contenido 1,07 %. ·

Para responder a ambas cuestiones necesitamos conocer los intervalos de confianza de los
resultados obtenidos, por lo que sera preciso realizar determinaciones repetidas (de muestras distintas en
el primer caso, de Ia misma muestra en el segundo) para estimar las variabilidades aleatorias (de muestreo
en el primer caso, de analisis en el segundo). Partiendo por tanto de un set de n resultados de media X: y
de desviacion estandar s,

El intervalo de confianza viene dado por:

- s
x=p±t.J;z

y podemos considerar que el valor conocido difiere del valor medido si Ia longitud del intervalo ±ts/..Jn es
inferior a Ia diferencia entre ambos valores. Esto es, si no hay posibilidad de que ambos valores esten en
el mismo intervalo. En notacion matematica:

Despejando t se tiene:

La t que aparece a la derecha de la desigualdad es la que se encuentra en las tablas al nivel de

probabilidad escogido y con los grados de libertad con que se conoce s. Por tanto, lo fulico que hay que
hacer es verificar si la desigualdad se cumple (se rechaza Ia hipotesis nula y queda probado que hay
diferencias significativas) o no (nose rechaza la hipotesis nula).

En la practica, al termino izquierdo de la desigualdad se le denomina t experimental, y a Ia t de Ia

derecha (la tabulada) t critico.

[21]
(JUlMlCA ANAL111CA A VANL.AJJA rema 1: muoouccwn a 1a 1..,/UHUJumt:mii

Y el test se reduce a que si se verifica que t e ~ tc , entonces se rechaza la hipotesis nula y se

acepta la altemativa (hay diferencias).

Te hago notar que lo que has demostrado es que la probabilidad de que las diferencias observadas
sean debidas a causas aleatorias y no a diferencias reales, es inferior a la considerada como nivel de
confianza adecuado (habitualmente el 5%). Otra observacion importante, es que t, como ya comentamos
en su momento, no es nada mas que una medida de la diferencia entre dos parametros (en este caso una
media y un valor conocido) normalizada por el error o imprecision (en este caso s/raiz(n)).

Para aclarar la mecanica resolvamos el ejemplo 21:

En el ami/isis de Ia muestra de referencia, el analista obtuvo un resultado media de 26, 07 ppm, con una
desviaci6n estimdar de 0,46. El valor certificado (conocido) es 25,3 ppm. El ctilculo de t experimental
aplicando /a formula anterior, da un resultado de:

t =
e
l,u- sxi-Fn = (26' o7- 25'3) 0,46
.fi = 4 42
'

El valor de t que aparece en las tab/as para el 95% de confianza y 6 grados de libertad es 2,45,
inferior al calculado experimentalmente. Esto quiere decir que la probabilidad de que las diferencias
entre el valor conocido y el determinado sean debidas a errores aleatorios son inferiores a/ 5%. Por
tanto existe una gran probabilidad (> 95%) de que sean debidos a errores sistemtiticos.

Si se conoce la distribucion de partida, se puede emplear el test z.

28.- Para verificar si el matraz aludido anteriormente estti descalibrado, se realizaron replicas de la
medicion, de forma que los pesos obtenidos fueron: 20,061 0; 20, 0589; y 20,0623. Aplica el test z para
verificar la posible descalibraci6n. Aplica tambien el test t. Comenta los resultados obtenidos mediante
ambos tests.

4.4.- Comparaci6n de dos medias

Este caso es muy frecuente en todos los procesos de toma de decisiones, y particularmente en el
control de los resultados analiticos. Primero porque en la mayor parte de las ocasiones no es posible
disponer de muestras certificadas -estandares- y lo que hacemos es comparar el metodo de uso o nuevo
con un metodo "oficial", y segundo porque muy a menudo en un experimento tratamos de estudiar el
efecto que provoca un cambio en algun parametro. En ambas situaciones disponemos de dos conjuntos de
datos (ambos afectados por una imprecision) y tenemos que averiguar si son diferentes o no. El
tratamiento de los datos debe ser distinto seglin si se puede considerar que las desviaciones standares -s-
de los dos conjuntos de datos son similares o no.

a) Son similares:

Se determina una s conjunta a traves de la siguiente expresion:

(nt-1) sy+(n2-l) s~
s=
n1+n2-2 [22]

y se determina la t experimental como anteriormente a traves de la expresion:

te = CXt-xv
sv i& +"£ [23]
42 V Ferreira ·

29.- Para la determinacion del grado alcoh6lico se utiliza un metoda basado en la rejlexi6n de
ultrasonidos. Este metoda no es oficial y debe ser calibrado peri6dicamente utilizando el metoda de
picnometria. Para la calibraci6n se analiza un vino 6 veces par ambas tecnicas. Los resultados fueron:

Metoda instrumental: 12,21; 12,23; 12,19; 12,26; 12,20; 12,29

Picn6metro: 12,31; 12,27; 12,23; 12,29; 12,32; 12,34

;_Debe volver a calibrarse el instrumento? Nota: Se conoce que las precisiones de ambos metodos son
practicamente iguales.

29bis.- Deduce la expresi6n para el test t anterior basandote en la forma en la que se propagan los
errores.

b) Las varianzas no son similares (Nota: La similaridad en este caso se debe evaluar mediante un test
estadistico que veremos posteriormente)

En este caso no es valido realizar una estimaci6n conjunta de la varianza, y la t experimental debe
calcularse de forma directa (aunque solo aproximada) a traves de la ecuaci6n:

y el nfunero de grados de libertad puede estimarse con la ecuaci6n:

(st + nzs~) _2
2

.1.= nt
g {st)2
(s~)2
nt + ll2
nt +1 nz+ 1 [25]

30.- La tabla siguiente expresa la concentraci6n de albumina en giL en el suero sanguineo de 8 hombres
y 8 mujeres adultos sanos. ;_Difieren ambas medias?

Hombres 37 39 37 42 39 45 39 42

Mujeres 44 40 39 45 47 47 43 41

31.- La siguiente tabla proporciona la concentraci6n de tiol (mM) en sangre de dos grupos de
voluntarios, el primer grupo es normal y el segundo sufre artritis reumatoide. ;_Difieren
significativamente ambos grupos en su contenido de tiol?

Normal 1.84 1.92 1.94 1.92 1.85 1.91 2.07

Reumatico 2.81 4.06 3.62 3.27 3.27 3.76

4.5.- Prueba t por parejas

A menudo ocurre que interesa comparar los resultados obtenidos por dos metodos analiticos
distintos muestra a muestra. Esto es, no se analiza una muestra repetidas veces con dos metodos, sino que
se analizan varias muestras una vez por cada metodo, ya sea porque hay poca cantidad de muestra o
porque interesa estudiar un rango de concentraciones amplio, o porque se desea hacer el estudio a lo largo
del tiempo para eliminar factores ambientales y puntuales. Por ejemplo, si se ha desarrollado un metodo
nuevo para analizar los az\lcares presentes en productos agricolas y se desea contrastar su exactitud con la
(JUlMlCA ANALlllCA AV ANLAUA tema 1: lntroauccwn a 1a 1.,/UtmtOmema

del metoda clasico habitualmente utilizado. Puesto que las muestras analiticas pueden ser tremendamente
diferentes, (maiz, cocos, peras, remolacha, algarrobas ... ), nos interesa que el contraste se realice no sobre
el analisis repetido de un tipo de muestra (por ejemplo maiz), sino que abarque un amplio rango de
muestras. Cogemos entonces muestras de todos estos materiales y cada una de elias se analiza una vez
con cada uno de los metodos.

La estrategia a seguir consiste en hacer el test t sobre las diferencias entre los resultados
proporcionados por los metodos para cada muestra. Si los metodos conducen a respuestas
estadisticamente comparables, la media de las diferencias no debe diferir significativamente de cero.
Entonces ~ es cero y aplicamos la comparacion de una media con un valor conocido.

32.- La siguiente tabla proporciona Ia cantidad en mg/mL de clorhidrato de efedrina encontrada en

preparaciones farmaceuticas de Ephedrine Elixir B.P., por dos metodos diferentes: espectroscopia uv de
derivadas y un metoda ojical. (Ia cantidad nominal era de 3 mg/mL). Pruebe si los resultados obtenidos
por ambos metodos difieren significativamente:

Muestra Numero Metoda de derivadas Metoda oficial

I 2.964 2.913

2 3.030 3.000

3 2.994 3.024

4.6.- Pruebas de 1 y 2 colas

Hasta ahora hemos considerado en el estudio de los tests de significacion, que la diferencia entre
dos medias podria tener Iugar en cualquier direccion. Lo mismo daba cual fuera mayor, ya que lo unico
que nos interesaba verificar era si existian diferencias significativas entre ambas o no. Sin embargo en
numerosos experimentos sabemos de antemano que es posible que una de elias sea mayor que la otra, y
esto (y solo esto) es lo que queremos probar. Entonces nos interesa considerar el area de solo una de las
"colas" de la distribucion normal. Esto es, el 5% de los elementos de la poblacion que consideramos "no
normales" son aquelios elementos que tienen el valor mayor (o menor) del parametro en cuestion.

32bis.- Si el factor peso se distribuye de forma normal en una cadena de producci6n de tornillos, con
una media 0.1500 g y con desviaci6n estimdar 0.0070 g, determina cual sera el rango de tamanos que
consideraremos normales para establecer una prueba de una cola (a=0.05). Tras realizar una
reparaci6n en Ia cadena de producci6n, se sospecha que se producen tornillos mayores. Un tornillo
tornado al azar peso 0.1616 g 1,Conjirma esta medici6n dicha sospecha?

Es conveniente comprender bien estos conceptos para no cometer errores al emplear las tablas.
Muchas de las tablas mas habitualmente empleadas proporcionan los valores de t correspondientes
directamente a la suma de las dos colas. Esto es, cuando tomamos la t del 95%, es la que corresponde a
dos areas de cola del 2,5% por cada uno de los !ados de la distribucion. Debemos escoger la
correspondiente a una P doble. Si solo nos interesa una cola, el valor tabulado que hemos de tomar es el
del 90% (dos colas del 5% de area). El tomar una cola o dos colas depende de la pregunta que nos
hacemos antes del experimento. Si la pregunta es (,SOn diferentes ... ?, entonces dos colas; si la pregunta es
(,es este valor mayor (o menor) que este otro ... ), entonces una cola.

33.- Algunos alcoholes alilicos pueden determinarse par formaci6n de un derivado coloreado con Ia
vainillina. Se desea estudiar si el aumento de Ia temperatura de reacci6n ejerce una mejora sabre el
44 V Ferreira ·

rendimiento de esta. Para ella, una misma muestrafue procesada a temperatura ambiente y a 60°C y se
midi6 Ia Absorbancia del complejo formado a 608 nm. Los datos obtenidos se muestran a continuaci6n:

25°C 0,209 0,212 0,223 0,215 0,217

60°C 0,232 0,219 0,224 0,220 0,21 7

1, Cual seria el resultado si nuestro interes hubiera sido determinar si Ia temperatura altera (en cualquier
sentido) el rendimiento de la reacci6n?

4.7.- El test F para Ia comparacion de desviaciones estandar

Sabemos ya que una caracteristica que debe ser conocida en todo sistema de medida es su
precision, al igual que en general, toda poblacion debe ser conocida no solo por su valor central sino por
su dispersion de valores. Hasta ahara hemos empleado solo los valores centrales para comparar sets de
datos, pero una estrategia muy util, y necesaria en muchas ocasiones, consiste en comparar las
dispersiones que existen entre dos (o mas sets de valores). Un ejemplo, se esta estudiando el pelaje de
dos poblaciones de animales, una de las cuales ha permanecido aislada por muchas generaciones mientras
que la otra ha sufrido numerosos procesos de mestizaje. Si demosttaramos que la poblacion mestiza posee
una dispersion mayor en el atributo estudiado (pelaje: tipo de pelo, color, grosor...), podriamos postular la
presencia en esta poblacion de alelos de un gen que no estan presentes en la otra. Otro ejemplo, si alguien
nos propane un nuevo metoda de analisis (o de muestreo) nos interesara determinar no solo si su
exactitud es comparable a la del metoda tradicional, sino tambien saber si su precision es mejor, similar o
pear.

Esta estrategia es muy util en el disefio de experimentos y en Ia toma de decisiones, como

veremos posteriormente en el epigrafe correspondiente al Analisis de Ia V arianza. De momenta nos
vamos a centrar en Ia comparacion de dispersiones de dos poblaciones, en particular de las precisiones de
metodos analiticos. En concreto, supongamos que hemos analizado una misma muestra repetidas veces
por dos metodos distintos. En el primer metoda hemos obtenido un valor promedio XJ y una desviacion
estandar s 1• En el segundo, x 2 y s2•

Para comparar precisiones el test t no es adecuado, y se utiliza un test en el que se considera Ia

razon de las dos varianzas muestrales. A dicho cociente se le denomina F:

2
F=~
s22 [27]

donde las varianzas se colocan de forma que el valor de F sea siempre mayor que 1.

Recuerda que las desviaciones estandar no son mas que estimaciones realizadas con pocas
muestras, del parametro de dispersi6n de la poblaci6n, cr. Si no existiera incertidumbre en la estimaci6n
de a a partir de s, y los metodos tuvieran Ia misma precision (la misma cr), el cociente F seria
exactamente 1. Si encontraramos, en este caso hipotetico, un cociente distinto de 1 (> 1 por convenio)
seria sin Iugar a dudas, sefial inequivoca de que las precisiones son distintas. Pero desafortunadamente,
existe una incertidumbre en Ia estimaci6n de cr a partir de s. Como consecuencia de lo cual aunque el
cociente no sea 1 no podemos decir que sean significativamente distintas. Ahara bien, no es lo mismo que
dicho cociente F sea mucho mayor que 1 que solo un "poco" mayor que 1. Si el cociente fuera mucho
mayor, seria casi seguro que si que son distintas las precisiones. Como siempre, es posible determinar
cuanto mayor que 1 tiene que ser el cociente anterior para decidir si son distintas asumiendo una cierta
probabilidad de equivocarse. Este valor estadistico de F esta tabulado, y se trabaja con el de forma
parecida a como lo haciamos con Ia distribucion t. Por supuesto dicho valor sera tanto mayor cuanto
peores sean nuestras estimaciones ( cuantos menos grados de libertad), y cuanto mayor nivel de confianza
se requiera. El cociente F es tambien una distribuci6n de probabilidades derivada de la normal. Como las
distribuciones z y t, se encuentra en tablas estadisticas (una de elias en el anexo a estos apuntes), de forma
QUIMICA ANALlTlCA A VANLAUA tema 1: lntroouccwn a 1a I.,!UlffiiOmema "tJ

que se puede conocer el valor F critico para un experimento deterrninado. El F critico es el valor del
cociente por encima del cual solo existe una probabilidad dada pequefia de aparici6n de dicho valor por
causas aleatorias.

Habitualmente se trabaja con un nivel de confianza del 95%(p<0,05), y de nuevo se aplica el

concepto de 1 o 2 colas. La estrategia a seguir en estos problemas es:

a) Deterrninar las medias y las desviaciones estandar.

b) Calcular el cociente F (recordar que F siempre > 1)

c) Buscar en la tabla el valor de F que se corresponde con los grados de libertad empleados en las
estimaciones de s1 (numerador) y s2 (denominador).

d) Si dicho valor F de Ia tabla es mayor que el F calculado, las diferencias observadas entre las
dos varianzas pueden ser aleatorias (no se rechaza la hip6tesis nula), si es menor, las diferencias son con
un 95% de probabilidad (o con el nivel de confianza empleado), debidas a causas reales no aleatorias
(rechazamos la hip6tesis nula).

34.- Se propane un nuevo metoda para Ia determinacion de Pb. Se obtuvieron los siguientes resultados
para una muestra de aguas residuales que fue analizada 6 veces par cada uno de los metodos
considerados, el estcmdar y el propuesto:

Media (ppb) s (ppb)

518 9,3 Metodo estcmdar

521 4,2 Metodo Propuesto

t,Es Ia precision del metodo propuesto significativamente mejor que Ia del metodo estandar?

35.- Prueba con los datos del problema 33 si Ia temperatura causa variaciones significativas en Ia
precision del metodo.

4.8.- La prueba Q de Dixon para Ia eliminacion de datos erroneos (errores crasos)

A veces aparecen datos discordantes. En ocasiones son debidos a un error humano, (un error
accidental de pipeteo, o de trascripci6n), y pueden ser facilmente descartados (resulta obvio), pero
despues de eliminar los resultados obviamente estaban mal, alin pueden quedar resultados an6malos, y
muy distintos de lo esperado. El incluir estos resultados o no es una cuesti6n a menudo muy importante,
ya que los valores mas extremos ejercep. una influencia muy importante sobre la media. La cuesti6n que
se plantea es si dichos resultados aparentemente an6malos pueden ser debidos a un error craso y deben
ser por tanto rechazados o no. La respuesta a esta pregunta ha implicado el disefio de varios tests
estadisticos para resolverla. Uno de los mas sencillos (aunque no precisamente el mejor) es el test de la Q
de Dixon. Dicho test esta basado en el calculo de un parametro Q a partir de los datos experimentales, y
posteriorrnente este valor se compara con uno tabulado:

Q = (Valor sospechoso-Valor mas cercano)/ (Valor mas grande- Valor mas pequefio) [28]

De nuevo los valores Q estan tabulados para una P = 0.05, y si se supera el valor tabulado
(critico) podemos rechazar el valor an6malo con una probabilidad del 95% de no cometer un error.

36.- La siguiente lista de valores se obtuvo a/ medir el contenido de Zn de unas muestras determinadas.

59,2; 60,3; 59,8; 58,6; 56,3;

Pruebe si el valor anomalo 56,3 puede ser descartado.

46 V Ferreira ·

1, Y sial repetir las medidas encuentra los siguientes datos? 59,8; 60,5; 58,9; 59,5?

Otros ejercicios.

37.- En una cata de productos alimenticios 9 catadores estan valorando de 0 (estimulo nulo) a 5
(estimulo maximo) la caracteristica ''frutal" de un alimento y comparandola con la del mismo alimento
al que se le ha aplicado un cierto tratamiento que deberia revertir en una mayor caracteristicafrutal.

Catador I 2 3 4 5 6 7 8 9

Producto base I.5 0.5 2 0 2.5 0.5 2.5 0.5 I

Producto tratado 2.5 2.5 3 3 2.5 3 I.5 2.5 2

1,Han aumentado de forma significativa las caracteristicas ''frutales" de dicho alimento?

38.- Se comparo un nuevo metoda espectroscopico de absorcidn atomica de llama para determinar
antimonio en la atmosfera con el metoda colorimetrico recomendado. Para muestras de atmosfera
urbana se obtuvieron los siguientes resultados:
N° Muestra Metoda propuesto Metoda estandar
I 22,2 25,0
2 I9,2 I9,5
3 I5,7 I6,6
4 20,4 2I,3
5 I9,6 20,7
6 I5,7 I6,8
1,Dijieren significativamente los resultados obtenidos por los dos metodos?

39.- Los siguientes datos proporcionan la recuperacion de Bromuro (ppm) adicionado a muestras
vegetales medido mediante un metoda cromatografico. La cantidad aiiadida a cada vegetal fue la misma:

Tomate 777 790 759 790 770 758 764

Pepino 782 773 778 765 789 797 782

a) Prueba si la recuperacion en los vegetales tiene varianzas que difieran significativamente.

b) Prueba silas tasas de recuperacion medias difieren significativamente.

40.- En un proceso de concentracion por evaporacion con un disolvente se comparan dos sistemas de
rejlujo. Se midiola recuperacion de ana/ito a lo largo del proceso:

Columna de Vigreux: 59; 63; 58; 65; 62; 60; 6I

Evaporacion con Nitrogeno: 58; 67; 52; 6I; 57; 53; 63

1, Difieren los procesos en variabilidad y en recuperacion de forma significativa?

4I.- Verifique de los datos expuestos a continuacion si el data 2,07 es un valor anomalo: I ,84; I ,92;
I,94; I,85; I ,9I; 2,07

4.9.- Tests para verificar el tipo de distribucion de un set de datos

En algunas ocasiones resulta importante conocer si un set de datos se aparta de forma notable de
Ia distribuci6n normal. Si se apartan de Ia distribuci6n normal, es posible que no podamos aplicar
QUIMICA ANALITICA A V ANZADA tema 1: lntroducciOn a la IJUimlometna '+I

directamente algful test estadistico, y que los resultados deban ser transformados (por ejemplo trabajar
con sus logaritrnos). En otras ocasiones, el averiguar que una serie de datos no esta normalmente
distribuida constituye una evidencia de que debe haber algun factor no aleatorio incidiendo sobre el
sistema, por lo que este tipo de test nos permitiria confrrmar la incidencia de esos factores.

Una primera posibilidad es, por supuesto, una inspeccion de la curva (tabla) de frecuencias de los
datos, que nos revelara si los datos se distribuyen de una forma uniforme en tomo a una media, o si por el
contrario, la distribucion muestra conjuntos de datos separados entre si. Esta apreciacion visual puede
materializarse en dos parametros cuantitativos utiles para evaluar si la distribucion es significativamente
diferente de la normal. Estos parametros son dos caracteristicas de toda distribucion poblacional (al igual
que la media y la desviacion estandar), pero estan relacionados con la "forma" de la distribucion.

El primero de estos parametros se denomina coeficiente de asimetria, ah y mide la simetria de la

poblacion. Para cualquier atributo de una poblacion que se distribuya de forma simetrica, el coeficiente
de asimetria es 0, y su intervalo de confianza es ± t raiz(6/n). En la distribucion gaussiana este parametro
es obviamente 0. En las distribuciones con "cola" hacia la derecha, este parametro es mayor que 0, y si la
"cola" es hacia la izquierda, menor que cero. Matematicamente esta relacionado con la tercera derivada
de la funcion de distribucion.

El segundo parametro esta relacionado con la cuarta derivada de la funcion de distribucion y se

denomina curtosis muestral. La curtosis mide la "altura" o "grado de achaparramiento" de una
distribucion. Poblaciones de datos con la misma media, desviacion estandar y coeficiente de asimetria se
pueden diferenciar en su curtosis. Una funcion de distribucion normal tiene una curtosis 3, las funciones
mas bajas, como la distribucion uniforme, tienen curtosis inferiores a 3, y las funciones de distribucion
mas "altas" (que concentran mas puntas en tomo a la media para una misma S) tienen curtosis superiores
a 3. En la practica, los programas estadisticos suelen trabajar con el coeficiente de curtosis muestral,
a 2 =curtosis-3, de manera que la gaussiana tenga su a 2=0. El intervalo de confianza de este parametro es ±
t raiz(24/n)

Hay otras estrategias estadisticas de gran importancia para verificar si los datos de una poblacion
se distribuyen de acuerdo con una cierta distribuci6n de referencia (no solo con la normal). Estos tests
tienen una gran importancia en la formulaci6n y contraste de hipotesis y estan basados en el estudio de
las frecuencias acurnuladas. El objetivo basico es comparar las frecuencias acurnuladas observadas con
las esperadas en la distribucion de referencia, por ejemplo una distribucion normal. Los dos tests que
presentaremos son el de la chi cuadrado (X2) y el test de Kolmogorov-Smimov. El primero esta basado en
la distribucion chi-cuadrado que es una distribuci6n muy importante derivada de la normal y que se
emplea fundamentalmente en aquellas investigaciones en las que se mide la frecuencia con la que ocurre
un cierto hecho (por ejemplo en investigaciones medicas). Desafortunadamente solo puede emplearse
cuando el ntimero de datos en el set es relativamente grande (habitualmente n>50). El test de
Kolmogorov-Smirnov es un test no parametrico (que no presupone que los datos se deban distribuir
normalmente) que puede emplearse en cualquier caso y que esta bas ado en el calculo de probabilidades.

Para aplicar el test de la chi cuadrado, segmentamos el set de datos en j intervalos consecutivos y
calculamos el ntimero de observaciones dentro de cada intervalo (frecuencia Yi)· A continuaci6n,
calculamos el ntimero de observaciones esperadas por intervalo, t;. Este ntimero de observaciones
esperadas por intervalo sera el correspondiente al que daria una distribucion normal (si es esta la
distribucion que queremos comprobar) y lo podemos obtener a partir de la tabla de Ia distribucion z.
Posteriormente, calculamos el parametro x2 mediante la expresi6n:

x2 = _:_J_ _ _ __ [29]
J;
Y comparamos este valor de chi cuadrado con la correspondiente distribucion con j-1 grados de
libertad. Una tabla chi cuadrado se encuentra en el anexo. El ejemplo siguiente muestra Ia forma de
operar.
48 V Ferreira·

42.- En el ami/isis de 50 vinos se han obtenido los siguientes valores de grado alcoholico. Se quiere
saber si podemos considerar que el grado alcoholico de un vino se distribuye de forma normal.
Muestra Grado Muestra Grado Muestra grado
1 12,0 18 13,2 35 12,6
2 11,0 19 14,0 36 13,0
3 11,3 20 12,4 37 14,1
4 11,5 21 12,1 38 11,2
5 12,1 22 11,9 39 11,5
6 10,8 23 14,2 40 11,7
7 13,1 24 12,9 41 11,5
8 13,2 25 12,0 42 13,4
9 12,0 26 12,1 43 13,0
10 12,5 27 12,5 44 12,6
11 14,0 28 11,2 45 12,8
12 11,3 29 12,4 46 12,9
13 11,2 30 12,7 47 14,2
14 10,8 31 13,8 48 12,3
15 12,6 32 13,2 49 12,7
16 12,7 33 12,3 50 12,4
17 13,5 34 12,3
Lo primero que debemos hacer es ordenar los datos, y determinar el maximo, el minima, la
media y la desviacion estandar. El minima es 10,8, el maximo14,2, la media es 12,5 y la desviacion 0,9.
Ahara debemos determinar el numero de intervalos y su extension en que vamos a dividir a la poblacion.
Cuando el numero de elementos es muy grande (n> 400) se suelen hacer 20 grupos. Cuando es mas
pequeno se calcula Ia extension de los intervalos dividiendo el rango par Ia raiz del numero de datos. En
nuestro caso (14,2-1 0,8/raiz(50)=0,48::::{),5, y dividiremos Ia poblacion en los siguientes intervalas:
Intervala Free Intervala Free Intervalo .free
10,5 a 11,0 2 12,0 a 12,5 12 13,5 a 14,0 2
11,0 a 11,5 6 12,5 a 13,0 11 14,0a 14,5 5
11,5 a 12,0 5 13,0 a 13,5 7 14,5 a 15,0 0
Lo siguiente es contrastar esta distribucion con Ia normal, para lo que debemos conocer cual
seria Ia frecuencia esperada en cada uno de los intervalas en una distribucion normal cuyo centro fuera
12,5 y su desviacion 0,9. Esto esfacil de hacer, ya que lo unico que debemos hacer es convertir los datos
de cada intervalo en coordenadas z. Por ejemplo, el intervalo 10,5 a 11,0, se corresponde con el
intervala - 2,20 a -1,67 en coordenadas z. La probabilidad de este intervalo es 4, 75-1,39=3,36%. Como
tenemos 50 elementos, lafrecuencia esperada sera 1, 7. En Ia tabla siguiente se muestran estos calculos:
Izda int Dcha int Prob izq Prob. dcha free. Esp. fobservada cocientes chi
10,5 11,0 0,013 0,048 1,7 2 0,0
11,0 11,5 0,048 0,133 4,3 6 0,7
11,5 12,0 0,133 0,289 7,8 5 1,0
12,0 12,5 0,289 0,500 10,5 12 0,2
12,5 13,0 0,500 0,711 10,5 11 0,0
13,0 13,5 0,711 0,867 7,8 7 0,1
13,5 14,0 0,867 0,952 4,3 2 1,2
14,0 14,5 0,952 0,987 1,7 5 6,2
14,5 15,0 0,987 0,997 0,5 0 0,5

x2= 9,94

Como el valor critico de ;( para 7 grados de libertad es 14, 1, no puede decirse que la
distribuci6n no sea normal. Todos estos calculos se pueden realizar facilmente en una hoja de calculo o
directamente en un programa estadistico.
QUlMlCA ANALlHCA AV ANZAUA tema 1 : lntroduccwn a Ia l.,lutmtOmerna

43.- Un jefe de producci6n de una empresa quimica desea comprobar si la riqueza de una materia prima
que le suministra un tercero se distribuye de forma normal con una media 72,5 y una desviaci6n 2,5.
Para ella ha recopilado los am:ilisis de los lotes de materia prima recibidos durante los dos ultimos anos.
Los resultados, ya ordenados par frecuencias son los siguientes:
Riqueza No de casas
Menos de 70% 8
Entre 70y 71% 12
Entre 71 y 72% 14
Entre 72 y 73% 16
Entre 73 y 74% 19
Entre 74 y 75% 14
Entre 75 y 76% 9
Mas de 76% 1
Total 93
La distribuci6n chi tambien la podemos emplear para ver si nuestros datos se ajustan a cualquier
otra distribuci6n. Esto es muy util para determinar si sobre conjuntos de datos agrupados por frecuencias
hay factores que inciden de forma significativa.

44.- Se ha realizado un seguimiento del numero de averias observadas en un ana en cada 100
cromat6grafos de distintas marcas. Los resultados han sido 24, 17, 11 y 9 para las marcas A, B, C y D.
;,Puede asumirse que unas marcas son mas robustas que otras, o dichas frecuencias corresponden al
azar?
Si las averias ocurrieran par azar, esperariamos que fueran iguales para cada fabric ante y podriamos
suponer que el numero de averias observada al ana sigue una distribuci6n normal con Ia misma media
en todos los casas y una cierta desviaci61}. Una estimaci6n de dicha media es el promedio de averias par
fabricante: (24+ 17+ 11 +9)/4=61/4= 15,25

Como en este caso nuestra hip6tesis nula es que el numero de roturas par fabricante y ana es el mismo
para todos los fabric antes, la frecuencia esperada es 15,25.

Ahara se construye la tabla chi como anteriormente

Fabricante Free. Observada Free. Esperada Cocientes chi

A 24 15,25 5,020
B 17 15,25 0,201
c 11 15,25 1,184
D 9 15,25 2,561
~= 8,966

Como el valor critico de~ para 3 grados de libertad es 7,81, queda demostrado que las averias no han
ocurrido puramente par azar, y par tanto hay que concluir que las averias dependen del fabricante.
45.- Una industria tiene 5 tanques de reacci6n para la preparaci6n de un mismo producto, y se desea
saber si los tanques funcionan de forma similar. Para ella se ha medido el numero de veces que ha sido
necesario interrumpir la operaci6n de cada tanque a lo largo de 2 anos de trabajo (10 veces el tanque 1,
15 el 2, 8 el 3, 19 el 4 y 22 el 5). Determina si hay evidencias de que unos tanques funcionan pear que
otros.

Por ultimo veremos la prueba de Kolmogorov-Smirnov. Se trata de una prueba sencilla en la que
lo que se comparan son las curvas de frecuencia acumulada entre la distribuci6n esperada (que puede ser
la normal, o puede ser otra distinta) y la distribuci6n esperada. Ellistado de datos se ordena de menor a
mayor y se calcula para cada data su frecuencia relativa acumulada (frecuencia observada). A
continuaci6n, se calcula la distancia z de cada data y la frecuencia relativa acumulada correspondiente a
dicho z (frecuencia esperada). Finalmente se computa la diferencia entre los valores de frecuencia
observada y esperada. La diferencia maxima se compara con el valor critico que se muestra en las tablas.
50 V Ferreira ·

Veamos su aplicaci6n con un ejemplo.

45bis.- En una industria de sintesis un cierto producto se fabrica por lotes. Se ha medido Ia
riqueza de los ultimos 10 lotes y se de sea saber si Ia variable riqueza sigue una distribuci6n normal. Los
datos han sido:
10,5 14,9 9,89,6 9,3 10,2 8,8 9,1 15,3 13,8
(media= 11,13 desviaci6n=2,51)
La hip6tesis nula es que Ia distribuci6n es normal con media 11,13 y cr=2,51. Los datos se ordenan y se
presentan como en Ia tabla mostrada a continuaci6n

Frecuencia Frecuencia
Datos acumulada acumulada
ordenados observada z esperada diferencias
8,8 10,0% -0,93 17,7% 7,73%
9,1 20,0% -0,81 21,0% 0,99%
9,3 30,0% -0,73 23,4% -6,64%
9,6 40,0% -0,61 27,2% -12,8%
9,8 50,0% -0,53 29,9% -20,1%
10,2 60,0% -0,37 35,6% -24,4%
10,5 70,0% -0,25 40,1% -29,9%
13,8 80,0% 1,06 85,6% 5,56%
14,9 90,0% 1,50 93,3% 3,29%
15,3 100,0% 1,66 95,1% -4,88%

Diferencia maxima=29 ,9
Diferencia critica=24,1 (a.=0,05)
Por tanto, se rechaza Ia hip6tesis nula

46.- Estudia los valores de absorbancia del ejemplo 4 (pagina 21), y aplicando Ia prueba de
Kolmogorov-Smirnov, determina si se distribuyen de forma normal.

~
n~ A' Distribuci6n de referencia
I
H
n~ L/
0,11 dmax 1 ~z /'---.....
'f.?.' -........
An'~ -........ .......
~n'.., Distribuci6n experimental
~ n
~

-2 -1 ,5 -1 -0,5 0 0,5 1 1,5 2

coordenada z

47.- Aplica el test de Kolmogorov-Smirnov para verificar silos 20 primeros datos de contenido en grado
alcoh6lico del ejercicio 42 se distribuyen de forma normal.
 Tema 2.- Descomposici6n de Varianzas y aplicaciones
analiticas
1.- Concepto y utilidad
El analisis de la varianza (ANOVA) es una poderosa tecnica estadistica utilizada para
separar y estimar las distintas fuentes de variacion que acruan sobre un cierto conjunto de
datos y determinar cuales de ellas ejercen un efecto suficiente como para influenciar el
conjunto de datos por encima del error aleatoric o experimental achacable a todo proceso de
medicion. La forma de trabajar del ANOVA es una forma un tanto peculiar y diferente ala
que hemos visto hasta ahora, pero hay varias razones por las que interesa conocer bien sus
fundamentos.

• En primer lugar porque la forma de pensar ANOVA esta ligada ala forma en la
que han de conducirse las experimentaciones, cualquier experimentacion, lo cual
es de necesario conocimiento para cualquier quimico o cientifico experimental. La
contribucion mas importante del ANOVA y del analisis factorial es que cualquier
diseiio experimental debe permitir una adecuada evaluacion del error experimental
o aleatoric.

• En segundo lugar porque el ANOVA nos va a proporcionar una herramienta para

realizar comparaciones mucho mas complicadas que las que nos permiten los tests
estudiados en el capitulo anterior. Los tests z o t que vimos en el capitulo anterior
solo pueden emplearse para comparar un par de resultados, ahora podremos
comparar toda una serie.

• En tercer lugar, porque el ANOVA y su manera de plantear un problema forman

parte de un gran ntimero de tecnicas y tests estadisticos empleados para establecer
modelos acerca del comportamiento de la realidad. Muchos de estos modelos los
necesitaras en tu desarrollo profesional, cualquiera que sea tu especialidad, y
necesitas estas familiarizado con su estructura y forma de uso.

• En cuarto lugar, porque el ANOVA nos va a permitir conseguir llevar a cabo

alguna de las tareas mas importantes para alguien que trabaja con metodos de
analisis: lade separar las fuentes de incertidumbre que intervienen en la formacion
de incertidumbre del resultado final. En particular nos permitira distinguir la
incertidumbre debida a la medicion de la debida al muestreo, y nos permitira
diseiiar como hade realizarse el muestreo, o como hay que mejorar la medicion
para ajustar la incertidumbre a una requerida.

2.- Fuentes de variacion

En cualquier conjunto de datos que podamos considerar (resultados replicados de

varias muestras analiticas distintas, el conjunto de los resultados del comportamiento de un
reactor durante un tiempo, los datos de contenido en cierto componente de un grupo de
personas, ... ), nos encontraremos con que no todos los datos son iguales, sino que habra una
serie de diferencias entre ellos. Dicho de otra forma, en todos los casos existe una dispersion
del parametro de interes en el conjunto de la poblacion y, si se cumplen los presupuestos de
54 V. Ferreira

normalidad, dicha dispersion se podria medir a traves de la desviacion estandar de todos los
elementos del grupo. Podemos imaginar esa dispersion como el resultado aditivo de la
presencia de las distintas fuentes de variacion que acruan sabre dicho grupo de datos.

Tomemos como ejemplo el conjunto de pares de datos obtenido del seguimiento de un

reactor industrial durante varios dias y en varios puntas del reactor (los datos indican
rendimiento en%):
dia 1 dia 1 dia 2 dia 2 dia 3 dia 3
replica 1 replica 2 replica 1 replica 2 replica 1 replica 2
punta A 26 27 32 32 28 27
punta B 30 29 35 36 33 32
punta C 27 27 29 30 28 28
La variabilidad de dicho conjunto de 18 datos es debida a las siguientes fuentes de
variacion:

1. la que hay entre replicas, que es la variabilidad analitica. Esta fuente de variacion
se denomina error experimental o error aleatorio, o simplemente error.

2. la heterogeneidad existente entre las distintas partes del reactor (variabilidad

muestral). A esta fuente de variacion la podemos denominar factor espacio o
muestral.

3. la variabilidad del estado de reactor en el tiempo (que es el data que nos interesa).
A esta fuente de variacion la denominaremos factor tiempo.

Par tanto, podemos afirmar que la variabilidad total observada en el conjunto de 18

datos es debida a la suma de las contribuciones de estas tres fuentes de variacion. Como ya
sabemos como se propagan o combinan errores aleatorios o variabilidades, sabemos que la
varianza total= suma de varianzas analitica, muestral, de factor.

La obtencion de la variabilidad del reactor en el tiempo no se puede hacer de forma

directa (cogiendo las medias de los 6 resultados de cada dia), ya que las variaciones entre
dichas medias tambien seran debidas en parte a las variabilidades analitica y muestral. Pues
bien, el ANOVA, nos permitira ser capaces de obtener las distintas fuentes de variacion, de
compararlas entre si, y de determinar si dichas fuentes de variacion tienen una repercusion
real y significativa en el sistema en estudio.

En general, las fuentes de variacion encontradas en un conjunto de datos son:

• La debida a los errores aleatorios en la medicion (SIEMPRE EXISTEN)

• La originada par otros factores aleatorios (variabilidad espacial, variabilidad

temporal. .. ).

• La originada par la presencia de uno o varios factores de "efecto fijo" o controlado

(temperatura, tiempo, almacenamiento ... ), cualquier factor que podamos modificar
y que es objeto de estudio.
3.- Descomposicion de las distintas fuentes de variacion del ejemplo del reactor
Las 3 fuentes de variacion que actUan sobre el reactor pueden ordenarse segtin su
facilidad para ser aisladas. La variacion analitica (precision) es la que mas facilmente se
puede aislar, ya que basta realizar una serie de medidas repetidas de una rnisma muestra para
deterrninarla. La segunda de ellas es la causada por la heterogeneidad del reactor. No es
posible conocerla si antes no hemos deterrninado la analitica, ya que para medir la
heterogeneidad hemos de tomar muestras de distintas partes del reactor y analizarlas, por lo
que los datos en los que nos basamos llevan incluida la incertidumbre derivada de la
imprecision analitica. Finalmente, la variabilidad temporal del reactor es lamas compleja en
el sentido de que para poder deterrninarla hemos de conocer previamente las otras dos, ya que
inevitablemente para comparar la composicion del reactor en dias distintos hemos de tener en
cuenta la heterogeneidad muestral y la imprecision analitica.

Este hecho es el que motiva el diseiio experimental aplicado en este caso. Se hacen
replicas analiticas de cada una de las muestras extraidas del reactor para poder deterrninar
previamente la variabilidad analitica, y cada dia se toman 3 muestras del reactor para poder
medir la heterogeneidad muestral. A este disefio experimental se le denornina FACTORIAL.
En este caso de dos factores (factor espacio y factor tiempo).

Veamos como se deterrninan las distintas variabilidades.

a) Aislarniento de la variabilidad analitica

De cada una de las 9 muestras (3 par dia) extraidas del reactor se han realizado dos
analisis. Par tanto, en ausencia de errores sistematicos o crasos, las diferencias que existan
entre cada par de replicas han de deberse entera y exclusivamente a la imprecision del metoda
analitico. Esto es, cada una de las 9 desviaciones estandar calculadas a partir de las 9 parejas
de replicas analiticas rnide el rnismo parametro: la imprecision analitica. Por tanto, la mejor
estimacion de la variabilidad analitica la obtendremos si ponderamos esos 9 valores.
Sustituyamos cada pareja de datos por una media y calculamos su desviacion estandar, con lo
que la tabla de datos original queda de la siguiente manera:
Dia 1* Dia2* Dia3*
Punta A 26,5 '(0, 707) 32,0 (0,000) 27,5 (0,707)
Punta B 29,5 (0,707) 35,5 (0,707) 32,5 (0,707)
Punta C 27,0 (0,000) 29,5 (0,707) 28,0 (0,000)
* Entre parentesis se dan los valores de desviaci6n estandar.
Y ahora agrupemos las 9 desviaciones estandar como ya sabemos:

Este dato estima la variabilidad analitica con 9 grades de libertad.

b) Aislarniento de la variabilidad muestral

Para deterrninar la variabilidad muestral hemos de comparar las medias obtenidas para
cada una de las tres muestras extraidas cada dia. Sin embargo, hemos de ser conscientes, de
56 V. Ferreira

que estas medias (por ejemplo 26.5; 29,5 y 27,0, para el primer dia), no difieren solo por
representar la composicion de tres muestras extraidas de distintas partes del reactor, sino
tambien como consecuencia de la imprecision analitica en su determinacion. Para verlo claro
piensa en que hubieras cogido una Unica muestra y la hubieras analizado tres pares de veces.
Las tres medias no tendrian porque ser iguales, y de hecho el teorema central del limite nos
dice que la desviacion estandar de esas tres medias sera la de la poblacion original dividida
por la raiz del nllinero de elementos que componen esa media. Esto es, si la composicion no
variara espacialmente dentro del reactor (la variabilidad muestral es cero), la varianza de las
medias seria S~d = 8?{ .Por otra parte, sabemos que el intervale de confianza de cada una
de las medias viene dado por la expresion,

donde f.l se refiere al valor cierto de composicion de la muestra analizada. Por el contrario, si
la variabilidad analitica fuera cero, las medias obtenidas en el analisis replicado (las replicas
serian iguales en este caso) serian justamente el valor cierto de composicion de cada una de
las muestras extraidas. En ese caso, esta claro que la varianza de estas tres medias seria la
varianza muestral, s?nd = s?n,o . En el caso general en que ni la variabilidad analitica sea cero
(que nunca lo es), ni la muestral sea nula, la desviacion estandar que obtenemos de las tres
medias (26,5; 29,5 y 27,0), sera una estimacion de la variabilidad muestral aumentada en la
analitica corregida por dos.

En concreto:

2
Sa
2
S md--s mto + -2
2

Ahora bien, esta observacion se repetira en los tres trios de medias que tenemos (un
trio por dia), por lo que la mejor estimacion de la desviacion de las medias (y por tanto de la
muestral) sera la combinacion de las tres. Vamos a hallarlas, reduciendo la tabla anterior a
tres medias y tres desviaciones estandar:

Las de las medias ponderadas es:

2 2 2
1,607 + 3,014 + 2,754 = 2 53
Smd = 3 '
Con 2 x 3=6 grados de libertad

Por tanto:

2
2 2 0 333
= - Sa = 2 53 2 - • = 6 234 => = 2 49
S mto S md 2 ' 2 ' S mto '
 Cuya estimaci6n tiene tambien 6 grados de libertad.

Para calcular la variabilidad debida al factor tiempo, y al igual que hicimos antes,
podemos ahora escribir el intervale de confianza de cada una de las tres medias de la tabla
anterior:

- + S md - - +
x_t.fj-x_t
2
S mto
+
.J3
stza
2

Esto es, las tres medias de esta tabla son diferentes entre si por dos razones, una
porque corresponden a distintos dias (variabilidad temporal que quiero determinar), y otra
porque cada una viene afectada de una incertidumbre combinada de la muestral y la analitica.
(El mismo razonamiento de antes valdria: imagina que las tres medias procedieran de 3
grupos de 3 muestras analizadas por duplicado que hubieran sido sacadas en el mismo
instante)

La desviaci6n estandar de estas tres medias esta por tanto relacionada de la siguiente
manera con las tres fuentes de variaci6n:

2 2
2 = 2 + Smto +Sa:::> 2 = 3 45 :::> = 186
Smd2 Stemp 3 6 Stemp ' Stemp '

Moraleja: Todo disefio experimental tiene que permitir separar las fuentes de
variaci6n aleatoria de las que pueda producir el factor a estudio. Mediante un disefio
experimental adecuado, y si los presupuestos de normalidad se cumplen, el ANOVA nos
permitira aislar las distintas fuentes de variaci6n que acttlan sobre el conjunto de datos.

El disefio de experimentos debe tener en cuenta la existencia de todas las fuentes de

variaci6n que existen en un determinado sistema y tratar de obtener una estimaci6n de su
magnitud mediante el uso adecuado de replicas. A cada fuente de variaci6n que acrua sobre el
sistema se le denomina FACTOR. AI conjunto de variaciones aleatorias (que son las de
medici6n mas otras variabilidades ambientales) se le denomina habitualmente ERROR. Los
factores pueden ser de efecto fijo (que son los factores que habitualmente queremos estudiar,
por ejemplo el efecto de la temperatura o del pH en una reacci6n quimica, o el efecto de un
tipo de abonado en el rendimiento de una plantaci6n), o aleatorios, que son tipicamente los
relacionados con la heterogeneidad muestral y el muestreo (en terminos tanto de espacio
como de tiempo). El nfunero de valores de un factor que consideramos se denominan
NIVELES de dicho factor. Por ejemplo, si para evaluar el efecto de la temperatura
realizamos mediciones a tres temperaturas diferentes, el factor temperatura decimos que tiene
tres niveles. Para evaluar el efecto de un factor hace falta, como minimo, dos niveles.

AI tipo de disefio experimental derivado del reconocirniento de la existencia de

factores y de la necesidad de aislar la influencia de los factores jerarquicamente inferiores, se
le denomina disefio factorial. El ejemplo con el que hemos comenzado el capitulo es un
disefio factorial complete de dos factores (espacio y tiempo), ya que el tercer factor (error
experimental o aleatoric) no se cuenta porque siempre existe. Los factores espacio y tiempo
58 V. Ferreira

tienen tres niveles. El nillnero total de experimentos es 3 (puntos de muestreo) x 3 (dias) x 2

(replicas muestra) = 18.

A continuacion vamos a exponer en detalle la forma en que el ANOVA trabaja en un

caso mas sencillo, aquel en el que solo hay un factor a estudio.

4.- ANOVA de un factor de efecto fijo o controlado:

Supongamos que estamos disefiando un metodo analitico y decidimos estudiar el
efecto de una de las variables que tenemos bajo control, por ejemplo el pH. El interes de este
control viene determinado por la necesidad de determinar:

1.- (.Con que exactitud y precision debo regular el pH para obtener una precision y
exactitud analitica adecuadas?

2.- i,Si el pH ejerce un efecto significativo sobre la sefial analitica, curu es el valor
optimo de pH?.

Para contestar estas cuestiones he de tener en cuenta que cualquier medicion que haga
dependera no solo del pH (factor controlado), sino tambien de la variabilidad analitica. Para
tener una idea real de la importancia del factor, debere ser capaz de computar el valor de la
variabilidad analitica. Para ello, planteo el experimento de la siguiente manera: voy a medir la
sefial analitica a 4 pHs distintos (3,20; 3,25; 3,30; y 3,35), realizando a cada pH 4 medidas.

Para evitar efectos indeseados en los resultados de mi tabla he de tomar una

precaucion muy importante, que es ALEATORIZAR el experimento. Esto quiere decir que
no voy a realizar las medidas siguiendo un orden cronologico ordenado, sino que lo hare de
forma aleatoria. Supongamos que puedo realizar 4 medidas por dia. Si realizara cada dia las
medidas correspondientes a un pH, mis resultados podrian venir afectados por un efecto
desconocido (casual o aleatorio) del dia. Por ejemplo, silas medidas a pH 3,20 las realizo el
lunes y ellaboratorio no esta bien termostatizado, podria ocurrir que las medidas de ese dia se
hubieran realizado a una temperatura inferior a las de los otros dias. Si la temperatura
ejerciera un efecto importante sobre la medida, el efecto de la temperatura se sumaria al del
pH, conduciendome a unas conclusiones erroneas. Este efecto podria atenuarse si cada dia
realizo medidas a todos los pHs. Si sigo un orden estricto (empezando por el pH mas bajo),
resultara que todas las medidas a pH 3,20 se han realizado ala misma hora, y antes que todas
las demas. Esto es arriesgado. De nuevo podria ocurrir que alglin factor no contemplado en el
disefio del experimento tiene efecto, complicandome la vida y haciendome llegar de nuevo a
conclusiones erroneas. Por ejemplo, si el pHmetro no lo recalibro de forma continua y solo lo
hago al comienzo de la jomada (como se realiza en muchos laboratorios), podria haber un
sesgo constante en las medidas de los otros pHs.

Para conseguir una aleatorizacion real, y puesto que las replicas son independientes,
debo realizar medidas a los 4 pHs cada dia y decidir de alguna forma realmente aleatoria el
orden en que se analizaran las muestras. En concreto, podria coger la baraja espafiola y
asignar las espadas al pH 3,20, bastos al 3,25, copas al 3,30 y oros al 3,35, y decidir el orden
en que se realiza el analisis sacando las cartas. Obtenemos los datos de la tabla siguiente
(unidades relativas). En superindice se muestra el orden en que se realizaron las medidas cada
dia.
 pH Rep 1 Rep2 Rep3 Rep4
(lunes) (martes) (miercoles) (jueves)
3,20 18 8j
'
19 23
'
18 7 1
'
19
'
e
3,25 18 8 1 19,04 18 72 18 63
' ' '
3,30 18 62 18 52 18 44 18 74
18 ' 2'~ ' 1 ' '
3,35 18 0 18 13 17 9 1
' ' ' '
Sobre este conjunto de 16 datos existen dos posibles fuentes de variaci6n

La debida al pH (cuya existencia he de comprobar)

La debida al error aleatoric de la medida (que seguro que existe)

Otras fuentes no contempladas en el modelo (que al haber aleatorizado el

experimento es de esperar se cancelen y queden incluidas dentro de los errores
aleatorios).

Nota: Al haber aleatorizado, la variabilidad analitica ya no se refiere solo a la imprecision del metodo de
medida, sino que tambien incluye la variabilidad asociada a la variacion aleatoria de parametros ambientales que
puedan afectar al resultado de la medicion.

Este diseiio de experimentos es un diseiio Factorial complete aleatorizado en el que

consideramos 4 niveles del factor y 4 replicas. El nfunero total de ensayos es 4 (pHs) x 4
(replicas a cada pH) = 16.

El Amilisis de la Varianza comienza el proceso de resoluci6n del problema

formulando la hip6tesis nula siguiente:

Todas las variaciones que aparecen en Ia tabla se deben solo a los errores a/eatorios
(esto es: el pH ejerce una influencia NULA sabre e/ sistema).

A partir de este memento, el ANOVA va a seguir un proceso de descomposici6n de

varianzas similar al que ya realizamos anteriormente. En primer lugar calcularemos la
varianza analitica ponderando las cuatro varianzas de los cuatro grupos de replicas (uno por
pH). En segundo lugar calcularemos la varianza de las cuatro medias de los cuatro grupos.
Esa varianza, de acuerdo con lo que expusimos anteriormente, deberia descomponerse de la
siguiente manera:

2
Sa
S md
2
-s pH + -4
2

Ahora bien, si la hip6tesis nula es cierta, entonces SpH es cero y la expresi6n anterior
se convertiria en:
2
2Sa
Smd= 4
Por tanto, si la hip6tesis nula es cierta, la varianza de las medias (multiplicada por 4)
deber ser equivalente (o sea no significativamente diferente) de la varianza analitica. Para
comprobar este extreme tan solo tendremos que aplicar un test F. Si el test F nos indicara que
60 V. Ferreira

existen diferencias significativas entre ambas varianzas, esto quiere decir que la hipotesis
nula no puede ser cierta. Entonces y solo entonces podremos decir que hemos demostrado
que el pH ejerce una influencia significativa sobre la sefial analitica. Una vez demostrado
esto, se puede aplicar el test t para comparar entre las distintas medias.

Vamos a realizar el proceso paso a paso.

a) Estimacion de Ia varianza dentro de los grupos (determinacion de Sao, en general, de

S0 ) . En este camino voy a tratar de calcular la variabilidad hipotetica total del sistema
midiendo exclusivamente las variabilidades aleatorias que en nuestro ejemplo en particular
estan relacionadas tan solo con la imprecision analitica. Calculo la varianza para cada
conjunto de cuatro medidas replicadas:
pH media s s2
3,20 18,95 0,238 0,0567
3,25 18,77 0,171 0,0292
3,30 18,55 0,129 0,0167
3,35 18,05 0,129 0,0167
Calculo ahora la media ponderada de todas estas varianzas, que es la mejor estimacion
de la variabilidad analitica, y si la hipotesis nula fuera cierta, seria tambien una buena
estimacion de la varianza de la poblacion original.

Esta estimacion tiene h (n-1) grados de libertad, siendo h el nillnero de grupos y n el

2 = LS~; = 0,0567 + 0,0292 + 0,0167 + 0,0167 = 0 0298
Sa h 4 '
nillnero de elementos dentro de cada grupo. En este caso esta estimacion de la varianza
analitica tiene 12 grados de libertad.

b) Calculo de Ia varianza entre grupos (Determinacion de Ia varianza de las medias y de

Ia varianza del factor). Las medias de los cuatro grupos son distintas entre si por dos
razones, en primer lugar porque se trata de medidas a distinto pH, y en segundo lugar porque
cada media representa al valor verdadero de la sefial a un pH determinado con una
incertidumbre asociada que es ± t sa!"Vn (de acuerdo con el teorema central del limite). Por
esta razon, la varianza de las medias tendria que ser

s:d = s:H +~a= 0,152

Teniendo esta estimacion h-1 = 3 grados de libertad. Ahora bien, bajo la hipotesis nula SpH es

cero, por lo que si la hipotesis nula es cierta: s;d = s;4 ' y

2
Sa= 0,152 X 4 = 0,609
A este valor 0,609 se le denomina varianza entre grupos.

c) Comparacion de am bas varianzas. Basta con aplicar el test F para demostrar que la
varianza entre grupos es mayor que la varianza dentro de grupos:
 0 609
F 3 12 = • = 20 44
' 0 0298 '
'
El valor critico encontrado en las tablas de F para una cola (ya que solo nos interesa
comprobar si la varianza entre grupos es mayor que lade dentro de grupos) es 3,49.

Por tanto la varianza entre grupos es significativamente mayor que la varianza entre
grupos y eso quiere decir que la hipotesis nula es falsa, esto es; que el factor controlado pH
ejerce una influencia significativa y real sobre el sistema.

En concreto sabemos que la variabilidad asociada al pH es:

2 = 2 _Sa=0152-0,0298=0144
SpH Smd 4 ' 4 '
d) Calculo de las diferencias minimas significativas

Una vez (y solo una vez) que se ha demostrado que existe una influencia significativa
del factor, es posible aplicar el test t para determinar que medias de grupos difieren entre si:

donde s es la variabilidad aleatoria calculada dentro de grupos. En el caso frecuente de que n1

=n2:

Puesto que el termino s (2/n)0 •5 es el mismo para todos los casos, y puesto que la tc es
la misma tambien para todas las medias, en Iugar de calcular el t experimental para cada par
de medias, lo que se hace es calcular la minima diferencia que tiene que haber entre las
medias para que pueda ser considerada significativa. En la ecuacion anterior el numerador se
convierte en D, y sustituimos 1:e: por el tc encontrado en las tablas (con h (n-1) grados de
libertad):

D= sVI th(n-1)

En nuestro caso:

D= 0,173~ X 2,18 = 0,27

Ahora podemos construir una tabla de doble entrada para calcular todas las diferencias
entre las medias, marcando con un asterisco las que sobrepasan D:
62 V.Ferreira

pH 3,2 3,25 3,3 3,35

pH medias 18,95 18,775 18,55 18,05
3,2 18,95 0
3,25 18,775 -0,175 0
3,3 18,55 -0,4* -0,225 0
3,35 18,05 -0,9* -0,725* -0,5* 0

Puede verse que de las cuatro medias de que disponemos, tan solo las diferencias entre
las medias correspondientes a las parejas de pHs 3,20 y 3,25 y 3,25 y 3,30 no superan la
Minima Diferencia Significativa, pero que entre 3,30 y 3,35 ya hay una diferencia
significativa y si la diferencia de pH es superior a 0,05 siempre hay diferencias. Por tanto no
solo hemos demostrado que el pH ejerce un efecto significative, sino que debe ser controlado
con una precision superior a las cinco centesimas para evitar que afecte de forma negativa a
la precision del metodo. En cuanto a cual es el pH optimo, si el objetivo es obtener una sefial
maxima, el pH mejor de los ensayados es el inferior.

5.- La tabla del Amilisis de Ia Varianza

El Analisis de la varianza se desarrollo en la primera mitad del siglo pasado de la
mano de Fisher. En esa epoca nose podia disponer de mas herramientas de calculo que de las
reglas de calculo y de las tablas de logaritrnos, por lo que es comprensible que se dedicara un
gran esfuerzo a la simplificacion de los calculos. Ese esfuerzo se concretaba en estrategias
operativas que yen formas de trabajar que han perdurado hasta hoy. En particular se evitaba
el trabajo con desviaciones estandar (para no tener que extraer la raiz) y aun con varianzas, y
se trabajaba con lo que se denomina cuadrados, tal y como se muestra a continuacion:

- l[ x)'~
El numerador se denomina

)
s- /L(x;
'------------' suma de cuadrados.

A la varianza se le denomina
cuadrado medio

La forma de operar la podemos ilustrar con el ejemplo que acabamos de ver acerca del
efecto del pH. La tabla de datos queda de la siguiente forma:
pH Rep 1 Rep2 Rep3 Rep4 medias
3,2 18,8 19,2 18,7 19,1 18,95
3,25 18,8 19 18,7 18,6 18,775
3,3 18,6 18,5 18,4 18,7 18,55
3,35 18,2 18 18,1 17,9 18,05
media global 18,58125

a) La variabilidad dentro de grupos se calcula restando la media de grupo a cada una

de las 4 replicas del grupo correspondiente:
pH Rep 1 Rep 2 Rep3 Rep4
3,2 -0, 15 0,25 -0,25 0,15
 3,25 0,025 0,225 -0,075 -0,175
3,3 0,05 -0,05 -0,15 0,15
3,35 0,15 -0,05 0,05 -0,15

Al elevar al cuadrado cada una de estas diferencias se obtienen los correspondientes

cuadrados, y la suma de todos los cuadrados es lo que denominamos la suma de cuadrados
dentro de grupos:
pH Rep 1 Rep2 Rep 3 Rep4 sumas
3,2 0,0225 0,0625 0,0625 0,0225 0,17
3,25 0,000625 0,050625 0,005625 0,030625 0,0875
3,3 0,0025 0,0025 0,0225 0,0225 0,05
3,35 0,0225 0,0025 0,0025 0,0225 0,05
Suma global 0,3575

Esta suma de cuadrados dentro de grupos tiene 12 grades de libertad. Al dividirla por
este dato obtenemos la varianza, que en la nomenclatura ANOVA se denomina cuadrado
medio:

Cuadrado medio dentro grupos es 0,3575/12=0,02979

b) La variabilidad entre grupos la calculamos sustituyendo cada dato por la diferencia

que hay entre su media de grupo y la media global:
pH Rep 1 Rep 2 Rep3 Rep4
3,2 0,36875 0,36875 0,36875 0,36875
3,25 0,19375 0,19375 0,19375 0,19375
3,3 -0,03125 -0,03125 -0,03125 -0,03125
3,35 -0,53125 -0,53125 -0,53125 -0,53125

Al elevarlos al cuadrado y sumarlos obtenemos los correspondientes cuadrados y

suma de cuadrados:
pH Rep 1 Rep2 Rep 3 Rep4 cuadrados
3,2 0,13598 0,13598 0,13598 0,13598 0,54391
3,25 0,03754 0,03754 0,03754 0,03754 0,15016
3,3 0,00098 0,00098 0,00098 0,00098 0,00391
3,35 0,28223 0,28223 0,28223 0,28223 1,12891
1,82688

Esta suma de cuadrados entre grupos tiene 3 grados de libertad. Como anteriormente,
al dividir la suma de cuadrados por los grados de libertad obtenemos el cuadrado medio entre
grupos:

Cuadrado medio entre grupos = 1,82688/3=0,60896

Dato que coincide con la varianza entre grupos anteriormente calculada.

El cociente F coincide con el cociente entre el cuadrado medic entre grupos por el
cuadrado medic dentro de grupos:

F=0,60896/0,02979=20,4405, con 3 y 12 grados de libertad.

Todos estes resultados se ordenan en una tabla como la siguiente que es la tradicional
tabla de analisis de la varianza, yes la que nos proporcionara cualquier programa estadistico.
64 V. Ferreira

Fuente de variaci6n Grados de Sumade Cuadrado Medio F

Libertad Cuadrados
Entre grupos 3 1,82688 0,60896 20,4405
Dentro grupos (error) 12 0,3575 0,02979 P=0,0001
TOTAL 15 2,18438
La fila encabezada por TOTAL, es Uri calculo de la variabilidad total del sistema.
Como es facil de comprender, esta variabilidad es simplemente la suma de los cuadrados de
las diferencias entre cada uno de los 16 datos individuales y la media global, y se calcula tal y
como se explic6 anteriormente. Primero calculamos las correspondientes diferencias:
pH Rep 1 Rep 2 Rep 3 Rep 4
3,2 0,21875 0,61875 0,11875 0,51875
3,25 0,21875 0,41875 0,11875 0,01875
3,3 0,01875 -0,08125 -0,18125 0,11875
3,35 -0,38125 -0,58125 -0,48125 -0,68125

Y luego los cuadrados y sus sumas:

pH Rep 1 Rep2 Rep3 Rep4 cuadrados
3,2 0,04785 0,38285 0,01410 0,26910 0,71391
3,25 0,04785 0,17535 0,01410 0,00035 0,23766
3,3 0,00035 0,00660 0,03285 0,01410 0,05391
3,35 0,14535 0,33785 0,23160 0,46410 1,17891
2,18438

6.- El modelo subyacente al ANOVA

Siguiendo en detalle lo que hemos hecho al aplicar la estrategia clasica, se pone de
relieve que basicamente lo que hemos hecho ha sido descomponer el conjunto de datos
originales en una media global, una contribuci6n debida al pH y un error o residual. Por
ejemplo, el primero de los datos (replica 1 de pH 3,20) lo hemos descompuesto de la
siguiente forma:

18,8 = 18,581+0,3687-0,15

18,581 es la media global, 0,3687 es la contribuci6n o efecto del pH 3,20 y -0,15 es el

residual, que no es mas que la diferencia de ese dato con respecto ala media de grupo. La
suma 18,581 +0,3687=18,95 es el valor estimado por el ANOVA para una medida realizada a
pH 3,20. Los estimados se denotan por y.

Esto puede generalizarse para los 16 datos del ejemplo:

De forma que el dato yij, que corresponde al dato n° j del tratamiento (pH) i, puede
considerarse como la media global, mas la contribuci6n del tratamiento (pH) i
correspondiente, mas su termino de error o residual. En terminos matriciales:
 18,8 19,2 18,7 18,58 18,58 18,58 r 0,37 0,37 0,37 0,3 7 r-0,15 0,25 -0,25
19,11 [18,58 0,15 1
18,8 19,0 18,7 18,6 18,58 18,58 18,58 18,58 0,19 0,19 0,19 0,19 + 0,025 0,225 -0,075 -0,175
+
18,6 18,5 18,4 18,7 18,58 18,58 18,58 18,58 -0,03 -0,03 -0,03 -0,03 0,05 -0,05 -0,15 0,15
[
18,2 18,0 18,1 17,9 1
18,58 18,58 18,58 18,58 1
-0,53 -0,53 -0,53 -0,53 0,15 -0,05 0,05 -0,15

0 bien,

0,219 0,619 0,119 0,519 r 0,37 0,37 0,37 0,3 7 r-Q,l5 0,25 -0,25 0,15
0,219 0,419 0,119 0,019 0,19 0,19 0,19 0,19 + 0,025 0,225 -0,075 -0,175
0,019 -0,081 -0,181 0,119 -0,03 - 0,03 -0,03 - 0,03 0,05 - 0,05 - 0,15 0,15
[
-0,381 -0,581 -0,481 - 0,6811 - 0,53 -0,53 -0,53 -0,531 0,15 -0,05 0,05 -0,15 1

Donde la primera de las matrices ahora contiene los diferencias entre cada dato con la
media general. Al elevar al cuadrado cada uno de los elementos de las matrices y hacer la
suma, obtenemos las correspondientes sumas de cuadrados, que cumplen la igualdad:

2,1843 = 1,827 + 0,357

lo que se corresponde con los mismos datos contenidos en la tabla ANOVA.

El modele ANOVA, por tanto es un modele aditivo simple, que nos permite
descomponer cualquier conjunto de datos en la contribucion de los distintos factores que
sobre ellos inciden y en un termino residual. Desde el punto de vista aritmetico, la
descomposicion anterior se puede aplicar a cualquier conjunto de datos, pero esto no quiere
decir que la aproximacion ANOVA sea valida. En principio, esta aproximacion es valida en
el caso en que los datos de poblacion original procedan de 4 subsets de distinta media y la
misma desviacion tipica. En ese caso, el modele ANOVA permite reducir el conjunto de
datos inicial a la aportacion de cada tratamiento por lo que de ser cierto, podriamos prescindir
tanto de los residues como de los datos originales y concentrar nuestra atencion en el efecto
de los tratamientos. En la practica, seria imprudente realizar esta simplificacion sin mas
comprobaciones, ya que los datos pueden venir afectados de fuentes de error no contempladas
en el experimento y que de conocerse harian variar de forma notable las conclusiones
extraidas sobre ellos, tal y como ya discutimos al hablar de la aleatorizacion.

Muchos de los efectos supyacentes que pueden afectar a la interpretacion real de los
resultados, pueden hacerse patentes al estudiar los residuales. Por ejemplo, si el tercer dia se
hubiera estropeado el pHmetro o e1 sistema de medida, los residuales obtenidos ese dia
podrian ser particularmente altos. Observa que esto solo lo podrias verificar caso de haber
aleatorizado completamente el experimento. En particular es precise estudiar:

La distribucion de los residues (deberia ser una distribucion

aproximadamente normal con centro en cero

La relacion entre la magnitud del residue y la magnitud de la respuesta

(que se estudia representando los residues frente a los valores estimados
por el modele

La distribucion con el tiempo de los residues

66 V. Ferreira

Cualquier otra representaci6n de los residuos frente a una variable que se

considere pueda ser interesante (temperatura de laboratorio, analista, dia de
la semana... )

Histograma de los residuos:

Histograma residues

menor/igual- entre .{),15 y entre .{),05 y entre 0,05 y mayor a o,15

0,15 .{),05 0,05 0,15
Clue

El histograma nos indica que en este caso, los residuos no parecen distribuirse de
forma normal, ya que los residuos mas grandes son mas frecuentes. De hecho 10 de los
residuos tienen una magnitud superior a 0,149. Podemos aplicar alguna de las pruebas citadas
en el capitulo anterior para verificar la normalidad. La curtosis muestral (que a la vista del
histograma es el parametro que puede desviarse de la normal), arroja un valor de -1,18,
claramente por debajo del 0 esperado, lo que muestra que la distribuci6n es mas chata que la
normal. Sin embargo, el intervalo de confianza de este parametro (raiz(24/n)) es 1,23, por lo
que no podemos afirmar que la distribuci6n se aparta de la normal de forma concluyente. De
la rnisma forma, la maxima diferencia entre las curvas de frecuencia acumulada observada y
la normal te6rica (0,147-hazlo como ejercicio-) es bastante inferior al valor requerido para el
test de Komogovov-Srnimov (0,213).

La representaci6n de los residuos frente a los estimados se puede apreciar en la figura

siguiente:
realdualea va eaUmadoa

0,3

•
.
0,2
. • .
0,1
. . .
1
• 18,1 18,2 18,3 18,4 18,5 • 18,8 18,7
.
18,8 18,9 1~
.(),1
. • . •
.(),2

.(),3
.
La figura tampoco muestra un comportarniento que podamos calificar de anormal,
aunque nos indica que los residuos tienden a hacerse mas grandes cuando los estimados son
mayores. De hecho, 6 de los valores residuales mayores de 0,14 corresponden a las medidas
realizadas a pHs 3,2 y 3,25, que son los que proporcionan seiiales mas altas. Ademas, los
Unicos residuales que superan el valor 0,2 corresponden a estas medidas. Dicho de otra forma,
la distribuci6n no normal de los residuos parece deberse fundamentalmente al hecho de que
los residuos correspondientes a los estirnados mas altos son mas altos. La forma de la grafica
es tipica, ya que se puede apreciar que aparece una tipica forma de embudo con la abertura
colocada en el lado derecho y sugiere que a mayor magnitud, mayor desviacion. Desde el
punto de vista analitico esto quiere decir que aunque la mayor sefial se obtiene a un pH 3,20,
esta sefial es mas imprecisa. Sin embargo, todo esto se queda en observaciones, ya que las
diferencias entre las desviaciones a pH 3,2 y 3,35 no son significativas, tal y como indica el
correspondiente cociente F:

Siendo el valor critico 9,27. Por lo que no tenemos pruebas de que dicha observacion
no sea debida a causas puramente aleatorias. Sin embargo, hemos obtenido una interesante
informacion que podriamos contrastar disefiando nuevas experiencias (por ejemplo,
estudiando con mayor detalle lo que le ocurre a la precision analitica a dos pHs distintos), lo
que enriquece el proceso experimental.

reslduos vs dlo

0,3
.
0,2
. .
0,1
.• .
0,5 1 1,5 a 2,5 3 3,5 4 45
~. 1
. .• .•
~.2

~.3
.
La representacion de los residues frente al dia de la semana se muestra a continuacion:

En esta representacion se puede apreciar que no hay un efecto importante del dia que
podamos achacar a causas no aleatorias. Para comprobar si el factor dia ejerce un efecto
significative en la magnitud de los residues, podemos realizar un ANOVA de un factor sobre
los residues. La tabla de ANOVA correspondiente se muestra a continuacion y de nuevo
confirma que el efecto no es significative.
Origen de las Suma de Grados de Promedio de F Probabilidad Valor critico
variaciones cuadrados libertad los paraF
cuadrados
Entre grupos 0,081875 3 0,027291667 1,188208617 0,355507716 3,490299605
Dentro de los 0,275625 12 0,02296875
grupos

Total 0,3575 15

(Como ejercicio haz la representacion frente al orden en que se hizo la medicion)

7.- Factor de efecto aleatorio/teoria del muestreo

El factor de efecto aleatoric mas importante con el que se ha de enfrentar el quimico
es el derivado del muestreo. Noes posible analizar un estanque para deterrninar su contenido
en material organico, pero este debe ser conocido. No podemos analizar todas las pastillas
fabricadas por una industria farmaceutica, pero la cantidad de principia activo debe ser
conocida. Lo que hacemos entonces es tomar muestra (que es Ia primera etapa del metodo
68 V. Ferreira

analitico), esto es, tomamos una pequefia fracci6n de la poblaci6n (el estanque, o el lote de
pastillas constituyen la poblaci6n). A partir de esta muestra tomada estimaremos las
propiedades de la poblaci6n original. Por supuesto que esta muestra debe ser aleatoria, esto es
todos los individuos de la poblaci6n (cada una de las pastillas, o cada una de las unidades de
volumen del estanque) tienen que tener la rnisma probabilidad de ser elegidos.

Para evitar ambiguedades en ellenguaje, a cada una de las fracciones de muestra la

llamaremos incremento de muestra, y al grupo de las fracciones muestra bruta. Como los
materiales (el estanque, las pastillas), no son homogeneos, deberemos tomar varios
incrementos de muestra elegidos al azar. Estos incrementos, bien por separado, bien despues
de mezclarse, senin analizados y el resultado del analisis sera la media aritmetica obtenida en
cuantos analisis se hayan realizado. Este resultado ira afectado de dos fuentes de
incertidumbre, la analitica y la muestral. Por consiguiente, para estimar la incertidumbre
global del resultado y por tanto para disefiar el proceso analitico 6ptimo mas adecuado, sera
preciso conocer ambas dos fuentes de variaci6n. El ANOVA puede utilizarse con el fm de
separar ambas fuentes de variaci6n.

Vamos aver su aplicaci6n con el siguiente ejemplo:

Deseamos deterrninar el contenido en principio activo de un lote de medicamento

formado por 1.000.000 de tabletas. Se tomaron para ello 10 tabletas elegidas al azar, y sobre
cada una de elias se realizaron 3 medidas del principio activo por una tecnica cromatografica.
Tableta e medicion 2a medicion 3a medicion
1 2.92 2.98 2.97
2 3.02 3.06 3.00
3 3.10 3.01 3.08
4 2.87 2.91 2.83
5 2.82 2.85 2.84
6 3.11 3.14 3.08
7 3.14 3.16 3.18
8 3.09 3.07 3.13
9 3.19 3.14 3.19
10 2.82 2.80 2.78
Estimacion de Ia varianza dentro de los grupos (replicas analiticas)

Esta varianza es debida tan solo, a los efectos aleatorios que acruan sobre la medida, y
no a los del muestreo. La calculamos como la media de las varianzas de cada una de las

1 - 2
s~ = 10 L(xij- xJ = 0,95 ·10-3
triadas de datos:

con 20 grados de libertad.

Estimacion de Ia varianza entre los incrementos de muestra.

 Esta varianza es debida tanto a los efectos aleatorios que actuan sobre la medida como
a la variabilidad existente entre los incrementos de muestra (y que es consecuencia del
proceso de producci6n industrial, son diferencias reales). La calculamos como la varianza
entre las medias de las triadas de datos (con 9 grados de libertad):

Como ya sabemos, esta varianza de las medias es debida ala variabilidad muestral
2
Smd = 0,0184
real (que bajo la hip6tesis nula es despreciable) aumentada en la variabilidad analitica
corregida por el nlimero de replicas de cada media:

Ahora bien, si la hip6tesis nula es cierta,

La varianza entre grupos es por tanto,

2 2
Seg = Smd X 3 = 0,0552

Para comprobar estadisticamente que las variaciones originadas por el muestreo no

son despreciables, basta con aplicar el test F a estas las varianzas entre grupos y dentro de
grupos:

F = 0,0552 = 5 81
0,95 ·10- 3 ,

Siendo el F critico para 9, 20; 2,393, por lo que queda demostrado que la
heterogeneidad muestral ejerce un efecto significative.

Descomposicion de Ia varianza total

De nuevo se tiene:

2
s
S md = s mto + 3 s = 0,0184-0,95 ·10 = 0,0181
2 2 2 -3
___!!_ ::::::>
mto

Errores en el muestreo, estrategia de muestreo

Una vez que hemos deterrninado la varianza asociada al muestreo, junto con la
varianza analitica, podremos optimizar el esquema de muestreo mas analisis que mejor se
adapte a nuestras necesidades. Esto supone elegir cual es el esquema de muestreo mas
adecuado, deterrninar cuantos incrementos de muestra se extraeran del sistema y cuantas
veces se analizaran (bien por separado, bien la mezcla bruta).
70 V. Ferreira

1er esquema de muestreo: Como se indic6 en el ejemplo anterior: Se toman h incrementos

de muestra y cada incremento se analiza n veces. En esta estrategia se obtiene una media final
promedio de lash medias den replicas. La varianza de la media de las medias es:

y el intervale de confianza de dicha media resultado final es

2
San
S md -s mto + - n
2 2

Donde testa calculado con los grados de libertad con que se conoce la varianza de muestreo.
2 2
J-l = X ± ( S md = X± ( S mto + San
Jii h nh
En la practica, sin embargo, en lugar de emplear t emplearemos la distribuci6n z, ya que en
las operaciones en las que se estudia la variabilidad de un rimestreo se suele disponer de un
nillnero de grados de libertad lo sufientemente grandes como para que t y z sean
practicamente coincidentes.

2° esquema de muestreo: Se toman h incrementos de muestra y antes de analizarse se

mezclan. De la mezcla se realizan n medidas. En este caso el resultado final es la media de las
n replicas analiticas realizadas sobre la muestra bruta o compuesta. El intervale de confianza
del resultado finales en este caso:

Donde igualmente t esta calculado con los grados de libertad con que se conoce la varianza
2 2
J-l = X± ( S mto + San
h n
de muestreo.

Problemas:

1.- Sabemos a partir de experiencias previas que Ia varianza debida al muestreo es 10 y Ia debida al
metoda analitico 4. (en unidades arbitrarias). Calcula Ia varianza de Ia media para los siguientes
esquemas de muestreo:

a) Se taman 5 incrementos de muestra, se mezclan y se realiza un ana/isis p or duplicado.

b) Se taman 3 incrementos de muestra y se analiza cada una por duplicado.

c) Se taman 2 incrementos de muestra y se analizan por triplicado.

2.- Se desean conocer las varianzas de medici6n y muestrales del contenido de Nitr6geno A minico de
un campo de soja. Para determinarlas se tomaron 5 muestras aleatorias de 10 g de soja, y se analiza
cada muestra por triplicado. Se obtuvieron los siguientes valores:
~ . . . . . .. . M~-~;;.~ . . . . . . . . r. . . . .
i~·;·~di~i6~ . . . . . .f.......... 2.~· ;·~di~i6~···· . . ..l . . . . . 3.;,. . . . . . .l
;;;~'di~i6.~

.....:...........:.T··. · · . - . . . ::·l~::§·:·:·:·:·:·:·::··:·:·:c:·~:~·:·:·:·:::':!:~:;c:~~--~::~=:J
r· ..:··_··_·:·:·:·:--·:·'A.··---:·:·:·:~·:::· ..~:·:·c::·:·:·:·:···:·:::::r§:·i

............ 13 ........ ... J ....... .. J.1,7 )~,?. . ...... ··i_····-······!.1.!. ~----···-----1

................ 9 ............ ......................l !J. .}_Q,} ___ ........................lQ~Z................
n .......... l _/1,2 .. .. __,_______ ... .!?,?..... ............J........... u. ,.z............. J
 Determina la variabilidad achacable al muestreo y la causada por el metoda analitico.
Comenta los resultados y propon que estrategia de muestreo es la mas adecuada para mejorar los
intervalas de confianza de la media. ;,Merece la pena invertir tiempo y dinero en mejorar la precision
del ana/isis?

3.- En la puesta a punta de un proceso cromatografico se desea conocer con que exactitud y precision
se debe controlar la temperatura. Para ella se monitorizan los tiempos de retencion de los analitos a
distintas temperaturas, realizandose esta medida por triplicado. Aplicando el metoda de la minima
diferencia significativa determina que oscilacion minima de temperatura causa diferencias
significativas en los tiempos de retencion. Haz un estudio de los residuos.

[::::f~~Pi.~qf.~i.q _ _] __- 1 a me_clicion 2° medici6-;;-;·-~~~--~~~iii~_4_j_~j~~~~~--~1

' ~?.!_ Q_Q___________________ L___~_,_}§_____~----51}2____,;, .......... ?.!~§ _______ ,,.....~
•--··----------------~?.~..9..L _________________ i 5,39 1 5,38 ~ .....................~!.~L. . . . . . . ...J
!....................~?.!..!.9.. . . . . . . . . . -.
. --- 5, 3§ 5, 39 -----------~}2___________ ~
L. . . . . . . ...?..?.!. U.. . . . . . . . -~-----------~!}2_________________~,_12._________,;_.................?..!~9........................;
' 55,20 i 5,39 f 5,41 ; 5,40 ;
------------·----·5----5----,--2----5----·---------------·-r--------_5-..-.·_,-_4_-_2_______-_------- i.· -------5--4--0·-------------T-----............5..........1........................1.
. . . . . . ............... ~---------..!.........._______...:;,..........................~1............................
55, 3 o - - - · .......... ~~.1.2 i 5, 42 1__________ }!..1.L . . ______ _j
55,35 ...................... ~!.1..?........................ 5,45 _______?..r1.1.________j
4.- Los siguientes resultados muestran el porcentaje del agua intersticial total recuperada al
centrifugar muestras de piedras areniscas tomadas de diferentes profundidades.

Profundidad (m) Agua recuperada (0/o)

7 33.3 33.3 35.7 38.1 31.0 33.3

8 43.6 45.2 47.7 45.4 43.8 46.5

16

23 72.5 70.4 65.2 66.7 77.6 69.8

Demuestre que el porcentaje de agua recuperada difiere significativamente de diferentes

profundidades. Uti/ice el metoda de la menor diferencia significativa.

5.- Resuelve aplicando el ANOVA · el problema 33 del tema 1. Haz un estudio completo de los
residuos.
6.- El departamento de control de residuos y medioambiente de una gran empresa qufmica
tiene que determinar cual es Ia cantidad vertida par ana de un cierto contaminante. Para ella
monitoriza el ejluyente a lo largo de varios meses, realizando controles una serie de dfas
(aleatoriamente distribuidos) en cuatro distintos puntas de toma de muestra. Los resultados
se muestran a continuaci6n:

Dia Punta Punta Punta C Punta D

1 2,2 3,5 2,7 1,9
2 3,6 2 2,4 3,3
3 4,9 4,1 5,4 5,2
4 4,3 5,1 3,6 5
72 V. Ferreira

5 1,7 3,3 2,5 2,9

6 4,5 6,3 4,7 4
7 3,8 3,2 2,3 2,9
8 3,3 2,8 4,2 4,1
9 5,7 5 4,2 5,1
10 5,3 4,2 4,7 3,9

Determina
a) ;,Cuantos puntas de muestreo se deberiancolocar para determinar la composici6n diaria
con un 10% de precision (a=0,05)?; b) Manteniendo el numero de puntas de muestreo inicial
(4), ;,cuantos dias del afio debe monitorizar el efluyente para conocer la composici6n media
anual del vertido con una precision de ±0,5 (95%) ?; c) como b pero con el numero de puntas
de muestreo determinados en a).
 Tema 3.- Calibraci6n de Metodos Analiticos

1.- Funciones de calibracion

Una gran parte de los analisis que se realizan en la actualidad emplean tecnicas instrumentales
tales como la espectroscopia de absorci6n ultravioleta-visible, absorci6n y emisi6n at6mica o
cromatografia de gases y de liquidos. En todas estas tecnicas, la muestra es sometida a un cierto
estimulo energetico y se mide la respuesta a dicho estimulo (absorci6n de luz, emisi6n de luz,
diferencia de potencial, corriente electrica, cambio en el indice de refracci6n ... ). Dicha medici6n se
realiza mediante un dispositivo capaz de convertir dicha forma de energia en una sefial electrica que
puede ser procesada de forma digital. Por tanto, podemos decir que las tecnicas instrumentales
generan una sefial electr6nica que esta relacionada con la concentraci6n o masa de analito presente en
la muestra. La relaci6n existente entre la sefial y la concentraci6n o masa puede ser muy variable. En
algunos casos, como en la Absorci6n Molecular, disponemos de una expresi6n te6rica (la ecuaci6n de
Beer) que nos relaciona ambos parametros. En otros casos, como en la mayor parte de los detectores
que se emplean en cromatografia de gases, no hay una teoria que proporcione una ecuaci6n
relacionando concentraci6n y sefial. No importa. Por la forma en la que se realiza el trabajo, lo mas
practico es realizar un calibrado del instrumento introduciendo disoluciones de concentraci6n
conocida, realizando su medici6n, y posteriormente generando una ecuaci6n empirica que relacione la
sefial con la concentraci6n. Incluso en el caso de la absorci6n molecular, en el que la ecuaci6n es
conocida nadie suele ir a la biblioteca a buscar el coeficiente de absorci6n molar del analito en
cuesti6n, para aplicar la ecuaci6n de Beer y determinar la concentraci6n. Esto no es practico y no
funcionaria por la cantidad de parametros adicionales que no conocemos. Esta ecuaci6n empirica que
relaciona la sefial medida con la concentraci6n es fundamental en el analisis instrumental y la
podemos denominar funcion de calibracion.
Para determinarla, lo mas frecuente es preparar una serie (tipicamente entre 3 y 6) de
disoluciones de calibrado de estructura matricial (disolvente, reactivos) lo mas parecida a la de las
muestras. Las disoluciones tendran concentraciones distintas y deberan cubrir todo el intervalo de
concentraciones que nos interese calibrar (esto es, las muestras a analizar deberan tener
concentraciones comprendidas entre el calibrado mas diluido y el mas concentrado). La funci6n de
calibraci6n en la inmensa mayor parte de los casos es una linea recta. En primer lugar, porque en la
mayor parte de las tecnicas analiticas mas importantes la relaci6n entre la concentraci6n y la sefial es
lineal (en un cierto intervalo de concentraciones). En segundo lugar porque el procesado matematico
de funciones mas complejas es mas complicado y lleva asociada una mayor imprecision. En tercer
lugar, porque aunque la relaci6n sefiallconcentraci6n no sea lineal, probablemente podemos buscar un
intervalo pequefio en el que dicha funci6n pueda aproximarse por una linea recta. Si esto ultimo no es
posible o practico, se pueden emplear otras funciones de calibrado pero su tratamiento esta fuera del
alcance del presente curso .
.----------------------------------------,
0,6

0,5
senal medida en Ia muestra

0,1
concentraci6n determinada
0 ~--~----~--~--~----~--~--~
0 5 10 15 20 25 30 35
concentrac16n (mg(l)

Figura 1: Tipica recta de calibrado

74 V. Ferreira

Alternativamente, puede que una pequefia transformacion de la sefial o de la concentracion

nos proporcione la relacion lineal adecuada. Este es el caso de la Absorcion de luz, en el que la sefial
realmente medida no es la Absorbancia, sino la Transmitancia. La relacion entre la Transmitancia y la
concentracion es de tipo exponencial. El logaritmo (cambiado de signa) de la transmitancia es la
Absorbancia, que guarda una relacion lineal con la concentracion. Los datos obtenidos en el analisis
de las muestras de calibrado se representan frente a la concentracion tal y como se indica en la figura
1. La concentracion se coloca en el eje de abcisas, y la sefial en el de ordenadas.
Ese conjunto de datos se debe ajustar a una recta de ecuacion y= bo + b 1x para disponer de una
ecuaci6n que relacione la sefial con la concentraci6n. Cuando se analiza una muestra de concentracion
desconocida, lo que se hace es interpolar el resultado de Ia medicion (esto es, Ia sefial pura o
transformada matematicamente) en dicha recta tal y como se muestra en Ia figura 1.

En este epigrafe vamos abordar de una forma elemental las siguientes cuestiones:
1.- (,Como podemos verificar si los datos obtenidos en el analisis de las disoluciones de
calibrado realmente se pueden ajustar a una recta?
2.- (,Como se construye la recta? (,que incertidumbre tenemos en su conocimiento?
3.- (,Cuai es Ia imprecision asociada a Ia determinacion de Ia concentracion de un analito en
una muestra empleando Ia recta de calibrado?
4.- (,Como se debe disefiar el proceso de calibracion y analisis para que la incertidumbre sea
minima.
5.- (,Que mas informacion relacionada con el metoda de analisis nos aporta la funcion de
calibracion?

2.- Linealidad de Ia funcion de calibracion

Para averiguar si la relacion entre la sefial y la concentracion responde a una recta, lo mejor es
construir la figura correspondiente representando los pares de puntas sefial/concentracion obtenidos en
el analisis de las disoluciones de calibrado tal y como se hizo en la figura 1. Pero ademas, hay un
parametro estadistico que nos permite evaluar el grado de correlacion lineal entre dos variables. Este
parametro es el coeficiente de correlacion momento-producto o coeficiente de correlacion de Pearson.
Su expresion es la siguiente:
~](x;- x)(Y;- .Y)]
r= ; [1]
~(L(x; -x)2)(L(Y; -.Y)2),
donde Xi e Yi corresponden a la concentracion/sefial del punta de calibracion i, y x e y , son los
promedios de las Xi e Yi, respectivamente. El punta definido par las coordenadas x ,y se denomina
centroide de la regresion.
Si dos variables estan muy correlacionadas (esto es, si realmente y=cte x), su coeficiente de
correlacion es 1. Si estan anticorrelacionadas (y=-cte x) este coeficiente es -1, tal y como puedes
comprobar sin mas que sustituir en la ecuacion 1 cada valor de y par su correspondiente cte x. Si no
tienen ninglin tipo de correlacion, r es 0.
Tomemos los siguientes pares de datos: a) (1 ,2); (2, 4); (3, 6); (4, 8) y b) (1,6); (2, 2); (3, 8);
(4, 4). La representacion de ambas series se puede vera continuacion:

r no es mas que un parametro estadistico empleado para medir la significatividad de la

9 9
R' = 1+ 8 •
6 •
7
6
5
. R'- 0
• 4 •
3

• 2 •
1
0 0
0 4 0 1 2 3 4 5
correlacion entre dos variables. Para un geologo, la existencia de un coeficiente de correlacion r=O,S
puede ser indicia de una importante correlacion entre dos variables. En quimica analitica, para
considerar poder emplear funciones lineales de calibracion satisfactorias, r debe ser mayor de 0,99, y a
veces incluso de 0,998. En cualquier caso, es conveniente siempre trazar la gratica porque incluso tras
coeficientes muy altos (muy cercanos a 1) pueden esconderse tendencias no lineales importantes que,
sin embargo, son facilmente detectadas par supervision visual.
Se puede determinar Ia significatividad de una correlacion empleando el siguiente estadistico
t:
lri.Jn- 2
t=~==-
~
La relacion entre la sefial y la concentraci6n no es lineal mas que en un cierto intervalo. El
intervala en el que la relacion se mantiene, se denomina rango lineal del metodo (o del instrumento).
Obviamente, este intervalo es un parametro de calidad importante de los metodos y de los
instrumentos de analisis y debe ser conocido. Hay instrumentos de analisis para los que la relacion
lineal se mantiene a lo largo de varios ordenes de magnitud. Par ejemplo, el detector de ionizacion a Ia
llama (FID) comunmente empleado en los cromatografos de gases mantiene una respuesta lineal
durante mas de 7 ordenes de magnitud (desde 10 picogramos basta 0,1 mg). Sin embargo, el detector
de indice de refraccion empleado en HPLC raramente mantiene Ia linealidad a lo largo de mas de un
arden de magnitud. El que la respuesta generada par un instrumento o detector sea lineal no garantiza
que el metoda lo sea. Par ejemplo, aun empleando un FID como detector, el intervalo lineal de
calibrado puede ser muy reducido si el metoda de analisis esta basado en Ia inyeccion de los vapores
del espacio de cabeza en equilibria sabre un solido o un liquido.

I.- Estudia el comportamiento lineal de los siguientes pares de datos obtenidos en el ami/isis de un
mismo set de disoluciones de calibrado por distintos metodos de ana/isis y determina en todos los
casos:
a) Ia validez del ajuste lineal, el intervalo de calibraci6n lineal y el coeficiente de correlaci6n-
b) Caso de que el ajuste lineal no sea posible, determina si se trata de la inexistencia de
correlaci6n entre la senal y la concentraci6n, o a la existencia de un tipo de relaci6n
diferente a la lineal.
concentraci6n Senali Sena/2 Sena/3 Sena/4
O,I I 0,6 I 2
O,I5 I,5 I,7 I,6 4
0,2 2, I I ,4 2,I 3
0,26 2,5 2,5 2,8 I
0,3I 3,2 3,8 3,5 5
0,39 3,8 3,6 4,9 8
0,45 4, I 4,I 5,8 4
0,5I 4,3 5,3 7 2
0,57 4,3 5,7 9 4

3 La recta de regresion dey sobre x

Existen diversas formas de generar una recta que represente de Ia mejor manera posible una
serie de pares de valores. La mas comtin emplea el denominado metoda de los minimos cuadrados. Se
denomina asi porque lo que hace es buscar aquella recta, de todas las posibles, para Ia que la suma de
los cuadrados de los residuos (el residua es Ia diferencia entre el valor observado de Yi y el estimado,
Y;, para todos los pares de datos Xi,Yi) sea minima. No nos vamos a entretener en su deduccion
matematica y presentaremos directamente las expresiones que nos permiten calcularlos:
76 V. Ferreit:a

pendiente [2]

ordenada en el origen [3]

Conocidos ambos panimetros, para determinar la concentraci6n de una muestra desconocida,

no hemos mas que sustituir el valor de sefial obtenido en la medicion de la misma, y 0 , en la ecuaci6n
de la recta y despejar el valor de la concentracion, XQ:

x0 = Yo -bo [4]
bl

Esta es la denominada recta de regresion de y sobre x. Y aunque parezca extrafio, no es la

misma recta que se obtendria si representaramos Ia concentra~ion en ordenadas y Ia sefial en abcisas.
La razon por la que esto es asi, es que la recta de regresion de y sobre x supone que la abcisa (la
concentracion) se conoce de forma perfecta, sin imprecision, y que la imprecision esta asociada a la
medida, o sea a Ia sefial. Este supuesto se adapta bastante bien a Ia realidad de Ia medici6n en quimica,
ya que las disoluciones de Ia recta de calibrado se pueden preparar con mucha mayor precision de la
que la mayor parte de las tecnicas instrumentales de analisis proporcionan. Si representaramos Ia
concentracion en ordenadas y Ia sefial en las abcisas, estariamos bajo el supuesto opuesto, esto es,
estariamos considerando que el error mayor tiene Iugar en Ia estimacion de Ia concentracion de las
disoluciones de calibrado y que el de medicion es despreciable. Este supuesto no se corresponde con
Ia realidad.
Tanto Ia pendiente como la ordenada en el origen llevan asociadas una incertidumbre. Estas
incertidumbres se pueden computar (en forma de varianza) como sigue:
primero se calcula la varianza media de los residuales,
2
L(Y;- Y)
s2 = __,__;- - - - [5]
Y
n-2
donde los Y; son los valores estimados y n el nillnero de pares de puntos de la recta de calibrado. Este
parametro es parecido a la varianza de una poblacion, con las siguientes variaciones: a) en Iugar de la
diferencia frente a la media, se computa frente al valor estimado; b) el numero de grados de libertad de
una regresion lineal son n-2 y no n-1, como es el caso en el calculo de una varianza muestral. Esto es
debido a que en una regresion se necesitan dos parametres (pendiente y ordenada en el origen) para
definir el conjunto de datos.
A continuacion se calculan las varianzas asociadas tanto a Ia ordenada en el origen como a la
pendiente,

s2 - ----;;;=---'------::- [6]
ho- ""'(
nL...J -)2
X; -x

[7]

Finalmente, Ia incertidumbre en Ia determinacion de un valor de concentracion por

interpolacion de la sefial obtenida en Ia medicion en Ia correspondiente recta de calibrado viene dada
por Ia siguiente formula:
sY
s =- [8]
0 b
I
donde m es el mimero de mediciones replicadas que se han realizado de la muestra problema, Yo la
seiial media obtenida en el analisis de la muestra, y n el nfunero de puntos en la recta. Al determinar
una concentraci6n por interpolaci6n en la recta, su intervale de confianza viene definido por
tanto por:
1.1.= Xo ± tn-2So
Donde Xo es el valor de concentraci6n obtenido por interpolaci6n en la recta, So es el valor de
desviaci6n obtenido con la ecuaci6n [8], y t es el estadistico con n-2 grados de libertad. Una
representaci6n de los intervalos de confianza obtenidos con la recta construida con los datos
de la sefial 1 del problema 1 se muestra a continuaci6n.
4.-------------------------------------------.
~~ ./ .,..-
3,5 ,. L ____ _,..
Y3o 1······················---·----····-················································································---·-···---·························· -~ v(.--r'
,.~/~+ ,.,. I
2,5 ;/;-~:.___,.""'-~-+----f-.--:-----------1
+--------------------
..,..-- /

~ 2 r---------------~---~.--~~~.-------+---~-+-------~
~ ,.,..r _/
...... "' / _,..,.. ,.."
1,5 +----------
/~___,..4-_,..,.:.------------'----'--+----------l
..,..-- /
/ /
/

interwlo de conftenza !
0, 5 ,----------------------------t=::::;==:;r-------~

o +---~----.---------~--------'-~T~--'-----------1
0 0,05 0,1 0,15 0,2 0,25 0,3 Xo 0,35 0,4 0,45
Concentracl6n

2.- Con los datos del problema I que se ajustan a una recta, construye Ia correspondiente recta de
regresi6n, calcula los intervalos de confianza tanto de Ia pendiente como de Ia ordenada en el origen,
y determina Ia concentraci6n, con sus correspondientes intervalos de confianza, de una disoluci6n
cuya senal por Ia tecnica I fue de 3, I5.

Una simple inspeccion visual de la ecuacion [8] y de la figura anterior nos permite extraer las
siguientes conclusiones acerca de la precision en toda medicion que emplee una recta de calibrado:
1.- Cuantas mas replicas de la muestra, mejor. Aunque a partir de 3 datos la mejora es
residual.
2.- El nfunero de puntos en la regresion juega un doble efecto en la incertidumbre de una
concentracion interpolada. Por una parte afecta directamente a la imprecision S0 , y por otra
parte afecta a los grados de libertad con que conocemos t. Es conveniente que n sea por tanto
no inferior a 6.
3.- La cercania de la muestra al centroide de la regresion es muy importante. La maxima
precision se da en el centro.

efecto n puntas en regresi6n

0,2 -r---------- -- - - - - -- ----------------,

0,1 8+---------,-..........._ --/ L
::------------'------.--"""7"'------l
0,16 +-----------'"""--:-:::--------:=::::-----
--- - ---n=3
0,14 .J-------------======:::::::::.-------------1 - - - - n=4
0,12 r-------------------------------~ - -n•5
0,1 r-------------------------------~ -+t--n=6
0,08 r-------------------------------~ -n=e
0,06 +--------:,-----------------------:=------l -r\"'10
------------------ ·--~-- n=20

0,04
0,02 t===::i~~iimii!iiMm;j~~=j
0,5 1,5 2,5 3,5 4,5
So~al
78 V. Ferreira

Efecto de m (n=6)

0,04

0,035

0,03 -m=1
0,025 ----m=2
- -m=3
0,02
--M-m=5
0,015 -m=10
0,01 ···+·· m=20

0,005

0,5 1,5 2,5 3,5 4,5

Seftal

Algunos de esos efectos se visualizan en las figuras anteriores.

3.- Para investigar Ia posible existencia de efectos de Ia matriz en un metoda de ana/isis, se han
realizado sendas rectas de calibraci6n en dos medias matriciales diferentes. Comprueba si hay
evidencias significativas de dicho problema, aplicando el test t a las correspondientes pendientes y
ordenadas en el origen.
Concentraci6n Matriz I Matriz 2
10 8,7 13,2
15 10,6 15,3
20 12,6 17,5
25 14,4 19,5
30 16,5 21,7
35 18,6 23,7

4.- El modelo subyacente a Ia regresion

4.1- Recta de Regresi6n y ANOVA

Desde el punto de vista estadistico, Ia recta de regresion esta muy relacionada con el analisis
de Ia varianza, porque como el, Ia recta de regresion es un modelo aditivo simple que nos permite
simplificar y predecir el comportamiento de un sistema natural. Como vimos en los epigrafes
anteriores el ANOVA nos permite separar las fuentes de variacion que intervienen en un sistema, de
forma que Ia variabilidad total se considera Ia suma de Ia variabilidad deb ida al factor (o a los
factores) mas Ia debida al error experimental. En el caso de Ia regresion ocurre algo muy similar. La
variabilidad del conjunto original de datos se descompone en Ia explicable por el modelo lineal (Ia
recta de regresion) yen Ia debida al error (que es Ia varianza contenida en los residuales). Esto es, los
residuales son Ia parte de variacion del sistema original que no es explicada por Ia recta y constituye el
error aleatorio.
El modelo de regresion establece que un resultado dado, Yi> se puede descomponer de Ia
siguiente manera:

yi=bo + b1xi +error= valor estimado +valor residual, Y; = y + £;, (donde Y; = b0 + h1X ; ),
o en notacion matricial:
Y = XB + R = Y" + R, donde Y contiene los datos de seiial originates (es un vector columna),
B es Ia matriz horizontal que contiene los parametros de Ia regresion (boy bl), X es la matriz que
"
contiene los datos de concentracion., Yes un vector columna que contiene los valores estimados, y R
es otro vector columna que contiene los residuales.
 Y1] [1 x1]
· · · = 1 · · · [b
[&1] = [Y1]
b1 ] + · · · [&1]
·,.· · + · · ·
[Yn 1 xn
0

&n Yn &n
La variabilidad del conjunto de datos Y original, se computa como la suma de los cuadrados
de las diferencias de cada Yi frente ala media ji, como de costumbre. La variabilidad retenida por el
modelo puede calcularse mediante la suma de los cuadrados de las diferencias de los valores
estimados frente al valor ji , y frnalmente la variabilidad no explicada por el modelo y englobada en el
termino error, se calcula como la suma de los cuadrados de los residuales. En terminos matriciales,
esto deriva de la igualdad anterior restando a ambos miembros ji :

Por lo que de forma exactamente igual que en el caso ANOVA, se han de cumplir las
siguientes igualdades entre las correspondientes sumas de cuadrados:
L (Y; - ji) = L(Y;- ji) + L£;
2 2 2

Y entre los correspondientes grados de libertad:

n-1=1 + n-2
El primer termino de los cuadrados se corresponde con la suma de cuadrados denominada
Total, el segundo es la suma de cuadrados de la Regresi6n, y el tercero el Residuo o Error.

De manera analoga al ANOVA, en la regresi6n lineal tambien se formula una hip6tesis nula.
Esta hip6tesis es que la relaci6n observada entre los pares de datos (xi. Yi) es puramente aleatoria, no
existiendo efecto del factor concentraci6n en la magnitud de la sefial medida. Para aceptar o rechazar
dicha hip6tesis se calcula una F entre el cuadrado medio residual y el cuadrado medio de regresi6n y
los datos se ordenan como en la tabla de ANOVA tradicional.

3.- La tabla de ANOVA obtenida para Ia regresion de Ia senal sabre Ia concentracion con los siete
primeros pares de datos del problema 1 se muestra a continuacion: [los datos son los siguientes:
(0,1; 1), (0,15; 1,5), (0,2; 2,1), (0,26; 2,5), (0,31; 3,2), (0,39; 3,8), (0,45; 4,1)]

Sumade Gl !Media F fS'ig.

ruadrados '(::uadriztica
Regresion 7,983 1 7,983 409,472 000
Residual 9,747E-02 5 1,949E-02
Total 8,080 6
a Variables predictoras: (Constante), CONCENTRACION
b Variable dependiente: SENAL
explica como se ha obtenido esta tabla y deduce las formulas para su cizlculo.

4.2.- Descomposici6n de los residuales de Ia regresi6n

Hay dos posibles razones por la que los residuales pueden ser altos, y merece la pena saber
diferenciar entre ambas. En primer Iugar los residuales podrian ser altos si el metodo es impreciso,
aunque la linealidad sea muy buena. En segundo Iugar el metodo podria ser muy preciso pero ser poco
lineal. La unica forma posible de averiguar cual de estas dos causas es la responsable, o al menos de
saber en que proporci6n contribuyen ambas al tamafio de los residuales, es realizando h analisis
replicados de los n calibrados, de forma que para cada punto de concentraci6n xi, dispongamos de h
sefiales Yij· Los cuadrados asignados entonces a los residuales pueden descomponerse en imprecision
(suma de los cuadrados de las diferencias de cada una de las replicas frente a su correspondiente valor
80 V. Ferreira

media) yen falta de ajuste (suma de los cuadrados de las diferencias entre Ia media de las replicas y el
valor estimado). Esto es:

ij ij

4.- Considera los datos obtenidos en el ami/isis repetido de disoluciones de calibrado por dos
tecnicas distintas:
Calibrado Tecnica 1 Tecnica 2
10 mg/L 0,28 0,32
10 m14/L 0,36 0,33
20mg/L 0,46 0,51
20 mg/L 0,57 0,53
30 mg/L 0,69 0,65
30 mgll 0,75 0,65
Realiza en ambos casas los calculos de las ecuaciones de Ia recta y del coejiciente de regresi6n. Cage
los residuales y calcula las contribuciones de Ia imprecision y de Ia falta de ajuste. Haz un
diagn6stico acerca de ambas tecnicas y prop6n Ia mejor soluci6n.

4.3.- Diagn6stico del modelo mediante el estudio de los residuales

Ademas de separar las fuentes de error en los residuales, su estudio puede resultar muy util
para realizar un diagnostico de Ia regresion. La regresion lineal tal y como Ia hemos vista, esta
asentada en una serie de presupuestos. Alguno de elias ya lo conocemos (el error en X es
despreciable), pero hay otro que no hemos enunciado de forma explicita (aunque se desprende de lo
anterior). Este presupuesto es que los residuales se deben distribuir de forma absolutamente aleatoria,
y por tanto, Ia representacion de los mismos, bien frente al tiempo, bien frente al eje X, no debe
revelar Ia existencia de ningtin patron o modelo. Las siguientes figuras ilustran las distintas
situaciones.

,.., 0

~
0
0

0 0 -
ro 0
0
0
0
0 -
ro
;::l
0

0
0 0

·-
;::l

·- 0 "0
;::l

·-
"0
Cll
Q)
1-< tiempo
"0
Cll
Q)
1-<
concentraci6n
Cll
Q)
1-<
0

La primera de las figuras denota que el residual va aumentado conforme fuimos analizando las
muestras de calibrado (que deberian haberse introducido siguiendo un arden aleatorio. Esto nos esta
indicando que Ia precision de nuestro metoda vario a lo largo del tiempo, y que las ultimas medidas
que hicimos eran mucho mas imprecisas que las primeras. Esto puede ser un indicia de que algtin
instrumento dejo de funcionar de forma correcta en un cierto momenta (por ejemplo un medidor de
pH, una sonda de temperatura!...).
La segunda de las figuras denota un comportamiento totalmente normal. No se observa ningtin
patron. Es lo que deberiamos esperar tanto en Ia representacion residuaVconcentracion como
residuaVtiempo. La tercera de las figuras nos ilustra un efecto parecido al que observamos en Ia
primera. Aparece una forma de embudo caracteristica que nos indica claramente que Ia imprecision
aumenta con Ia concentracion. Este efecto es frecuente en analisis instrumental, ya que en muchas
ocasiones el error absoluto no se mantiene constante al cambiar Ia concentracion, mientras que si que
lo hace el error relativo. En este frecuente caso Ia recta de regresion tal y como Ia hemos calculado no
es adecuada y debe calcularse una recta de regresion que de mas peso a los datos mas precisos. A este
tipo de rectas se les denomina rectas de regresion ponderadas.
5.- Rectas de regresion ponderadas

Si la desviacion relativa permanece constante, y la absoluta aumenta de forma proporcional a la

concentracion, se puede introducir la siguiente ponderacion (donde roi es la ponderacion que
introduciremos al punto i de la recta de calibrado):
1
{JJi = - [9]
X;
Esta ponderacion no puede aplicarse de forma directa, logicamente, en el caso de que una de las
concentraciones sea cero.
Otra ponderacion posible es corregir cada punto de la recta de regresion por su imprecision, medida
como varianza:
1
{JJi = -2- [1 0]
syi

Ahora se calculan los nuevos centroides de la regresion:

L{J);Y;
[11]

[12]

y a continuacion los nuevos parametros de la regresion:

[13]

[14]

Ejemplo. Tras un estudio previa de residuales, un laboratorio analitico ha determinado que Ia

varianza de Ia senal aumenta de forma proporcional a Ia concentraci6n, por lo que ha decidido
construir una recta de calibrado ponderada. Para obtener los correspondientes factores de
ponderaci6n ha decidido determinar /a.senal cinco veces a cada concentraci6n. Se da Ia senal media
y Ia desviaci6n estimdar a cada valor de concentraci6n:

X y Si
0,1 4 0,71
10 21,2 0,84
20 44,6 0,89
30 61,8 1,64
40 78 2,24
50 105,2 3,03

Lo primero es calcular los factores de ponderacion aplicando la formula 10 y las nuevas coordenadas
del centroide mediante la 11 y 12,

Wi wi x/L.wi wi y/L.wi
1,984 0,037 1,485
1,417 2,652 5,623
1,262 4,725 10,537
82 V. Ferreira

0,372 2,087 4,300

0,199 1,492 2,909
0,109 1,019 2,144
XIV y IV
L.=5,343 L.=12,013 L.=26,999
A continuacion se determina la pendiente y la ordenada en el origen como es habitual pero empleando
las formulas 14 y 15, en las que los productos cruzados y la suma de cuadrados de x estan ponderadas:
2
Xi-Xw Yi-Yw w(xi-Xw) w(xi-Xc}(Yi-Yw)
-11,913 -22,999 281,54 543,53
-2,013 -5,799 5,74 16,55
7,987 17,601 80,53 177,47
17,987 34,801 120,29 232,73
27,987 51,001 156,10 284,47
37,987 78,201 157,17 323,56

L.=801,38 L.=1578,31

Par lo que la pendiente de la recta ponderada es 1,969 y la ordenada en el origen 3,339. Esta recta es
bastante parecida a la que obtendriamos empleando la regresion normal (y=2,818+1,985 x) pero al
estar su centroide mas cercano al origen proporciona menos error en la zona inferior de x.

La otra ponderacion posible es la 1/x. En ella, los factores de ponderacion y las coordenadas del
centroide son:
Wi Wi X/'i.Wi wi y/L.wi
10 0,0978 3,9107
0,1 0,0978 0,2073
0,05 0,0978 0,2180
0,0333 0,0978 0,2014
0,025 0,0978 0,1906
0,02 0,0978 0,2057
XIV YIV
L.=10,228 L.=0,5866 L.=4,9337
Y realizando los calculos correspondientes, se obtiene la recta de calibrado de ecuacton
y=3,792+1,946 x, parecida a las anteriores pero cuyo centroide se sima todavia mas cerca del origen.
La comparacion de los residuos obtenidos par las tres tecnicas se muestra en la figura siguiente.
5
4
3
2 u
'
1
"'0
:::1
1; • regresi6n normal
'tl 0 • ponderaci6n 1/s2
·u; c;n il
f! -1 1nn 0 " ponderaci6n 1/x
-2 r---l
-3
-4 "•
-5
estimados

Como puede apreciarse, no hay excesiva diferencia en el tamafio de los residuales, tan solo se observa
que el punta primero el residual mas pequefio corresponde a las rectas ponderadas y que en el punta
mas alto ocurre lo contrario.
En lo que si que hay una diferencia radical es en la forma de los intervalos de confianza de los valores
detetminados en una recta o en otra. En la recta ponderada, la varianza de los residuales y las
incertidumbres en el calculo de la ordenada en el origen y en la pendiente se obtienen mediante las
formulas siguientes:

Finalmente, los intervalos de confianza de una concentraci6n determinada par interpolaci6n

son:
sym
s =-- [18]
0 b
I

[19]
n-2
(ws es el factor de ponderaci6n empleado en la sefial de la muestra)

La representaci6n de los intervalos de confianza se muestra en la figura siguiente.

-10 0 10 20 30 40 50 60 70
84 V. Ferreira

6.- Calibracion por adicion estandar

6.1.- Efecto matriz

Las rectas de calibrado, en particular sus pendientes, son la mejor herramienta de que
disponemos para verificar si un metoda de amilisis o una tecnica instrumental viene afectada por lo
que denominamos efectos de la matriz. Baja esta denominacion nos referimos a un conjunto mas o
menos complejo de efectos causados par diferencias en la estructura matricial de las muestras y de las
disoluciones de calibrado que tienen como consecuencia la alteracion de la relacion existente entre la
sefial y la concentraci6n. Por ejemplo, en la determinacion de hierro en plasma sanguineo par
Espectroscopia de Absorcion Atomica puede ocurrir que a igualdad de concentracion de hierro, no
den la misma respuesta una disolucion sintetica (conteniendo agua, hierro patron y un tampon) que
una muestra real (que contiene proteinas, grasas, distintos acomplejantes ...). Esta diferencia de
comportamientos entre las disoluciones de calibrado, par fuerza sinteticas, y las muestras reales es
fuente de un gran nfunero de errores que deben ser detectados y corregidos. Para detectarlos lo mejor
es comparar las rectas obtenidas en el analisis de disoluciones sinteticas y las obtenidas en el analisis
de muestras reales a las que hemos afiadido cantidades conocidas de analito. Si no hubiera efectos de
la matriz, las rectas obtenidas en ambos casas deberian tener la misma pendiente. Para comparar
ambas pendientes, basta con aplicar un test t sabre ambos datos empleando las desviaciones de las
pendientes tal y como se calcularon en e1 epigrafe 3.

6.- Para verificar si un metoda de ami /isis de THT (tetrahidrotiofeno) en aguas residuales presenta
efectos de Ia matriz se han analizado una serie de disoluciones de calibrado obtenidas disolviendo
distintas cantidades de THT en agua y una serie de disoluciones de agua residual a las que se les ha
anadido cantidades crecientes de THT Campara ambas rectas y determina si se puede afirmar si el
metoda esta fibre de efectos de Ia matriz o no.
calibrados
Concentraci6n (mg/L)
Senal
M.uestras d opad as
Concentraci6n anadida 0 1 2 3 4 5
(mg/L)
senal 0,067 0,081 0,094 0,109 0,124 0,136

El estudio de regresi6n de ambos sets de pares de datos nos proporciona los siguientes resultados:

pendiente recta normal 0, 01454 desviaci6n 1 0,000173

Ordenada recta normal 0,00156
pendiente recta adici6n 0, 01397 desviaci6n 2 0,000201
Ordenada recta adici6n 0,0669

Como las desviaciones de sendas pendientes son muy parecidas, cociente F=1,35 (p=0,37) podemos
hallar una desviaci6n conjunta ponderando cada una por sus grados de libertad:

Desviaci6n conjunta= 0, 000186

y ahara no !enemas mas que aplicar el test t correspondiente:

t = 0,01454-0,01397 = 4 33
0,000186~ '
par lo que Ia diferencia entre ambas pendientes es significativa con una probabilidad 0,0019 y p ar
tanto hemos demostrado Ia existencia de efectos de Ia matriz.
 Caso de que ambas pendientes sean significativamente diferentes, no es posible realizar el
calibrado de la muestra con la recta construida mediante el analisis de disoluciones sinteticas, ya que
estariamos introduciendo un error sistematico (con signo defmido), y de magnitud desconocida, ya
que lo mas probable es que la relaci6n sefial/concentraci6n no solo sea diferente entre estandares y
muestras, sino que lo sera tambien entre muestras distintas con estructuras matriciales diferentes. Ante
este problema se pueden intentar distintas estrategias, bien dirigidas a la mejora de la sefial, bien
dirigidas a emplear otro tipo de calibraci6n. Para mejorar la sefial se puede intentar lo siguiente:
a) diluir la muestra con lo que podriamos conseguir que el efecto causado por los
componentes de la matriz distintos del disolvente, disminuya en intensidad
b) introducir alglin paso de limpieza para elirninar de forma total o parcial las
sustancias causantes del problema.
c) Introducir un paso de aislamiento, de forma que el analito se transfiera a una fase
diferente, aislandolo del resto de componentes de la matriz
d) Introducir un estandar intemo que se comporte de forma similar al analito. AI
hacer esto, la sefial con la que trabajaremos no sera la sefial directa, sino la sefial
relativa a la de estandar intemo. Si ambas moleculas se comportan de manera
parecida frente a los componentes de la matriz, el problema podria estar resuelto.
e) Si es posible, se puede realizar la recta de calibrado en una matriz identica a lade
la muestra
Si ninguna de estas estrategias funciona o si complica excesivamente el procedirniento de
analisis, puede optarse por emplear una recta de calibrado especifica para cada muestra, mediante el
metodo de la adici6n estandar.

6.2.- El metodo de Ia adicion esttindar

Si no es posible realizar un calibrado con disoluciones sinteticas, debe realizarse el calibrado
por adici6n estandar. Como explicamos anteriormente, de lo que se trata es de afiadir cantidades
crecientes y conocidas de analito sobre la muestra, de forma que conozcamos en una matriz identica a
la de la muestra cual es la sefial asociada a una cierta concentraci6n de analito (esto es, cual es la
sensibilidad o pendiente de la recta de regresi6n).
La ecuaci6n de la recta de adici6n estandar y = b0 + b1x esta representada en la figura inferior.
Puede apreciarse que la sefial de la muestra es justamente la ordenada en el origen (si el experirnento
esta bien disefiado, la ordenada en el origen de la recta es una estirnaci6n de la sefial de la muestra
mejor que la obtenida en la medici6n directa).
r--------------------------------------------.
adicion estandar

concentraci6n
en Ia muestra
iii
•C:
Cl>
II)

2 4 6
-0,05
concentracion aliadida

La concentraci6n se calcula entonces dividiendo la sefial estirnada para la muestra (esto es, Ia
ordenada en el origen de la recta), por la sensibilidad (o sea, por la pendiente).

Puedes comprobar que en el caso del problema anterior Ia concentraci6n de Ia muestra es:
C=ordenada/Pendiente=O, 066910, 01397=4, 79 mg/L
Si por el contrario, dicha concentraci6n se hubiera deterrninado interpolando Ia sefial de Ia muestra
en Ia recta de calibrado construida con disoluciones sinteticas, el resultado obtenido hubiera sido
4,50mg/L.
86 V. Ferreira

Desde el punto de vista matematico, esta concentraci6n no se ha determinado por

interpolaci6n en la recta de calibrado, sino por extrapolaci6n de la misma, tal y como se muestra en la
figura (construida con los datos del problema 6). Por esta raz6n nose pueden aplicar de forma directa
la ecuaci6n [8] para el calculo de la imprecision. En su lugar se debe aplicar la siguiente formula.
s 1 -2
s =~ -+ y [17]
b! ~)xi- x)
0 2 2
b! n
de donde se deduce que la precision crece cuantos mas puntos introducimos y cuanto mayor intervalo
de x cubrimos.
Puedes comprobar que para el caso anterior, la imprecision es 0,107 mg/L.
El metodo de la adici6n estandar tal y como lo hemos explicado es particularmente sensible al
problema enunciado al introducir las rectas ponderadas (una incertidumbre de la sefial creciendo con
la concentraci6n), ya que es fundamental asegurar que los residuales de la medida correspondiente a la
muestra en la correspondiente recta de calibrado son pequefios. Si se tiene la precauci6n de que la
cantidad de muestra adicionada no sea excesivamente grande, ~sto es poco probable que ocurra. Si por
el contrario se detecta dicho problema sera preciso que la recta de adici6n estandar sea una recta
ponderada. En dicho caso, el error estandar del resultado extrapolado se puede estimar mediante la
siguiente ecuaci6n:
sY 1 -2
s =-
Ym [18]
0 b
1

En cualquiera de los casos, los intervalos de confianza de la respuesta vienen defmidos por la
expresi6n: X 0 ± 1:n.2So

7.- Rectas de calibrado como parametros de calidad y diagnostico de metodos de analisis

La recta de calibraci6n contiene informacion muy importante con respecto a la calidad de un

metodo de analisis. La pendiente esta relacionada con la sensibilidad, aunque para poder hacer
comparaciones es preciso detallar un gran mimero de condiciones. Su estudio ademas nos puede servir
para diagnosticar cambios en la sefial al cambiar la matriz (lo que denominamos efectos de la matriz)
tal y como vimos anteriormente. La ordenada en el origen esta relacionada con el limite de detecci6n
del metodo.

7.1- Limite de deteccion de un metodo que emplea calibracion lineal

Como ya comentamos anteriormente, si se cumplen los requisitos que hacen posible la
aplicaci6n del metodo de los minimos cuadrados para construir una recta de calibrado, la ordenada en
el origen de la recta de calibrado constituye una muy buena estimaci6n del valor de la sefial del blanco
y ademas la varianza de los residuales constituye una muy razonable estimaci6n (siempre que se
cumpla el presupuesto de varianza independiente de la concentraci6n) de la varianza del blanco.
Una defmici6n aceptable de limite de detecci6n es la siguiente:
Es la concentraci6n de analito que proporciona una sefial igual a la de la ordenada en el origen
aumentada en 3 veces su desviaci6n estandar. Esto es, la concentraci6n para la que la sefial es b0 +3Sb0 ,
donde Sbo se calcula como se indica en el epigrafe 5.3.

7.- Determina el limite de detecci6n del metoda presentado en el problema 5. Emplea am bas rectas
(ponderada y normal) y discute los resultados.

7.2.- Otros usos de las rectas de regresion

Las rectas de regresi6n tambien pueden emplearse para comparar dos metodos de analisis. En
particular, si tenemos un metoda de referenda frente al que queremos comprobar un nuevo metodo de
 analisis, podriamos analizar un conjunto de muestras (al menos 8) por ambos metodos y estudiar la
regresi6n existente entre los datos obtenidos por el metodo nuevo y los obtenidos por el metodo de
referenda. Como el modelo de regresi6n que hemos estudiado parte del supuesto de que no hay error
en x, el metodo de mayor precision (habitualmente el de referenda) es el que debe colocarse en este
eje. Si ambos metodos fundonan de forma satisfactoria, deberemos obtener una recta de pendiente 1 y
ordenada en el origen cero. Desviaciones de la pendiente indicarian una inadecuada calibrad6n en uno
de los casos. Desviadones de la ordenada en el origen indicarian una interferencia o una mala
correcci6n del fondo. Para realizar la comparaci6n con criterio estadistico, se debe aplicar el test t para
comparar un valor con un valor conoddo.

8.- Se esta comparando un nuevo metoda para Ia determinacion de Plomo en piensos frente a un
metoda de referencia. Para ella, se analizaron 10 muestras distintas por ambos metodos. Empleando
Ia recta de regresion entre ambos set de datos, comprueba si el nuevo metoda proporciona resultados
comparables a/ de referencia (no olvides que el metoda de referencia debe ir en el eje de abcisas).

muestra 1 2 3 4 5 6 7 8 9 10
Metoda Referencia 0,16 0,35 0,59 0,05 0,23 0,98 0, 73 0,056 0,43 0,17
Nuevo Metoda 0,19 0,36 0,63 0,05 0,27 1,01 0,81 0,055 0,44 0,21

La recta de regresi6n tambien puede emplearse para verificar si una distribuci6n de

datos se ajusta a la normalidad. Esta utilidad esta basada en el hecho de que la curva de
frecuencia acumulada de la distribuci6n normal, que es una sigmoide, cuando la frecuencia se
representa en escala logaritrnica, pasa a convertirse en una linea recta. Por lo tanto, si
representamos el logaritmo de la frecuencia acumulada frente al valor (absolute o
transformado en z), debemos obtener una recta, coeficiente de regresi6n lineal alto (y un
estudio de los residuales no nos debera mostrar indicios de comportarnientos no lineales).

9.- Calcula Ia concentracion de Ia muestra de abono utilizada en Ia adicion estandar del problema
10. Campara el resultado obtenido con el que se obtiene por interpolacion del data de ana/isis de Ia
muestra en Ia recta de calibrado obtenida mediante el ana/isis de disoluciones de calibrado
sinteticas.

11.- Se esta estudiando el papel del pH sabre una senal analitica de Pb. Los resultados se tienen en Ia
tabla siguiente. Exam ina Ia posible existencia de una relacion lineal entre el pH y Ia senal generada.
Considera en Iugar de pH Ia concentracion de H+, y averigua si Ia relacion puede ser lineal.

pH 1 2 3 4
3.20 18.8 19,2 18,7 19,1
3,25 18,8 19,0 18,7 18,6
3,30 18,6 18,5 18,4 18,7
3,35 18,2 18,0 18,1 17,9

12.- Estudia Ia posibilidad de que Ia variacion de tiempos de retencion con Ia Temperatura que se ha
estudiado tenga unaforma lineal.
Encuentra en ese caso Ia ecuacion de Ia recta correspondiente, los errores de Ia pendiente y Ia
ordenada en el origen, y predice cual sera el tiempo de retencion si Ia temperatura del sistema es de
55. 50°C. 1. Cual sera el intervala de confianza de esta prevision?

L~.:~~~~-t~~li~!.~!.~i_-q~~~~~~~]~~~~~~~~~~!_~!ii~¥_q!~~~~~~~~~~~~r=~~~~~~~~~~i2~4I;J~~~~~::::_~-~::.I~~:::~~~~~~-:ii.~~i£~~~::~-~::::::l
L--------------~-~gg_______________..! _ ______}.}8 L-------------~}_z______J 5,_J§ ... _________ :
~l?..l_________________!
L___________l~!.QL____________j ________________~A/!________________ L_______________~l}§___ ... _____________J ________________
~ 55,10 ~ 5,38 ~ 5,39 ~ 5,39 ~
-------------------;--------------------------------------Y-------------·-·-------·;;..--------------··-··-----------··---------e
L__________~~_!}_____________j_______ __ _~}9_ _____ _______ L ______________~L'fQ______________ __l _ _____ _ _5,39 _____ _________________ ;
88 V. Ferreirp

13.- Los siguientes resultados muestran el porcentaje del agua intersticial total recuperada al
centrifugar muestras de piedras areniscas tomadas de diferentes profundidades.
Agua recuperada (1/o)
Profundidad (m)
7 33.3 33.3 35.7 38.1 31.0 33.3
8 43.6 45.2 47.7 45.4 43.8 46.5
16 73.2 68.7 73.6 70.9 72.5 74.5
23 72.5 70.4 65.2 66.7 77.6 69.8

Investiga si la dependencia existente entre la profundidad y la cantidad de agua intersticial es lineal.

~En que rango de profundidades podrias hacer la suposici6n de que la relaci6n es lineal, y con que
error?.

14.- La respuesta de un ensayo colorimetrico para glucosa (GLU) se contro/6 con la ayuda de
soluciones estimdard de glucosa. Determina el coeficiente de correlaci6n a partir de los siguientes
datos y comenta los resultados.

Concentraci6n de GLU, mM 0 2 4 6 8 10
Absorbancia 0.002 0.150 0.294 0.434 0.570 0.704

15.- Se obtuvieron los siguiente resultados cuando se analizaron una serie de soluciones estimdar de
plata por espectrometria de absorci6n at6mica de llama:

Concentraci6n ng/mL 0 5 10 15 20 25 30
Absorbancia 0.003 0.127 0.251 0.390 0.498 0.625 0. 763

Determina la pendiente y la ordenada en el origen de la grajica de calibraci6n, junto con sus limites
de confianza.
Estima los limites de confianza para las concentraciones de plata en una muestra que proporciona
una absorbancia de 0.308, 0.314, 0.347 y 0,312 en cuatro ana/isis separados.
Estima ellimite de detecci6n del ana/isis.

16.- El contenido de oro de una muestra de agua de mar concentrada se determin6 por
espectrometria de absorci6n at6mica mediante el metoda de las adiciones estandar. Los resultados
obtenidos fueron los siguientes:

Oro aiiadido, ng por mL

de muestra concentrada 0 10 20 30 40 50 60 70
Absorbancia 0.257 0.314 0.364 0.413 0.468 0.528 0.574 0.635

Estima la concentraci6n de Au en agua de mar, y determina sus limites de confianza.

 Tema 4.- VALIDACION Y CONTROL DE CAUDAD EN QUiMICA
ANALiTICA

Contenido:
Introduccion, Validacion de metodos de ami/isis. Concepto. Validacion de Ia exactitud y
trazabilidad. Vision general de Ia Validacion de metodos de ami/isis. Ensayos de control y
puesta en marcha. Una vision general del concepto de Calidad (en transparencias);
Normalizacion (en transparencias); Trabajo en entornos regulados BPL (en transparencias);
Acreditacion de laboratorios (en transparencias)
1- Introducci6n
La Quimica Analitica siempre se ha preocupado por la calidad de sus resultados, y
desde hace mas de 100 afios ha incorporado elementos estadisticos para seguir y controlar
dicha calidad. La mayor parte de dichos elementos han sido expuestos en los capitulos
anteriores y puede decirse, por tanto, que forman parte del tronco esencial de la quimica
analitica. Sin embargo, la palabra calidad y mas concretamente el trio de palabras "control de
calidad" hoy tienen unas acepciones que van mucho mas alla de las fronteras de nuestra
ciencia y que nos afectan de una forma rotunda.
Para empezar se habla de sistemas de calidad o incluso de sistema de calidad total,
refiriendose a que las acciones de una determinada empresa o laboratorio se encuentran
sometidas a una serie de protocolos y normas de planificaci6n, ejecuci6n y documentaci6n
verificadas por una empresa o instituci6n neutral o estatal, seglln. el caso. Este tipo de
empresas para poder asegurar la integridad de su propio sistema, acaban relacionandose con
proveedores que tambien estan integrados en un sistema de calidad similar. En este sentido, el
resultado mas visible de estar integrado en un sistema de calidad es recibir una certificaci6n
de un organismo oficial, tipo certificado ISO 9000 o similar. Los laboratories analiticos por
supuesto no se sustraen a ese mismo sistema, en principia voluntario.
Pero es que ademas, algunos laboratories suministran datos de importancia vital
(seguridad alimentaria, medioambiental, de farmacos, cosmeticos, juguetes ... ), por lo que van
a tener unas exigencias de calidad todavia mas estrictas, constituidas por lo que denominamos
las Buenas Practicas de Laboratorio (BLP's o GLPs). Estas normativas son de obligado
cumplimiento para dichos laboratories, pero se han convertido en un estandar de referenda al
que voluntariamente se someten otros laboratories.
Por tanto en este capitulo hemos de hablar de calidad, de su concepto, de los sistemas
de calidad y de su aplicaci6n particular a los laboratories analiticos. Antes sin embargo,
habremos de tratar de los parametres de calidad mas importantes del producto de un
laboratorio analitico, que no son otros que la exactitud e incertidumbre de los resultados.
Dichos parametres de calidad dependen en primera instancia de la calidad del metodo de
analisis y en segundo lugar de como se pone en marcha este en un laboratorio en concreto.
Estas dos cuestiones seran tratadas en cierta profundidad en el epigrafe validaci6n de metodos
analiticos presentado a continuaci6n.
92 V. Ferreira

2.- V ALIDACION DE METODOS DE ANALISIS.- CONCEPTO

2.1.- Concepto
La validacion de un metodo de amilisis es el proceso seguido para confirmar que todas
las etapas del proceso analitico empleado para un analisis dado son adecuadas para su
finalidad y que el metodo en su conjunto proporciona unos resultados de las caracteristicas de
calidad adecuadas (exactitud, precision, tiempo, coste).
La validacion (o revalidacion) del metodo debe realizarse
1. Tras su desarrollo y antes de su empleo en analisis de rutina. Esta es la
validacion completa. Se realizara primeramente en un laboratorio, pero si el
metodo ha de ser de aplicacion general, esta validacion habra de ser realizada
en varios laboratories diferentes.
2. Siempre que se modifiquen las condiciones operatorias o se ponga el metodo
en un laboratorio distinto. Esta es una validacion parcial, pero que en algunos
casos puede tener mucha complicacion.
3. Al ponerlo en marcha tras un tiempo de reposo. Se trata de una validacion
minima, basada en un chequeo de idoneidad.
4. Durante su uso normal. Mediante las correspondientes operaciones de control.
5. Siempre que el control indique que el metodo esta proporcionando resultados
defectuosos (fuera del rango previamente definido como aceptable). En este
caso es preciso localizar el problema, solucionarlo y pasar al punto 3.
Logicamente la extension del trabajo de validacion depende en gran medida del caso
en que nos encontremos. El trabajo mas importante hay que hacerlo en el momento en que el
metodo acaba de ser desarrollado y es por ahi por donde comenzaremos. Tal vez no te
enfrentes con la tarea de validar completamente un metodo novedoso nunca, pero aprender
como se hace, por que y que consideraciones es preciso hacer, es una escuela interesantisima
de quimica analitica que pondra a prueba tu sentido comful y tus conocimientos de
quimiometria y de quimica analitica. Ademas te sorprenderia ver la dificultad que a veces va
asociada a la puesta en marcha de un metodo de analisis no muy bien conocido y el esfuerzo
de validacion que hay que desarrollar.
En esta primera parte nos vamos a cefiir exclusivamente a metodos de analisis
cuantitativo "normales", esto es, metodos cuyo objetivo es la determinacion de analitos en
cantidades no traza. En un epigrafe posterior generalizaremos el problema de la validacion a
otros tipos de metodo.
2.2.- La validacion de un metodo recien desarrollado
En este epigrafe no discutiremos acerca de como se desarrolla y optimiza un metodo
de analisis, sino que nos situaremos en el momento en que la optimizacion del mismo ya va
llegando a su final. Tendremos, por tanto, un protocolo mas o menos optimizado que nos
permitira generar una sefial de analito en uno o varios tipos de muestra. A partir de aqui hade
comenzar lo que denominamos el trabajo de validacion, cuya mision en este caso es:
1. determinar como ha de realizarse la calibracion,
2. determinar la calidad de los resultados surninistrados por el metodo (precision y
exactitud),
 3. fijar el tipo de ensayos de control que debenm realizarse durante su
funcionamiento para garantizar que se mantiene la calidad
Las tres cuestiones anteriores, particularmente las dos primeras, no pueden resolverse
de forma cronologica ya que una depende de otra. Otra cosa que es preceptivo recordar en
este punta, es que la precision y exactitud, deben ser coherentes con los requisitos de la
informacion requerida, tal y como expusimos al comienzo del primer capitulo. Finalmente,
otra puntualizacion que debe realizarse es que no hay lineas predefinidas y comfunnente
acordadas acerca de como debe realizarse este proceso, por lo que lo expuesto a continuacion
es fruto de mi experiencia y reflexion personal, y sin duda viene afectado del sesgo
caracteristico de quien ha trabajado mucho mas en el campo del analisis cuantitativo
organico.

3.- VALIDA CION DE LA EXACTITUD Y TRAZABILIDAD DEL METODO

La exactitud de un metoda es la propiedad analitica mas importante y preciada. Sin embargo,

su determinacion y medida es dificil y esta sometida a controversia, por cuanto en su
definicion interviene un concepto casi filosofico como es el valor verdadero de concentracion
de analito en una muestra. En los casas en los que se dispone de estandares certificados de
referenda o CRM (Certified Reference Material), el termino "concentracion verdadera" es
sustituido por el de "concentracion aceptada como verdadera", pero si no disponemos de un
CRM, la definicion de la exactitud por si no nos es de gran ayuda para determinar si nuestro
metoda es exacto.
Resulta mucho mas util emplear un concepto denominado trazabilidad, que es
bastante mas intuitivo y pragmatico. La trazabilidad es una propiedad de las medidas y de los
metodos. Diremos que una medida tiene trazabilidad si somas capaces de forma inequivoca
de relacionar dicha medida con la masa de analito patron. En la practica esto quiere decir que
podemos garantizar que la sefial final medida es:
a) de todo el analito presente en la alicuota de muestra procesada o de una
fraccion de proporcionalidad perfectamente conocida del mismo
b) solo del analito y no de cualquier otra especie interferente
c) proporcional a la concentracion de analito
d) que la constante ofuncion de proporcionalidad entre sefial y concentracion
son perfectamente conocidas

Alicuota
muestra Muestra Alicuota Seiial

t---
..
pesada preparada
4!iiioo_ _
,..._ --?illiiii
· __
medida
-c:::ms
,..._

Balanza
calibrada 0 ---· ------.
Masa .........
,...
Analito
patron

Figura 1: Trazabi/idad de un resultado

94 V. Ferreira

Lo que en general hay que hacer para poder demostrar que un metodo garantiza la
trazabilidad de los resultados se resume en la figura 2. Discutamos cada paso de los
mostrados en dicho organigrama.
3.1.- Evaluacion de Ia precision.
•
Curiosamente, lo primero que se debe hacer para determinar la trazabilidad (y
exactitud) del metodo es determinar si nuestro metodo recien optimizado es suficientemente
precise. Si no hay una evaluacion de la precision no dispondremos de criterios para
determinar si el resultado es trazable. Si la precision no es suficientemente satisfactoria, el
metodo tiene que ser re-optimizado o desechado ya que la precision de la medida es un
requisite irrenunciable ~n cualquier proceso de medicion.
El estudio lo podemos dividir en dos partes, evaluacion inicial y formal. En la
evaluacion inicial podemos comenzar estudiando el analisis replicado de muestras sinteticas a
una concentracion intermedia. Si los resultados son satisfactorios pasaremos a la evaluacion
form~l, si son insatisfactorios es precise re-optimizar o cambiar el metodo.

-
~

-
'·;: :.>:-
(

no 1-------_.,
Estudio recuperaci6n

Estudio interferencias
proporcionales i
\. (efectos de matriz y otros) ,.-·)
000

0000000 0 0 0 000
.. -0000MOOOO-OOOOOOOOOOOOM-0000000000000000 000000000 0-000- 0 00 0000000000000 ' 00000 ' 000 0000000000 000000000' 0000-0'0'00''0000''0000-00' M ' ' ' ' '' ' ' ' - ' '0000oOo-ooO_ o_ _ _ ,,,,,,,,,,,, _,,_,,_,_000-• 0 ' ' ...

Figura 2: Verificaci6n de Ia trazabilidad de un metoda

En este ultimo caso pueden estudiarse por separado las distintas etapas del metodo
para aislar aquella con mayor efecto en la imprecision, o puede considerarse si es el caso, el
uso de alglin tipo de estandar interne que corrija la imprecision ... por desgracia las posibles
fuentes de irreproducibilidad son muchas y en ocasiones son muy dificiles de detectar.
 Si la reproducibilidad con disoluciones sinteticas es suficiente, pasaremos a una
determinacion mas completa de la precision del metoda. Como todo parametro que ha de
validarse, habra de tenerse en cuenta la "regla de oro" de la validacion:
v alidar to do el metoda
Validar todo el rango de concentraciones
Validar todo el rango de matrices (muestras)
La precision se habra de determinar a distintas concentraciones de analito y en tantos
tipos de muestra (matrices) como sea necesario. En el caso de la precision, su estudio alcanza
diversos niveles segU.n el esfuerzo experimental y el nllinero de var1aoles consideradas. El
nivel mas bajo es la repetitividad, que es la precision que se obtiene realizando las replicas en
un rnismo dia y con las m1smas condiciones operatonas. hl mvel siguiente es el de la
reproducibilidaa mtermedla, en el que las replicas se realizan en dias diferentes y empleando
01stmtas condiciones operatorias, pero dentro del.mismo laboratono."""P'""ara determinar el nivel
mas alto de precision, es precisa la mtervenci6n de distintos laboratorios. En ese caso la
denorninamos reproducibilidad propiamente dicha. Obviamente en los estudios iniciales nos
quedaremos con la reproducibilidad intermedia, a la que denominaremos sencillamente
reproducibilidad.
3.2.- Linealidad y rango dinamico del metodo
Una vez que tengamos la garantia de que el nietodo genera sefiales al menos
repetitivas, el siguiente paso es considerar la relaci6rt existente entre la sefial y la
concentracion, que en la mayor parte de los casos sera lineal. Al'igual que hicimos en el caso
de la precision, iremos de mayor a menor complejidad. Lo primero es estudiar la linealidad y
rango lineal con disoluciones sinteticas conteniendo los patrones ae analito en concentracion
conoc1da. S1 la relac1on no- fueral ineal, seria preciso considerar una transformacion-
matemat1ca de la sefial (que puede ser desde la extraccion de logaritmos, una raiz cuadrada o
la introduccion de algU.n estandar intemo).
Una vez conseguida una relacion Sefial/Concentracion satisfactoria, es preciso fijar el
rango dinarnico del metoda y estudiar la linealidad en muestras reales. Esto se consigue
mediante la tecnica de la adicion estandar, pero esta tecnica solo se puede realizar sobre
disoluciones, por lo que los pasos previos realizados sobre solidos no quedaran validados en
este momenta.
3.3.- Determinacion de Ia exactitud (como ausencia de errores sistematicos)
Si tenemos un metoda que nos proporciona sefiales precisas a varias concentraciones
y en las matrices de interes, y es ademas lineal, tenemos.ya mucho ganado. Lo que nos queda
por demostrar ahora es que la sefial es solo de analito y no de alguna especie interferente, y
que la relacion sefial/concentracion (funcion de calibracion) es conocida e independiente de la
muestra en particular que se vaya a analizar. Dicho de otra forma, lo que nos queda es
averiguar que el metoda puesto en marcha esta exento de errores sistematicos.
La forma mas directa de verificar la presencia potencial de algU.n error sistematico es
mediante el uso de muestras certificadas. Si la aplicacion del metoda a una muestra
certificada proporciona un resultado que difiere significativamente del valor certificado,
podemos concluir la existencia de algU.n error sistematico. Si el resultado del analisis del
CRM no difiere significativamente del valor certificado, la presencia de algU.n error
96 V. Ferreira

sistematico es mas improbable. Para poder concluir de forma taxativa que no hay errores
sistematicos, seria conveniente el analizar distintos CRM conteniendo el analito a distinta
concentradon en tantos tipos de muestra como se quieran analizar con el metodo. En caso de
problemas, los datos de analisis de varios CRMs nos proporcionarian una informacion clave
para el diagnostico de la situacion. En la practica pocas veces se toma esta precaucion.
Desafortunadamente, hay muchos problemas analiticos para los que no hay CRM
disponibles, particularmente dentro del mundo del analisis organico. En este caso podriamos
hacer uso de un metodo de referenda distinto del que esta bajo validacion. Para ello seria
necesario disponer de un metodo ya validado y adecuado para el analisis del analito bajo
estudio en las muestras de interes. Caso de que dicho metodo existiera, se analizarian varias
muestras cubriendo el rango de concentraciones y de tipos (matrices) por ambos metodos.
Finalmente, se aplicaria cualquier test estadistico de los que ya hemos visto en los capitulos
anteriores para verificar que los datos generados por ambos metodos no difieren.
De nuevo de forma desafortunada, nos encontraremos con que en pocas ocasiones
disponemos de ese otro metodo de referenda mue hacer entonces?
Entonces debemos realizar un estudio sistematico que nos permita verificar la
trazabilidad de los resultados proporcionados por nuestro metodo. Para ello hemos de cubrir
tres objetivos: a) verificar la l).O existenda de interferendas aditivas; b) verificar la
recuperacion en fos procesos de tratamiento de muestra; y c) verificar la no existencia de
interrerenc~as proporcwnales (tl.mdamentalmente deefectos de la matriz).

3.4.- Estudio de interferencias aditivas

Una interferenda aditiva esta causada por la presencia en una o varias muestras de
alguna sustanda que produce una sefial que confundimos con la del analito. La
presencialausencia de interferencias aditivas esta ligada ala complejidad de la muestra y ala
selectividad de la tecnica de analisis. Las interferencias aditivas nos van a producir un error
sistematico por exceso y por lo general variable en las distintas muestras.
En muestras simples, en las que los interferentes potenciales son conocidos, se puede
verificar su existencia mediante el estudio de muestras sinteticas. Este estudio consiste en
preparar lo que se denomina un blanco de muestra, que es una muestra similar a la real pero
carente de analito:
Ejemplo 1.- Determinacion deMo en un metal o aleacion por EAA. Los interferentes
potenciales son el resto de metales presentes (o potencialmente presentes) en la
aleacion. Estudiar sefzal de Mo en disoluciones sinteticas conteniendo los otros
metales.
Ejemplo 2.- Determinacion de un principia activo en un farmaco por HPLC.
Interferentes potenciales: Otros principios activos presentes en el farmaco y
excipientes. Estudiar sefzal del analito en ausencia de ana/ito y presencia de
excipientes y otros principios activos
Este tipo de ensayo solo se puede realizar en aquellos casos en los que la composicion
de la muestra es conocida y podemos disponer de sus componentes.
En muestras complejas en las que los interferentes potenciales son en su mayor parte
desconocidos e indeterminacies solo puede verificarse empleando una tecnica de analisis que
proporcione una seiial multidimensional caracteristica del analito. Veamos varios ejemplos.
 ~ Ejemplo 1.- Se quiere determinar un compuesto aromatico (etilbenceno) par
cromatografia de gases con detecci6n FID. El cromatograma de las muestras
conteniendo el ana/ito no muestra evidencia de coeluci6n de otras sustancias con el
ana/ito (los picas de ana/ito se ven gaussianos). Para confirmar la no presencia de
interferentes, se inyectan varias muestras en una columna similar pero conectada a
un espectr6metro de masas. El estudio del espectro de masas a lo largo del pica
confirma la no presencia de ninguna sustancia coeluyente en ninguna de las
muestras. Se confirma lo que denominamos la "pureza del pica".
Ejemplo 2.- Se quiere determinar una vitamina par formaci on de un complejo
coloreado con un reactivo organico. Para verificar que la sefial espectrofotometrica
(descontada la Absorbancia del blanco) es enteramente debida al ana/ito, se
comparan los espectros de absorci6n uv-vis (220-900 nm) de distintas muestras con
los espectros obtenidos de patrones. En todos los casas, las bandas de absorci6n en
la zona del maximo mostraron una identidad espectral completa.
3.5.- Estudio de Ia recuperacion de analito
Los estudios de recuperacion, entendida como rendirniento en los oroceso._s__de
tratarniento de muestra, tienen como objetivo determinar que proporcion de analito se pierde
en las etapas prev1as a la medicion. Esta perdida puede ser una fuente de importante error
sistematico (y tambien aleatorio) en aquellos metodos en los que el tratarniento de muestra
deberia idealmente conseguir transferir todo el analito a la fase finalmente analizable en el
instrumento (lo que los analiticos denorninamos transferir cuantitativamente).
Hay muchos metodos de analisis en los que estos estudios no tienen la rnisma
importancia, puesto que dicha transferencia cuantitativa no se pretende, generalmente porque
se piensa que se puede reproducir con calibrados la transferencia parcial de analitos. Uno de
los casos mas caracteristicos es el estudio de volatiles mediante tecnicas del espacio de
cabeza estatico.
En cualquiera de los casos es conveniente realizar este tipo de estudios (es rni opinion
personal). El porcentaje de analito finalmente transferido a la alicuota de medida no solo
puede indicar la existencia de perdidas de analito en algtin paso del analisis, sino que nos
proporciona una indicacion de la robustez del metodo.
La forma de llevar a cabo este estudio es mediante un experimento estandar de
recuperacion. En estos experimentos se adicionan masas conocidas de analito a distintas
muestras y se analizan siguiendo el metodo a estudio tanto las muestrascomo las muestras
adicionadas. El incremento de sefial obtenido entre cada muestra dopada y su original sin
dopar se compara con la seiial que produce en el instrumento una masa similar de analito.
Ejemplo.- Se estan comparando dos metodos para la determinacion de etilbenceno en
agua par GC-FID. El primer metoda emplea una extracci6n del ana/ito en un sorbente y
su posterior termodesorci6n directa automatica en el sistema GC-FID; el segundo
metoda es un metoda de espacio de cabeza, en el que 10 mL de agua se colocan en un
vial de 20 mL, se termostatizan a 50°C y se introduce en el cromat6grafo un volumen del
gas (1 mL) en equilibria con el agua dentro del vial. Para el calculo de la recuperaci6n
se tom6 una muestra de agua y se fortific6 con dos niveles de etilbenceno (1 0 y 90
ng/mL), analizandose par ambos metodos las muestras fortificadas y el agua original.
Par otra parte se prepararon dos disoluciones estandar en pentano del ana/ito (1 00 y 900
ng/jiL). Puesto que en ambos metodos se procesan 10 mL de agua, la cantidad de ana/ito
presente en las alicuotas de ensayo es 100 y 900 ng. La sefial correspondiente a estas
98 V. Ferreira

masas se calcu/6 inyectando 1 j1L de las disoluciones de pentano directamente en el

cromat6grafo. Los resultados mostraron que Ia masa transferida en el primer metoda es
e/84±2% yen el segundo tan solo el 6,2±0, 7%.
Comentarios al ejemplo. El experimento ha puesto de relieve la perdida de un 16% de analito
en el primero de los metodos. La recuperaci6n es bastante alta, independiente de la
concentraci6n y previsiblemente constante muestra a muestra (esto se habra de demostrar
posteriormente). Por tanto, seria posible en este metodo realizar una calibraci6n por estandar
extemo y realizar posteriormente la correcci6n por el 16% perdido. En el segundo de los
casos tenemos un metodo con una transferencia muy baja de analito. Esto nos alerta acerca de
varias cuestiones. En primer lugar no es posible realizar la calibraci6n con un estandar
extemo y hacer la correcci6n correspondiente al 93,8% perdido. Esto seria un disparate que
llevaria asociada una enorme incertidumbre. En segundo lugar nos indica que este metodo va
a ser probablemente muy dependiente de pequefias variaciones ambientales y/o operatorias,
esto es, va a ser muy poco robusto. En este caso parece mas recomendable realizar una
calibraci6n por estandar intemo (tomando como estandar un is6mero del etilbenceno) a partir
de muestras de agua conteniendo cantidades conocidas de .etilbenceno.
3.6.- Estudio de interferencias proporcionales
Las interferencias proporcionales hacen que la misma cantidad de analito produzca
una sefial analitica diferente en funci6n de la muestra analizada. En los metodos
instrumentales esto puede ser causado por una larga serie de problemas, mas o menos
caracteristicos de las distintas tecnicas y metodos.
A modo de ejemplo podemos citar los siguientes:
En Espectroscopia de Absorci6n At6mica a la llama todo aquello que afecta a la
viscosidad de la disoluci6n que es aspirada a traves del venturi de entrada va a provocar
una variaci6n de sensibilidad. Si estamos analizando muestras de viscosidad diferente
entre elias y con los patrones tendremos graves problemas cuantitativos.
En cromatografia de gases capilar realizando la inyecci6n en split, cualquier cambio de
composici6n que afecte a como se evapora el extracto inyectado en el cromat6grafo,
puede producir cambios en la proporci6n de analito que realmente entra en la columna.
Por tanto, si estamos analizando extractos "sucios" conteniendo alta cantidad de material
no volatil, las condiciones de vaporizaci6n de los mismos seran muy diferentes de las de
los calibrados.
En cualquier metodo en el que realicemos una extracci6n o proceso de separaci6n no
cuantitativos, pequefios cambios en las caracteristicas de la muestra (pH, contenido de
organicos, constante dielectrica, fuerza i6nica, viscosidad, presencia de acomplejantes ... ),
o de las condiciones ambientales (pH, material empleado, operador ... ), pueden llevar
asociadas cambios en la cantidad de analito recuperado.
Como puede apreciarse, el origen del problema son las diferencias de contenido en
componentes diferentes al analito que puedan tener las muestras a analizar. Se trata de
componentes desconocidos y a menudo inespecificos, por lo que los englobamos dentro del
concepto de matriz y al efecto lo denominamos efecto matriz. Los efectos matriz son la
distorsi6n mas grave que puede afectar a nuestro conocimiento de la relaci6n
Sefial/Concentraci6n. Su efecto en la calidad de los resultados puede ser doble. Por un lado se
trata de un error sistematico, ya que las mayores diferencias de comportarniento se daran
habitualmente entre las disoluciones de calibrado (que no contendran en absoluto los
componentes que generan el efecto matriz) y las muestras (que contendran cantidades
variables de los componentes que causan el efecto matriz). Por otra lado es una fuente
importante de incertidumbre, ya que aunque seamos conscientes de su existencia y realicemos
el calibrado en una matriz "promedio", seguini habiendo pequefias variaciones en la relacion
SIC en funcion de la composicion particular de cada muestra.
Otra observacion que puede hacerse acerca de la naturaleza de los efectos de la
matriz, es que dada su naturaleza, todos aquellos metodos en los que no hay transferencia
cuantitativa de analito en algful paso del analisis son mucho mas sensibles a su existencia. Si
reconsideramos los ejemplos expuestos en la determinacion del etilbenceno, es facil
pronosticar cual de los dos metodos es mas susceptible de sufrirlos. Un efecto matriz en un
analisis de agua puede estar causado por la cantidad de materia orgamca generica que
contenga el agua y que facilite la disolucion del etilbenceno. Es poco probable que dicho
efecto matriz afecte a la retencion del analito en el sorbente del primer metodo, pero es casi
seguro que dicho efecto matriz afectara a la proporcion de etilbenceno en el vapor que esta en
equilibria con el agua. Como ademas la cantidad que se esta transfiriendo es muy pequefia,
cualquier pequefio cambio tendra un efecto dramatico desde el punto de vista porcentual. Una
disminucion en 1% de la cantidad total transferida causara un error por defecto de mas del
15%. La constatacion de este hecho es la razon por la que el estudio de recuperacion tiene
importancia.
Para detectar los experimentos de la matriz se pueden hacer varias experiencias:
a) Mediante un experimento de recuperacion de sefial
b) Mediante un experimento de adicion estandar
a) Mediante un experimento de recuperaci6n de sefial parecido al expuesto en el calculo
de la recuperacion. Como en aquella ocasion, se escogeran un cierto nfunero de
muestras (intentando cubrir el rango de tipos de muestras a analizar), se fortificaran
con uno o preferiblemente dos niveles de analito (intentando cubrir el rango de
concentraciones a analizar) y se analizaran tanto las muestras originales como sus
alicuotas fortificadas siguiendo el metodo. En esta ocasion, sin embargo, el
tratamiento de los datos es muy diferente. Nose compararan las sefiales obtenidas con
las que producirian masas conocidas y equivalentes en la alicuota de medida, como se
hizo anteriormente, sino que el incremento de sefial asociado a la fortificacion se
transformara en concentracion al dividirlo por la pendiente de la recta de calibrado
construida con estandares. La comparacion de las masas obtenidas siguiendo este
proceso y las realmente afiadidas, nos dara una estimacion de la intensidad de los
efectos matriz. La diferencia ·entre la masa afiadida estimada y la real se expresa como
porcentaje y se denomina recuperacion. Veremos luego un ejemplo.
b) Mediante un experimento de adici6n estandar. Realizaremos una adicion estandar
completa y compararemos la pendiente obtenida en la recta de adicion con la de la
recta de calibrado tal y como se expuso en el tema correspondiente a la calibracion (lo
que equivale a demostrar que la concentraci6n determinada por interpolacion y
extrapolacion no difieren). Este es el primer paso, porque si encontramos que existen
efectos de la matriz, el siguiente es estudiar si estos efectos son de una intensidad
suficiente, no solo para diferenciar la S/C entre muestras y calibrados -lo que ya se ha
demostrado, sino para que muestras diferentes generen diferentes relaciones S/C.
Ejemplo. Seis muestras de grasa han sido dopadas con cantidades conocidas de un
aldehido (E-2-nonenal). Las muestras dopadas y las originales sin dopar se han
analizado siguiendo el metoda propuesto. La recta de calibrado del metoda, obtenida
100 V. Ferreir(l

mediante el ancilisis de extractos sinteticos es Sefia/=0, 00390+0, 1983C, donde C esta

expresada en ng/mL y Ia sefial en unidades de area relativa a/ estandar inferno. Las
sefiales obtenidas en los ana/isis son las siguientes:

Muestr Seiial Seiial Concentraci6n

a muestra dopado adicionada
(n~/mL)
1 1,0747 3,8909 14,0
2 1,5506 4,2289 13,2
3 0,2419 3,2368 15,4
4 3,8509 6,0993 11,9
5 9,1157 11,8036 13,7
6 1,8481 5,1109 16,2

Determina si hay evidencias de efectos de Ia matriz.

Para resolver este problema, lo que vamos a hacer es determinar las concentraciones
de muestra y dopado, restarlas y compararlas con Ia concentraci6n adicionada real.
"recuperaci6n
Cmuestra Cdoe.ado Cadicionada Creal Di&rencia "
5,3999 19,6016 14,201 7 14,0 0,20 101,4
7, 7998 21,3061 13,5063 13,2 0,31 102,3
1,2002 16,3031 15,1029 15,4 -0,30 98,1
19,3999 30,7383 11,3384 11,9 -0,56 95,3
45,9496 59,5043 13,5547 13, 7 -0,15 98,9
9,3001 25, 7539 16,4539 16,2 0,25 101,6

Un simple test por parejas comparando las concentraciones adicionadas, real y

determinada, da los siguiente resultados: media diferencias=-0, 04; desviaci6n
diferencias=0,35; t=0,28; v=5;resultado no significativo.
Observa que da lo mismo restar las concentraciones que restar las sefiales y dividirlas por la pendiente. Otra
observaci6n fundamental es que el termino recuperaci6n en este caso tiene un significado netamente diferente
del expuesto en el punto 3.5. Ahi se referia a la recuperaci6n de analito en los procesos de tratamiento de
muestra, aqui se refiere a la capacidad de nuestro sistema de medida para interpretar adecuadamente la sefial en
distintos tipos de muestra. Una recuperaci6n alta en este caso no indica que no haya perdidas fisicas de analito
durante el tratamiento de muestra, indica que si las hay, estan adecuadamente corregidas por el sistema de
calibraci6n escogido. La denominaci6n recuperaci6n es claramente equivoca y es preciso especificar claramente
a que nos referimos.
Es posible que con los pasos anteriores ya hayamos conseguido verificar que el
metodo proporciona resultados con trazabilidad. Pero tambien lo es que no, como
consecuencia de la aparici6n de alglin problema ligado bien ala existencia de interferencias,
a la existencia de perdidas importantes, o a la existencia de efectos de la matriz. La soluci6n
de estos problemas queda fuera del alcance del presente texto y nos hemos de limitar a
formular alglin tipo de pautas o recomendaciones de caracter muy general.
La existencia de interferencias requiere la re-optimizaci6n del metodo, a fm de incluir
alguna etapa de aislamiento o enmascaramiento que mejore la selectividad de la seiial.
Dependiendo del caso esto puede ser muy complicado y poco practico, por lo que puede ser
recomendable incluso el cambio de estrategia de detecci6n.
La existencia de perdidas en las etapas de aislamiento no tiene porque ser un problema
en tanto y en cuanto sea un factor previsto, tal y como se explic6. Lo que sera preciso, por
supuesto, es que la calibraci6n tenga en cuenta este hecho. Como ya dijimos, el problema
asociado a una baja recuperaci6n es la escasa "robustez" del metoda tanto a cambios en
condiciones ambientales como a cambios de composici6n matricial.
La existenda de efectos de la matriz puede ser superada con un esfuerzo en la
calibraci6n del metoda. En los casas de tecnicas multicomponente muchos problemas de
precision, de recuperaci6n y de efectos de la matriz pueden ser resueltos con un estandar
interne que se comporte de una forma similar al analito. Esto explica porque algunos analisis
particularmente dificiles requieren el uso de estandares internes que son la rnisma molecula
marcada isot6picamente con C13 o con deuterio (tecnica de calibraci6n conocida como
diluci6n isot6pica). Finalmente, y en el caso de que no exista o no se pueda emplear dicho
estandar interne, la existencia de efectos de la matriz tiene una soluci6n quimiometrica, que
es emplear el metoda de adici6n estandar como estrategia de calibraci6n. Esta elecci6n
obligada implica multiplicar el esfuerzo analitico por factores entre 4 y 6, lo que no siempre
es viable.
3.7.-Consideraciones fmales
Todas las indicaciones anteriores son utiles para el caso de que la exactitud del
metoda no pueda verificarse mediante el empleo de CRMs o de alglin metoda de referenda.
Como se indica, esta situaci6n se dara con frecuencia en el campo el analisis organico. De
hecho en este campo, fuera de las moleculas de pestiddas y contaminantes mas comunes y
peligrosos, no es facil encontrar CRMs, ni metodos de referenda. En el campo del analisis
elemental, por el contrario, el nlimero y tipo de CRMs es bastante amplio, por lo que deben
ser la primera opci6n a considerar. En este campo tambien se dispone de bastantes mas
metodos de referenda.
En todo el proceso de validaci6n mostrado es precise el uso extensive de muestras
dopadas o fortificadas. Esta es la Unica soluci6n que tenemos para poder abordar el problema
de la existencia de errores sistematicos tal y como hemos vista, pero no debemos olvidar que
la preparaci6n de este tipo de muestras puede ser mas complicada de lo que parece.
En primer lugar sera muy dificil, salvo en alglin producto industrial, el preparar
muestras dopadas s6lidas iguales a las muestras reales. En todo el trabajo con s6lidos las
etapas previas a la puesta en disoluci6n (ya sea mediante ataques, extracciones, lixiviaciones,
sublimaciones, ... ) no podran ser estudiadas mediante estas estrategias. La Unica soluci6n que
puede haber en estos casas es el uso de tecnicas de extracciones sucesivas, pero su
comentario y tratarniento es demasiado complejo para el presente capitulo.
En segundo lugar, incluso aunque la adici6n de analito se realice sabre una matriz
liquida, no tenemos la garantia de que el analito afiadido establezca el rnismo tipo de
asociaciones que el analito native. Por ejemplo, en muchos fluidos naturales (suero
sanguineo, savias vegetales, zumos, orina ... ) las moleculas organic as y por supuesto los
elementos metalicos y no metalicos, se encuentran formando distintas asociaciones complejas
no bien conocidas. Algunas de estas asociaciones responden a equilibrios rapidos, pero otras
se han formado al cabo del tiempo, por lo que no tenemos garantia de que podamos conseguir
una igualdad total de comportarniento entre el analito native y el afiadido.
A pesar de estas lirnitaciones no tenemos muchas mas alternativas que las aqui
expuestas.
4.- Vision general de Ia validacion de metodos de amilisis
4.1.- Parametros a validar segun el metodo
102 V. Ferreira

Como hemos visto, los panimetros mas importantes en la evaluacion de la calidad de

un metodo de analisis son la exactitud y la precision. Como la discusion anterior nos ha
mostrado, la exactitud esta relacionada, ademas de con la precision, con una serie de
propiedades secundarias de los metodos de analisis como son:
);;> La linealidad y el rango lineal
);;> La selectividad (o especificidad) de la sefial
);;> La existencia de efectos de la matriz
);;> Los limites de deteccion y de cuantificacion
);;> La inercia del metodo (solidez y robustez)
No todos estos parametres deben ser evaluados en un proceso de validacion complete,
ya que en funcion del objetivo del metodo unos son mas importantes que otros. La tabla
siguiente muestra que parametres deben validarse en funcion de los objetivos del analisis o
ensayo.
Parametro de calidad Cualitativo Cuantitativo Analisis de Parametres
trazas fisico-quimicos
Exactitud X X X
Precision X X X
Linealidad X X X
Especificidad/selectivida X X X
d
Limite de deteccion X X
Limite de cuantificacion X
Inercia (robustez) X X
Fiabilidad X

Definiciones:
a) Parametros de interes para metodos cuantitativos y semicuantitativos
Exactitud: A menudo se emplea la palabra veracidad, que se define como el grado de
acuerdo entre el valor medido (media de varias replicas) y el valor de referenda
aceptado. Se mide mediante el empleo de materiales de referenda, de blancos de
matriz fortificados, mediante el empleo de metodos de referenda, o mediante ensayos
interlaboratorio.
Precision: Se mide mediante la desviacion estandar relativa, o mediante el parametro
ISO, P, que es 2,83 veces la desviaci6n estandar. Como se apunto anteriormente, se
distinguen tres categorias: la repetibilidad, la reproducibilidad intermedia o la
reproducibilidad
Linealidad: Se mide mediante la regresion lineal obtenida en el analisis
(preferentemente replicado) de (5 o mas) estandares de calibrado cubriendo entre el
80 y el 120% del rango de concentraciones que se espera que se encuentren las
'~~(.•"'"'-'" ·~ ....................... _............. - _ ·-- ----
...

muestras. El rango lineal, es el intervalo de concentraciones en el que la relaci6n entre

la sefial y la concentraci6n se mantiene lineal.
Especificidad/selectividad. No hay una forma comUnm.ente aceptada de medirlo, y su
medici6n depende del contexto. Un metodo especifico se refiere a que proporciona
sefial para un linico analito. Un metodo selectivo proporciona sefiales diferenciables
para distintos analitos. Un inmunoensayo es el prototipo de metodo especifico. Un
metodo cromatognifico de metodo selectivo.
Limite detecci6n: Se define como la concentraci6n o masa que produce una sefial
igual ala de la ordenada en el origen aumentada en 3 veces su desviaci6n estandar.
Limite cuantificaci6n: De forma analoga se defme como la concentraci6n o masa que
produce una sefial igual a la de la ordenada en el origen aumentada en 10 veces su
desviaci6n estandar.
Inercia: La inercia hace referencia a la resistencia que presenta un metodo analitico a
proporcionar valores inexactos cuando se modifica ligeramente el valor operacional
de las condiciones experimentales. Se diferencia entre robustez (robustness), referido
a modificaci6n de valores experimentales intrinsecos al proceso, (T, pH,
concentraci6n de reactivos auxiliares ... ) y solidez (ruggedness), que se refiere a la
modificaci6n de condiciones operacionales extrinsecas (lote de producto de partida,
equipo instrumental, operador. .. ).
b) Parametros especificos para metodos cualitativos de analisis
Fiabilidad: Es un parametro exclusivo de los metodos de an<Hisis cualitativo, y se
define como el porcentaje de aciertos de los ensayos realizados en alicuotas de la
misma muestra al identificar un analito. Se diferencia entre la relaci6n de falsos
positivos y relaci6n de falsos negativos.
La relaci6n de falsos positivos se define como la fracci6n porcentual de falsos
positivos sobre el total de negativos conocidos, esto es, la frecuencia con la que un
resultado negativo es err6neamente confundido con uno positivo (error alfa).
La relaci6n de falsos negativos se define como la fracci6n porcentual de falsos
negativos sobre el total de positivos conocidos, esto es, la frecuencia con la que una
muestra conteniendo el analito es err6neamente clasificada como ausente. (error beta)
4.2.- Tipos de validaci6n
a) Validaci6n intema o intralaboratorio. En ella interviene un linico laboratorio, sea el
que ha desarrollado el metodo, sea un laboratorio que quiere poner en marcha un metodo
desarrollado por otro laboratorio. Seglin el grado de conocimiento del metodo a poner en
marcha, la validaci6n puede ser:
Prospectiva: realizando un estudio completo de las caracteristicas analiticas del metodo
antes de su puesta en marcha y generalmente tras su desarrollo
Chequeos de validaci6n: una serie de pruebas de validaci6n menos completa que las
anteriores, y cuya finalidad es verificar que las caracteristicas documentadas
(previamente validadas) del metodo se cumplen. Este tipo de chequeos se realizan
para poner en marcha en ellaboratorio un metodo de analisis originalmente propuesto
por otro laboratorio o instituci6n y del que ya existen datos de validaci6n.
104 V. Ferreira

Chequeo de idoneidad: que son un conjunto de pruebas sencillas que se realizan de forma
rutinaria antes o durante cada serie o lote de anruisis
Validacion retrospectiva: El proceso de validacion no es un proceso finito limitado en el
tiempo, sino que es un proceso continuo en el que se van incorporando cada vez mas
datos que aumentan el conocimiento que tenemos tanto del metodo de analisis como
del funcionamiento de dicho metodo en nuestro laboratorio. Un ejemplo, si en un
metodo de anruisis decidimos que una prueba de idoneidad consiste en la inyeccion
(en un HPLC) de una disolucion patron diaria, tras varios afios de trabajo
dispondremos de un conocimiento muy grande del comportamiento de dicha
disolucion patron. Sabremos cual es el tiempo de retencion esperado de cada uno de
los analitos, su desviacion estandar y el limite a partir del cual consideraremos que la
columna debe ser cambiada o regenerada. Forman parte tanto de la validacion
retrospectiva como de los chequeos de idoneidad el uso de graficos en los que se
representa la evolucion de ciertos parametros der analisis (por ejemplo, el tiempo de
retencion, o el factor de asimetria de un pico). Estos graficos se denominan graficos
de control que seran introducidos posteriormente . .
b) Validacion extema o interlaboratorio. Es un proceso de validacion complejo
acometido por varios laboratorios que realizan los mismos tipos de anruisis empleando los
mismos (y en ocasiones distintos) metodos. El proceso suele ir coordinado por una autoridad
extema encargada de suministrar muestras similares a todos los componentes y de realizar el
estudio estadistico de los resultados. El resultado de estos ensayos sirve para medir
importantes parametros de los metodos de anruisis (como la exactitud y la precision) de forma
independiente de un Unico laboratorio de analisis.
4.3.- Etapas en Ia validacion de un metodo
En el apartado 3 seguimos una serie de pautas para validar una parte fundamental de
un metodo de anruisis cuantitativo, pero no debemos olvidar que la validacion es un proceso
complejo que parte de las necesidades de un cliente potencial, y que acaba con la elaboracion
detallada de un documento normalizado de trabajo denominado Protocolo Normalizado de
Trabajo (PNT o SOP, Standard Operating Procedure) en el que se hade documentar todo el
trabajo de validacion y de control del metodo en cuestion.
La tabla siguiente muestra un esquema general ideal de las etapas seguidas en la
validacion completa de un metodo de anruisis generico.

Etapas preliminares
1.- Identificadon del problema 1Necesidades del cliente
2.- Seleccion del metodo !Entre los ya desarrollados
3.- Desarrollo de un nuevo metodo pptimizacion

Eta pas de validacion

4.- Precision
4.1 Repetibilidad
4.2 Precision intermedia
4.3 Reproducibilidad
5.- Linealidad y rango lineal
6.- Exactitud: veracidad
7.- Limites de deteccion/cuantificacion
8.- Especificidad/selectividad
9.- Recuperacion
IDentro del dia
!Entre dias (analistas instrumentos)
!Entre laboratorios
iBondad del ajuste
iMuestras de referenda, muestras fortificadas, metodos de
referenda
IEstudio de blancos, determinacion de la sefiallruido
IEstudio de interferencias
IMuestras fortificadas
10.- Jnercia iffit1uencia de pequefias variaciones en las condiciones operatorias
11.- Jncertidumbre ~alculo en cada una de las etapas
12.- Control de calidad piseiio de los tests a realizar para el control del metodo
(obligatoriamente blancos, muestras fortificadas ... )
13.- Idoneidad del sistema ~stablecimiento de criterios de aceptaci6n de los datos obtenidos en
fase rutina (graficos de control)

Etapas adicionales
14.- Documentaci6n del metodo
15.- Descripci6n de todas las etapas
16.- Autorizaci6n para el uso del metodo
17.- Revision del metodo
!Escribir todo el trabajo experimental y de validaci6n
Preparar los Protocolos Normalizados de Trabajo (PNTs)
Actualizaci6n de los PNTs

5.- ENSAYOS DE CONTROL Y PUESTA EN MARCHA

Durante el proceso de validacion se han de disefiar cuales son los ensayos o pruebas
mas adecuados para realizar el control de calidad de un metodo. El control de calidad
realizado por el propio laboratorio agrupa todos los ensayos realizados para supervisar que el
metodo validado mantiene dentro de unos rangos especificados sus caracteristicas de calidad.
Esto incluye una serie de operaciones que deben quedar perfectamente descritas en los
Protocolos Normalizados de Trabajo, como son como deben encenderse los instrumentos, si
se realiza alglin test para verificar su correcto funcionarniento -pruebas de idoneidad del
sistema-, y ademas y fundamentalmente, la introduccion de una serie de muestras de control
dentro de la rutina analitica.
5.1.- Pruebas de idoneidad del sistema
Ironicamente se puede decir que uno de los problemas mas grandes que nos
encontramos en el analisis instrumental, es que los instrumentos siempre proporcionan un
resultado, esten funcionando bien o esten funcionando mal. Esto es, un instrumento analitico
puede estar funcionando de manera defectuosa mucho antes de que los sistemas de
autocontrol del instrumento nos alerten de ello. Esta observacion debe ser tenida muy en
cuenta por todos los que trabajen con frecuencia en un laboratorio instrumental, a fin de que
incorporen como una obligacion inexcusable la realizacion de una serie de pruebas,
adicionales a los distintos chequeos que el propio instrumento realiza, antes del comienzo de
cualquier tanda de analisis, no antes de la medicion, sino antes si quiera de la pesada de las
muestras. Proseguir con el analisis de forma deliberada o inadvertida en un instrumento que
no esta funcionando de forma correcta es uno de los errores mas graves que se pueden
cometer en un laboratorio. En el mejor de los casos se perdera todo el tiempo empleado en el
analisis, pero con mucha frecuencia se pueden perder muestras linicas, se puede dafiar el
instrumento, o se puede generar informacion erronea.
El tipo de test dependera obviamente del instrumento y del analisis que estemos
realizando, siendo siempre mucho mas exigentes los requisitos de un analisis de trazas. Hay
instrumentos cuya estabilizacion y verificacion puede llevar mas de un dia (un sistema GC-
MS para analisis de trazas), hay otros cuya estabilizacion y verificacion es practicamente
inmediata. En los sistemas mas exigentes se ha de llevar mucho cuidado y ser muy rigurosos,
pues cualquier error en la puesta en marcha puede facilmente demorar el trabajo dos o tres
dias. En mi experiencia con instrumentos "dificiles" es conveniente disefiar dos tipos de
pruebas de idoneidad. Una primera dirigida a la evaluacion del sistema de medida y una
segunda dirigida a su capacidad especifica para llevar a cabo el analisis en cuestion.
El ensayo para la evaluacion de sistema debera cumplir una serie de requisitos:
106 V. Ferreira

Sencillez y facilidad de preparaci6n

Estabilidad en composici6n
Trazabilidad
Rapido de ej ecutar
Capaz de evaluar los parametros mas importantes y criticos del instrumento y
del metodo de ana.Iisis
Ejemplo. La cromatografia HPLC en fase normal es una de las tecnicas cuya puesta
en marcha y estabilizaci6n es mas dificil, con una alta dependencia de las condiciones
ambientales y operatorias. Para la evaluaci6n del sistema, decidimos preparar una
disoluci6n facil de preparar y de analizar. La disoluci6n contenia vainillina, ~feniletanol y
acetato de feniletilo en concentraci6n prefijada. Estos tres componentes son estables, faciles
de preparar, de separar y de detectar. Su analisis en condiciones prefijadas nos permitia
evaluar en poco mas de 15 minutos:
a) La selectividad de la columna
b) La eficiencia de la columna y sistema cromatografico
c) La posible existencia de problemas de quimisorci6n
c) La sensibilidad del detector y el correcto funcionamiento general del sistema
Esta prueba fue incorporada independientemente del analisis que se fuera a hacer a
continuaci6n, como una veri.ficaci6n de que el sistema funciona correctamente. Despues de
obtener un resultado satisfactorio, pero solo entonces, se introducia la segunda prueba,
especifica para el metoda de ana/isis que se fuera a realizar.
5.2.- Muestras y operaciones de control
El control de un metodo se realiza mediante el analisis por todo o parte del metodo de
una serie de muestras de control. La naturaleza de estas muestras depende del caso particular
en que nos encontremos, pero suelen incluir:
Ana.Iisis de disoluciones estandar. Una disoluci6n conteniendo los analitos en un
disolvente apropiado. Esta disoluci6n se empleara habitualmente como parte de las
pruebas de idoneidad del sistema anteriormente comentadas. Puede ser interesante
realizar un segundo analisis de esta disoluci6n al acabar el lote de muestras para
analizar y antes de apagar el instrumento de medida. De esta forma, dispondremos
de una valiosa informacion acerca del estado real de nuestro sistema.
Analisis de blancos. Un analisis realizado aplicando el procedimiento analitico
completo, pero sin incluir la muestra. Este tipo de ana.Iisis son particularmente
importantes en el analisis de trazas, y sobre todo en aquellos casos en los que se
conoce la facilidad del sistema para sufrir algU.n tipo de contaminaci6n. En
realidad podemos distinguir distintos tipos de "blancos". El mas completo pero
que no siempre se puede conseguir seria una muestra exenta de analito. El
segundo nivel es el blanco de sistema, en el que el procedimiento analitico se
aplica por completo pero sin incluir muestra. Hablaremos con mas detalle en el
tema del analisis de trazas.
Analisis de muestras reales empleadas como referenda. Una muestra estable
seleccionada por ellaboratorio o un grupo de laboratorios y cuyas propiedades han
sido establecidas de antemano. De nuevo estas condiciones no pueden ser siempre
 conseguidas, pero si es posible se trata de la forma mas eficaz de controlar la
calidad de un metodo de amilisis. En algunos casos (muestras clinicas) hay
muestras de este tipo suministradas por empresas. Se trata de materiales cuya
exactitud conocida es inferior a la de un CRM, pero que resultan adecuados para
el control
Analisis de muestras sinteticas empleadas como referencia. Una mezcla de
analitos en un medio similar a la matriz, y cuya estabilidad y propiedades
analiticas se han establecido de antemano.
Analisis de CRMs. Este tipo de muestras es muy caro, por lo que su uso esta
limitado a la validaci6n y no al control. Sera precise acudir a su uso cada vez que
sea necesario verificar la exactitud del sistema.
Habitualmente se debe introducir una muestra de control por cada serie de analisis, y
el esfuerzo asignado al control no debe superar el 20% del total.
Ejemplo.
Se ha desarrollado en un cierto laboratorio un nuevo metoda para Ia determinacion
del principia activo de un farmaco por HPLC con detecci6n uv-vis. El metoda incluye Ia
trituraci6n del preparado y su disgregaci6n en una disoluci6n agualmetanol a/ 50%. Esta
disoluci6n es .filtrada y se inyecta en el HPLC. El protocola de control de calidad del metoda
incluye las siguientes operaciones:
a) (Test de adecuaci6n del sistema) Antes de la inyecci6n de muestras en
el HPLC, se inyectara una disoluci6n conteniendo 10,0 mg/L del principia activo en
metana/. El cromatograma debera mostrar un pico a 12,3 :1: 0, 5 min y dar un area de
125000:1:4500 mV, empleando condiciones estandarizadas de trabajo en el HPLC.
b) Cada lote de ami/isis (que comprende 20 muestras) incluira un blanco
preparado con el agualmetanol empleado en la extracci6n, y una muestra de
referenda. El blanco no debera mostrar ningU.n pico al tiempo de retenci6n del
ana/ito. La muestra de referenda se prepar6 tomando un lote de 1000 pastillas,
triturandolas y homogeneizando el polvo triturado. Seguidamente este polvo
homogeneo se analiza en dias sucesivos, encontrandose que su concentraci6n es 8,2:1:
0,2 mg/L. Por consiguiente, sabemos que el 95% de los resultados de Ia muestra de
referenda estaran en el intervala 8, 2 :1: 0, 4 mg/L.
5.3.- Representacion de los datos de control
Los resultados obtenidos en los ensayos de control de calidad se suelen representar en
un diagrama de control. En nuestro ejemplo anterior tendriamos 3 diagramas de control, uno
correspondiente al tiempo de retenci6n de la disoluci6n estandar, otro a su area, y otro
procedente de la concentraci6n de la muestra de referencia. Estos diagramas de control se
construyen tal y como se indica en la figura:
108 V. Ferreira

--Area +3S Linea de acci6n superior

13175 ---------------------------------------·
Area +2S Linea de alerta superior
129500 ·······························································*···*·············································............................
*
*
125000·5----""-----------*-.....----A-r_ea_m_edia esperada * '
**

12050 ........................................................................................................................!:J~.~9...':!.l!: alerta inferior

11825
Area -2S Linea de acci6n inferior

Area -3S

El diagrama de control resulta de ayuda para detectar la existencia de tendencias o

derivas en el comportamiento de un metodo (o de cualquier proceso), ademas de establecer
una forma efectiva de determinar cuando el sistema esta dejando de funcionar como se
espera. Si un resultado aparece fuera de la linea de alerta, puede ser una cuesti6n aleatoria,
pero si el siguiente esta tambien fuera de esta linea, debe aceptarse que el metodo esta fuera
de control. Igualmente, si un resultado cae fuera de Ia linea de acci6n, sabemos que es casi
seguro que el metodo esta fuera de control. De manera analoga, y puesto que en un metodo de
analisis las variaciones se supone que son aleatorias, la presencia consecutiva de un nillnero
grande de puntos en la misma region (por encima o por debajo de la media), puede ser
indicativa de una falta de control.
Los Protocolos Normalizados de Trabajo deben especificar las acciones a tomar en el
caso de que el metodo caiga fuera de control. Estas acciones pueden ser muy variadas, y
pueden implicar desde una sencilla operaci6n de mantenimiento mas o menos rutinario
(limpieza de un detector, sustituci6n de un fungible ... ), hasta requerir la revalidaci6n del
proceso de analisis.
Referencias recomendadas:
a) Basica y general
Estadistica y Quimiometria para Quimica Analitica, 4" Ed. J.C. Miller y J.N. Miller, Pearson
Education, Madrid, 2002
Quimiometria. G. Ramis, C. Garcia. Ed. Sintesis, Madrid 2001
Chemometrics. Matthias Otto. Wiley-VCH, Weinheim, alemania. 1999

b) Avanzada
b I .- De Control de Calidad y quimiometria en Quimica Analitica general
Quality Control in Analytical Chemistry. Kateman, G. Buydens, Wiley Interscience. New
York 1993. Una de las obras mas completas y pragmaticas cubriendo todos los aspectos
teoricos y practicos relativos a Ia quimiometria y el control de calidad
Chemometrics. Data Analisis for the laboratory and chemical plant. R.G. Brereton. Wiley
New Cork, 2003
Handbook of Chemometrics and Qualimetrics.Vol 20 A : D.L. Massart, B. Vandeginste, L.
Buydens, S. DeJong, P. Lewi & J. Smeyers-Verbeke. (1997) Vol20 B: B. Vandeginste, D.L.
Massart, L. Buydens, S. DeJong, P. Lewi & J. Smeyers-Verbeke. (1998) Elsevier. El texto de
referenda mas complete y serio de quimiometria.
b2.- Acerca de los rudimentos de las distribuciones de probabilidad y su aplicaci6n en el diseno de
experimentos (ANOVA y otras tecnicas):
Estadistica para Investigadores. Box, G.E.; Hunter, W.G.; Hunter J. S. Ed. Reverte, Madrid
1989. Todo un clasico
Disefio y analisis de Experimentos. D. Montgomery, Iberoamerica. Mexico 1991. Otro clasico
b3.- Acerca de la calidad y su aplicaci6n allaboratorio analitico
Garantia de Calidad en los laboratorios analiticos. R. Compafio, A. Rios. Ed. Sintesis, Madrid,
2002
La calidad en los laboratorios analiticos. M. Valcarcel, A. Rios. Ed. Reverte, Madrid 1992
Principios de Quimica Analitica. M. Valcarcel. Ed. Springer Iberica, Barcelona 1999
b4.- Manuales practicos de garantia de calidad en ellaboratorio
Laboratory Quality Assurance System. T. A. Ratliff. Wiley Interscience. New Cork, 2003
A primer Good Laboratory Practice and current Good Manufacturing Practice for Analytical
Laboratories. L.Huber. Agilent Technologies. Germany 2003.
Guidelines for achieving quality in trace analysis. Ed. Por M.Sargent and G. Mackay, RSC
1995
b5.- Validaci6n de metodos analiticos
Validation and qualification in Analytical Laboratories. L. Huber. www.labcompliance.com
Development and validation of analytical methods. Ed. Por Riely, C.M.; Rosanske, T.W.;
Pergamon Press 1996. Dedicado particularmente al analisis farmaceutico.
Guidance for Industry. Bioanalytical Method Validation. US Dep.. of Health and Human
Services. www.fda.gov/cvm
b6.- Otros libros de interes
Estadistica aplicada a traves de Excel. C. Perez. Pearson Educacion, Madrid, 2002. Es un libra
practico acerca del manejo de Excel.
General Principles of Good Sampling Practice. Ed. N.T.Crosby y I. Patel. RSC, 1995.
Contiene una serie de cuestiones practicas acerca del disefio e implantacion de un plan de
muestreo.
Manual de estadistica para quimicos. E.L. Bauer. Alhambra, 1974. Un autentico incunable de
estadistica para quimicos. Una joy ita
Information Theory in Analytical Chemistry. K.Eckschlager y D.Danzer. Wiley Interscience,
New York, 1994 Una obra para reflexionar acerca del significado de los procesos de medicion
en Quimica Analitica.
 111

I DEFINICIONES DE CALIDAD
I
D Propiedad o conjunto de propiedades inherentes a una cosa que
permiten apreciarla como igual, mejor o peor que las restantes
de su especie (Diccionario Real Academia)
D Grado de acuerdo en los valores de las propiedades de un
producto, proceso o servicio con las deseadas de cara a la
satisfaccion de unas necesidades (ISO)
D Grado en que un conjunto de rasgos diferenciadores inherentes
a un proceso cumple con unas necesidades o expectativas
establecidas, generalmente implicitas u obligatorias. (lo que
garantiza la calidad del producto o servicio) (ISO 9000)

Evolucion historica del papel de Ia

CALIDAD y su control

D Etapa primitiva: Se inspeccionan todas las unidades

producidas
D Etapa chisica (1930-1970): Se introduce el control
estadistico de la calidad y el control estadistico de procesos
D Etapa moderna (70s-80s): Aseguramiento de la calidad.
Enfasis en la prevenci6n. Se estudia la totalidad del sistema
D Etapa contemporanea: Gesti6n de la calidad como un factor
estrategico. Aparici6n del concepto de calidad total

2
 112

Evolucion historica del papel de Ia CALIDAD y su control

Objettvo Metodos Departamentos Filosofia

Detectar Estandares de
La calidad se
Primitiva defectos, nonnas, Inspeccion
comprueba
uniformidad inspecciones

La calidad se
Uniformidad Tecnicas
Control Produccion controla de
optima estadisticas
forma optima

Prevenir Programas y Departamento de

desviaciones sistemas de calidad/ Todos La calidad se
Aseguramiento
estudiando el aseguramiento los produce
sistema de Ia calidad departamentos

Competitividad/
Planificacion
satisfaccion Gerencia/todos
Estrategica. La calidad se
Gestion optima los miembros de
Movilizacion gestiona
necesidades Ia organizacion
organizacion
cliente 3

Jerarquia de terminos y actividades basicas de Ia garantia

de Ia calidad

calidad

GARANTIA DE LA CALIDAD

4
 113

Camino bacia sistema de Ia Calidad

!liil A quiere comprar un producto a Ia empresa B

!liil A se pone de acuerdo con B acerca de las caracteristicas que ha
de tener el producto y el precio que se pagara
!liil A se pone de acuerdo con B en quien y como mide dichas
caracteristicas (un laboratorio acreditado)
!liil A exige a B que le garantice Ia calidad del producto a lo largo
del tiempo
!liil B hace un estudio documentado de su proceso de produccion,
disena un sistema de control y le encarga Ia supervision a un
auditor que le dara un diploma que satisfara a A
!liil B se ve obligado a exigir lo mismo a sus propios proveedores
5

Concepto de caUdad total

Empresa
I Suministradores I (o laboratorio)
IClientes I
Personal
Materias primas Producto o servicio
Instalaciones
Instrumentos (que satisface las
Equipos
Maquinaria necesidades del cliente
Procesos
Reactivos etc
Calidad externa Calidad interna Calidad externa

(gesti6n de la Calidad Total) 01

Beneficios intemos: Derivados de estructura clara, de funcionamiento 6ptimo
Beneficios extemos: Mejor servicio, mayor eficiencia, mayor control de riesgos

6
 114

Nuevo enfoque de Ia calidad

ENFOQUE TRADICIONAL NUEVO ENFOQUE

Satisfacer las expectativas del

Cumplir los estandares
cliente

Cumplir el presupuesto Ai'iadir valor

Detectar errores Prevenir errores

Rentabilizar el dinero en forma de

lnvertir dinero en calidad
competitividad
La calidad gestiona el tiempo de
La calidad requiere tiempo
forma optima
La responsabilidad es de unos
La responsabilidad es de todos
pocos

Elementos basicos de un sistema de Ia calidad

POLITICA DE LA CAUDAD
Objetivos y compromiso del organismo respecto a Ia calidad
Formulada porIa Direccion del organismo

Revision del
sistema de Ia calidad
PorIa Direccion

lnstalaciones y equipos Organizaci6n

Mantemmiento PROCESOS
Verijicacion!CalibraciOn FomJacion/Cualificacion

l:.-··n~~~~~N-..): ("''AiiD1Toilis··--··:
Procedimientos ! Internas l
j Instrucciones j t...........~J>t~M.......... )
\ ...........R~.&i.!!.trQ~ __________./ 8
 115

Componentes del sistema de Ia calidad

. Garantia de calidad (Quality Assurance)
. Control de calidad (Quality Control)
. Evaluacion de Ia calidad (Quality Assessment)
MANUAL DE CALIDAD
Identidad dellaboratorio; Actividades; Recursos y organizacion; Objetivo
de calidad
Procedimientos generales Procedimientos e Plan de Evaluaci6n de
(UNE 66900/ISO 9000) instrucciones tecnicas BPLs Ia calidad
Documentaci6n,
auditorias intemas, - Procedimientos de analisis Auditorias intemas
Gesti6n de equipos de - Procedimientos de Auditorias extemas
medida y ensayo, calibraci6n Sistema de revision del
tratamiento de - Procedimiento de control program a
reclamaciones de calidad 9

CONCEPTO DE NORMALIZACION
Actividad consistente en la elaboracion, difusion y aplicacion de normas
con el objeto de:
1. Adaptar los productos, procesos y servicios a sus respectivas fmalidades
2. Evitar las barreras tecnicas a las transacciones comerciales
3. Facilitar la cooperaci6n tecnol6gica entre organismos y paises
4. Proteger la salud de las personas y animales y preservar el medio
ambiente

CONCEPTO DE NORMAS
Documentos que contienen especificaciones tecnicas de aplicacion
voluntaria, que son elaborados por consenso entre las partes interesadas
(fabricantes, administracion, consumidores, universidades y centros de
investigaci6n, asociaciones profesionales), son aprobados por un
organismo de normalizaci6n reconocido y estan a disposicion del publico
10
 116

Ejemplos de productos y actividades objeto de normalizaci6n

). Materiales (vidrio, plastico, aleaciones)

). Productos ( aparatos de vidrio, tornillos, tarj etas de credito)
). Maquinas (motores, electrodomesticos)
). Metodos de toma de muestra
). Metodos de medida y ensayo
). Terminologia relevante para un cierto campo
). Unidades del Sistema Intemacional de Unidades
). Sistemas de Gesti6n de la Calidad
). Sistemas de Gesti6n Medioambiental
). Criterios generales de funcionamiento y evaluaci6n de los laboratorios
de ensayo

11

Organismos de N ormalizaci6n
FUNCION: Elaborar, revisar, aprobar y difundir normas
Organismos Nacionales
AENOR Asociaci6n Espanola de Normalizaci6n Espana Normas UNE
(creada en 1986, tiene 130 comites tecnicos)
AFNOR Association Francaise de Normalisation Francia
ANSI American National Standards Institute USA
BSI British Standards Institution UK
DIN Deutsches Instituts ft1r Normung Alemania NormasDIN
sec Standards Council of Canada Canada
Organismos Supranacionales
CEN Comite Europeo de Normalizaci6n Europa NormasEN
(integra los organismos de 19 paises)
ISO Organizaci6n Intemacional de Normalizaci6n Normas ISO
(integra a 130 paises, tiene 220 comites tecnicos)
ASTM American Society for Testing and Materials USA
(publica anualmente el ASTM standards) 12
 116

1
Ejempltls de productos y ~.u.:tividadcs ohjew d~ nonnalizacL{m
'--

r._-
,. h t 9/tena ..~--m. p.L:Jstloo.
- Ics {\·lw •~ ' aI.C3C'IL~I1~
. )
J:l'roducta:;, (ap;tril1~ de= vidrio: rnr11 i llos, twj etas de .::~~1 ilw)
Mtquina.~ ( n'luWr~ clc=ctmd4'm.:&ti.;:ul:)
.\1ctodos d" turnu de muc~7a
1V11!todru: d~ rru:did11 y OJsayo
r~nninn:ner:; n:le\'ant~ pB!'a un ci~:rto r.ampo
Unid.ad.:s d.:l Sistema Jntcrn~c iorwl cl~ Unidz:dt:=!
Si!ir.cma.:o d~ ~l:iljon ~ Ia Cal id.t.:l
Sistcm a:;; d~ Gc:st~on :0..-lcd io3mh i~nlill
Cri~rin:;; ?:oer•~r.;.J~s de fundona.m i~n'k' y c:'J·aluaciC.n de k~ ]u.boratorios.
de ~m:<t~·o

1]

Organi smos de N orrn a. Ii zaci6n

Ore;anhfl11)6 ~· •c.iu•ul8
A b~OR A!'ooXuc·J."m F~(tii'v iH th.: Ncmuli:r.Act('m L'IJiaftD ~OJll]Bti ~
fc~fldt !::1"1 I ~~~6. ll.o.:t:A: U:l tntr:it£~ ~~~ ...~~)
A.FI\OR Auod.uir.r l'mncs ~~~· th: N~:rn:ul i~ari:m rr.mc:ia
r-
.\N:O.I Altu.:ril.:t.ll Nlrtt•-.ru.l :-.mndtmh ]ll)..it'.JU: USA
f--
n~r 8t tLhll S W:dmil; Tn~ rituri m• UK
Df.'tf l'cUU;.;.;Jt.:~~ lmlill:.u fllr XMmH•u. ."tleuuun.a. -
>Jom1f..> I )IN
sec ~tnn•1Htlh Cuw::.c:l DfCtrm:..i~ <:nr.,;;Jt.
-
fnv ni1Hau!l- Sllpra.oa"lon:~J~
--
CEN Conm~ 1-:nr.:•~:,·u ~1!.: ::\~iha:.i~n r!U..~:l\'1 N:mr::ni:!'-:'
c
(intc t ft ICoil ;.m:llll J!I1TID!I; :1 e II) 1'1 ~)
ISO ~iT.lC tL".Tl llti~>:IJIH;.;junal C,e Xor:llth7it!.'h.iD. Norm.<lsiSO
(tu~~u l 1=.! IJ:-&I!t.:~~, Lito:~!:' 2~0 cnmrrr;- ~ tL:o.:ru;;:w't
A5T~~ :\rne:icnn :-inl;!tCL:!- 1:..r T.ut:n~ anti .\t.a·~ri.U~ USA
1 puhl1cD .tJ'lllfth a.:c.IL' to1 A~'T'M ~~:~nrtr.r..J~) 12
 117

Certificaci6n/Acreditaci6n
Certificacion: Proceso en el que un organismo independiente, mediante unos
procedimientos de evaluacion y verificacion, declara formalmente que un producto, un
proceso o un servicio, debidamente identificado, satisface unos requerimientos
perfectamente especificados (a menudo regulados por norma; en este caso reconocimiento
de Ia conformidad a una norma)
Acreditacion: Procesos en el que un organismo autorizado, mediante unos procedimientos
de evaluacion y verificacion, reconoce formalmente que una entidad es competente para
realizar unas tareas perfectamente especificadas.

l,Quien certifica? Un organismo (empresa) acreditado para esta tarea

Certijicaciones importantes: sistemas de calidad conforme a normas ISO 9000

Sistemas de gestion medioambiental conforme a normas ISO 14000

l,Quien acredita? Un organismo autorizado (por el gobierno) para esta tarea

En Espana: ENAC

13

Certificaci6n/Acreditaci6n

Certificaciones Acreditaciones
• Productos • Laboratorios de ensayo o calibraci6n
• Servicios • Entidades de certificaci6n
• Sistemas de la calidad · • Entidades de inspecci6n
• Sistemas de gesti6n (instalaciones electricas, instalaciones
medioambiental frigorificas, lTVs, ... )
• Personas • Verificadores medioambientales
• Marcado CE segllil directivas (segllil criterios UE 761/2001)
europeas • Laboratorios de ensayo que realizan
estudios en entomos regulados por
Buenas Pnicticas de Laboratorio

(campo voluntario)
(campo ob/igatorio)

14
 118

Normalizaci6n en Europa, perspectiva hist6rica

• 1957: Tratado de Roma. Libre circulaci6n de personas y bienes

• 1970-80: Limitaciones reales ala libre circulaci6n mediante normas y
especificaciones internas
• 1985: Resoluci6n Consejo de Europa ''Nuevo enfoque". Mecanismos
de control sobre las normas de los paises. Cuerpo de normas europeas
(rango de directivas, restringido a seguridad, salud, medio ambiente).
Calidad de producto regulado por normas tecnicas se establece en
campo voluntario
• 1989: Resoluci6n Consejo de Europa "Enfoque global". Condiciones
reconocimiento reciproco de resultados de pruebas de conformidad.
Acreditaci6n organismos evaluadores de la co~formidad. Referenda
normativa: EN ISO 9000 yEN 45000
• 1993: Creaci6n de la marca de conformidad CE
• 1995: (en Espana) Laboratorios oficiales de alimentos han de
acreditarse por ENAC mediante UNE-EN ISO 17025
15

Sistemas genericos de gesti6n de la calidad

SERlE ISO 9000

../ Son normas que proponen modelos genericos para la implantaci6n y
mantenimiento de sistemas de gesti6n de la calidad (cuyo objetivo es
asegurar que el producto/servicio satisfara a lo largo del tiempo los requerimientos
preestablecidos)
../ Lanzadas en 1987, revisadas parcialmente en 1994 y totalmente
remozadas en 2000
../ No defmen las caracteristicas de un producto/servicio
../ Hacen hincapie en los aspectos organizativos (con incidencia en las
caracteristicas del producto)
../ Mas de 400000 empresas/organismos certificados a fmales del2000
(equipos electricos/6pticos, ind. metahirgica, construcci6n, instrumental analitico ... )
SERlE QS 9000 y SERlE EAQF
../ Sistemas especificos de la industria del autom6vil
16
 119

ISO 9000

• UNE-EN ISO 9000:2000 Sistemas de gesti6n de la calidad.

Fundamentos y Vocabulario
• UNE-EN ISO 9001:2000 Sistemas de gesti6n de la calidad. Requisitos
- Bloque 1: Responsabilidad de Ia direccion
- Bloque 2: Gestion de los recursos
- Bloque 3: Realizacion del producto (enfasis en Ia definicion y gestion
de los procesos, desde identificacion de requisitos del cliente basta
compras)
- Bloque 4: Medicion, analisis y mejora (evaluacion de Ia satisfaccion
del cliente, auditorias ...)
• UNE-EN ISO 9004:2000 Sistemas de gesti6n de la calidad. Directrices
para la mejora del desempefio

17

Trabajo en entomos regulados

Si un trabajo experimental se rea/iza en un entorno regulado, deberia

ser posible para un inspector, cuatro o cinco afios despues revisar los
archivos del trabajo y determinar facilmente quien, como y porque se
realizo e/ trabajo, de quien era Ia responsabilidad, que equipo se empleo,
los resultados obtenidos, que problemas se encontraron y como se
so/ucionaron
D.L. Weller. Anal Proc, 1998, 25: 199

• Sistemas regulados por las GLPs (obligatorios)

• Sistemas regulados por las GMPs (obligatorias)
Acreditaci6n
• Sistemas regulados por la norma EN-IS0-17025 (optativas*)
• Sistemas regulados por normas de certificaci6n (normas ISO 9000)(optativas)
*obligatoria para amilisis oficiales de alimentos
Certificaci6n 18
 120

;.Quien tiene que cumplir con las regulaciones

GLP/GMP?
• Originalmente disefiadas para estudios de to:xicidad pre-clinicos
• Son generalizables a todos los trabajos realizados con mediciones
analiticas.

OBLIGATORIOS PARA:
Estudios de seguridad no clinicos para el desarrollo de drogas (humanas y
veterinarias), aditivos alimentarios, nuevos componentes cosmeticos,
suplementos nutricionales para ganado, productos biol6gicos
Desarrollo de pesticidas agricolas; Desarrollo de quimicos t6xicos; Control
de alimentos (aditivos y drogas); Amilisis y control de explosivos

NO OBLIGATORIOS PARA:
Investigaci6n basica; Desarrollo de nuevos metodos de analisis; Ensayos
empleados para derivar las especificaciones de un producto comercial . n

Documentos reguladores
• Regulaciones FDA: http://www.fda.gov
• Directivas europeas: http://dg3.eudra.org
• Guias ISOIIEC, guia 25: Requisitos generales para la competencia de
los laboratorios de calibraci6n y ensayo. 1990, 56, CH-1211 Geneve
20. Switzerland. (Se puede adiquirir on line en http://www.iso.ch) Este
es el documento basico reconocido intemacionalmente para la
ACREDITACION de laboratorios. Norma ISOIIEC 17025

20
 121

Historia de Ia calidad en ellaboratorio

1908 Contraste t
1930 TestF
Escandalo en los
1931 Diagramas de Shewhart
laboratorios farmaceuticos
1940 Sistemas de calidad industrial
(USA, 1974)
Nuevos panimetros de control de
la informacion analitica 1970's
F ormaci6n de la Chemometrics
Redefinici6n Quimica Analitica Soci (1972)
( obtenci6n de estrategias 6ptimas)

Evoluci6n de la quimica clinica

(Robotizaci6n y automatizaci6n)

21

Proteccion del consumidor y medio ambiente. Hitos

historicos v re!!lllacion

)l> Hasta 1974: Se asurne que los laboratorios fannaceuticos reportaban de forma
fiel y exacta los estudios realizados sobre farmacos
)l> 1974. Varios escandalos (talidomida y otros). Datos inconsistentes, practicas
de laboratorio irregulares. Defectos en el disei'io, conducci6n y docurnentaci6n
de los estudios (Hirsch, '1989)
)l> 1976. Se emiten las regulaciones conocidas como GLP bajo el paraguas de
FDA
)l> 1983. La EPA emite regulaciones similares para productos quimicos agricolas
e industriales
};> Ambas directrices se incluyen en los protocolos mas generales GMP
};> 1983. La OCDE publica sus propias GLP
};> 1990. annonizaci6n de GLP europea
)l> 90s, Establecirniento de acuerdos de reconocimiento bilaterales

22
 122

Peculiaridades del trabajo dellaboratorio

• La medida numerica de Ia calidad es dificil, cara y basada en pocas medidas

• Altisima dependencia del factor humano
• La mayor parte del personal esta altamente cualificado
• Gran facilidad de cambio de un proceso de anlilisis a otro

PREMISAS DAJO LAS QUE DESCANSAN LAS DUENAS PRACTICAS DE

LADORA TORIO
• Un analista es capaz de realizar sus medidas de control y de evaluarlas
• Todo trabajador de un laboratorio puede y desea mejorar Ia calidad de sus
resultados
• Se debe establecer un sistema que de a! analista el derecho y el deber de cumplir
conayb.

23

Requisitos para trabajar de acuerdo con GLPs

• Nombrar un director de estudios (para estudios toxicologicos) con

funciones de aprobar los PNTs y de hacerlos cumplir (puede ser o no
el jefe de laboratorio)
• Disponer de una unidad de Aseguramiento de la Calidad (Quality
Assurance Unit) intema e independiente, designada por la gerencia.
• Disponer de personal cualificado adecuadamente mediante un
programa de formacion
• Disponer de Procedimientos Normalizados de Trabajo (SOPs o PNTs).
Cubren defmiciones, administracion, operacion tecnica, trabajo con los
equipos y metodos de analisis
• Controles y sustancias de referencia. Totalmente identificados
(concentracion, pureza y estabilidad, origen, identidad, concentracion,
condiciones de almacenamiento y fecha de caducidad)

24
 123

La U nidad de Aseguramiento de Calidad

• Funci6n de control intemo, para que instalaciones, personal, metodos, pn1cticas,

archivos, controles, PNTs, informes finales y archivos cumplen con lo pre-
establecido en GLPs
• Funci6n de correcci6n. Detecci6n y soluci6n de problemas

Actividades:
Mantener una copia del programa de estudios en marcha y de todos los
protocolos de los estudios de los que es responsable
Inspeccionar los estudios a intervalos adecuados, manteniendo informes
escritos adecuados de cada inspecci6n
Remitir periodicamente a la gerencia y al director del estudio informes del
estado de los estudios, problemas detectados y acciones correctoras
Determinar si las desviaciones observadas de los PNTs se realizaron de
forma adecuada
Auditar el equipo de laboratorio y los informes del director
25

Los Procedimientos Normalizados de Trabajo

JPNTs oSOPs) '•

. Procedimientos escritos del programa de trabajo de laboratorio

Incluyen
• Operaciones de inspecci6n, limpieza, mantenimiento y calibraci6n
rutinaria de equipos
• Acciones que deben tomarse en caso de fallo
• Metodos de analisis
• Defmici6n de los datos base
• Cualificaci6n del personal
• Precauciones de higiene y seguridad
• Acceso autorizado a los equipos
• Recepci6n, identificaci6n, almacenamiento, mezclado, muestreo de
muestras y sustancias de referenda
• Documentaci6n, almacenamiento y recuperaci6n de datos
• Operaciones del personal de aseguramiento de la calidad 26
 124

Los Procedimientos Normalizados de Trabajo

(PNTs o SOPs)
Se almacenan
en el
Titulo
laboratorio Nfunero
Distribuido a/departamento
Revisados por
los operadores Numero de revisi6n

Defmenc6mo PNT al que reemplaz

se trabaja
+--+---1 Pecha de entrada en vigor
..-----~:;------;--l
I Obj<ti" Sello empresa

Escrito por:.............................. ..
Aprobado por.. ........................ . Firmas
Revisado por........................... ..
Pagina 1 de X +---1--- N° paginas
27

Otras claves para funcionar bajo GLPs

Disoluciones y reactivos:
etiquetadas indicando identidad, concentraci6n, requisitos de almacenamiento
y fecha de caducidad. En caso de botellas, indicar fecha apertura
Sustancias de referenda:
debe conocerse la concentraci6n, pureza, forma de control, estabilidad..
se deber etiquetar como anteriormente, ademas deben estar sometidas a tests
de pureza, identidad y concentraci6n
Datos brutos (todo dato necesario para reconstruir el informe final)
cada estudio debe tener su propio cuademo de laboratorio. Las paginas
numeradas y escritura solo en tinta. Las correcciones sin tachones.
Los ficheros originates tambien deben guardarse, con una etiquetaci6n
adecuada
Almacenamiento y archivo
Datos brutos, documentos, PNTs, protocolos, informes fmales, y muestras,
deben ser almacenados durante tiempo suficiente. Se debe identificar a la
rnn ~l'l'P<m ~ ln<: ~rr.hivn<:
28
 125

Otras claves para funcionar bajo GLPs

Personal
cada seccion debe mantener un fichero actualizado con la descripcion de los
puestos de trabajo de los trabajadores a ella asignados, de su entrenamiento y
experiencia, cursos de formacion, ...
deben incluirse los riesgos asociadas a cada trabajo
Equipos
deben ser del disefio y capacidad apropiados para cumplir con la funcion
asignada, y deben estar en un lugar adecuado para asegurar su funcionamiento,
supervision, limpieza y mantenirniento. Debe pasar un proceso de validacion.
Conduccion de un estudio GLP
cada estudio debe tener un protocolo escrito antes de su comienzo. Cualquier
cambio justificado debeni estar documentado y autorizado por el director.
Las muestras se identificaran adecuadamente, los datos se registraran directa y
nipidamente en tinta, y cada set debe ir fechado y firmado. Cualquier
correccion debe no oscurecer el original e ir tambien fmnada.

2':.1

Validacion
Defmicion general
Evaluacion de procesos, productos o metodos de analisis para verificar que
cumplen los requisitos establecidos
Defmicion especifica para metodos de analisis
Proceso basado en estudios sistematicos de laboratorio mediante el que se
pone de manifiesto que ·un metodo analitico determinado posee unas
caracteristicas de funcionamiento adecuadas a la aplicacion que se le quiere
dar
"Que debe validarse?
Los equipos, el software, los sistemas, los metodos y los datos
validacion del equipo y software: chequeo de acuerdo a las especificaciones
documentadas
validacion de metodos: determinacion de las caracteristicas analiticas del
metodo
sistema analitico (instrumento, computador y metodo), test de verificacion
datos: verificar la recepcion, archivado y almacenamiento de los datos, para
garantizar su consistencia, integridad y trazabilidad
personas. V erificar que tienen la formaci on y experiencia adecuada
estandares. V erificar pureza, identidad, concentracion y estabilidad
30
 126

Validaci6n
L,Cuando?
Instrumentos: antes del uso en rutina, despues de reparaciones y a intervalos
de tiempo regulares
Ordenadores y software: durante la instalaci6n, antes y durante uso de rutina y
tras cada update ·
metodos de anlilisis: antes del uso en rutina, despues de cada cambio. Ademas
debe realizarse un test de verificaci6n antes y durante cada uso rutinario
L,C6mo?
Elaboraci6n de un plan de validaci6n
Formaci6n de equipos de validaci6n para instrun1entos complejos (identificar
los equipos que requieren validaci6n, establecer prioridades, revisar el plan,
establecer procedimientos para la validaci6n de sistemas informaticos)
Elaborar un inventario incluyendo el estado de cada sistema en cuanto a
validaci6n
Establecer las especificaciones requeridas para cada instrumento
comparandolas con las especificaciones del fabricante
Establecer los tests de eficiencia requeridos para medir la calidad de las
especificaciones
Establecer los sistemas de archivo requeridos por GLP
31

Cuando debe validarse un metodo

I Inmediatamente tras su desarrollo ~ Validaci6n completa:

r--===========================~~· ,·. (intra/aboratorio o inter/aboratorio)
Al cambiar alguna condici6n operatoria
Validaci6n parcial:
(o al poner en marcha un metodo
(chequeo de va/idaci6n)
validado en otro laboratorio)

Al ponerlo en marcha tras un cierto Validaci6n minima:

(chequeo de idoneidad)
periodo

Durante su uso normal ~ Operaciones de control

~================~ Identificaci6n problema y
Si el control indica resultados
defectuosos chequeo de validaci6n

32
 116

1
Ejempltls de productos y ~.u.:tividadcs ohjew d~ nonnalizacL{m
'--

r._-
,. h t 9/tena ..~--m. p.L:Jstloo.
- Ics {\·lw •~ ' aI.C3C'IL~I1~
. )
J:l'roducta:;, (ap;tril1~ de= vidrio: rnr11 i llos, twj etas de .::~~1 ilw)
Mtquina.~ ( n'luWr~ clc=ctmd4'm.:&ti.;:ul:)
.\1ctodos d" turnu de muc~7a
1V11!todru: d~ rru:did11 y OJsayo
r~nninn:ner:; n:le\'ant~ pB!'a un ci~:rto r.ampo
Unid.ad.:s d.:l Sistema Jntcrn~c iorwl cl~ Unidz:dt:=!
Si!ir.cma.:o d~ ~l:iljon ~ Ia Cal id.t.:l
Sistcm a:;; d~ Gc:st~on :0..-lcd io3mh i~nlill
Cri~rin:;; ?:oer•~r.;.J~s de fundona.m i~n'k' y c:'J·aluaciC.n de k~ ]u.boratorios.
de ~m:<t~·o

1]

Organi smos de N orrn a. Ii zaci6n

Ore;anhfl11)6 ~· •c.iu•ul8
A b~OR A!'ooXuc·J."m F~(tii'v iH th.: Ncmuli:r.Act('m L'IJiaftD ~OJll]Bti ~
fc~fldt !::1"1 I ~~~6. ll.o.:t:A: U:l tntr:it£~ ~~~ ...~~)
A.FI\OR Auod.uir.r l'mncs ~~~· th: N~:rn:ul i~ari:m rr.mc:ia
r-
.\N:O.I Altu.:ril.:t.ll Nlrtt•-.ru.l :-.mndtmh ]ll)..it'.JU: USA
f--
n~r 8t tLhll S W:dmil; Tn~ rituri m• UK
Df.'tf l'cUU;.;.;Jt.:~~ lmlill:.u fllr XMmH•u. ."tleuuun.a. -
>Jom1f..> I )IN
sec ~tnn•1Htlh Cuw::.c:l DfCtrm:..i~ <:nr.,;;Jt.
-
fnv ni1Hau!l- Sllpra.oa"lon:~J~
--
CEN Conm~ 1-:nr.:•~:,·u ~1!.: ::\~iha:.i~n r!U..~:l\'1 N:mr::ni:!'-:'
c
(intc t ft ICoil ;.m:llll J!I1TID!I; :1 e II) 1'1 ~)
ISO ~iT.lC tL".Tl llti~>:IJIH;.;junal C,e Xor:llth7it!.'h.iD. Norm.<lsiSO
(tu~~u l 1=.! IJ:-&I!t.:~~, Lito:~!:' 2~0 cnmrrr;- ~ tL:o.:ru;;:w't
A5T~~ :\rne:icnn :-inl;!tCL:!- 1:..r T.ut:n~ anti .\t.a·~ri.U~ USA
1 puhl1cD .tJ'lllfth a.:c.IL' to1 A~'T'M ~~:~nrtr.r..J~) 12
 127

6Que validar?

Panimetro de calidad Cualitativo Cuantitativo Anallsis ae x~am~tros

trazas fis1co-qu m1cos

c IJrxactitud
Precision
r!Jmite de detecci6n~
Linealidad
~ -..,
~

......
Especificidad/selectividad
~
;
)
X

X
X
X

X
X
X
X
X
X
X
X

X
X

Limite de cuantificaci6n ] X
Inercia (robustez) ~
,;:
X X
Incertidumbre 00 X X X X

REGLAS DE ORO DE LA VALIDACION:

../ Validar el metodo completo
../ Validar todo el rango de concentraciones objeto de estudio
../ Validar el metodo en todas las matrices objeto de estudio

33

6Como verificar la exactitud de un metodo?

1. La exactitud requiere que no haya interferencias y que se conozca perfectamente

la relaci6n entre la Sefial y la Concentraci6n (funcion de calibraci6n)
2. La presencia/ausencia de· interferencias esta ligada ala complejidad de la
muestra y a la selectividad de la tecnica de analisis. En muestras simples se
puede verificar mediante el estudio de muestras sinteticas. En muestras
complejas s6lo puede verificarse:
1. Mediante muestras certificadas de identica estructura matricial
2. Comparando datos con los de un metodo libre de interferencias
3. Empleando una tecnica de analisis que proporcione una seiial multidimensional
caracterfstica del analito
3. La relaci6n Sefial-Concentraci6n se puede estudiar mediante el analisis de
muestras sinteticas (calibrados), de muestras dopadas (o adicionadas) o mediante
experimentos de adici6n estandar. Los efectos matriz son la distorsi6n mas grave
que puede afectar a nuestro conocimiento de la relaci6n SIC.
4. Por otra parte, la exactitud se puede comprobar (pero no diagnosticar) mediante
el analiSlS de muestras de referencia, 0 por comparaci6n con metodos de
exactitud verificada

34
 128

Trazabilidad de un metodo o resultado

() a-d,_@
AlicuotaJ~~~ ResultadoMuestra Alicuota
muestra d d"d
~ pesta~ p:~_::o;J~
Balanza
calibrada Q ----
Masa --<::"!;: ~~ Alicuota
Analito med1da
patron

35

Reoptimizaci6n
Cambio metodo
UsoS.I.

no

-
·-

Estudio interferencias aditivas

Estudio recuperaci6n

Estudio interferencias
L---------+1 proporcionales
(efectos de matriz y otros)
6
 129

Evaluacion de la exactitud de un metodo

(validacion)

o Estudiar la relaci6n entre concentraci6n y sefl.al

o Determinar el rango dinamico del metoda
o Determinar la presencia de interferencias
o Determinar la existencia de efectos de la matriz
o Seleccionar la funci6n de calibraci6n
o Evaluaci6n de la inercia (robustez) y comportamiento a largo plaza
o Determinacion de parametros que deben ser controlados

37

Exactitud: Presencia/ausencia de interferencias

Muestras simples (interferentes potenciales conocidos)

- Estudiar Ia seftal en ~usencia de analito con los potenciales interferentes
- Ejemplo 1: Determinaci6n deMo en un metal o aleaci6n por EAA. Los
interferentes potenciales son el resto de metales presentes en Ia aleaci6n.
Estudiar seiial de Mo en disoluciones sinteticas conteniendo los otros metales.
- Ejemplo 2: Determinaci6n de un principia activo en un farmaco por HPLC.
Interferentes potenclales: Otros principios activos presentes en el farmaco y
excipientes. Estudiar seftal del analito en ausencia de analito y presencia de
excipientes y otros principios activos
Muestras complejas (interferentes potenciales desconocidos)
- Ejemplo 1: Analisis de contaminantes. Empleamos muestras libres de
contaminantes para estudiar Ia seftal. Determinaci6n GC-ECD de pesticidas
organoclorados en agua
- Ejemplo 2: Determinaci6n GC-MS (en modo scan) de Ia oxima de (E)-2-
nonenal en harinas
- Ejemplo 3: Analisis de anabolizantes por inmunoensayo. Confirmaci6n por
HPLC-MS2
- Ejemplo 4: Analisis de Hg en material vegetal. Confirmaci6n por analisis de
muestras certificadas

38
 130

Recuperaci6n
Muestra Muestra
+~

1 1 Disoluci6n

1 1 conteniendo ~

Muestra
@ 6
preparada
l I._ Incren1ento

ill~
~s

Recuperaci6n = ~siS 6

39

Recuperacion de etil-benceno en SPE o SPME

lOmL 10 mL agua +

r1
100 o 900 ng

1 Disoluci6n conteniendo
1 100 o 900 ng
Muestra
preparada
II . Incremento

ill~
~s
Recuperaci6n = ~siS 6
Metodo SPE: Metodo SPME:
bajo nivel: 83% bajo nivel: 5%
Alto nivel: 85% Alto nivel: 7 % 40
 131

Exactitud: Efectos matriz

Tras determinar la relaci6n sei'l.al/concentraci6n con calibrados sinteticos, y tras

determinar que no hay interferencias, debe comprobarse que la relaci6n
sei'l.al/concentraci6n no cambia al cambiar de matriz. Posibilidades:
1. Comprobation que Ia pendiente de Ia recta de adicion no difiere de Ia de
calibrado con patrones sinteticos Oo equivale a demostrar que Ia
concentration determinada por interpolation y extrapolation no difieren)
2. Mediante un experimento estandar de recuperation: Aditiones de masas
conotidas de analito a distintas muestras. Se analizan las muestras y las
muestras aditionadas. El incremento de area se interpola en Ia recta de
calibrado de patrones para determinar Ia masa adicionada. La relacion entre
Ia masa adicionada determinada y Ia real se determina recuperation. No debe
diferir de 100%
3. Mediante un experimento de recuperation con muestras blancas Oibres del
analito) aditionadas. Como antes, se analizan las muestras conteniendo
cantidades conocidas de analito. Las masas determinadas se comparan con las
aiiadidas determinando Ia recuperation

41

EFECTOS MATRIZ

Rel. S/C esperada en muestras

V ariabilidad entre muestras

Recta de calibrado
con estandares
Concentraci6n

42
 132

Recuperaci6n de Sefial

Recta de calibrado
Muestra Muestra (pasa por origen)
+Ca
Incremento ~s
1 1 sefial concentraci6n

1
0 I Recuperacion = CiCa
Muestra preparada
Recta de calibrado

43

Exactitud. Efectos matriz mediante adici6n estandar

Datos obtenidos en un experimento de

adici6n estlindar y en una recta de calibrado
para verificar Ia presencia de efectos de Ia Creal o Sefial Sefial
matriz. afiadida Calibrados Adici6n
Pendiente recta calibrado: 2,3173±0, 184 (ng/mL) estandar
Pendiente recta adici6n: 2,3554±0,195 0 0 1,175
t=0,42, diferencia no significativa
0,1 0,253 1,423
0,3 0,75 1,8
Concentraci6n determinada por
interpolaci6n: 0.498±0,09 0,6 1,453 2,6
Concentraci6n determinada por 0,9 1,992 3,284
extrapolaci6n: 0,493±0,10 1,2 2,856

No difieren significativamente. El metodo

esta libre de efectos de Ia matriz

44
 133

Exactitud. Efectos matriz mediante dopados

Seis muestras de grasa han sido dopadas con cantidades conocidas de un aldehido. Se ha
determinado el contenido en este aldehido en las muestras dopadas y sin dopar. Los
resultados son los siguientes:
Muestra C (muestra) C (dopada) Adicionado Adicionado
ng/mL ng/mL determinado real
1 5,4 19,4 12 14
2 7,8 20,8 14 13
3 1,2 16,2 13 15
4 19,4 30,4 14 11
5 46 59 12 13
6 9,3 25,3 15 16

Un simple test por parejas comparando las concentraciones adicionadas, real y determinada, da
los siguiente resultados: media diferencias=0,33; desviaci6n diferencias=1,97; t=0,42; no
significativo

45

Materiales de referencia

Material o sustancia que tiene una o varias de sus propiedades suficientemente

bien establecidas como para calibrar un instrumento, validar un metodo o
asignar valores a un material.
Terminos relacionados: Material de Referencia Certijicado
Sustancia patron: Patron primario (99.98%) o estdndar de trabajo
(>99%)
Requisitos: Homogeneidad, Estabilidad, Exactitud, Trazabilidad, Similitud
Uso: Son materiales caros de alta calidad no empleados de forma rutinaria en
control de calidad.

Organismos suministradores:
National Institute of Standards and Technology (NISI) http://ts.nist.gov/srm
Community Bureau ofReference (BCR) http://www.irmm.jrc.be/
Laboratory of the Government Chemist (LGC) http://www.lgc.eo.uk/
Laboratoire National d'Essais (LNE) http://www.lne.fr/

46
 134

Evaluaci6n de Ia precision

Grado de concordancia entre los resultados de ensayos independientes obtenidos

en unas condiciones bien defmidas (IUPAC 1998, ISO 1994).
Se mide mediante una desviacion estandar.
Se distinguen tres niveles de conocimiento:
- Repetibilidad: Obtenida mediante el analisis replicado de una o varias
muestras a lo largo de una misma serie de medidas
- Reproducibilidad intermedia: Obtenida mediante el analisis replicado de una
o varias muestras a lo largo de distintos dias y/o distintos instrumentos y
operadores
- Reproducibilidad: Obtenida mediante el analisis replicado de una o varias
muestras por distintos laboratorios empleando el mismo metodo
Puesto que la precision de la medicion depende de la concentracion de analito,
debe realizarse el estudio a niveles de concentracion diferente (si el rango de
estudio es alto). Esto tiene ademas repercusiones sobre la calibracion
Si se estudian ademas distintas matrices la precision debe determinarse en todas
ell as

47

Ejemplo. Validaci6n de un metodo por comparaci6n con otro

referenda
Determinacion deN en piensos. Metodo de referencia: Kjeldahl; Metodo a prueba: Dumas
modificado
Muestra Dumas Kjeldahl t Diferencia
(n=5) (n=3)
Maiz 7,55 ±0,25 7,28±0,09 1,81 0,27
Cebada 10,54±0,06 10,63±0,08 1,92 -0,09
Guisantes 18,20±0,30 17,89±0,10 1,69 0,31
Semilla girasol 25,95±0,47 26,04±0,11 0,32 -0,09
Harina soja 38,88±0,45 38,73±0,44 0,41 0,04
Harina carne 51,83±0,59 51 ,83±0,25 0,02 0,15
Harina pescado 71,55±0,52 71,48±0,21 0,02 0
Pienso delicias 27,09±0,20 27,05±0,06 0,34 0,07

• Exactitud: La prueba t no muestra diferencias. La prueba t por parejas tampoco (t=1 ,54). La
regresion de los resultados de ambos metodos da como pendiente 0,9986±0,007 y como
ordenada en el origen 0,126±0,25
• Precision: La varianza ponderada para el metodo dumas es 0,155; para Kjeldahl 0,0425. El
cociente F (3,63) es significativo con p<0,05 48
 135

Puesta en funcionamiento de un metodo de analisis

Una vez optimizado y validado, la puesta en marcha debe incluir:
Un sistema de verificaci6n de Ia idoneidad del sistema
Un sistema de control de Ia calidad de los resultados
Un sistema de archivo de resultados de control, que sirva para su evaluaci6n y
mejora continua
Chequeos de idoneidad
Son pruebas sencillas que permiten asegurar que el sistema en su conjunto (reactivos,
instrumentos, operadores) estan listos para trabajar de forma adecuada. Sin no
proporcionan resultado positivo NO se puede proceder al anal isis
- Dependen del tipo de metodo y de los puntos criticos que se hayan (o se vayan detectando)
- Son pruehas que se realizan ANTES del anlilisis
- Suelen consistir en el analisis en condiciones identicas a las de las muestras, de muestras
sinteticas de facil preparacion y trazabilidad
- Su objetivo mas frecuente es verificar el comportamiento del sistema instrumental, y son
mas importantes y costosos cuanto mas complejo e inestable es este (GC, HPLC). En
ocasiones pueden incluir estudio de pureza de reactivos, de actividad enzimatica...
- Ejemplos: Inyeccion en GC de una disolucion sintetica de concentracion conocida para
evaluar tiempos de retencion, anchura de picos y seftal
- Analisis de un patron de concentra cion conocida en EAA

49

Puesta en funcionamiento de un metodo de analisis

Pruebas de control de calidad de los resultados

Son un conjunto de pruebas que se realizan de manera simultanea (o en el mismo lote) al
analisis de las muestras. Su fmalidad es demostrar que durante ese lote de analisis o en esa
muestra en particular el metodo de analisis funcion6 correctamente. Su evaluaci6n es por
tanto, a posteriori. Si Ia prueba no es satisfactoria, el resultado del analisis debe descartarse
- Como anteriormente, el tipo y naturaleza de pruebas depende del caso particular y
de los pasos que se hayan identificado (se vayan identificando) como problematicos
- En las tecnicas de analisis multicomponente se pueden realizar las pruebas de
manera simultanea al analisis de Ia muestra
- Son pruebas que se realizan AL MISMO TIEMPO que el analisis de las muestras
- Posibles pruebas son:
• El analisis de muestras sinteticas (calibrados)
• El analisis de muestras adicionadas
• El analisis de muestras de referencia (intema o externa)
• El analisis de blancos
• La inclusion de compuestos de control (estandares o surrogados)

so
 ••

136

Seguimiento hist6rico de los panimetros de control

(dia2ramas de Shewhart)
Se escogen los parametros de control mas adecuados, se miden a lo largo de un cierto
periodo, y se determina su media y su desviaci6n. Con esos datos se construyen los
diagramas de control, tal y como se muestra a continuaci6n
AICa +3S Linea de occ1cin Npcnor

1317SO

129SOO

--
--
Area +lS

*
*
+ *
125000
*
** * ***
120SOO

118250

Area -3S N°de lote

51
Tabla 1: Area de la cola ala derecha de
un cierto valor z en la distribuci6n
normal estandar.

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0.29a1 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 @5o5) 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
3,5 0,0002 0,0002 0,0002 0,0002 0,0002 .0,0002 0,0002 0,0002 0,0002 0,0002
3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
V.Ferreira .138

Tabla 2: Distribuci6n t de Student de dos

colas. Valores de t que dejan fuera del
intervalo central un cierto porcentaj e de
elementos de la poblaci6n

dos colas
rados lib 0,25 0,1 0,05 0,025 0,01 0,001
1 2,41 6,31 12,71 25,45 63,66 636,62
2 1,60 2,92 4,30 6,21 9,92 31,60
3 1,42 2,35 3,18 4,18 5,84 12,92
4 1,34 2,13 2,78 3,50 4,60 8,61
5 1,30 2,02 2,57 3,16 4,03 6,87
6 1,27 1,94 2,45 2,97 3,71 5,96
7 1,25 1,89 2,36 2,84 3,50 5,41
8 1,24 1,86 2,31 2,75 3,36 5,04
9 1,23 1,83 2,26 2,69 3,25 4,78
10 1,22 1,81 2,23 '2,63 3,17 4 ,59
15 1,20 1,75 2,13 2,49 2,95 4,07
20 1,18 1,72 2,09 2,42 2,85 3,85
30 1,17 1,70 2,04 2,36 2,75 3,65
50 1,16 1,68 2,01 2,31 2,68 3,50

Tabla 3: Distribuci6n t de Student de

una cola. Valores de t que dejan a su
derecha un cierto porcentaje de
elementos de la poblaci6n

una cola
rados lib 0,25 0,1 0,05 0,025 0,01 0,001
1 1,00 3,08 6,31 12,71 31,82 318,31
2 0,82 1,89 2,92 4,30 6,96 22,33
3 0,76 1,64 2,35 3,18 4,54 10,21
4 0,74 1,53 2,13 2,78 3,75 7,17
5 0,73 1,48 2,02 2,57 3,36 5,89
6 0,72 1,44 1,94 2,45 3,14 5,21
7 0,71 1,41 1,89 2,36 3,00 4,79
8 0,71 1,40 1,86 2,31 2,90 4,50
9 0,70 1,38 1,83 2,26 2,82 4,30
10 0,70 1,37 1,81 2,23 2 ,76 4,14
15 0,69 1,34 1,75 2,13 2,60 3,73
20 0,69 1,33 1,72 2,09 2,53 3,55
30 0,68 1,31 1,70 2,04 2,46 3,39
50 0,68 1,30 1,68 2,01 2,40 3,26
 Tabla 4. Distribuci6n F de 1 cola. Valores de F que dejan a su derecha un 5% de los
elementos de la poblaci6n
Grados libertad numerador
Grados 1 2 3 4 5 6 7 8 9 10 12 15 20 25 50
Iibertad 1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9 243,9 245,9 248,0 249,3 251,8
denomi 2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,41 19,43 19,45 19,46 19,48
nador 3 110,13 9,552 9,277 9,117 9,013 8,941 8,887 8,845 8,812 8,786 8,745 8,703 8,660 8,634 8,581
4 7,709 6,944 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964 5,912 5,858 5,803 5,769 5,699
5 16,608 5,786 5,409 5,192 5,050 4,950 4,876 4,818 4,772 4,735 4,678 4,619 4,558 4,521 4.444
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207 4,147 4,099 4,060 4,000 3,938 3,874 3,835 3,754
1 15,591 4,737 4,347 4,120 3,972 3,866 3,787 3,726 3,677 3,637 3,575 3,511 3,445 3,404 3,319
8 5,318 4,459 4,066 3,838 3,687 3,581 3,500 3,438 3,388 3,347 3,284 3,218 3,150 3,108 3,020
9 15,117 4,256 3,863 3,633 3,482 3,374 3,293 3,230 3,179 3,137 3,073 3,006 2,936 2,893 2,803
10 4,965 4,103 3,708 3,478 3,326 3,217 3,135 3,072 3,020 2,978 2,913 2,845 2,774 2,730 2,637
11 14,844 3,982 3,587 3,357 3,204 3,095 3,012 2,948 2,896 2,854 2,788 2,719 2,646 2,601 2,507
12 4,747 3,885 3,490 3,259 3,106 2,996 2,913 2,849 2,796 2,753 2,687 2,617 2,544 2,498 2,401
13 14,667 3,806 3,411 3,179 3,025 2,915 2,832 2,767 2,714 2,671 2,604 2,533 2,459 2,412 2,314
14 4,600 3,739 3,344 3,112 2,958 2,848 2,764 2,699 2,646 2,602 2,534 2,463 2,388 2,341 2,241
15 14,543 3,682 3,287 3,056 2,901 2,790 2,707 2,641 2,588 2,544 2,475 2,403 2,328 2,280 2,178
16 4,494 3,634 3,239 3,007 2,852 2,741 2,657 2,591 2,538 2,494 2,425 2,352 2,276 2,227 2,124
17 14,451 3,592 3,197 2,965 2,810 2,699 2,614 2,548 2,494 2,450 2,381 2,308 2,230 2,181 2,077
18 4,414 3,555 3,160 2,928 2,773 2,661 2,577 2,510 2,456 2,412 2,342 2,269 2,191 2,141 2,035
19 14,381 3,522 3,127 2,895 2,740 2,628 2,544 2,477 2,423 2,378 2,308 2,234 2,155 2,106 1,999
20 4,351 3,493 3,098 2,866 2,711 2,599 2,514 2,447 2,393 2,348 2,278 2,203 2,124 2,074 1,966
25 14,242 3,385 2,991 2,759 2,603 2,490 2,405 2,337 2,282 2,236 2,165 2,089 2,007 1,955 1,842
50 4,034 3,183 2,790 2,557 2,400 2,286 2,199 2,130 2,073 2,026 1,952 1,871 1,784 1,727 1,599

Tabla 5. Distribuci6n F de 2 colas. Valores de F que dejan a su derecha un 2,5% de los

elementos de la poblaci6n, dejando fuera un 5% en total.
Grados libertad numerador
1 2 3 4 5 6 7 8 9 10 12 15 20 25 50
Grados
1 647 8 799,5 864,2 899,6 921,8 937,1 948,2 956,7 963,3 968,6 976,7 984,9 993,1 998,1 1008,1
libertad '
2 38 51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,41 39,43 39,45 39,46 39,48
denomi •
nador 3 117,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,34 14,25 14,17 14,12 14,01
4 12,22 10,65 9,979 9,605 9,364 9,197 9,074 8,980 8,905 8,844 8,751 8,657 8,560 8,501 8,381
5 110,01 8,434 7,764 7,388 7,146 6,978 6,853 6,757 6,681 6,619 6,525 6,428 6,329 6,268 6,144
6 8,813 7,260 6,599 6,227 5,988 5,820 5,695 5,600 5,523 5,461 5,366 5,269 5,168 5,107 4,980
1 18,073 6,542 5,890 5,523 5,285 5,119 4,995 4,899 4,823 4,761 4,666 4,568 4,467 4,405 4,276
8 7,571 6,059 5,416 5,053 4,817 4,652 4,529 4,433 4,357 4,295 4,200 4,101 3,999 3,937 3,807
9 17,209 5,715 5,078 4,718 4,484 4,320 4,197 4,102 4,026 3,964 3,868 3,769 3,667 3,604 3,472
10 6,937 5,456 4,826 4,468 4,236 4,072 3,950 3,855 3,779 3,717 3,621 3,522 3,419 3,355 3,221
11 16,724 5,256 4,630 4,275 4,044 3,881 3,759 3,664 3,588 3,526 3,430 3,330 3,226 3,162 3,027
12 6,554 5,096 4,474 4,121 3,891 3,728 3,607 3,512 . 3,436 3,374 3,277 3,177 3,073 3,008 2,871
13 16.414 4,965 4,347 3,996 3,767 3,604 3,483 3,388 3,312 3,250 3,153 3,053 2,948 2,882 2,744
14 6,298 4,857 4,242 3,892 3,663 3,501 3,380 3,285 3,209 3,147 3,050 2,949 2,844 2,778 2,638
15 l6.2oo 4,765 4,153 3,804 3,576 3,415 3,293 3,199 3,123 3,060 2,963 2,862 2,756 2,689 2,549
16 6,115 4,687 4,077 3,729 3,502 3,341 3,219 3,125 3,049 2,986 2,889 2,788 2,681 2,614 2,472
11 16,042 4,619 4,011 3,665 3,438 3,277 3,156 3,061 2,985 2,922 2,825 2,723 2,616 2,548 2,405
18 5,978 4,560 3,954 3,608 3,382 3,221 3,100 3,005 2,929 2,866 2,769 2,667 2,559 2,491 2,347
19 15,922 4,508 3,903 3,559 3,333 3,172 3,051 2,956 2,880 2,817 2,12o 2,617 2,509 2,441 2,295
20 5,871 4,461 3,859 3,515 3,289 3,128 3,007 2,913 2,837 2,774 2,676 2,573 2,464 2,396 2,249
25 15,686 4,291 3,694 3,353 3,129 2,969 2,848 2,753 2,677 2,613 2,515 2.411 2,300 2,230 2,079
50 5,340 3,975 3,390 3,054 2,833 2,674 2,553 2,458 2,381 2,317 2,216 2,109 1,993 1,919 1,752