Escolar Documentos
Profissional Documentos
Cultura Documentos
QUIMIOMETRIA Y
CONTROL DE CALIDAD EN
QUI MICA ANALITICA
ISBN: 84-96214-70-2
Deposito legal: Z-727-2006
'-"'-'1• I L-1•.&..._,'-1'
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.
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.
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.
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
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.
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.
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.
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.
instrumento
analftico
INFORMACION
UTIL
(RESULTADO)
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
• 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
Tecnicas Chisicas I
Gravimetrias Miden una masa. Son De precipitacion Se emplean como metodos de referencia en
metodos absolutos el analisis inorgamco. Analisis de Gases.
De volatilizacion
Determinacion formula empirica orgamcos.
Electrodeposicion
Volumetricas Miden un volumen de Acido Base Se emplean como metodos de rutina en
reactivo que reacciona todas las ramas del analisis clasico
Complexometrias
estequiometricamente con el (inorgamco y orgamco)
analito Redox
Precipitacion
Tecnicas Instrumentales I
Cromatograticas Separan todos los HPLC (Cromatografia Analisis de rutina de todo tipo de especies
componentes en una Liquida de Alta orgamcas poco volatiles, analisis de
columna y un detector Resolucion) biomoleculas.
colocado a la salida los
detecta de forma continua
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°).
Opticas Miden Ia Absorcion, Espectrofotometria de Analisis no muy dificiles de especies
Emision, Fluorescencia, Absorcion Molecular orgamcas e inorganicas (uv-vis)
Dispersion de luz
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
Electricas Miden Potencial o Corriente Tecnicas Medida de rutina de pH e iones mas
electrica 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.
de Particulas Emplean haces de particulas, Espectrometria de Determinacion de estructuras orgamcas
iones, electrones y otras Mas as
Analisis de ultratrazas orgarucas e
especies
inorgamcas
Es el detector mas potente de las tecnicas
cromatograficas
8 V.Ferreira
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.
4. Medida. El proceso de medicion en el instrumento analitico en si. Esta etapa suele incluir
procesos de pretratamiento de la sefial.
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.
ANALITO: Es la especie quimica (atomo, molecula, ion, especie radical, agregado molecular,
macromolecula, etc ... ) que es objeto de un analisis.
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.
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 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.
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
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.
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.
)\,
25 26 27 215 27
)'~
I I I
I I ~ I I I I..,..., I
).~ )~
Un mundo con incertidumbre: nuestro
Un mundo sin incertidumbre: nuestro conocimiento sabre cualquier resultado
conocimiento sabre cualquier resultado admite que en sus cercanias es
o medida tiene claridad absoluta 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.
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.
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
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 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
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.... ).
S= [1]
n-l
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:
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:
6 0.346 12 0.350
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
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.
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.
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
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.
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
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
045
.z .........
/ '
I
I ' \
\
I , & \
/ \.,
/ :,.,
-5 -3
-----
-2 -1
"2
--.........
4 5
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?
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.
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.
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
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
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.
- (j' - (j'
x = J.1 ± z Fn, , para pasar a J.1 = x ± z Fn, [7]
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
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)
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:
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.
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?
;,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?
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 ·
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:
t,Se puede afirmar la existencia de un error sistematico?, ;,Con que grado de confianza? ;,Que
decision debe tomarse?
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
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.
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:
=±~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.
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.
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
dy=~dxl
Ahora bien, como las varianzas estan relacionadas con el cuadrado de las variaciones:
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
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 ·
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)= ~
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?
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).
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).
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,
- 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:
[21]
(JUlMlCA ANAL111CA A VANL.AJJA rema 1: muoouccwn a 1a 1..,/UHUJumt:mii
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)).
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.
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.
a) Son similares:
(nt-1) sy+(n2-l) s~
s=
n1+n2-2 [22]
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:
;_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:
(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?
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.
I 2.964 2.913
2 3.030 3.000
3 2.994 3.024
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:
1, Cual seria el resultado si nuestro interes hubiera sido determinar si Ia temperatura altera (en cualquier
sentido) el rendimiento de la reacci6n?
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.
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:
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.
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.
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
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:
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:
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
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.
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.
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 ·
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
~
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.
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.
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.
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.
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).
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:
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:
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.
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 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
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.
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).
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.
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.
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:
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:
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
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.
- 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
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:
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:
El cociente F coincide con el cociente entre el cuadrado medic entre grupos por el
cuadrado medic dentro de grupos:
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
18,8 = 18,581+0,3687-0,15
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:
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:
Histograma residues
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).
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
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.
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:
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:
2 2
Seg = Smd X 3 = 0,0552
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.
De nuevo se tiene:
2
s
S md = s mto + 3 s = 0,0184-0,95 ·10 = 0,0181
2 2 2 -3
___!!_ ::::::>
mto
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
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.
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:
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
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.
16
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:
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
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)
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?
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:
• 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
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]
x0 = Yo -bo [4]
bl
s2 - ----;;;=---'------::- [6]
ho- ""'(
nL...J -)2
X; -x
[7]
~ 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.
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
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
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
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)]
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.
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
[12]
[13]
[14]
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
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:
[19]
n-2
(ws es el factor de ponderaci6n empleado en la sefial de la muestra)
-10 0 10 20 30 40 50 60 70
84 V. Ferreira
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:
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:
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.
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
En cualquiera de los casos, los intervalos de confianza de la respuesta vienen defmidos por la
expresi6n: X 0 ± 1:n.2So
7.- Determina el limite de detecci6n del metoda presentado en el problema 5. Emplea am bas rectas
(ponderada y normal) y discute los resultados.
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
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
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:
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
Alicuota
muestra Muestra Alicuota Seiial
t---
..
pesada preparada
4!iiioo_ _
,..._ --?illiiii
· __
medida
-c:::ms
,..._
Balanza
calibrada 0 ---· ------.
Masa .........
,...
Analito
patron
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 ' ' ...
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).
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
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
'~~(.•"'"'-'" ·~ ....................... _............. - _ ·-- ----
...
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
Etapas adicionales
14.- Documentaci6n del metodo !Escribir todo el trabajo experimental y de validaci6n
15.- Descripci6n de todas las etapas Preparar los Protocolos Normalizados de Trabajo (PNTs)
16.- Autorizaci6n para el uso del metodo
17.- Revision del metodo Actualizaci6n de los PNTs
Area -3S
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)
2
112
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
Competitividad/
Planificacion
satisfaccion Gerencia/todos
Estrategica. La calidad se
Gestion optima los miembros de
Movilizacion gestiona
necesidades Ia organizacion
organizacion
cliente 3
calidad
GARANTIA DE LA CALIDAD
4
113
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
6
114
Revision del
sistema de Ia calidad
PorIa Direccion
l:.-··n~~~~~N-..): ("''AiiD1Toilis··--··:
Procedimientos ! Internas l
j Instrucciones j t...........~J>t~M.......... )
\ ...........R~.&i.!!.trQ~ __________./ 8
115
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
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]
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.
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
ISO 9000
17
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
21
)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
23
24
123
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
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
Escrito por:.............................. ..
Aprobado por.. ........................ . Firmas
Revisado por........................... ..
Pagina 1 de X +---1--- N° paginas
27
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
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
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]
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?
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
33
34
128
() 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 recuperaci6n
Estudio interferencias
L---------+1 proporcionales
(efectos de matriz y otros)
6
129
37
38
130
Recuperaci6n
Muestra Muestra
+~
1 1 Disoluci6n
1 1 conteniendo ~
Muestra
@ 6
preparada
l I._ Incren1ento
ill~
~s
Recuperaci6n = ~siS 6
39
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
41
EFECTOS MATRIZ
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
44
133
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
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
47
• 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
49
so
••
136
1317SO
129SOO
--
--
Area +lS
*
*
+ *
125000
*
** * ***
120SOO
118250
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
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
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