Diapositivas Clase Estadística

ESTADSTICA APLICADA AL
ANLISIS QUMICO
Cesar Alberto Arizabaleta Ibarbo
3 h/ Semanales. 3 Crditos
Universidad del Valle Sede Yumbo
Febrero / Junio (2014)
ESTADISTICA EN QUIMICA ANALITICA

RESULTADOS CUANTITATIVOS Deben ser vlidos
(estimacin de errores)
Precisos
Exactos
ADQUISICION
DE DATOS
DURANTE
DISEO
MANIPULACION
ANALISIS
EXPERIMENTAL
ANTES
DE DATOS
DESPUES
CALIDAD
CONFIABILIDAD
RESULTADO CONFIABLE
RESULTADO VALIDO
VALIDEZ: GRADO AL CUAL UNA

MEDICION (REALIZADA
MEDIANTE UN INSTRUMENTO
Y/O PROCEDIMIENTO
ANALITICO ESPECIFICOS)
PRODUCE EL RESULTADO
ESPERADO
3
CLASES DE ERRORES
Errores crasos
* Muy graves, abandonar el experimento
Errores aleatorios o indeterminados

* Producen una dispersin de los resultados individuales
a ambos lados de un valor medio
Errores sistemticos o determinados

* Concordancia o proximidad al valor real, todos los
resultados son errneos en el mismo sentido
(SESGO)
4
ERRORES ALEATORIOS
Se relacionan con la precisin
NUNCA se pueden eliminar
Reproducibilidad: Concordancia de los valores cuando

las mediciones individuales se realizan
en condiciones no repetitivas
Ocasiones diferentes
Soluciones diferentes
Variabilidad ambiental
Material de vidrio diferente
Repetibilidad: Concordancia de los valores cuando las

mediciones individuales se realizan en
condiciones repetitivas
ERRORES SISTEMTICOS
Se pueden eliminar con controles adecuados de la tcnica
y el equipo
EXISTE ERROR SISTEMTICO?
Se debe de conocer el valor

verdadero
POCO PROBABLE
Fcil de cometer
errores sistemticos
8
CAUSAS DE ERRORES SISTEMTICOS

1. Contaminacin por el material usado y reactivos
utilizados
2. Lavado incompleto en anlisis gravimtrico
3. Error del indicador en anlisis volumtrico
4. Descalibracin de equipos instrumentales (pHmetros, termmetros, cronmetros, monocromadores

descalibrados, ect.
9
ERRORES SISTEMTICOS
Los errores sistemticos se pueden eliminar o minimizar

usando materiales de referencia y mtodos estndar
Se puede evidenciar un error sistemtico

analizando el analito por dos mtodos no
relacionados
SOLO ERRORES ALEATORIOS

10
ESTADSTICA
Herramienta utilizada para discriminar entre las partes
sistemtica (determinada) y al azar (indeterminada) de
una seal
error = D + d
Total
Sistemtica
Al azar
Objetivo de una
medicin
11
OBJETIVO DE UNA MEDICION:

DETERMINAR LA MAGNITUD DE LA PARTE
SISTEMATICA DE LA SEAL
PARA SEPARAR LA PARTE SISTEMATICA DE UNA SEAL

ESPECIFICA, EL ANALISTA DEBERA TENER UN
CONOCIMIENTO PREVIO DE LAS POSIBLES FUENTES DE
ESA PARTE SISTEMATICA
LA ESTADISTICA ES UN COMPLEMENTO QUE LE AYUDA

INDIRECTAMENTE EN DICHA SEPARACION
12
ERROR SISTEMATICO
SU PRESENCIA PUEDE SER DETECTADA MEDIANTE
PRUEBAS ESTADISTICAS SENCILLAS. DICHAS PRUEBAS,
SIN EMBARGO, NO PERMITEN IDENTIFICAR EL ORIGEN
DEL ERROR SISTEMATICO
LA MANERA MAS SIMPLE DE DETERMINAR LA PRESENCIA

DE ERROR SISTEMATICO ES CUANTIFICAR EL ANALITO EN
UN MATERIAL DE REFERENCIA (ESTANDAR)*
* MATERIAL DE REFERENCIA:
CONTIENE UNO O MAS ANALITOS EN CONCENTRACION CONOCIDA CON

ALTAS EXACTITUD Y PRECISION
PUEDEN OBTENERSE EN
National Institute of Standards and Technology (NIST)
American Society for Testing and Materials (ASTM)
13
Volumetra
Anlisis
Clsico
Gravimetra
Qumica
Analtica
Electroqumica
Anlisis
ptica
Instrum.
RMN
Separaciones
Volumetra
Anlisis
Clsico
Gravimetra
Qumica
Analtica
Estadstica
Electroqumica
Anlisis
ptica
Instrum.
RMN
Separaciones
Cunto ANALITO hay en la MUESTRA?

Objeto de anlisis
-pelo humano
-multivitamnico
-piel de rana
-agua residual
-fsil
-suelo marciano
-salmonella
Substancia que se desea cuantificar
-vitamina B1
-Pb
-TNT
-pesticida organofosforado
-sacarosa
-clorhidrato de cocana
-colesterol
-
Objeto de anlisis
-pelo humano
-multivitamnico
-piel de rana
-agua residual
-fsil
-suelo marciano
-salmonella

Substancia que se desea cuantificar
Objeto de anlisis
-vitamina B1
-pelo humano
-Pb
-multivitamnico
-TNT
-piel de rana
-pesticida organofosforado
-agua residual
-sacarosa
-fsil
-clorhidrato de cocana
-suelo marciano
-colesterol
-salmonella
CONCENTRACIN
MTODO ANALTICO
Muestreo
Almacenamiento
Tratamiento
Medida
(propiedad fs.)
Clculo []p
Resultado
Muestreo
Recoleccin de la muestra a partir de un LOTE
(todo o unidades)
Debe garantizarse que dicha muestra sea

representativa
Almacenamiento
Utilizacin de recipientes y condiciones adecuados
para disponer la muestra recolectada
Debe evitarse que el analito sufra

dilucin o concentracin
Tratamiento
Se prepara la muestra para la determinacin del (los)

analito (s). Para ello puede requerirse:
*Homogenizacin
*Medida exacta de VARIAS ALCUOTAS (mL, g)
*Disolucin (digestin)
*Eliminacin de interferencias
*Derivatizacin
*Preconcentracin
Medida
(propiedad fs.)
Medicin de la propiedad fsica que conserva

proporcionalidad con el analito:
* Volumtrica (mL)
* Gravimtrica (g)
* ptica (mUA, )
* Electroqumica (A, V, C, )
Clculo []p
Utilizacin de soluciones estndar (patrones)
para obtener la concentracin del analito en

La muestra tratada. Se utilizan procesos de:
* Estandarizacin
* Calibracin
Resultado
Teniendo en cuenta la concentracin parcial

obtenida y la secuencia del tratamiento, se
calcula la concentracin del analito en la muestra
a partir de un DESARROLLO DIMENSIONAL.
Este valor de concentracin debe ser reportado
con su respectiva incertidumbre
POBLACION Y MUESTRA
POBLACIN
Coleccin completa de objetos que comparten una o
ms caractersticas
Nmero infinito de resultados que, se puede obtener
con una infinita cantidad de muestra y en una infinita
cantidad de tiempo
MUESTRA
Un subconjunto de una poblacin
26
Leyes de la estadstica
slo para poblaciones
Leyes de la estadstica
para muestras
La muestra debe ser representativa

de la poblacin
27
PUNTOS IMPORTANTES
EN ESTADISTICA
ESTRICTAMENTE, LAS LEYES DE LA ESTADISTICA SE
APLICAN SOLO A POBLACIONES. CUANDO ESTAS LEYES
SE APLICAN A MUESTRAS DE DATOS DE LABORATORIO,
SE ASUME QUE LA MUESTRA ES REPRESENTATIVA DE LA
POBLACION
LA ESTADISTICA TIENE SUS BASES EN LA TEORIA DE
PROBABILIDADES (UNA TEORIA UTILIZADA PARA
EXPLICAR EVENTOS AL AZAR)
LA ESTADISTICA NO MANEJA ABSOLUTOS: SOLO PUEDE
DECIR SI UN EVENTO ES ESTADISTICAMENTE SIGNIFICATIVO O
ESTADISTICAMENTE INSIGNIFICANTE
28
MEDIA
n
POBLACIN:
lim
i 1
MUESTRA:
i 1
n = NMERO DE MEDICIONES
xi = i-SIMA MEDICIN DE x
29
30
DESVIACIN ESTNDAR
POBLACIN:
n
s lim
( xi )
i 1
MUESTRA:
n
(x x)
i 1
sn-1
en calculadora
n 1
31
32
DESVIACIN ESTANDAR RELATIVA (RSD)
o
[COEFICIENTE DE VARIACIN (CV)]
s
RSD
x
s
s
% RSD 100
x
VARIANZA
S2
33
GRADOS DE LIBERTAD
Nmero de valores no restringidos
Ejemplo:
ESCOJA UN TOTAL DE 5 VALORES AL AZAR:
3
5
17
2
10
5 GRADOS DE LIBERTAD
ESCOJA UN TOTAL DE 5 VALORES CON UN PROMEDIO DE 8:
3
5
17
2
13
Para obtener un promedio de 8 despus de escojer
los primeros 4 valores, el 13 y solamente el 13
puede ser el 5o valor
34
GRADOS DE LIBERTAD
ESCOJA UN TOTAL DE 5 VALORES CON UN PROMEDIO DE 8 Y

UNA DESVIACION ESTANDAR DE 6:
3
5
17
3.725 11.275
Para obtener un promedio de 8 y una desviacin estndar de
6, solamente los numeros 3.725 y 11.275 pueden ser el 4oy
el 5o valores, despues de escojer los primeros 3 numeros
EN GENERAL:
GL= n - m
Grados de libertad
Nmero de
datos
Parmetros
estadsticos
calculados
35
Desviacin
estndar
Medida de la dispersin de
una serie de medidas
respecto a un valor medio
Tablas de
frecuencias e
histogramas
Indica la forma de la
distribucin alrededor de
un valor medio
Muestra de
gran tamao
1. La media de la muestra es una

estimacin de
2. La desviacin estndar de la muestra es
una estimacin de s
36
DISTRIBUCIN DE MEDIDAS REPETIDAS

En un laboratorio de control de calidad se
obtuvieron en los ltimos 70 anlisis datos del nivel
de tensoactivo en un Shampoo (%). Construya un
histograma.
10
7
12
11
9
13
14
10
6
12
17
17
13
15
18
14
15
16
15
14
9
19
15
14
15
16
15
14
13
16
17
13
14
11
12
15
16
13
16
15
18
15
13
15
14
16
13
16
15
16
20
14
10
15
13
15
12
14
16
13
16
13
14
16
14
15
16
15
16
15
37
TABLA DE FRECUENCIAS
La distribucin de las mediciones

es cercanamente simtrica con
respecto a la media
16
14
12
10
8
6
4
2
20
19
18
17
16
15
14
13
12
11
10
Frecuencia
1
1
2
3
2
4
10
11
16
13
3
2
1
1
Frecuencia
% Ten.
6
7
9
10
11
12
13
14
15
16
17
18
19
20
HISTOGRAMA
% Tensoactivo
Al aumentar el nmero de datos la simetra se hace ms aparente

38
LA DISTRIBUCION NORMAL (GAUSSIANA)
y exp[ x 2s ] s 2
2
Distribuciones normales con la misma

media pero diferentes valores de la
desviacin estndar
39
PROPIEDADES DE LA DISTRIBUCIN
NORMAL
Distribucin normal
estandarizada
Z=(Xi-)/s
40
F(z), funcin de distribucin acumulativa normal

estndar
41
EJEMPLO
Si las medidas repetidas de una valoracin se distribuyen
de forma normal con media de 10.15 mL y desviacin
estndar de 0.02 mL, encontrar la proporcin de medidas
que caen entre 10.12 y 10.20 mL.
*Para 10.12
z= (10.12 10.15)/0.02= -1.5
F(-1.5)= 0.0668
*Para 10.20
z= (10.20 10.15)/0.02= 2.5

F(2.5)= 0.9938
Proporcin de medidas
0.9938 0.0668 = 0.927

42
EJERCICIOS
1- El valor medio del peso de una marca de jabn
durante el ao pasado fue de 0,297 kg, su
desviacin estndar fue 0,024 kg. Calcule el
porcentaje de datos que est comprendido
debajo del lmite de especificacin de 0,274 kg.
2- Con los datos anteriores, calcule el porcentaje
de datos comprendidos arriba de 0,347 kg.
3- Se desea que el 12.1 % del voltaje de lnea est por
debajo de los 115 V, cmo habr que ajustar el
voltaje medio? La dispersin es de s=1.20 V.
43
DISTRIBUCIONES LOG-NORMAL
Distribucin diferente a la normal al representar la
frecuencia frente a la concentracin (u otra caracterstica),
pero su frecuencia representada frente al logaritmo de la
concentracin (u otra caracterstica) proporciona una curva
de distribucin normal.
Concentracin del anticuerpo inmunoglobulina M en suero

de individuos machos
44
DISTRIBUCIN MUESTRAL DE LA MEDIA

La media de una serie de medidas proporciona una
estimacin del valor verdadero, , (en ausencia de errores
sistemticos ).
Aun sin errores sistemticos, las medidas individuales
varan por errores aleatorios y es poco probable que su
media corresponda en forma exacta al valor verdadero.
Es ms til proporcionar un intervalo de valores donde
sea probable que se encuentre el valor verdadero.
El intervalo depende de:

Precisin de las medidas individuales (s)
Nmero de medidas de la muestra
45

0,51
0,51
0,51
0,50
0,51
0,49
0,52
0,53
0,50
0,47
0,51
0,52
0,53
0,48
0,49
0,50
0,52
0,49
0,49
0,50
0,49
0,48
0,46
0,49
0,49
0,48
0,49
0,49
0,51
0,47
0,51
0,51
0,51
0,48
0,50
0,47
0,50
0,51
0,49
0,48
0,51
0,50
0,50
0,53
0,52
0,52
0,50
0,50
0,51
0,51
0,506
0,504
0,502
0,496
0,502
0,492
0,506
0,504
0,500
0,486
Medias de cinco valores con menor

dispersin respecto a todos los 50
datos originales
Su desviacin estndar es el error
estndar de la media e.e.m.
e.e.m.= s/n
46
TEOREMA DEL LIMITE CENTRAL

Aun si la poblacin original no es normalmente
distribuida, la distribucin de las medias tiende a ser
ms normalmente distribuida a medida que n aumenta
CONFIABILIDAD DE UN RESULTADO ANALTICO

Resultado analtico = x Intervalo de confianza
INTERVALO DE CONFIANZA:
Rango dentro del cual se puede asumir razonablemente que
se encuentra el valor real a determinada probabilidad.
LMITES DE CONFIAZA
Son los valores extremos de ese rango
47
Intervalo donde se encuentra el

95% de las medias muestrales
48
En la prctica se dispone habitualmente de una muestra,

de media conocida, y se busca un intervalo para , el
valor verdadero
Si la muestra es grande, s se puede sustituir por s

49
LIMITES DE CONFIANZA
Para muestras grandes:
1.96
(95%)
2.58
(99%)
z=
* Si se conoce s se sustituye por s
Para muestras pequeas:

GL: grados de libertad
t= f(GL, P)
P: probabilidad de que este

dentro del rango establecido
50
Ejercicio:
Se determin la concentracin de plomo en la sangre
de 50 nios de una escuela cerca de una carretera con
mucho trfico. La media fue de 10.1 ng/mL y la
desviacin estndar fue de 0.6 ng/mL.
a) Calcular el intervalo de confianza de la

concentracin media de plomo en todos los nios de la
escuela a un nivel de confianza del 95 %.
b) Cul debera ser el tamao de la muestra para
reducir el rango de confianza a 0.2 ng/mL (es decir,
0.1 ng/mL)?
51
Los lmites de confianza se pueden utilizar como

una prueba para detectar errores sistemticos
Ejemplo:
Se utiliz una solucin de 0.1 M de cido para valorar
10 mL de una solucin de NaOH de 0.1 M dando los
siguientes volmenes de cido:
9.88, 10.187, 10.23, 10.39, 10.25 mL

Calcular los lmites de confianza de la media al 95 % y
utilcelos para decir si existe alguna evidencia de error
sistemtico.
52
Lmites de confianza de la media geomtrica

de una distribucin log-normal
Ejemplo:
El dimetro de las gotas en un aerosol presenta un
comportamiento log-normal. Los dimetros de 10 gotas de
un lquido presentan los siguientes valores en micrmetros:
3.43
2.56
1.34
1.13
3.56
2.01
2.23
2.78
1.12
1.65
Calcular el intervalo de confianza de la media geomtrica al

95% suponiendo que los dimetros de las gotas
se
distribuyen log-normal.
53
PROPAGACION DEL ERROR ALEATORIO
Los errores aleatorios se compensan entre s

Cada paso de un procedimiento puede tener una
incertidumbre en su medida (error aleatorio)
Al combinar las diferentes mediciones (sumas,
restas, multiplicaciones, etc.) para calcular una
cantidad final, el error aleatorio se propaga y
genera una desviacin estndar final
x= a + b
Si, (a 1) y (b 1) el error
aleatorio de x NO es 2
54
PROPAGACIN DEL ERROR ALEATORIO
Suma o resta:
p, q y r son variables
experimentales
sp,sq y sr sus
desviaciones estndar
Ejemplo:
Calcular el peso promedio y su desviacin estndar de
los siguientes valores: 1.56, 1.68, 2.36 g, cada uno de
los pesos con una desviacin estndar de 0.03.
55
Multiplicacin o divisin:
Desviacin
estndar relativa
Ejemplo:
La carga elctrica se calcula a partir de la expresin
Q=I.t, donde I es la corriente en amperios y t el tiempo
en segundos. Calcular la desviacin estndar relativa de
la carga si las desviacin estndar relativa de la
corriente es 3% y la del tiempo es 1.5%.
56
Elevar a una potencia:
Desviacin estndar relativa

Ejemplo:
El producto de solubilidad del sulfato de bario es 1.3 x 10-10,
con una desviacin estndar de 0.1 x 10-10. Calcular la
desviacin estndar de la solubilidad calculada del sulfato de
bario en agua.
57
Logaritmo:
Ejemplo:
La ecuacin de Nernst describe la relacin entre el potencial y la
concentracin del analito i expresada como su actividad ai :
E = E - (0.0592/n).log ai
Para n = 1, cul es el error relativo en E para una
incertidumbre en ai de 0.05 ?
58
PROPAGACIN DE ERRORES SISTEMTICOS

El error sistemtico tiene lugar en un sentido definido
y conocido.
Suma o resta:
Los errores sistemticos pueden ser tanto positivos
como negativos y estos signos se deben de incluir en
el calculo de Dx
Dx = Dp + Dq + Dr +.
Multiplicacin o divisin:
Dx/x = (Dp/p) + (Dq/q) + (Dr/r) +.

59
PRUEBAS O CONTRASTES DE SIGNIFICACIN

Un procedimiento sistemtico que nos permite decidir si
un conjunto de mediciones repetidas muestra evidencia
de error sistemtico
Prueba si son significativas las diferencias entre dos

resultados (cantidad medida o resultado y la cantidad
conocida o real), o se pueden justificar slo por
variaciones aleatorias
El proposito de una prueba de significacin es sacar una
conclusin acerca de una poblacin utilizando datos
provenientes de una muestra
Se comprueba la veracidad de una hiptesis (hiptesis
nula), la cual plantea que un mtodo NO se encuentra
sujeto a errores sistemticos
60

La estadstica calcula la probabilidad o posibilidad de
que la diferencia observada entre la media muestral,
.x ,y el valor verdadero, , se debe solamente a un
error aleatorio.
A menor
probabilidad que
( x-) ocurra por
azar
Menor probabilidad
que la hiptesis nula
sea verdadera
61
Ejemplo:
En un mtodo para determinar plomo en sangre por absorcin
atmica se obtuviern los siguientes valores para una
muestra estndar que contiene 38.9 ppb de plomo:
38.9 37.4 37.1
existe alguna evidencia de error sistemtico?
x 37.80
s 0.964
la pregunta es si la diferencia entre el resultado y el valor real

es estadsticamente significativa, o si se debe a meras
variaciones fortuitas (al azar)
62
63
SOLUCIN DEL EJEMPLO:

PASO 1
Se plantea la hiptesis nula, Ho, de que no hay error
sistemtico. Uno no sabe si esta declaracin es cierta
o es falsa, pero ser asumida cierta hasta que se
pruebe que es falsa
PASO 2
Prueba estadstica que condensa la informacin de la
muestra en un simple nmero.
t calc
x
s
tcalc
37.8 38.9 3
0.964
1.98
64
PASO 3
Comparacin con valores crticos tabulados
tcrit = 4.3
(P = 95%, f = 2)
Si tcalc excede el valor crtico, la hiptesis nula se

rechaza
Los valores crticos pueden intepretarse como
valores que son improbables* que sean

excedidos por la prueba estadstica (tcalc) si la
hiptesis nula es cierta
* A UN 95% DE CONFIANZA, LA PROBABILIDAD ES MENOR
DE 5% (ES DECIR, MENOS QUE 1 EN 20)
65
tcalc < tcrit
1.98 < 4.3

PASO 4
Decisin: se retiene la hiptesis nula
No hay evidencia de error sistemtico
No significa que no hay error sistemtico, sino

que no se ha podido probar su existencia
NOTA IMPORTANTISIMA
LA DECISION DE RETENER LA HIPOTESIS NULA NO
SIGNIFICA QUE SE HA DEMOSTRADO QUE ES CIERTA;
SIMPLEMENTE NO SE PUDO DEMOSTRAR QUE SEA
FALSA
66
LA HIPOTESIS NULA SE USA

EN LAS CORTES CRIMINALES
EL ACUSADO SE ASUME NO CULPABLE HASTA QUE
SE DEMUESTRE QUE ES CULPABLE
VEREDICTO NO CULPABLE EN CORTE CRIMINAL
LA EVIDENCIA (PRUEBAS DE SIGNIFICACION) INDICA QUE LA

HIPOTESIS NULA DEBE CONSERVARSE
CONCLUSION:
NO SE HA DEMOSTRADO QUE EL ACUSADO ES INOCENTE...

LO QUE SE HA DEMOSTRADO ES QUE EL ACUSADO ES NO
CULPABLE
67
COMPARACIN DE LAS MEDIAS DE DOS

MUESTRAS
Es una forma en la cual los resultados de un muevo
mtodo
analtico
pueden
comprobarse
por
comparacin de los resultados obtenidos utilizando un
segundo mtodo (de referencia)
*Se debe conocer Mtodo 1

___
Mtodo 2
___
s1
s2
n1
n2
68

MUESTRAS (cont.)
CASO I
Si s1 y s2 NO son significativamente diferentes:
Hiptesis nula: Los dos mtodos producen el mismo
resultado
Prueba estadstica
x x
1 1
s
n n
1
calc
Estimacin conjunta de
la desviacin estndar
fs f s
s
f f
2
1 1
2
2
f1 grados de libertad mtodo 1

f2 grados de libertad mtodo 2
tcalc tiene (n1+n2-2) grados de libertad
69

MUESTRAS (cont.)
Ejemplo:
Se compararon dos mtodos para la determinacin de boro en
material vegetal
Mtodo espectrofotomtrico
(1)
X1 28.0
S1= 0.3
Mtodo fluorimtrico (2)
X 26.25
2
S2= 0.23
n1= 10
n2= 10
Estos dos mtodos dan resultados cuyas medidas difieren
significativamente a un nivel de confianza del 95 %?
70

MUESTRAS (cont.)
Ejemplo:
Se compararon dos mtodos para la determinacin de cromo
en muestras de hierba de centeno:
Mtodo (1)
Mtodo (2)
X 1.48mg/Kg X 2.33mg/Kg
S1= 0.28
n1= 5
S2= 0.31
n2= 5
Estos dos mtodos dan resultados cuyas medidas difieren

significativamente a un nivel de confianza del 95 %?
Si la hiptesis nula fuera verdadera la probabilidad de que
la diferencia de las medias se deba al azar ser menor de 1
en 100?
71

MUESTRAS (cont.)
CASO II
Si s1 y s2 son significativamente diferentes:
Hiptesis nula: Los dos mtodos producen el mismo
resultado
Grados de libertad
Prueba estadstica
x x
t
s s
n n
1
calc
s
s

n
n
f
2
s
s

n n
n 1 n 1
2
1
2
Se redondea al entero ms cercano
72

MUESTRAS (cont.)
Ejemplo:
La siguiente tabla proporciona la concentracin de tiol en sangre de
dos grupos de voluntarios, el primer grupo es normal y el segundo
sufre de artritis reumatoide:
Concentracion de tiol (mM)
Normal
Reumatoide
1.84
2.81
1.92
4.06
1.94
3.62
1.92
3.27
1.85
3.27
1.91
3.76
Son los resultados de estas dos

muestras significativamente
diferentes a una P=0.005?
2.07
73
Qu prueba t utilizar?
SI
s1 = s2?
CASO II
x1 x2
2
1
x1 x2
t calc
NO
t calc
CASO I
2
2
s
s
n1 n2
2
s12
s22
n
n
2
f 12
2
2
2
2
s1
s2
n
n
1 2
n1 1
n2 1
1
1
n1
n2
2
2
f
s
f
s
2 2
s2 1 1
f1 f 2
f f1 f 2
74
LA PRUEBA t POR PAREJAS
Circunstancias en las cuales es necesario o deseable

hacer una comparacion de medias por parejas
Circunstancias en las cuales es necesario o deseable
hacer una comparacin de medias por parejas
Muestras de origenes diferentes y posiblemente con
concentraciones diferentes
Muestras que se reciben en un perodo de tiempo largo (se

hace necesario eliminar efectos de condiciones
ambientales variables como temperatura, presin, etc.)
Se asume que cualquier error (sistemtico o al azar) es
independiente de la concentracin
75
LA PRUEBA t POR PAREJAS (cont)

Ejemplo:
La siguiente tabla proporciona la concentracin de plomo
(mg/ml) por dos mtodos diferentes para 4 muestras:
Muestra
Mtodo 1
Mtodo 2
71
76
61
68
50
48
60
57
Los dos mtodos proporcionan valores para las

concentraciones medias de plomo que difieran
significativamente?
76
Solucin al ejemplo:
Se observa la diferencia entre cada par de resultados
dados por los dos mtodos
Hiptesis nula: No existen diferencias significativas

en las concentraciones dadas por los
dos mtodos
Se debe de probar si la media de las diferencias
difiere significativamente de cero
Muestras
Diferencias
-5
-7
Xd 1.75
Medias de las
diferencias
s d 4.99
Desviacin
estndar de las
diferencias
77
Solucin al ejemplo:
d Valor real de las diferencias
d=0
Prueba estadstica
t c a l c
t c a l c
X d d
1.75
4.99
sd
4 0.70
tcrit=3.18 (P=0.05, f=3)
Xd
sd
Tiene (n-1)
grados de
libertad
tcalc < tcrit

Se acepta la
hiptesis nula
78

Ejemplo:
Se analiza la concentracin de paracetamol (% p/p) en
pastillas por dos mtodos diferentes. Se analizaron diez
patillas de diez lotes diferentes para ver si diferan los
resultados obtenidos por los dos mtodos.
Lote
Mtodo UV
Mtodo IR
84.63
83.15
84.38
83.72
84.08
83.84
84.41
84.20
83.82
83.92
38.55
84.16
83.92
84.02
83.69
83.60
84.06
84.13
10
84.03
84.24
Mediante una prueba t por

parejas contrastar si los dos
mtodos producen resultados
significativamente diferentes
79
LAS PRUEBAS DE UNA Y DOS COLAS
DOS COLAS (bilateral)

Diferencia de dos medias
en cualquier direccin, no
se tiene en cuenta el
signo de la diferencia
X ,
UNA COLA (unilateral)

Se tiene una idea
preconcebida sobre el
signo de la diferencia
X
Se conoce su signo
No se tiene una
idea preconcebida
del signo de la
diferencia
80
LAS PRUEBAS DE UNA Y DOS COLAS (cont.)

DOS COLAS (bilateral)
Incremento
A un n dado y
una determinada
probabilidad, se
determina tcrit
5% 0.05
Decremento
81
La probabilidad es la mitad de
la probabilidad en una bilateral
0.05 x 2 = 0.10
El tcrit se determina en la columna P = 0.10

Ejemplo:
Se sospecha que una valoracin acido-base tiene un error de
indicador significativo y tiende a dar resultados con un error
sistemtico positivo (sesgo positivo). Para comprobarlo, se utiliza
una disolucin de cido exactamente 0.1 M para valorar 25.00 mL
de otra disolucin de una base, exactamente 0.1 M con los
siguientes resultados (mL):
25.06
25.18
24.87
25.51
25.34
25.412
Probar la existencia de sesgo positivo en estos resultados.
82
EL CONTRASTE F PARA LA COMPARACIN DE

DESVIACIONES ESTNDAR
Las pruebas anteriores (t) comparan medias y detectan
errores sistemticos
La prueba F compara desviaciones estndar, o sea los
errores aleatorios de dos conjuntos de datos
USOS:
1. Probar si el mtodo A es ms preciso que el mtodo B
(prueba de una cola). Se tiene una idea predeterminada
que un mtodo es MS preciso que el otro.
2. Probar si los mtodos A y B difieren en su precisin
(prueba de dos colas). No se tiene idea preconcebida de
cual es ms preciso.
antes de una prueba t
83

DESVIACIONES ESTNDAR (cont.)
El contraste F considera la razn de las dos varianzas
muestrales:
s
F
s
cal
2
1
2
F siempre debe ser 1
Se asume que las poblaciones de donde se toman las

muestras son normales
H0 :
Las desviaciones estndar de las poblaciones no

difieren significativamente (la relacin de varianzas
es prxima a la unidad)
84

DESVIACIONES ESTNDAR (cont.)
Ejemplo:
Se compararon dos mtodos para la determinacin de cromo en
muestras de hierba de centeno:
Mtodo (1)
Mtodo (2)
X 1.48mg/Kg
S1= 0.28
X 2.33mg/Kg
S2= 0.31
n1= 5
n2= 5
Las variazas de ambos mtodos

son significativamente iguales?
Ejemplo:
Se compara un mtodo propuesto para la determinacin de la
demanda de oxgeno (ppm) en aguas con un mtodo estndar.
Mtodo estndar (1):
media: 72
s1=3.31
n=8
Mtodo propuesto (2):
media: 72
s2=1.51
n=8
Es ms preciso el mtodo propuesto que el mtodo estndar?
85
86
CONTRASTE DE DIXON (Contraste Q)

Es una prueba con la cual se contrastan estadsticamente
datos anmalos para determinar si se rechazan o no (para
muestras pequeas, de 3 a 7 datos).
Ho: Todas las medidas provienen de la misma poblacin
Qcalc=
(resultado sospechoso - resultado ms prximo)

rango de resultados
Si Qcalc > Qcrit , el resultado sospechoso puede descartarse

Valores crticos de Q (P=0.05), contraste de dos colas
Tamao de muestra
Valor crtico
0.831
0.717
0.621
0.570
87
CONTRASTE DE DIXON (Contraste Q) (cont.)

Ejemplo:
1. Se obtuvieron los siguientes valores para la concentracin
de nitrito (ppm) en una muestra de agua de ro:
0.403
0.410
0.401
0.380
Debera rechazarse la ltima medida sospechosa?
2. A los datos anteriores se adicionaron otras tres nuevas

medidas,
0.403
0.41
0.401
0.380
0.400
0.413
0.411
Se debera an mantener el valor 0.380?

88
CONTRASTE DE GRUBBS (Contraste G)

Tambin usado para datos anmalos
Ho: Todas las medidas provienen de la misma poblacin
Gcalc= valor sospechoso - x
Ejemplo:
Aplicar el contraste de Grubbs
a los datos del ltimo ejemplo
89
Ejercicios:
Datos A
Datos B
1.84
2.81
1.92
4.06
1.94
3.62
1.92
3.27
1.85
3.27
1.91
3.76
1. Realizar los contrastes Q y G para el valor

2.07 de los datos A y el valor 2.81 de los
datos B, son datos anmalos?
2. Demostrar que las varianzas de los dos
grupos de datos difieren significativamente.
2.07
3.
Los siguientes datos proporcionan la recuperacin de bromuro

adicionado a muestras con contenido vegetal, medido mediante un
mtodo de cromatografa gas-lquido. La cantidad de bromuro potsico
aadido a cada vegetal fue la misma.
Tomate 777
790
759
790
770
758
764 g/g
Pepino 782
773
778
765
789
797
782 g/g
a) Pruebe si la recuperacin en los vegetales tiene varianzas que difieran
significativamente.
b) Pruebe si las tasas de recuperacin media difieren significativamente. 90
CALIBRACION
EN ANALISIS INSTRUMENTAL
CURVA DE CALIBRACION:
GRAFICAS DE SEAL ANALITICA vs CANTIDAD DE ANALITO

(USUALMENTE CONCENTRACION)
PROCEDIMIENTO GENERAL:
Se prepara una serie de muestras (n>3) en las cuales se conoce

la concentracin del analito (muestras estndares)
Se mide en el instrumento la propiedad de inters (seal
analtica)
para cada muestra estndar bajo las mismas
condiciones que se utilizaran en las muestras desconocidas
Se grafica la curva de calibracin, siempre con la respuesta
instrumental sobre el eje vertical (y) y las concentraciones
estndares sobre el horizontal (x)
91
CURVAS DE CALIBRACION
IMPLEMENTACION
La concentracin de la muestra desconocida se
obtiene por interpolacin
En general, es esencial que los estndares cubran el
rango completo de concentracin requerido por las

muestras
Siempre se incluye un blanco

(un blanco procedimental)
92
CURVA DE CALIBRACIN
Puntos de
calibracin
Muestra
desconocida
93
CALIBRACIN
Se asume que:
Los errores aleatorios en el experimento de calibracin
ocurren solamente en los valores y
(recordar que la curva de calibracin se construye con la
respuesta analtica sobre las y y las concentraciones
estndares sobre las x)
La magnitud del error aleatorio en y es independiente de la
concentracin del analito
El error aleatorio en y sigue una distribucin normal
94
PREGUNTAS ESTADISTICAS A RESOLVER EN UNA

CURVA DE CALIBRACIN
La curva de calibracion es lineal? si no lo es, cul es la forma
(ecuacin) de la curva?
Teniendo en cuenta que cada uno de los puntos de la grfica
est sometido a error aleatorio, cul es la mejor lnea recta
(o curva) a travs de estos puntos?
Asumiendo que la grfica es en verdad lineal, cules son los
errores aleatorios estimados y los lmites de confianza de la
pendiente y el intercepto de la lnea recta?
95
PREGUNTAS ESTADISTICAS A RESOLVER EN UNA

CURVA DE CALIBRACIN
Cuando se utiliza la curva de calibracin en una muestra
desconocida, cul es el error aleatorio y los lmites de
confianza de la concentracin encontrada?
Cul es el lmite de deteccin del mtodo? Es decir, cul
es la mnima concentracin del analito que se puede
detectar con un nivel predeterminado de confianza?
Mediante la comparacin estadstica de curvas regulares de
calibracin con curvas de adicin de estndar, establecer si
se presentan efectos de matriz. (Estudio estadstico de dos
resultados).
96
PREPARACIN BLANCO
Contiene todos los reactivos y solventes utilizados con la
muestra (sin analito adicionado deliberadamente)
Ser sometido a la misma secuencia de procedimientos
analticos que a la muestra
La seal del blanco est sujeta a las mismas variaciones
(error aleatorio) que los estndares y muestras
Es indispensable en cualquier anlisis qumico
La seal instrumental proveniente del blanco es a menudo
diferente de cero
97
COEFICIENTE DE CORRELACIN
Es una medida de la asociacin lineal entre dos variables
Dada una serie de parejas de datos:

(x1,y1), (x2,y2), (xi,yi), (xn,yn)
El coeficiente de correlacion, r, esta dado por:
S
S S
xy
xx
yy
98
COEFICIENTE DE CORRELACIN
Donde:
S
xy
(x
i 1
S
xx
S
yy
x )(y y )
(x
x)
(y
y)
Suma de los cuadrados

de las desviaciones de
cada media
x:
La media de todos los valores de x
y:
La media de todos los valores de y
(x,y) : El centrode de todos los puntos
r2*100 : Porcentaje de ajuste de los datos a la lnea de regresin

99
CALCULO DE r
EJEMPLO. Se examina una serie de soluciones estndar de
fluorescena en un fluormetro, con los siguientes resultados
de intensidad de fluorescencia, I.F.(en unidades arbitrarias)
I.F.:
Conc., pg/mL:
x 42 7 6
y 91.7 7 13.1
2.1
0
5.0
2
9.0
4
12.6
6
17.3
8
216.2
0.9989
112 * 418.28
21.0
10
24.7
12
100
ACERCA DE LOS VALORES DE r

A menudo, una curva que no luce muy lineal produce
valores muy altos de r
Un valor alto de r podra ser interpretado erroneamente
como una relacin lineal
La curva de calibracin debe graficarse siempre
Es importante reportar r con el nmero adecuado de cifras
significativas
101
VALORES DEL COEFICIENTE DE CORRELACIN r

-1 < r < +1
CURVAS ANALITICAS:
r > 0.99 (Al menos dos nueves)

102
INTERPRETACIONES ERRONEAS DEL

COEFICIENTE DE CORRELACION
Esta curva es suave,

como para generar un
valor de r bastante alto
(la calibracin siempre
debe graficarse)
Un r igual a cero no
siempre significa que no
hay relacin entre x y y
103
PRUEBA t PARA EVALUAR r

En caso de un valor bajo de r:
Es significativo de verdad?
Ho: no hay correlacin entre x y y
calc
n2
1 r
2
tcrit Para (n-2) grados de libertad, prueba t de dos colas

SI tcalc > tcrit, se rechaza Ho
104
ECUACIN DE LA CURVA LINEAL

Hay una fuerte relacin lineal entre la seal analtica (y) y
la concentracin (x)
La mejor lnea que pasa por los puntos de la curva de
calibracin:
y = a + bx
S
b
S
xy
a y bx
xx
Pendiente
Intercepto
La ecuacin slo es vlida cuando r es por lo menos

0.99 y hay evidencia visual de linealidad
105
Ejemplo de lnea de regresin:

Se examina una serie de soluciones estndar de fluorescena
en un fluormetro, con los siguientes resultados de intensidad
de fluorescencia (I.F.) (unidades arbitrarias)
I. F. :
2.1
CONC. pg/mL: 0
5.0
9.0
12.6
17.3
21.0
24.7
10
12
Sxx
Syy
Sxy
106
Ejemplo de lnea de regresin (cont.):
x6
y 13.1
y 1 . 93 x 1 . 52
S
r
0.9989
S S
xy
xx
yy
centrode
S
216.2
b
1.93
S
112
xy
xx
a y b x 13 .1 1 .93 * 6 1 .52
107
Residuos de y en una regresin

Residuo = Valor medido valor predicho
yi
i
y
a bxi
108
Desviacin estndar de los residuos o desviacin

estndar de la regresin
Residuo i y i y i
Suma de
cuadrados
residual
Desviacin
estndar
residual
SCR ( y y ) S b S
2
yy
SCR S b S
xx
yy
S
r
SCR
n2
xx
S b S
n2
2
yy
xx
Desviacin
estndar de
la regresin
La lnea de regresin debe tener la mnima SCR

(mnimos cuadrados)
109
Errores en la pendiente (b) y el intercepto (a) de

la lnea de regresin
Desviacin
estndar de
la pendiente
SR
sb
S xx
Intervalo de confianza:
Desviacin
estndar del
intercepto
f: (n-2)
b tsb
2
sa S R
1 x
n S xx
a tsa
f: (n-2)
110
Del ejemplo anterior:
n 7
x 6
SR
S yy b 2 S xx
sb
n2
418.28 1.932 *112

0.4672
5
SR
0.4672
0.04415
S xx
112
b ts b
1.9 3 2.5 7 * 0.0 4 41 5 1.9 3 0.1 1
sa S R
1
x
1
62
0.4672
0.318
n S xx
7 112
a ts a
1 .5 2 2 .5 7 * 0 .3 1 8 3 1 .5 2 0 .8 1
111
Clculo de la concentracin de una muestra

desconocida
y a bx
y a
x
b
0
y a bx
0
yo es el valor experimental de y a partir del cual se determina xo
s x0
SR
1 1 y0 y 1

m n b S xx
2
x0 tsx0
f: (n-2)
m es el nmero de lecturas para obtener y0

112
Del ejemplo anterior:

Para un y0=2.9
y a 2.9 1.52
x
0.72
b
1.93
0
0.4672 1 1 2.9 13.1 1

S

0.284
1.93 1 7 1.93 112

2
x0
Intervalo de confianza de x0= 0.72 2.53*0.284

= 0.72 0.73
Si m fuera 3 0.72 0.53

Para un y0=13.5 (cerca del centrode)
6.21 0.53
Para un y0=23.0 (lejos del centrode)
11.13 0.53
113
Forma general de los lmites de confianza en una

recta de regresin
114
UN EXPERIMENTO DE CALIBRACION
DE MAYOR TAMAO
valo r d e t
p ara (n-2 ) Gd L
12 ,71
2 ,78
2 ,2 3
2 ,0 7
2 ,0 1
1,9 6
n
3
6
12
24
48
ancho int ervalo

d e co nf ianza 9 5%
14 .6 8 (SR / b )
3 .0 0 (SR / b )
2 .3 2 (SR / b )
2 .12 (SR / b )
2 .0 3 (SR / b )
1.9 6 (SR / b )
INTERVALO DE CONFIANZA vs TAMAO DEL EXPERIMENTO

CONCENTRACION
ESTIMADA
-10
+10
n=3
6
12
24
48
SR/b
115
Determinacin del rango lineal en una regresin
Regresin con r
cercano a 1
Puntos desviados
de la regresin
116

El coeficiente de correlacin no es un buen parmetro para
establecer rangos lineales en una curva de calibracin
(puede interpretarse errneamente)
Un mtodo ms eficiente es mediante el anlisis de los

residuos (yi i)
Los residuos deberan estar distribuidos normalmente en
torno al valor cero, si no es cierto esto, entonces se debe
sospechar que la recta de regresin ajustada no es la
correcta
(yi i) debe ser cero (teniendo en cuenta errores de

redondeo) y estar distribuido simtricamente en torno a cero
117

Ejemplo
Determinar el rango lineal en la siguiente curva
CONC. INTENS.
g/mL FLUOR.
0
0.1
8.0
15.7
24.2
31.5
10
33.0
Intercepto = 1.357
Pendiente = 3.479
r = 0.9878
118
Ejemplo (cont.)
n
6
5
4
a
1.357
0.100
0.000
b
3.479
3.950
4.000
r
0.9878
0.9998
0.9998
-1.257
0.000
0.100
R E
-0.314
0.000
0.000
S I D U O S
0.429 1.971 2.314 -3.143
-0.200 0.400 -0.200
-0.300 0.200
119
USO DE REGRESION LINEAL PARA

COMPARAR DOS METODOS ANALITICOS
PARTE DE LA VALIDACION DE UN NUEVO METODO:
IDENTIFICAR ERROR(ES) SISTEMATICO(S)
Produce el nuevo mtodo resultados significativamente ms

altos o ms bajos que un procedimiento bien establecido?
Utilice una serie de muestras analizadas por ambos mtodos
Calcular : la pendiente (b), el intercepto (a) y el coeficiente
de correlacion* (r)
Si cada muestra conduce a un resultado idntico por

ambos mtodos,
a = 0 b = 1
r = 1
120
REGRESION PARA COMPARAR DOS METODOS

ANALITICOS
Los resultados del mtodo ms preciso se presentan en el eje
x (puede utilizarse la prueba F para comparar la precisin de
los dos mtodos)
Debe incluirse un nmero razonable de puntos (n > 10) para

construir la grfica de comparacin (recordar que se pierden
dos grados de libertad al efectuar los clculos)

Los puntos (parejas de datos de concentracin) deben cubrir el
rango de inters con un distanciamiento uniforme
121
REGRESION LINEAL PARA COMPARAR

DOS METODOS ANALITICOS
a - perfecto acuerdo entre

los dos mtodos
b - Los dos mtodos difieren
en una cantidad fija (error
absoluto)
c - Los mtodos difieren en una
cantidad que aumenta con la
concentracin (error relativo)
d - Evidencia de errores absoluto
y relativo
122
REGRESION LINEAL PARA COMPARAR

DOS METODOS ANALITICOS
Ejemplo
Se determin el nivel de plomo en diez muestras de jugo de frutas
mediante un nuevo mtodo potenciomtrico y los resultados se
compararon con aquellos obtenidos mediante absorcin atmica con
horno de grfito. Se obtuvieron los siguientes datos (todos en mg/l):
MUESTRA
10
RESULTADO AAS
35
75
75
80
125
205
205
215
240
350
RESULTADO MET. POT.
35
70
80
80
120
200
220
200
250
330
En la prctica, si los intervalos de confianza para el intercepto y la

pendiente incluyen los valores ideales de 0 y 1 respectivamente,
se habr demostrado, ms alla de una duda razonable, que no hay
evidencia de errores fijo y relativo
123
Ejemplo (cont.)
a 3.87
s a 6.64
b 0 .963
sb 0 .0357
S R 10.56
r 0 .9945
t 2 . 31( f 8 )
a 3 .87 15 .34
(Incluye el cero)
b 0 .963 0 .083
(Incluye el uno)
El intercepto y la pendiente
calculados NO difieren
significativamente de los valores
ideales 0 y 1 respectivamente
124
Ejemplo comparacin de mtodos:

Comparar los resultados obtenidos para el anlisis de cido ftico
en 20 muestras por dos mtodos analticos (fluorimtrico, CF y
fotomtrico, EF). Las concentraciones en mg/L. Los resultados del
mtodo EF presentan mayor precisin.
125
LIMITACIONES DE LA LINEA DE REGRESION

NO PONDERADA
Una lnea de regresin no solo asume que el error aleatorio en
los valores del eje x es cero, sino tambin que el error aleatorio
en los valores de y es constante (homocedasticidad)
Todos los puntos de la recta tienen igual ponderacin cuando
se calculan la pendiente y el intercepto de la lnea de regresin
A menudo dichas asunciones no son vlidas en la prctica

Con mucha frecuencia es la desviacin estndar relativa de
la seal instrumental la que es aproximadamente constante
dentro de un rango de concentracin
A pesar de estas objeciones, las lneas de regresin no ponderadas
proporcionan informacin til en muchos casos
126
EST LA PRECISION DEL METODO RELACIONADA

CON LA CONCENTRACION?
Precisin
relativa
constante
Precisin
absoluta
constante
s y cons tante
sy
y
constante
127
PONDERACION DE ERRORES EN UN
CLCULO DE REGRESIN
Los errores en los diferentes puntos de la grfica se representan

mediante barras de error (lmites de 1s) que se alargan a
medida que la concentracin aumenta
Se debe dar una mayor ponderacin a aquellos puntos donde las
barras de error son ms cortas: es ms importante que la recta
calculada pase ms cerca de estos puntos
128
LNEAS DE REGRESIN PONDERADAS

Se utilizan cuando el error aleatorio en la respuesta instrumental
es una funcin (aproximadamente lineal) de la concentracin del
analito
Los clculos involucrados son slo ligeramente ms complicados
que aquellos de la regresin no ponderada
Se requiere informacin adicional de la precisin de la seal a los
diferentes niveles de concentracin o, al menos, una formulacin
de suposiciones adicionales acerca de tal precisin (por esta razn
las curvas ponderadas son menos utilizadas)
Las lneas de regresin ponderada se usan exclusivamente en la

calibracin de instrumentos (no para comparar dos mtodos
analticos)
129
LNEAS DE REGRESIN PONDERADA

(x1,y1), (x2,y2), (xi,yi), (xn,yn)
Parejas de datos:
Desviaciones estndar (en y)
s1
s2
si
sn
Ponderaciones
w1
w2
wi
wn
A cada punto se asigna una ponderacin, wi, inversamente

proporcional a la varianza correspondiente, si2
si2
wi 1
2
s
n i
1
wi 2
si
w
n
130
LNEAS DE REGRESIN PONDERADA

(ECUACIONES)
Centro de gravedad ponderado (xw, yw) :
xw
wx
w
wy
w
i
yw
Pendiente
S
b
S
1
wi xi
n
1
wi yi
n
S w x y nx y
wxy
wxy
S w x nx
2
wxx
wxx
Intercepto
a y bx
w
S w y ny
wyy
2
w
131
Ejemplo de regresin ponderada:

Calcular las rectas de regresin ponderadas y no ponderadas para
los siguientes datos de calibracin. Calcular tambin para cada
recta la concentracin de la muestras de ensayo con absorbancias
de 0.100 y 0.600
Regresin no ponderada:
Pendiente:
0.0725
Ordenada:
0.0133
Concentraciones:
Intervalo de confianza
* Para 0.100 : 1.20 ppm (1.20 0.65)

* Para 0.600 : 8.09 ppm (8.09 0.63)
132
Ejemplo de regresin ponderada (cont.):

Regresin ponderada:
yw = 0.1558/6 = 0.0260
bw = 0.0738
xw = 1.372/6 = 0.229
aw = 0.0091
Concentraciones:
* Para 0.100 : 1.23 ppm (1.23 ? )

* Para 0.600 : 8.01 ppm (8.01 ? )
133
Ejemplo de regresin ponderada (cont.):

La regresin ponderada produce datos (pendiente, intercepto y
concentraciones de muestras) muy parecidos a los obtenidos a
partir del mtodo de regresin no ponderada
La estimacin de los lmites de confianza de las concentraciones
con la regresin ponderada produce resultados mucho ms reales
S x0 w
y0
S wR
b
1 1 ( y0 y w )

w0 n
b 2 S wxx
donde, S wR
S wyy b 2 S wxx
n2
seal analtica de la muestra
Concentraciones:
* Para 0.100 : 1.23 ppm (1.23 0.12 )
* Para 0.600 : 8.01 ppm (8.01 0.72 )

134
LMITES DE CONFIANZA PARA UNA CONCENTRACIN

CALCULADA MEDIANTE UNA REGRESIN LINEAL
PONDERADA
Mucho ms cercano al
origen que el centroide
no ponderado
135
LIMITE DE DETECCION
LA MINIMA CONCENTRACION DEL ANALITO QUE UNO
PUEDE DETECTAR POR EL METODO CON UN CIERTO
NIVEL DE CONFIANZA
EN OTRAS PALABRAS
LA CONCENTRACION MINIMA DE ANALITO QUE PRODUCE

UNA SEAL QUE ES SIGNIFICATIVAMENTE DIFERENTE DEL
BLANCO
DEFINICION DE LA IUPAC:
LA CONCENTRACION DEL ANALITO QUE PRODUCE UNA SEAL
IGUAL A LA DEL BLANCO MAS k VECES LA DESVIACION

ESTANDAR DEL BLANCO
i.e.: LA CONCENTRACION CD PARA LA CUAL
y D y B ks B
136
COMO SE DETERMINA CD
y D y B ks B
DE LA DEFINICION DE LA IUPAC
y D a bC D
DE LA ECUACION DE REGRESION
y B ks B a bC D
yB a
ASUMIENDO QUE
ks B bC D
CD k
ASUMIENDO TAMBIEN QUE
CD
SR
k
b
sB
b
sB S R
OJO:
CADA PUNTO DE LA CURVA DE CALIBRACION
(INCLUYENDO EL BLANCO) TIENE UNA VARIACION
(NORMALMENTE DISTRIBUIDA) SOBRE EL EJE y QUE
PUEDE ESTIMARSE CON LA DESVIACION ESTANDAR DE
LOS RESIDUOS
SR
137
LIMITE DE DETECCION
DOS PROBLEMAS
I.- UNO NO QUIERE RECLAMAR LA
PRESENCIA DEL ANALITO CUANDO EN
REALIDAD ESTA AUSENTE
PERO IGUALMENTE
II.- UNO NO DESEA REPORTAR QUE EL

ANALITO ESTA AUSENTE CUANDO EN
VERDAD ESTA PRESENTE
DEBE MINIMIZARSE LA POSIBILIDAD DE CADA UNO DE
ESTOS ERRORES UTILIZANDO UNA DEFINICION APROPIADA
DE LA CONCENTRACION LIMITE
138
EFECTOS DE MATRIZ
DISMINUCION O AUMENTO DE LA SEAL ANALITICA
DEBIDO A LA PRESENCIA DE OTROS COMPONENTES EN LA
MUESTRA
METODO REGULAR DE CALIBRACION:
EL INSTRUMENTO SE CALIBRA CON SOLUCIONES ESTANDAR QUE
CONTIENEN SOLO EL ANALITO .
EL METODO ES ACEPTABLE SOLAMENTE SI ESTA SOLUCION DEL ANALITO
PRODUCE LA MISMA SEAL INSTRUMENTAL QUE SOLUCIONES DE LA
MUESTRA QUE CONTENGA LA MISMA CONCENTRACION DEL ANALITO
CUANDO SE UTILIZAN SOLUCIONES PURAS DEL ANALITO PARA
ESTABLECER LA GRAFICA DE CALIBRACION, SE ASUME QUE NO HAY
EFECTOS DE MATRIZ
CON FRECUENCIA, TAL ASUNCION NO ES ACEPTABLE EN MUCHAS AREAS
DE ANALISIS
139
EL PROBLEMA DE
EFECTOS DE MATRIZ
POSIBLES SOLUCIONES:
PREPARAR ESTANDARES DE CALIBRACION QUE SEAN

IDENTICOS A LA MUESTRA PROBLEMA EN TODO ASPECTO
EXCEPTO EN LA CONCENTRACION DEL ANALITO (METODO DE
ESTANDAR CON AJUSTE DE MATRIZ).
ESTA ESTRATEGIA RARA VEZ RESULTA PRACTICABLE
PREPARAR ESTANDARES DE CALIBRACION QUE CONTENGAN

LA PROPIA MUESTRA EN UNA PROPORCION FIJA Y
CONOCIDA
(METODO DE ADICIONES (DE) ESTANDAR)
140
METODO DE ADICION DE ESTANDAR

* IMPLEMENTACION *
SE TOMAN VOLUMENES IGUALES DE SOLUCION
PROBLEMA
TODAS SALVO UNA SON TRATADAS (DOPADAS) POR
SEPARADO MEDIANTE LA ADICION DE CANTIDADES
CONOCIDAS E INCREMENTALES DEL ANALITO
TODAS SE DILUYEN AL MISMO VOLUMEN
SE MIDE LA SEAL INSTRUMENTAL PRODUCIDA POR
CADA UNA DE ESTAS SOLUCIONES
COMO DE COSTUMBRE, LA SEAL SE PRESENTA EN EL
EJE y, MIENTRAS QUE EN EL EJE
CANTIDAD DE ANALITO AADIDA
SE PRESENTA LA
141
xE
CURVA Y CALCULOS
s xE
SR
1
y
n
b 2 S xx
142
DESVENTAJAS
REQUIERE CANTIDADES DE MUESTRA MAS

GRANDES QUE EL METODO REGULAR DE
CALIBRACION
ESTADISTICAMENTE, SU PRINCIPAL
DESVENTAJA CONSISTE EN SER UN METODO
DE EXTRAPOLACION, POR LO TANTO
MENOS PRECISO QUE LAS TECNICAS DE
INTERPOLACION
143
CALIBRACION vs ADICION DE ESTANDAR
UNO NO DEBE EMBARCARSE EN EL ESFUERZO EXTRA DE

LAS ADICIONES DE ESTANDAR A MENOS QUE SE TENGA
EVIDENCIA SOLIDA DE LA PRESENCIA DE EFECTOS DE MATRIZ
LA AUSENCIA DE EFECTOS DE MATRIZ CONLLEVA A

PENDIENTES (SENSIBILIDADES INSTRUMENTALES)
ESTADISTICAMENTE IGUALES POR AMBOS METODOS
CUALQUIER DIFERENCIA ENTRE LOS DOS METODOS PUEDE

CHEQUEARSE MEDIANTE UNA PRUEBA DE SIGNIFICACION:
Ho: LAS VERDADERAS PENDIENTES DE LAS DOS
SON DIFERENTES ( 1 NO 2)
LINEAS NO
H1: LAS PENDIENTES VERDADERAS DE LAS DOS
LINEAS SON
DIFERENTES
b1 b2
t calc
SR
tcrit
1 2
1
1
S xx1
S xx 2
PARA (f1+f2) GRADOS DE LIBERTAD
SR
f1 n1 2
f1S R21 f 2 S R2 2
f1 f 2
f 2 n2 2
144
VALIDACIN DE MTODOS ANALTICOS

Procedimiento por el cual se establece si un mtodo analtico
cumple los requerimientos necesarios para ser considerado
aceptable para determinado propsito. Tales requerimientos
son los siguientes:
Especificidad selectividad:
Se refiere a que el mtodo este libre de interferencias, el mtodos

debe distinguir entre el analito y otros componentes que puedan
generar un aumento o disminucin en la seal analtica
instrumental, generando efectos de matriz.
Se puede determinar la presencia de efectos de matriz mediante
comparacin estadstica de curvas regulares de calibracin y
curvas de adicin de estndar
145
Precisin del instrumento:

Grado de concordancia entre medidas replicadas (al menos seis)
sobre una sola muestra
Precisin del mtodo:

Grado de concordancia entre medidas obtenidas en mltiples
muestreos de muestras homogneas
Repetibilidad: Concordancia entre medidas obtenidas en
condiciones repetitivas: la misma muestra, igual operador, mismas
soluciones, el mismo da, el mismo material de vidrio, etc.
Reproducibilidad: Concordancia entre medidas obtenidas en
condiciones no repetitivas: diferentes muestras, operadores,
soluciones, das, materiales de vidrio, etc.
Parmetro para expresar
la precisin
% RSD
s
100
x
146
Exactitud del mtodo:

Concordancia de los resultados obtenidos por el mtodo respecto
al valor real
Con material certificado: Es una muestra que contiene una
cantidad de analito conocida (valor real). El resultado obtenido
con el mtodo se compara con el valor real mediante un
contraste de significancia.
Con analito estndar adicionado a la muestra problema:

Primero se determina el nivel de analito en la muestra.
Posteriormente se analiza otra muestra a la cual se le ha
adicionado una cantidad conocida de analito. El resultado
obtenido de la muestra dopada debe de contener la cantidad de
analito original en la muestra ms la cantidad de analito
estndar adicionado. La exactitud se reporta como porcentaje de
recuperacin del analito estndar adicionado. Se realiza un
contraste entre la cantidad recuperada y la cantidad adicionada.
147
Lmite de deteccin del mtodo:

Menor concentracin de analito que puede ser detectada por el
mtodo. La seal a este nivel debe ser la del blanco ms tres
veces la desviacin estndar del blanco.
ym=yb + 3sb
L.D.=3Sr/b
Lmite de cuantificacin del mtodo:

La seal a este nivel debe ser la del blanco ms diez veces la
desviacin estndar del blanco.
ym=yb + 10sb
L.C.=10Sr/b
Rango:
Intervalo entre la mayor y menor concentracin de analito en el
cual el mtodo es vlido. Debe estar entre el 70% y 130% de la
concentracin esperada.
148
Linealidad:
La habilidad de un mtodo para obtener resultados que son
directamente proporcionales a la concentracin sobre un rango
especfico.
Robustez:
Es la capacidad de un mtodo para soportar pequeos cambios en
las condiciones operativas. Tales cambios pueden ocurrir en das
diferentes, entre diferentes operadores, entre diferentes
instrumentos, temperaturas ambientales diferentes, pHs
diferentes , etc. Se debe demostrar que el mtodo produce
resultados comparables, an con esos pequeos cambios. La
robustez se deriva de un anlisis estadstico de los datos
obtenidos.
149
Comparacin de mtodos:
Comparacin del mtodo a validar con otro mtodo reconocido
(estndar) para determinar si nuestro mtodo presenta algn tipo
de error sistemtico.
Con una muestra representativa:
Analizar con cada mtodo la muestra (cinco veces)
Hacer una prueba F con los resultados de ambos mtodos
para determinar si la varianza es igual/diferente
Realizar una prueba t con las medias de ambos mtodos
para ver si los datos son estadsticamente equivalentes.
Con varias muestras de diversa concentracin mediante
un anlisis de regresin
150

Diapositivas Clase Estadística

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Diapositivas Clase Estadística

Încărcat de

Drepturi de autor:

Formate disponibile

ESTADSTICA APLICADA AL

ESTADISTICA EN QUIMICA ANALITICA

VALIDEZ: GRADO AL CUAL UNA

Errores aleatorios o indeterminados

Errores sistemticos o determinados

Reproducibilidad: Concordancia de los valores cuando

Repetibilidad: Concordancia de los valores cuando las

Se debe de conocer el valor

CAUSAS DE ERRORES SISTEMTICOS

2. Lavado incompleto en anlisis gravimtrico

3. Error del indicador en anlisis volumtrico

4. Descalibracin de equipos instrumentales (pHmetros, termmetros, cronmetros, monocromadores

Los errores sistemticos se pueden eliminar o minimizar

Se puede evidenciar un error sistemtico

SOLO ERRORES ALEATORIOS

OBJETIVO DE UNA MEDICION:

PARA SEPARAR LA PARTE SISTEMATICA DE UNA SEAL

LA ESTADISTICA ES UN COMPLEMENTO QUE LE AYUDA

LA MANERA MAS SIMPLE DE DETERMINAR LA PRESENCIA

CONTIENE UNO O MAS ANALITOS EN CONCENTRACION CONOCIDA CON

Cunto ANALITO hay en la MUESTRA?

Cunto ANALITO hay en la MUESTRA?

Substancia que se desea cuantificar

Cunto ANALITO hay en la MUESTRA?

Recoleccin de la muestra a partir de un LOTE

Debe garantizarse que dicha muestra sea

Utilizacin de recipientes y condiciones adecuados

para disponer la muestra recolectada

Debe evitarse que el analito sufra

Se prepara la muestra para la determinacin del (los)

Medicin de la propiedad fsica que conserva

Utilizacin de soluciones estndar (patrones)

para obtener la concentracin del analito en

Teniendo en cuenta la concentracin parcial

slo para poblaciones

La muestra debe ser representativa

DESVIACIN ESTANDAR RELATIVA (RSD)

ESCOJA UN TOTAL DE 5 VALORES AL AZAR:

ESCOJA UN TOTAL DE 5 VALORES CON UN PROMEDIO DE 8:

ESCOJA UN TOTAL DE 5 VALORES CON UN PROMEDIO DE 8 Y

1. La media de la muestra es una

DISTRIBUCIN DE MEDIDAS REPETIDAS

La distribucin de las mediciones

Al aumentar el nmero de datos la simetra se hace ms aparente

LA DISTRIBUCION NORMAL (GAUSSIANA)

Distribuciones normales con la misma

F(z), funcin de distribucin acumulativa normal

z= (10.12 10.15)/0.02= -1.5

z= (10.20 10.15)/0.02= 2.5

0.9938 0.0668 = 0.927

Concentracin del anticuerpo inmunoglobulina M en suero

DISTRIBUCIN MUESTRAL DE LA MEDIA

El intervalo depende de:

DISTRIBUCIN MUESTRAL DE LA MEDIA

Medias de cinco valores con menor

TEOREMA DEL LIMITE CENTRAL

CONFIABILIDAD DE UN RESULTADO ANALTICO

DISTRIBUCIN MUESTRAL DE LA MEDIA

Intervalo donde se encuentra el

En la prctica se dispone habitualmente de una muestra,

Si la muestra es grande, s se puede sustituir por s

* Si se conoce s se sustituye por s

Para muestras pequeas:

P: probabilidad de que este