Documente Academic
Documente Profesional
Documente Cultură
ANLISIS QUMICO
Cesar Alberto Arizabaleta Ibarbo
3 h/ Semanales. 3 Crditos
Universidad del Valle Sede Yumbo
Febrero / Junio (2014)
Precisos
Exactos
ADQUISICION
DE DATOS
DURANTE
DISEO
MANIPULACION
ANALISIS
EXPERIMENTAL
ANTES
DE DATOS
DESPUES
CALIDAD
CONFIABILIDAD
RESULTADO CONFIABLE
RESULTADO VALIDO
CLASES DE ERRORES
Errores crasos
* Muy graves, abandonar el experimento
ERRORES ALEATORIOS
Se relacionan con la precisin
NUNCA se pueden eliminar
ERRORES SISTEMTICOS
Se pueden eliminar con controles adecuados de la tcnica
y el equipo
EXISTE ERROR SISTEMTICO?
POCO PROBABLE
Fcil de cometer
errores sistemticos
8
ERRORES SISTEMTICOS
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
12
ERROR SISTEMATICO
SU PRESENCIA PUEDE SER DETECTADA MEDIANTE
PRUEBAS ESTADISTICAS SENCILLAS. DICHAS PRUEBAS,
SIN EMBARGO, NO PERMITEN IDENTIFICAR EL ORIGEN
DEL ERROR SISTEMATICO
* MATERIAL DE REFERENCIA:
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
-piel de rana
-agua residual
-fsil
-suelo marciano
-salmonella
-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
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
(todo o unidades)
Almacenamiento
Tratamiento
*Disolucin (digestin)
*Eliminacin de interferencias
*Derivatizacin
*Preconcentracin
Medida
(propiedad fs.)
* ptica (mUA, )
* Electroqumica (A, V, C, )
Clculo []p
* Estandarizacin
* Calibracin
Resultado
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
Leyes de la estadstica
para muestras
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
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:
3
5
17
2
10
5 GRADOS DE LIBERTAD
3
5
17
2
13
4 GRADOS DE LIBERTAD
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
3
5
17
3.725 11.275
3 GRADOS DE LIBERTAD
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
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
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
y exp[ x 2s ] s 2
2
PROPIEDADES DE LA DISTRIBUCIN
NORMAL
Distribucin normal
estandarizada
Z=(Xi-)/s
40
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
F(-1.5)= 0.0668
*Para 10.20
Proporcin de medidas
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.
44
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
e.e.m.= s/n
46
LMITES DE CONFIAZA
Son los valores extremos de ese rango
47
48
LIMITES DE CONFIANZA
Para muestras grandes:
1.96
(95%)
2.58
(99%)
z=
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.
52
2.56
1.34
1.13
3.56
2.01
2.23
2.78
1.12
1.65
x= a + b
Si, (a 1) y (b 1) el error
aleatorio de x NO es 2
54
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
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
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:
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
63
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)
65
CONCLUSION:
Mtodo 2
___
s1
s2
n1
n2
68
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
Ejemplo:
Se compararon dos mtodos para la determinacin de boro en
material vegetal
Mtodo espectrofotomtrico
(1)
X1 28.0
S1= 0.3
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
Mtodo (2)
X 1.48mg/Kg X 2.33mg/Kg
S1= 0.28
n1= 5
S2= 0.31
n2= 5
71
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
72
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
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
Mtodo 1
Mtodo 2
71
76
61
68
50
48
60
57
Solucin al ejemplo:
Se observa la diferencia entre cada par de resultados
dados por los dos mtodos
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
Xd
sd
Tiene (n-1)
grados de
libertad
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
79
X ,
X
Se conoce su signo
No se tiene una
idea preconcebida
del signo de la
diferencia
80
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
25.18
24.87
25.51
25.34
25.412
82
83
s
F
s
cal
2
1
2
Mtodo (2)
X 1.48mg/Kg
S1= 0.28
X 2.33mg/Kg
S2= 0.31
n1= 5
n2= 5
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
media: 72
s2=1.51
n=8
85
86
Qcalc=
Valor crtico
0.831
0.717
0.621
0.570
87
0.410
0.401
0.380
0.41
0.401
0.380
0.400
0.413
0.411
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
2.07
3.
CALIBRACION
EN ANALISIS INSTRUMENTAL
CURVA DE CALIBRACION:
PROCEDIMIENTO GENERAL:
CURVAS DE CALIBRACION
IMPLEMENTACION
La concentracin de la muestra desconocida se
obtiene por interpolacin
En general, es esencial que los estndares cubran el
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
95
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
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)
x:
y:
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
101
CURVAS ANALITICAS:
Un r igual a cero no
siempre significa que no
hay relacin entre x y y
103
calc
n2
1 r
2
y = a + bx
S
b
S
xy
a y bx
xx
Pendiente
Intercepto
105
2.1
CONC. pg/mL: 0
5.0
9.0
12.6
17.3
21.0
24.7
10
12
Sxx
Syy
Sxy
106
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
yi
i
y
a bxi
108
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
109
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
Intervalo de confianza:
1 x
n S xx
a tsa
f: (n-2)
110
n 7
x 6
SR
S yy b 2 S xx
sb
n2
SR
0.4672
0.04415
S xx
112
b ts b
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
y a bx
y a
x
b
0
y a bx
0
s x0
SR
1 1 y0 y 1
m n b S xx
2
Intervalo de confianza:
x0 tsx0
f: (n-2)
y a 2.9 1.52
x
0.72
b
1.93
0
x0
6.21 0.53
11.13 0.53
113
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
+10
n=3
6
12
24
48
SR/b
115
Regresin con r
cercano a 1
Puntos desviados
de la regresin
116
117
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
10
RESULTADO AAS
35
75
75
80
125
205
205
215
240
350
35
70
80
80
120
200
220
200
250
330
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
125
Precisin
relativa
constante
Precisin
absoluta
constante
s y cons tante
sy
y
constante
127
PONDERACION DE ERRORES EN UN
CLCULO DE REGRESIN
128
Parejas de datos:
Desviaciones estndar (en y)
s1
s2
si
sn
Ponderaciones
w1
w2
wi
wn
si2
wi 1
2
s
n i
1
wi 2
si
w
n
130
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
Regresin no ponderada:
Pendiente:
0.0725
Ordenada:
0.0133
Concentraciones:
Intervalo de confianza
132
yw = 0.1558/6 = 0.0260
bw = 0.0738
xw = 1.372/6 = 0.229
aw = 0.0091
Concentraciones:
Intervalo de confianza
133
S wR
b
1 1 ( y0 y w )
w0 n
b 2 S wxx
donde, S wR
S wyy b 2 S wxx
n2
Concentraciones:
Intervalo de confianza
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
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
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:
140
SE PRESENTA LA
141
xE
CURVA Y CALCULOS
s xE
SR
1
y
n
b 2 S xx
142
DESVENTAJAS
CALIBRACION
ESTADISTICAMENTE, SU PRINCIPAL
DESVENTAJA CONSISTE EN SER UN METODO
DE EXTRAPOLACION, POR LO TANTO
MENOS PRECISO QUE LAS TECNICAS DE
INTERPOLACION
143
LINEAS NO
LINEAS SON
DIFERENTES
b1 b2
t calc
SR
tcrit
1 2
1
1
S xx1
S xx 2
SR
f1 n1 2
f1S R21 f 2 S R2 2
f1 f 2
f 2 n2 2
144
% RSD
s
100
x
146
ym=yb + 3sb
L.D.=3Sr/b
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