MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S.

LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

TEMA 4

Tratamiento de los resultados analticos

1. INTRODUCCION 2. POBLACION Y MUESTRA 3. CONJUNTOS DE DATOS 4. VALORES CARACTERISTICOS DE UN CONJUNTO DE DATOS 4.1. Medidas de tendencia central 4.1.1. Media 4.1.2. Mediana 4.1.3. Moda 4.2. Medidas de dispersin 4.2.1. Desviacin tpica 4.2.2. Varianza 4.2.3. Recorrido 5. DISTRIBUCION GAUSSIANA O NORMAL 5.1. La distribucin muestral de la media. 6. ESTIMACION 6.1. Intervalos de confianza 6.2. Presentacin de resultados. 7. CONTRASTES DE SIGNIFICACIN. 7.1.Comparacin de dos medias experimentales. 7.2.Comparacin de una media experimental con un valor conocido. 7.3.El contraste F para la comparacin de desviaciones estndar. 7.4.Datos anmalos 7.5.Anlisis de la varianza 7.6.El contraste chi cuadrado. 7.7.Incertidumbre 8. MTODOS DE CALIBRACIN INSTRUMENTAL. REGRESIN 8.1. El anlisis instrumental. 8.2.Grficas de calibrado en anlisis instrumental 8.3.El coeficiente de correlacin. 8.4.La recta de regresin de Y sobre X. 8.5.Clculo de una concentracin y su error aleatorio. 8.6.Lmites de deteccin 8.7.El mtodo de las adiciones estndar.

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

1. INTRODUCCION La ESTADISTICA es la ciencia que estudia los fenmenos aleatorios. Su aplicacin es muy amplia, tanto en el plano social como en el cientfico, la industria y tambin la calidad. Para obtener la informacin necesaria, se parte de un conjunto de datos y se procede a operar matemticamente con ellos. Una rama de la estadstica muy usada es la INFERENCIA ESTADISTICA, que es la obtencin de conclusiones a partir de datos experimentales. 2. POBLACION Y MUESTRA La POBLACION engloba a todos los elementos de una determinada clase (por ejemplo, en una fbrica de tornillos, la poblacin seran todos los tornillos fabricados). Como suele ser difcil tomar informacin de toda la poblacin (bien por escasez de tiempo, por el alto coste, o por tratarse de ensayos destructivos), es necesario recurrir a la MUESTRA, que es un subconjunto representativo de la poblacin, de tal forma que los datos que se obtengan de ella sern extrapolables a toda la poblacin. En estadstica, uno de los objetivos es asegurar que cuando se toma una muestra de una poblacin, cada elemento tiene igual oportunidad de ser incluido en dicha muestra. Esto es lo que se conoce como MUESTRA ALEATORIA. La funcin principal de las muestras aleatorias es la de ser utilizadas para obtener informacin sobre la naturaleza de la poblacin total de la que se obtuvo, y esto es lo que se denomina INFERENCIA ESTADISTICA. 3. CONJUNTOS DE DATOS Para poder aplicar tcnicas estadsticas, lo primero es tener datos obtenidos a travs de ensayos, anlisis, estudios, etc. Estos datos pueden ser todos distintos o repetidos varias veces, y suele ser frecuente que no presenten orden aparente. Al principio los datos se recogen en tablas; posteriormente se suelen agrupar segn el siguiente procedimiento: 1) Ordenarlos en orden creciente. 2) Agruparlos indicando la frecuencia con la que aparece cada valor. 3) Representarlos en un histograma (diagrama de barras). EJEMPLO: Se mide la altura de diez personas, y miden 1.65, 1.78, 1.70, 1.78, 1.80, 1.75, 1.75, 1.70, 1.75, 1.68. 1) Ordenamos en orden creciente: 1.65-1.68-1.70-1.70-1.75-1.75-1.75-1.78-1.78-1.80 2) Tabla de frecuencias: VALOR FRECUENCIA 1.65 1 1.68 1 1.70 2 1.75 3 1.78 2 1.80 1

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

VALOR 1.65 1.68 1.70 1.75 1.78 1.80 3) Histograma:

FRECUENCIA(%) 10 10 20 30 20 10

En el grfico anterior se observa la DISTRIBUCION DE FRECUENCIA RELATIVA (la que refiere los datos al % que representa cada uno de los valores de x), de la que se puede obtener informacin muy til. En otros casos puede hacerse una representacin de datos agrupados por clases (por ejemplo, en caso de analizar las edades de una poblacin, puede hacerse de ao en ao o por bloques: 0-10, 11-20, 21-30, etc). 4. VALORES CARACTERISTICOS DE UN CONJUNTO DE DATOS 4.1. MEDIDAS DE TENDENCIA CENTRAL 4.1.1. Media Es el valor medio de los datos obtenidos, y se representa por la letra X. Cuando se tiene una serie infinita de datos (es decir, cuando n tiende a infinito) la media se representa por la letra griega mu (). Se define de dos modos: DATOS NO AGRUPADOS:

X=

X
i =1

donde: Xi= valor de cada uno de los datos n= n total de datos

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

DATOS AGRUPADOS:
X=

f
i =1

Xi

donde: Xi= valor de cada uno de los datos fi= frecuencia de cada uno de los valores n= n total de datos 4.1.2. Mediana Es el valor del dato central. Para datos no agrupados y ordenados de menor a mayor, se calcula del modo siguiente: Si el n de datos es impar, la mediana es el dato central. Si el n de datos es par, la mediana es la media aritmtica de los dos datos centrales. 4.1.3. Moda Es el valor de la muestra que aparece con ms frecuencia. EJEMPLO 1 (cont): la media ser: Estatura media=1, 734 m la mediana ser 1,75 (al ser un n par de datos, ser la media aritmtica de los dos datos centrales, que en este caso son 1,75 ambos). la moda ser 1,75 (es el valor que ms se repite, en este caso tres veces).

4.2. MEDIDAS DE DISPERSION Al contrario que en el caso de las medidas de tendencia central, las medidas de dispersin s aportan informacin sobre cmo estn agrupados los datos. Por ejemplo: veamos las series de datos siguientes: 1-2-3-4-5 2,8-2,9-3,0-3,1-3,2 En ambos casos la media es 3, pero en el primer caso los datos estn mucho ms dispersos que en el segundo. Otro ejemplo: supongamos que a tres personas de un mismo departamento les suben el sueldo a la vez. La media de subida es de 30 euros, pero sera lo mismo que a los tres les subieran 30 euros a que a una persona le subieran 88 euros y a cada uno de los otros 1 euro? Evidentemente, la medida de la dispersin de datos es muy importante. 4.2.1. Desviacin tpica o estndar (s) Es una medida del grado de proximidad de los datos en torno al valor de la media. Cuanto menor es la desviacin estndar, ms estrechamente se agrupan los datos alrededor de la media. Se define como: Al igual que ocurra con la media, cuando el n de muestras es infinito, la desviacin

s=

(X
i

. X )2

n 1

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

tpica se representa por sigma (). Al denominador (n-1) se le denomina GRADOS DE LIBERTAD. 4.2.2. Varianza Es el cuadrado de la desviacin tpica (s2). 4.2.3. Recorrido Es la diferencia entre el dato mayor y el dato menor, y se denomina con la letra R. EJEMPLO (cont): desviacin tpica: s= 4,9010-2 m varianza: s2= 2,4010-3 m recorrido: R=0,15 m 5. DISTRIBUCION GAUSSIANA O NORMAL Si se repite una experiencia un gran nmero de veces y los errores son puramente aleatorios, los resultados tienden a agruparse en torno a un valor medio. Cuantas ms veces se repita la experiencia, ms se acercan los resultados a una curva ideal llamada CURVA GAUSSIANA O NORMAL. En general, no se pueden hacer tantas medidas de una experiencia de laboratorio, sino que se suelen hacer de tres a cinco replicados.

La curva de Gauss viene dada por la expresin siguiente:

y=

1 2

( x )2 2 2

Los parmetros que definen la funcin normal son y , y se suele representar como N ( ,). Estos valores estn tabulados para la normal N(0,1), que es lo que se conoce como DISTRIBUCION NORMAL ESTANDAR y se considera que el rea comprendida entre + 4 es el 100% de la probabilidad asociada a esta distribucin. Cuando la distribucin normal no es del tipo N(0,1) sino del tipo general N ( ,), se puede calcular la probabilidad de que un valor x se encuentre comprendido en el intervalo (a, b) del modo siguiente: 1) Se calcula el valor Z, que sera el valor que tendra x en la curva normal del modo: a b Z1 = Z2 =

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

2) Se busca en la tabla de Z la probabilidad asociada a (Z1,Z2), y se transforma en %. EJEMPLO 2: sea la curva normal N (100,10). Qu probabilidad hay de que x tome un valor entre 90 y 110? 1) Calculamos Z: Z1=-1 Z2=1 2) Buscamos en la tabla de Z: F(1)= 0,8413 F(-1)= 0,1587 F(1)-F(-1)= 0,6826 --> 68,26% EJEMPLO 3: Para un estudio ms completo de una muestra necesitaramos calcular un gran nmero de medidas, supongamos que se hace la determinacin de nitrato en una muestra de agua 50 veces y se obtienen los resultados que se mencionan:

(Comprobar que la media de esas muestras vale 0.5 y la desviacin 0.0165) Un modo de resumir esos resultados es indicar valor y nmero de veces que aparece ese valor, a esto se lo llama tabla de frecuencias. Y otro modo de representarlos es mediante un dibujo llamado histograma

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

Si ahora nosotros en vez de hacer 50 medidas, hiciramos un nmero muy alto (miles) parece lgico que en ausencia de errores sistemticos la media de todas esas medidas sera el verdadero valor de la concentracin: . Para esos resultados habra una desviacin: . Resumiendo: si tomamos una muestra, de ella obtenemos una media y una desviacin muestral (x , s) que sern parecidas a la verdadera media de la poblacin y a la verdadera desviacin de la poblacin (, ) que se podran calcular si pudiera medir toda la poblacin (hacer miles de anlisis) Sern una estimacin de estas. Si ahora representramos el histograma para esa poblacin (las miles de medidas) obtendramos una curva:

Esta curva es conocida como la distribucin normal o Gausiana; representa en el eje Y frecuencia de un resultado y en el eje X valor del resultado. La curva es simtrica respecto de . Esta curva tiene unas propiedades muy importantes: En general las medidas repetidas de cualquier cantidad se distribuyen siguiendo esa curva (los resultados cercanos a , que es el valor verdadero son los que ms salen y los resultados que difieren mucho los que menos). Aproximadamente el 68% de los resultados caen dentro de 1 y el 95% de los valores cae dentro de 1.96.

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

Existen tablas que permiten encontrar estas cantidades de forma exacta. La ms usada es la funcin acumulada de la normal. Permiten saber que porcentaje de valores caen por debajo de un valor dado z. (Nota: z es una variable estandarizada z= (x-)/)

5.1 LA DISTRIBUCIN MUESTRAL DE LA MEDIA. Ya hemos visto que debido a los errores aleatorios la media de un grupo de muestras no es el verdadero valor , pero se le aproxima. Ya que no podemos conocer el valor verdadero, al menos, la estadstica permite encontrar un intervalo dentro del cual est ese verdadero valor .

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

Volvamos al ejemplo de la determinacin de in nitrato. No es habitual hacer 50 medidas, pero s hacer 5. Si tratamos la tabla como los resultados de 10 das de trabajo del laboratorio, en los que en cada da se hacen 5 determinaciones veremos que obtenemos la siguiente tabla de medias muestrales: Da 1 Media 0.506 2 0.504 3 0.502 4 0.496 5 0.502 6 0.492 7 0.506 8 0.504 9 0.500 10 0.486

Si anotramos los resultados para muchos aos de trabajo obtendramos una distribucin de medias (cada valor es una media de n medidas), a esta funcin se la llama distribucin muestral de la media. La principal caracterstica de esta funcin es que su media es la misma que la poblacin original, y que su desviacin estndar vale:

/ n Otra propiedad importante de esta funcin es que, aun cuando la poblacin original no est distribuida como una normal la distribucin muestral de la media tiende a la normal, al aumentar n.

6. ESTIMACION 6.1. INTERVALO DE CONFIANZA Si se dispone de un nmero limitado de medidas, no es posible determinar la verdadera media () o la desviacin estndar (). Lo que podemos determinar es X y s (la media y la desviacin tpica de la muestra). El INTERVALO DE CONFIANZA es una expresin que indica que es probable que est a una cierta distancia de la media X. El intervalo de confianza viene dado por la expresin:

n donde t es la t de Student. (Tambin la podemos encontrar como z, segn bibliografa)

=X

ts

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

Haciendo uso de los conceptos anteriores y del ejemplo del in nitrato, podemos volver al problema de usar unas cuantas medidas para conocer el valor verdadero de una magnitud. La pregunta a la que queremos responder es: Si hago 5 medidas de concentracin de una disolucin y su media es 0.25M puedo afirmar que el verdadero valor es 0.250.1 con una seguridad del 95%? Ese intervalo es conocido como intervalo de confianza, y a sus lmites, lmites de confianza. Usando el concepto de distribucin muestral de la media, si tenemos un conjunto de n muestras, cuya media es x; la media de la poblacin (valor verdadero) se encontrar con una confianza del 95% dentro del intervalo: x 1.96( / n ) En la prctica es poco probable conocer la desviacin de la poblacin, pero s podemos conocer la del conjunto de muestras. Siempre que el nmero de muestras sea grande se puede sustituir por s de las muestras. Con lo que la expresin anterior queda: x z(s n ) Para lmites de confianza del 95%, z=1.96, para 99% z=2.58, para 99.7%, z=2.97

6.2. PRESENTACIN DE RESULTADOS. Una prctica habitual en la literatura qumica es citar la media como una estimacin del valor verdadero buscado y la desviacin estndar como la estimacin de la precisin. Menos habitual es dar el resultado en forma de lmites de confianza al 95%. Un aspecto importante relacionado con la presentacin de resultados es el redondeo de la respuesta. El principio importante es saber el nmero de cifras significativas de un experimento. Se suelen fijar como significativas los dgitos seguros ms el primero incierto. Si hemos obtenido: 10.09, 10.11, 10.09, 10.10, 10.12. La media es 10.10, y la desviacin estndar 0.01304; se ve que la segunda cifra decimal no es segura. Una buena forma de presentacin es:
x s = 10.10 0.01 para n=5

10

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

7. CONTRASTES DE SIGNIFICACIN. Un mtodo analtico debera estar libre de errores sistemticos. Para poder comprobarlo se puede medir una muestra que contenga una cantidad conocida de analito. Sin embargo, los posibles errores aleatorios impedirn que el resultado sea exactamente lo que se esperaba, la pregunta es esto es debido a un error aleatorio o nuestro experimento tiene un error sistemtico? Los contrastes de significacin permiten discernir entre estas dos posibilidades. 7.1. COMPARACIN DE UNA MEDIA EXPERIMENTAL CON UN VALOR CONOCIDO. Llamamos hiptesis nula de un contraste de significacin a la afirmacin: El mtodo analtico NO tiene errores sistemticos. Si eso ocurriera, x y difirieren slo debido al azar con gran probabilidad. Si x y difieren slo debido al azar con una probabilidad baja (habitualmente del 5%) la afirmacin que hemos hecho al principio ser rechazada. Para decidirlo se define un estadstico llamado t (x ) n t= s Si el mdulo de t es mayor que un valor crtico (ver tabla A2) se rechaza la hiptesis nula. 7.2.COMPARACIN DE DOS MEDIAS EXPERIMENTALES. Los resultados de un mtodo analtico nuevo se pueden contrastar mediante comparacin con los obtenidos usando un segundo mtodo. En este caso tendramos dos medias muestrales x1 y x2, y queremos saber si (x1-x2) difiere significativamente de cero.

11

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

7.3.EL CONTRASTE F PARA LA COMPARACIN DE DESVIACIONES ESTNDAR. Los contrastes descritos hasta ahora se usan para comparar medias, y detectar errores sistemticos. En muchos casos es tambin importante comparar las desviaciones estndar, es decir, los errores aleatorios. Se puede pretender probar si un mtodo A es ms preciso que uno B (contraste a una cola) o si los mtodos A y B son o no igual de precisos (contraste a dos colas). Para probar si es significativa la diferencia entre dos varianzas muestrales (hiptesis nula: 12 = 22) se calcula el estadstico F, definido como: F= 12/22, donde 1 y 2 se disponen de modo que sea mayor o igual a uno. El contraste supone que las poblaciones de donde se extraen las muestras son normales. Si la hiptesis nula es verdadera entonces la relacin de varianzas debera ser prxima a 1. Si es muy distinta no podremos atribuir esa diferencia a variaciones aleatorias. El valor crtico F depende del tamao de las muestras, del nivel de significacin y del tipo de contraste (1 o 2 colas). Los valores estn en las tablas A3 y A4.

12

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

7.4.DATOS ANMALOS Es muy frecuente encontrarse con la situacin en que uno de los resultados de un conjunto de medidas difiere del resto de modo inexplicable. Si se obtienen los resultados de una valoracin: 12.12, 12.15, 12.13, 13.14, 12.12ml debe rechazarse el cuarto? Si esto se hace, tenemos que explicar el por qu. Un mtodo para hacerlo es el contraste de Dixon (contraste Q) vlido para tamaos muestrales pequeos (de 3 a 7 medidas) Hay que calcular un estadstico Q.
Q= valor sospechoso valor mas cercano (valor mas grande valor mas pequeo)

Si el valor de Q sobrepasa un valor crtico para una probabilidad de 5% (tabla A5) se rechaza el valor sospechoso. Es importante tener en cuenta que para un nivel de significacin del 5% corremos el 5% de riesgo de rechazar incorrectamente un valor. Esto puede modificar fuertemente la media y varianza de un grupo de medidas. El hecho de tomar tres medidas y rechazar la que ms difiere NO debe hacerse.

7.5. ANLISIS DE LA VARIANZA En el trabajo analtico se suelen presentar a menudo comparaciones en las que intervienen ms de dos medias. Por ejemplo: tenemos unas muestras todas de una misma sustancia. Unas las conservamos en oscuridad y otra a la luz. Despus determinamos su concentracin, queremos saber si las diferencias que aparecen entre las concentraciones medias de una y de la otra son debidas al factor luz o a errores aleatorios. Es decir, hay un factor de efecto fijo que queremos saber si es o no importante. El anlisis de la varianza es una tcnica estadstica muy potente que se usa para separar y estimar las causas de variacin. Tambin se pueden emplear estas tcnicas para distinguir entre dos fuentes de variacin aleatoria. Por ejemplo: calcular la pureza de sal de un barril. Las muestras se toman al azar de distintas partes y se hacen anlisis repetidos. Adems del error aleatorio en la medida de pureza habr otro error aleatorio por la diferencia de pureza en los distintos puntos del barril. Hay un factor de efecto aleatorio. Ambos tipos de anlisis estadsticos se conocen como ANOVA de un factor. Comparacin de varias medias usando ANOVA. La tabla muestra los resultados obtenidos en una investigacin sobre la estabilidad de un reactivo fluorescente bajo diferentes condiciones de almacenamiento. Se toma el reactivo y se conserva en 4 condiciones distintas. Se le mide 3 veces su fluorescencia y se hace la media. Las 4 medias son distintas, pero es slo debido al error aleatorio o las condiciones de conservacin han influido?. El mtodo ANOVA contrasta si la diferencia es tan grande que no se puede explicar slo con errores aleatorios. El problema se puede generalizar al caso de h muestras cada una con n elementos.

13

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

Lo primero que hacemos es calcular la variacin dentro de muestras. Para cada muestra hacemos su varianza. Se obtienen los valores 1, 3, 4 y 4. Ahora hacemos el promedio de esos valores: (1+3+4+4)/4 = 3 Este es el cuadrado medio dentro de las muestras, y es una estimacin de la varianza de la poblacin A continuacin tomamos las medias muestrales 101, 102, 97 y 92 y hacemos su varianza. En este caso tenemos el valor 62/3. Este es el cuadrado medio entre muestras y es una estimacin de 2/n. Si la hiptesis nula es correcta ambas estimaciones no deberan diferir significativamente. Usamos el contraste F de una cola para ver si la diferencia es significativamente mayor. El estadstico F vale: 62/3 y entrando en la tabla A3 obtenemos como valor crtico 4.086, por lo que se rechaza la hiptesis nula.

7.6.EL CONTRASTE CHI CUADRADO. Se usa para estudiar frecuencias, es decir, el nmero de veces que ocurre un suceso dado. Al principio del tema (pgina 8) tenemos una tabla con frecuencias obtenidas para una muestra de in nitrato. Se supone que estas medidas se extraen de una poblacin que se distribuye normalmente. El contraste chi cuadrado permite saber si las frecuencias observadas Oi, concuerdan con las esperadas Ei. Se calcula el estadstico chi cuadrado (X2) del siguiente modo: (Oi Ei ) 2 X2 = Ei i Se compara con un valor crtico (tabla A7). Se muestra un ejemplo a continuacin:

14

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

7.7.INCERTIDUMBRE Ya se ha hablado de que los procedimientos analticos se encuentran afectados tanto por errores aleatorios como por errores de sesgo. En los ltimos aos un nmero cada vez mayor de qumicos ha ido reconociendo la importancia de proporcionar para cada anlisis un nico nmero que describa su efecto combinado. La incertidumbre de un resultado es un parmetro que describe un intervalo dentro del cual se espera que se encuentre la cantidad medida teniendo en cuenta todas las fuentes de error. Para expresar la incertidumbre se emplean dos medidas: la incertidumbre estndar (u) y la expandida (U). La primera se iguala a la desviacin estndar. La segunda se calcula identificando todas las fuentes de error, asociando a cada una de ellas una u y combinndolas. ENAC establece criterios para ayudar a calcular esta incertidumbre, ms real, ya que se basa en todas las operaciones que se hacen en el laboratorio. Este clculo es muy complejo y laborioso, y necesita de mucha experiencia en el laboratorio, para estimar sus errores aleatorios y sistemticos.

15

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

8. MTODOS DE CALIBRACIN INSTRUMENTAL. REGRESIN 8.1. EL ANLISIS INSTRUMENTAL. No hay duda, de que muchos anlisis se llevan a cabo por mtodos instrumentales. Tcnicas que usan espectroscopia, electroqumica, espectrometra de masas, cromatografa, suponen al menos el 90% del trabajo analtico actual. Hay varias razones para ello: Los mtodos instrumentales pueden realizar anlisis imposibles por mtodos clsicos, por ejemplo detectar especies qumicas por debajo de las micras o detectar varios analitos de una vez. Suele ser ms rpido que el manual y es muy adecuado para anlisis rutinario de muchas muestras diarias (muestras de sangre). 8.2.GRFICAS DE CALIBRADO EN ANLISIS INSTRUMENTAL El procedimiento habitual es el siguiente. El analista toma una serie de materiales (al menos tres o cuatro) de los que se conoce la concentracin de analito. Estos patrones de calibracin se miden en el instrumento bajo las mismas condiciones que las usadas posteriormente para las muestras. Una vez elaborada la grfica de calibrado puede obtenerse la concentracin de analito por interpolacin.

El procedimiento plantea varias cuestiones: Es lineal la lnea de calibrado? Si es curva qu forma tiene? Dado que todos los puntos de la lnea estn sujetos a errores Cul es la mejor recta o curva que pasa por ellos? Cul es el lmite de deteccin del mtodo? Es de importancia decisiva incluir el valor de un blanco en la curva de calibrado. El blanco no contienen ningn analito, pero los mismos disolventes, reactivos, que los otros materiales de ensayo. La seal del instrumento dada por el blanco no siempre ser cero, deber ser un punto ms a considerar en el trazado de la recta de calibrado, tratndose como los otros (no tiene sentido restar ese valor del resto de puntos, ya que est sometido a error aleatorio). La curva de calibrado se establece siempre con la respuesta del instrumento en el eje vertical y la concentracin en el eje horizontal. La mayora de procedimientos de

16

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

clculo supone que todos los errores estn en el eje de las Y y que las concentraciones de patrones preparados se encuentran libres de error (eje X). Tambin se supone que si se mide varias veces un mismo patrn sus valores Y tienen distribucin normal. Con estas premisas el problema matemtico es encontrar una recta y = a +bx que una de la mejor forma esos puntos. 8.3.EL COEFICIENTE DE CORRELACIN. El primer problema que se plantea es se pueden unir esos puntos por una recta? Para estimar la bondad con que se ajustan los puntos experimentales a una lnea recta se calcula en coeficiente de correlacin: r

Un valor de r = +1 implica correlacin positiva perfecta, r = -1 correlacin negativa perfecta y r = 0 no hay correlacin.

Aunque los coeficientes de correlacin son fciles de calcular son con facilidad mal interpretados, basta con ver los ejemplos:

17

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

La conclusin es clara, se debe siempre representar la curva de calibrado, para evitar asignar una recta a lo que no es. 8.4.LA RECTA DE REGRESIN DE Y SOBRE X. Se trata de buscar la recta que minimice las desviaciones en la direccin y entre los puntos calculados por la lnea y los experimentales. Se procede a minimizar la suma de los cuadrados de esas diferencias. Es el llamado mtodo de los mnimos cuadrados, que proporciona los valores de a y b de la recta de regresin:

8.5.CLCULO DE UNA CONCENTRACIN Y SU ERROR ALEATORIO. Una vez determinada la recta, es fcil calcular la concentracin X correspondiente a cualquier seal Y del aparato. Tambin es necesario estimar su error. Esto es complejo, se suele manejar la frmula aproximada:

18

MDULO: CALIDAD Y SEGURIDAD EN EL LABORATORIO 2 F.P. I.G.S. LABORATORIO DE ANLISIS Y CONTROL DE CALIDAD CURSO: 2011/12

8.6.LMITES DE DETECCIN El lmite de deteccin de un analito se describe como aquella concentracin que proporciona una seal en el instrumento significativamente diferente de la seal blanco o del ruido de fondo. No existe un acuerdo sobre el trmino significativamente y se suele tomar como lmite de deteccin LOD a la concentracin de analito que proporciona una seal igual a la seal de blanco ms tres veces la desviacin estndar del blanco LOD= yb + 3sb 8.7.EL MTODO DE LAS ADICIONES ESTNDAR. Supongamos que deseamos encontrar concentracin de plata en muestras de desechos fotogrficos por espectrometra de absorcin atmica. Utilizando los mtodos anteriores se podra llevar a cabo un calibrado con soluciones de sal de plata pura y a partir de la recta de regresin obtener concentracin de plata en las muestras. Para que sea cierto hemos de suponer que no hay efectos de matriz o intentar crear una matriz igual a las muestras. Ambas situaciones con frecuencia no ocurren. La solucin es que todas las medidas se hagan usando la muestra. Esto se logra por el mtodo de las adiciones estndar. Se toman volmenes iguales de solucin problema. Todas salvo una son adicionadas con cantidades conocidas y diferentes de analito, y todas se diluyen a igual volumen. Se determinan todas por el instrumento y se calcula la recta de regresin. Extrapolando, el punto del eje X, para el cual la Y=0 corresponde a la cantidad de analito en la muestra.

19