Está en la página 1de 79

James

ttl [Jliller
Jane I Uliller
L
La calidad
de las medidas
analiticas
4.1. Introducci6n
La quimica
analitica, como se vio en el Capftulo 1, es una ciencia de la me-
dida aplicada, en la que predominan 1os estudios cuantitativos, siendo esen-
ciales, por tanto, las estimaciones de errores inevitables. En casi todas las
aplicaciones del anlisis los resultados obtenidos se suministran a un cliente
o usuario,
Y
os necesario que estos usuarios se encuentren satisfechos tanto
como sea posible con la calidad (adecuaciln
a1 objetivo) de las medidas. Es-
to tiene muchas implicaciones importantes para \a prctica analitica. En pri-
mer lugar, cualquier evaluaciln de los errores de medida debe tener en cuen-
ta el proceso analitico global:
incluyendo las etapas de muestreo, que a
menudo contribuyen al error global
muy significativamente. En segundo lu-
$ar,
las caracteristicas de los anlisis acometidos en cada laboratoiio deben
ser comprobados internamente de forma reSular, normalmente aplicndolos
a materiales de referencia o estndar. En tercer 7uSar, en muchas reas de
aplicaciln se deben comparar los resultados de diferentes laboratorios entre
si, de marTeta que los usuarios puedan estar satisfechos de que el funciona-
miento de los laboratorios cumple con normativas, regulacines y offos re-
querimientos.
Finalmente, los resultados analfticos se dben sumunistrar con
una estimacin realista de su incertidumbre, es decir, el intervalo dentro del
cual est ubicado el verdadero valor de la cantidad que es medida. Estos son
los temas principales que se analizan en este capitulo. Los mdtodos estadfs-
ticos utiTizados en dichas reas son, en principio, muy simples, basndose
muchos de e1los en tlcnicas descritas en los Capitulos 2 y 5. Sin embargo,
uno de los principales
desarrollos en las ciencias analiticas de los riltirnos
aflos ha sido su aplicaciln cada vez ms frecuente y mejorada, propiciando
una gral;l
mejora enla calidad y aceptabilidad de muchos resultados analiti-
cos. Adems, algunos de los mdtodos analizados tienen amplias aplicaciones.
Por ejemplo, los principios empleados para controlar el funcionamiento de
un rinico anlisis en un rinico laboratorio durante un periodo de tiempo se
pueden
aplicar tambidn al seguimiento de un proceso industrial.
3
rF,
a
o)
o-
(t,
o
oJ
.o
o
o
B
Cl)
r
o)
F5
gJ
o
g)
g)
)
0)
o
o
78
4.2. Muestreo
Muchos
anlisis
dependen
de muestras
quimicas
para proporcionarnos
infor-
macin sobre ;;ij;d
gtotut Por tanto, si no se cnsideran
con cuidado
1as etapas d,e muestro
de un unilirir,
puede sel
que los mdtodos
estadisticos
considerados
en este libro no sean ,ridot,
ya que las muestras
estudiadas
puede que no 1eplesenten
apropiadamente
al-con-junto
objeto de estudio' Por
ejemplo,
no es posible analizat
todo el a$ua de un rio para analizat
un con-
taminant
"
t6*rii,;;.
es posibl e a,,aliz-ar
una cistern
de un camin
llena
de leche
pararr.r'ri
contiene
una hormona
esteroide
prohibida' En otros ca-
sos tiene
que utili zarse rrnu
p.q.r, ia cantidad
de muestra debido a
que el
m6todo
., a.rtrtlit
y ,t
qtti.ie conserv
at eI material
restante'
Asi
pues'
en cad.a caso la
-.tett
estudiada
debe tomarse
de manera
que ase$ure
en
1o posible
que sea verdad,eramente
rpfesentativa
del objeto total'
para
aclarar
algunos
aspectos
de1 muestreo
considdrese
la situacin
en la
que se disponga
rr'
gralote de
pastillas
Y
{ue
se desee obtener
una esti-
maci;ndel
peso medio d. trru
puttlitu.
p,nvz
t ptt"t todas las
pastillas' se
toman
unas pocas
(supongamoi i.r)
y se pesa
"uduuna'
En este ejemplo
el
lote de tabletas
i;;"iu
pnurii,ny
las diez
pastillas
pesadas constituye
una
muestra
a. .rtu
iffu
"ii"
(rr6ur. 1 Seccidn2'Z)'
Si muestra
se va a utili-
zar patad.ao.ir'd,
ft"pl9"des
de 1a poblacin, entonces se denomina
es-
tadisticamente
muestra
aleatoria,
es d^ecir, {Ia muestra tomada de ta1 mo-
do
que todos fo, *|.-fros
d.e la poblacin tienen
1a misma
posibilidad
de
estar incluidos
en ella. S1o enionlces
sern vlidas las ecuaciones
como la
(2.g),que proporciona
los limites
de confi. a3:Iza de la media' Debe considerar-
se que e1 tdrmino
oaleatorio" tiene, en sentido
estad.istico,
un significado
di-
ferente de
,.casualu. Aunque
en la ptcticaun
analista
pudiera diseminar
las
pastillas sobre una mesa intentar
tomar una muestra
de diez de una mane-
ra casual, dicho mdtodo
podriaocultar
un ses$o inconsciente'
El mejor modo
de obtener una muestra
leatoriaes
mediante
el uso de una tabla de nmeros
aleatorios.
A cada elemento
de 1a poblacin se 1e asigna un nmero
de tal
marteraque
todos los nrimeros
tienn
el mismo nmero
de digitos'
por ejem-
plo 001, 002, 003
,
etc.Entonces
los nmeros
aleatorios
se leen de tnatabla
d,e mimeros
aleatorios
(v6ase 1a tabla A.8),
partiendo de un punto arbitrario
que propor.lorr.,
fo,
.,.-p1o,
g64,773,
etc.;y 1os nrimeros
coffespondientes
de la poblaci6n .rdtli
rtnlamuestra.
Un procedimiento
alternativo
(y mu-
cho ms simple)
que se utllizaalgunas-veces
es el de seleccionar
1os elemen-
tos de una
pobla 61_ uintervaloJregulares'
pol ejemplo, tomar una de cada
cien
pastillas d.e una linea de produccin..E:!.
mdtodo
no es completamente
satisfactorio
ya que podriu."iiiit
"na
periodicid.ad coincidente
en el peso de
1as pastillas: la importancia
de la aleatriedad
de la muestra es evidente'
De
nuevo, si las riltimas
pastillas tomud",
hubieran
sufrido una disminucin
Sra,,a!
de peso durarrie
la producci1t
del lote, entonces
esta muestra
pro-
porciona nu
"i
rruio, complietamente
errneo
para e1 peso medio d"el lote
completo.
En el ejemplo anterior
la poblacin est constituida
de elementos
discre-
tos obvior,
qrr nominalmente
son el mismo, o sea, 1as pastillas' E1 muestreo
de materiales
para los
que esto no es cierto, como rocas,
polvo,
gases y 1i-
quidos, se den-omina
muestreo
a
$ranel.
Si un material a
gtanel fuera
per-
fectamente
homogneo
entonces
161o r. necesitaria
LLrra
parte pequefla o
incremento de muestra o porcidn de ensayo para determinar las propie-
dades del conjunto. En laprctica los materiales a granel
no son homog6neos
por multitud de razortes. Materiales como aleaciones y sedimentos estn for-
mados por particulas macroscpicas con diferente composicin y puede que
no estdn uniformemente distribuidas en el conjunto. Los fluidos puede que
no sean homogdneos a escala molecular, debido a los gradientes
de concen-
traci6n. Tal falta de homogeneidad se detecta s61o tomando una muestra de
prueba de diferentes partes del conjunto. Si fueraposible, esto deberiahacer-
se aleatoriamente considerando el conjunto como una coleccin de celdas de
igual tamafro y seleccionando una muestra de celdas utlTizando nmeros
aleatorios como se describi anteriormente.
De 1a muestra aleatoria, puede calcularse la media, i, y la variarrza, s2.
Existen dos contribuciones al valor de s2: la varianza muestral, ol, debid,a
a las diferencias entre 1os elementos de 1a muestra,por ejemplo, pastillas que
tienen diferentes pesos, y la vari arrzl,a de la medida, o2o, por ejemplo, erro-
res aleatorios en la pesada de cada pastilla. En la secci6n siguiente se descri-
be cmo pueden separarse y estimarse estas dos contribuciones utilizando el
ANOVA. Para materiales a granella vananza muestral depende de1 tamaflo
de los incrementos de muestra relativos a la escala de las no homogeneidades.
Cuando el tamaflo del incremento de muestra aumenta, las no homogeneida-
des tiendert a ser promediadas, disminuyendo de esta mattera \a varianza
muestral.
4.3. Estimacin y sefraracin de varianzas
utilizando ANOVA
En la Seccin 3.8 se describid el uso de ANOVA de unfactor para contrastar
las diferencias entre medias cuando existe una posible variacin debida aull
factor de efecto fijo. En esta seccin se considera la situacidn en donde existe
un factor de efecto aleatorio, o sea, variacin muestral. El ANOVA de un
factor se utiliza entonces pata separar y estimar 1as diferentes fuentes de va-
riaci6n, en vez de contrastar si varias medias muestrales difieren significati-
vamente. LaTabla 4.1 muestra los resultados del ensayo de pureza de un
barril de cloruro sddico. Se tomaron cinco incrementos de muestra, A-E,
de diferentes partes del barriT elegidos al azar, y se realizatorT cuatro anlisis
repetidos sobre cada muestra. Como se explic anteriormente, hay dos posi-
bles fuentes de variacin: 1a debida al error aleatorio en la medida de la pu-
reza, dada por la varianza en la medida, oB
,
y la debida a las variaciones
reales en la pureza del cloruro sddico en diferentes puntos de1 barril, dada
Tabla 4.1. Ensayo de pureza de cloruro sdico.
Pureza (%)
79
t-
o
o
8r
o-
o
a-
o-
o
o
a
Fl
o
a-
o-
o
a
g)
:J
EL
C)
o
Q
98.8
99.0
98.6
97.6
99.5
A
B
c
D
E
98.8, 98.7,
99.3, 99.7,
98.3, 98.5,
98.0, 97.7,
99.3, 99.4,
98.9, 98.8
98.8, 99.2
98.8, 98.8
94.4, 97.3
99.9, 99.4
BO
ti
por 1a varianzamuestral
,, o!. Puesto
que- eI ctadtado
medio dentro d'e mues-
tras no depende
de 1a media muestr1
(vdase 1a Secci6n 3'9) se puede usar
;;;;,
ie. El cuadrado
medio entre muestras
n0 se pued.e utilizar
pata
estimar
directam ente ol, ya que la variacin
entre medias muestrales
es call-
sada tanto
por el error iatorio
en la medida como
por las posibles variacio-
nes en Ia pireza. Se puede demoslrar
qlre,elr cuadrado
medio entte muestras
proporcio',aufraestimacin
de ofi+ nil
(donde n es eL nmero de medidas
repetidas).
Sin embarso,
antes d realizar una estimacin
de o21' se dehefia
realizar un contr aste
f,ara
ver si difi.ere significativamente
de 0' Esto se fea-
liza comparando
los cuadrados
medios entre
y dentro de muestras:
si no
difieren significativamente
entonces
o2r
:
0 y ambos cuadrad'os
medios esti-
man o'0.
La salida de1 ANOVA de un factor
proporcionada
por Excel para este
ejemplo se muestr a a continuacin.
Los tsultados
muestran
que e1 cuadrado
medio entre muestras es mayol
que e1 cuadrado medio dentro de muestras'
y e1 resultado
del contraste
F mustra
que esta diferencia
es sumamente
sig-
nificativa, ., a".ir,
qi ,ldifiere
significativ
amente de 0' El cuadrado
medio
entre muestras d,a elvalor 0.0653 .*o una estim aci6n de ofr, de manera
que
se pued.e estimar o2, atiTizando:
rrl
a
o)
o-
(n
o
9)
J3
o
5
o)
E
o)
FJ
9)
'o
F-l
o
g)
o)
9)
o
o
Muestra A
qR
R
98.1
98.9
98. B
Anova de un
RESUMEN
Muestra B
qq
?
98.1
98.8
99 .2
factor
Muestra C
98.3
98. B
qR
R
Muestra D
o? '7
q't
4
a1 ?
Muestra
E
qq
L
oo o
99 .4
o!:
(caadrado medio entre muestras
-
cuadrado medio dentro d'e
muestras)/ru
:
(1.96
-
0.0653)/4
:
0.47
Grupos
Frecuencza
Promedio
Varianza
Muestra A
Mrra<l- r.a R
Muestra C
Muestra D
Muestra E
4
A
4
4
A
3Y5. Z
Jvo
394.4
39A .4
398
98. B
99
98.6
99.5
0 . 00 6667
0 .08 6667
0,06
U.-L
0.073333
sI
VaTor P F crit
Fuente de variacin
Entre muestrras
Dentro de muestras
Total
.7
QA
0.98
.z
A
1_5
L9
1-.96 30
^ ^--^
U. UOf J
5.348-07
3.056
4.4. Estrategia de muestreo
Si se rea\tza un anlisis de cada uno de Los h incrementos de
plo anterior, Seccin 4.3), entonces los limites de confranza
vienen dados por la ecuacin
(Z.g):
81
muestra (ejem-
para la media
t-
o
o
o
o-
g)
o
g)
a
3
o
o-
o-
o)
a
g)
TD
C)
g)
a
It:
i * t,-
rGl.rli)
(4.1)
donde x es |a media de las n medid,as y s2 \a varianza de las medidas; s2 es
una estimacin de la vaianzatotal, o2, que es la suma de las varianzas mues-
trales y de medida, es decir, 03 + o?
&ase
1a Seccin 2.I1), y o'lh)
(que
se
estima por s2
th)
es la varianza de la media, t. Si el valor para cada incremen-
to de muestra es la media de n medidas repetidas, entonces la varianza de Ia
media es (oflln * o'r)
lh
:
o2o1nh + ollh. Obviamente,
para alcanzar la preci-
sin m:ixima, se requiere que la varianza de la media sea tan peqluena como
sea posible. El tdrmino debido a \a varianza de medida puede ser reducido
bien-sea utilizando un mdtodo de anlisis ms preciso o incrementando n, eI
nrimero de medidas repetidas. Sin embargo, no hay que esforzarse
por hacer
que la varianza de medida sea menor que un ddcimo de la varianza muestral,
y" qu. cualquier reduccin posterior no mejorar sustancialmente la varian-
za total
(que
es 1a suma de las dos varianzas). Es preferible en su lu$at, to-
mar un nmero mayor de incrementos de muestr,
Y
que el intervalo de
conftanza disminuye cuando aumenta h. Si una muestra preliminar se ha
utllizado para estimar s, entonces e1 tamaflo de muestra requerido para 1o-
grar un tamaito dado del intervalo de conftarva se puede calcttlar aproxi-
madamente
(ver Capitulo 2, Ejercicio 4).
.
Una estrategia de muestreo
posible con materiales a
$ranel
es tomat h
incrementos de muestra y mezclarlos antes de realizat n medidas repetidas.
La varianza de la media de estas medidas repetidas es olln + olfh. Esta va-
rianza total se deberia comparar con la resultante de analizat n Yeces cada
incremento de muestra y promediar las medias de los incrementos, siendo
entonces \a vat'rarlza of;lnh + ozrfh
(v6ase 1o anterior). Obviamente 1a riltima
vatianza es la ms pequefia, dando por resultando una media con ms pre-
cisin, aunque se requieren ms medidas
(nh frente a n). El conocimiento de
los valores de o3 y o?. de experiencias anteriores,
y 1os costes de muestreo y
anlisis, s" pu.drn :utllizar para calcular e1 coste de las estrate$ias de mues-
treo relativas. En
general, se usar e1 esquema ms econmico que propor-
cione el grado de precisin requerido.
Para materialei a
gratr"l 1a variarTza m:nestral depende de1 tamaflo de los
incrementos de muestra relativo a 1a escala de no homo$eneidades
y dismi-
nuye con el aumento del tamaflo de los incrementos de muestra. En alggnos
experimentos
puede ser necesario seleccionar un lfmite superior de la vatian'
zamuestral de marteta
que puedan detectarse cambios en la media. Se pue-
d.en tomar medidas preliminares pata decidir el tamafr.o del incremento de
muestra minimo que se requiere para proporcionar un nivel aceptabTe de va-
rianza muestral.
{
rfl
a
9)
o-
q
()
0)
\<
'o
g
'
o
Fl
0)
E
gJ
Fl
9J
,o
C
'
g)
9)
5
9l-
'
g)
82
4.5. M,6todos de control de calidad. Introduccin
Si un laboratorio ofrece resultados analfticos de una calidad acepta/r.\e para
sus clientes, y funciona bien en las pruebas de suficiencia (homologacin)
o
en los ensayos de colaboracin
(vdase
despuds), resulta obvio que los resul-
tados obtenidos en ese laboratorio deberian mostrar una consistencia elevada
dia a dia. La comprob aci6n de dicha consistencia es complicada por la exis-
tencia de errores aleatorios, de modo que se han desarrollado varias tdcnicas
estadfsticas para demostrar si existen o no tendencias deperidientes del tiem-
po en los resultados, asociadas a inevitables errores aleatorios. Se trata de los
mdtodos de control de calidad.
Supngase que un laboratorio utlliza un mdtodo cromatogrfico para de-
terminar el nivel de un pesticida en fruta. Los resultados se pueden emplear
para determinar si un gran lote de fruta es aceptable o no, y su calidad re-
sulta entonces de gran importancia. La eftcacia del mdtodo se comprobar a
intervalos regulares aplicndose, con un nrimero pequeflo de anlisis repe-
tidos, a un material de referencia estndar (VfRn),
en el que e1 nivel de
pesticida se encuentre certificado por una autoridad reguladora. Alternativa-
mente se puede usar un estndar interno de control de calidad (ICC)
de com-
posicin conocida y muy estable. Los estndares MRE o ICC sern probable-
mente introducidos a1 azar dentro de la secuencia de materiales analizados
por el laboratorio, de rnarlera que los matenaTes ICC no sean identificados
por separado por el personal del laboratorio y sea1l estudiados utilizando
exactamente los mismos procedimientos que los utilizados para las muestras
habituales. La concentraci6n conocida de1 pesticida en los materiales MRE/
ICC es el valor objetivo para el aniisis,
/ro.
El laboratorio necesita set capaz
de detener y exarninar el m6todo analitico si parece que est dando resulta-
dos errdneos. Por otra parte, se malgastarn recursos, tiempo y materiales si
se interrumpe innecesariamente 1a secuencia de anlisis, de marTera que 1os
m6todos de control de calidad debedan permitir su uso continuado mientras
funcionen satisfactoriamente. Si los valores para las muestras ICC no mues-
tran tendencias dependientes de1 tiempo significativas, y si los errores alea-
torios en las medidas no son demasiado grandes,
el proceso analitico est
bajo control.
Los mdtodos de control de calidad son tambin ampliamente utilizados en
el se$uimiento de procesos industriales. De nuevo es importante detener un
proceso si sus resultados caen fuera de ciertos limites, pero es igualmente
importante no parar e1 proceso si funciona bien. Por ejemplo, los pesos de
pastillas de uso farmaclttico procedentes de una Tineade produccin pueden
controlarse tomando pequefr.as muestras (vdase
1o anterior) de pastillas de
vez ert cuando. Los pesos de las pastillas estn sujetos a fluctuaciones en tor-
no al valor objetivo po debido a errores aleatorios, pero si estos errores alea-
torios no son demasiado grandes, y no van acompaflados de tendencias que
dependan de1 tiempo, el proceso est bajo control.
4.6. Diagramas de Shewhart para
valores medios
En el capitulo 2, se mostr como la media, i, de una muestra de medidas
podria utilizarse para proporcionar una estimacin de la media de la pobla-
83
ct6n, !1,
y corno la desviaci6n estndar de 1a muestra, s, proporcionaba una
estimaci|n
de 1a desviacin estndar de la poblacidn, o.Pata un tamafr.o de
muestra
pequefr.o, n,los limites de confianza de la media vienen dados por
|u
""rtuci61^
(Z.g), con e1 valor de t elegido de acuerdo con el nmero de
$rados
ie
llbertad
(n
-
1) y el nivel de confianza requerido. Los mismos principios
,.
pr.d.tt
apl-tcar aI trabajo de control de calidad, pero con una diferencia
impottu1,lte.
Sobre un periodo de tiempo largo, 1a desviacin estndar de la
aoblacin,
o, del nivel de pesticida en fruta
(o, en el se$undo ejemplo, de los
irror
de las tabletas), llegar a ser conocida por 1a experiencia. En el trabajo
e control
de calid ad, a o se le da el nombre de capacidad del proceso. La
ecuaci1n
(Z.g) puede sustituirse
por \a ecuaciln
(2.8) con la estimacin de s
sustituida
por la de o conocida. En la prctica z
:
I.96 se redondea a 2 para
unos
limites de confi.anza del 95Yo y z: 2.97 se redondea a 3 para unos
limites
de confianza del99.7 Yo.
Para limites de confianza del 95o/o:
_2o
u:xf
- /
\/n
(4.2)
Para limites de confi,anza del 99.7Yo:
1"t:
x *
3o
tr
Jn
(4.3)
Estas ecuaciones se utilizan en la construccin del tipo ms comn de dia-
gramas de control, un diagrama de Shewhart
(Figura 4.1). E1 eje vertical
. ,ttt diagrama de Shewhart representa la media del proceso, Jc, de los va-
r
q)
o
EL
o-
o
o-
o
o
a
o
o-
o-
tl)
a
o
T
o
o
o
a
:
i
I
!,
&.
Linea de accin superior: po+ 3ol{i
Linea de aviso superior: po+ 2ol'/fi
Linea de aviso inferior'.
Fo-2olfr
Linea de accin superior: ps- 3ol'[n
Figura 4.1. Un diagrama de Shewhart
para valores medios'
b
'84
rrl
a
Fl-
g)
o-
F\
a
a+
F'
o
o
'og
ts.

)
F'
o

)
o
FF
FJ
F\
o
E
0)
F1
o)
-o
C
F\

tJ
ts.
o
g)
o
5
EL
ts\
t-F
ts.
o
o
lores medidos, por ejemplo, de la concentraciln de pesticida en \a fruta, y e\
eje hotizontal es un eje de tiempo, de manera que puede representarse la
variaciln de estos valores de f con e1 tiempo. El valor objetivo,
#0,
s marca
con una linea horizontal. E1 dia{rama tambiln incluye dos pares de lineas
hoizontales. Las lineas situadas a
Fo
X
2o
Irf
n se denominan lineas de avi-
so o de alerta, ylas situadas a
FoX3olr/n
se conocen como lineas de ac-
ci6n. El propdsito de estas lineas 1o indican sus propios nombres. Supngase
que un valor medido de x cae fuera de las lineas de acciln La probabilidad
de tal ocurrencia cuando e1 proceso est bajo control, se sabe que es sola-
mente del 0.3
o/o,
es decir 0.003, de manera que si esto ocurre en la prctica
normalmente e1 proceso se detiene y examina. Existe una probabilidad de
aproximadamente eI 5o/o
(0.05) de que un rinico punto caigafuera de cual-
quiera de 1as lineas d.e aviso
(pero dentro de las lfneas de accin) en tanto
que el proceso permanece bajo control. Esto s61o no dafia lugar a que el pro-
ceso se detuviese, pero si d,os puntos swcesivos oaerT fuera de 1a misma linea
de aviso, 1a probabilidad de ocurrir
(P
:
[O.OZS]2
X
2
:0.00125
en total pa-
ralas dos lineas de aviso) es de nuevo tanbaja que el proceso se debe con-
siderar que est fuera de control. Estos dos criterios: un punto fuera de las
lineas de acci6n, o dos pwntos swcesivos fuera de 1a misma Tinea de aviso son
1os que se aplican de forma habitual en la interpretaciln de los diagramas de
Shewhart. Tambi6n a menudo se utilizat otros: por ejemplo, la probabilidad
de que caigan ocho puntos sucesivos en un lado espe ciftco de 1a lfnea de1
valor objetivo es francamente hajo, es decir,
(0.5)u
:
0.0039
,
y tal existencia
sugiere de nuevo que el proceso est fuera de control. Tambi6n se puede pre-
decir Ia parada de un proceso en 1os casos donde los valores representados
de i muestren una tendencia
(por ejemplo, seis puntos en sucesidn aumen-
tando o disminuyendo, artrt auattdo los puntos estdn dentro de las lineas de
aviso), o donde parecerr oscilar
(por ejemplo, 14 puntos sucesivos, aTlernan-
do arriba y abajo). Los usuarios de diagramas de control deben establecer
claramente todos los criterios que varL a uttlizar para dec\arar su proceso fue-
ra de control.
4.7. Diagramas de Shewart
para rangos
Hay dos posibles explicaciones al hecho de que un diagrama de Shewart para
valores medios sugiera que un proceso est fuera de control. La ms obvia
es que la media del proceso haya carrhiado: la deteccin de estos cambios es
la princip aI raz6n para utlTizar los diagramas de control donde se represen-
tan los valores de i. Una explicaciln alternativa es que 1a media del proceso
se ha mantenido en su valor pero que la variacin en el proceso ha aumen-
tado, es decir, que las lineas de aviso y acciln estn demasiado
juntas,
dando
lugar a indicaciones de cambios que de hecho no se han producido. Errores
del tipo opuesto son tambidn posibles. Si la vaabilidad del proceso ha dis-
minuido (es
decir, mejorado), entonces las lfneas de aviso y de acciln esta-
rn demasiado lejanas entre ellas, quiz permitiendo que no se detecten cam-
bios reales en i. Por tanto, se debe controlar la variabilidad de1 proceso asf
como su valor medio. Este control tiene tambiln su propio valor intrfnseco:
1a variabilidad de un proceso o un anlisis es una medida d.e su calidad, y en
|a situacin del laboratorio se encuentra vinculada directamente a la repetibi-
lidad
(desviacifn estndar dentro del laboratorio) del mdtodo
(ver
Capitulo 1).
Lavaiabilidad de un proceso se puede visualizar representando otro dia-
grama de Shewart para mostrar e1 ran$o, R
(:valor
ms
$rande -
valor
ms pequeflo), de cada una de las muestras tomadas. La Figura 4.2 rrrtestra
un diagrama de control tipico para e1 rango. El formato
general de1 diagrama
es el mismo que el que se ha :uttLizado a1 representar los valores medios, con
una linea representando e1 valor objetivo, y tambin pares de lfneas de
acci|n y de aviso. La diferencia ms relevante entre los dos dia{rarnas es que
los pares de lineas no son simdtricos con respecto al valor objetivo para eI
rango, n. nt valor de R se puede caloular utllizando e1 valor de o, y las po-
siciones de las lineas de aviso y de accidn se pueden deducir a partfu de R,
atilizando factores multiplicativos obtenidos de las tablas estadisticas. Estos
factores toman valores dependiendo del tamafr.o de muestra, n. Las ecuacio-
nes relevantes son:
F
0)
o
el-
o-
o
o-
o-
o
o
a
o
a-
o-
o
a
oJ
EL
'
oJ
a
R: od,1
Linea de aviso inferior: Ri,u1
Linea de aviso superior: Rw2
Linea de acciln inferior: Ra1
Linea de acci6n superior: Ra2
(4.4)
(4.s)
(4.6)
(4.7)
(4.8)
Linea de accin superior: Fa,
Lfnea de aviso superior'. Rw,
Valor objetivo: R
Linea de accin inferior: Fa.,
Figura 4.2. Diagrama de Shewhart
para el rango.
+
86
Fetenninese las caractgf*tha* de lo* diagrwnas Se cantrol
para'ta medla y d rangfo s$'$n
'
Fscsc,
nkndo sl valer shistivo S7, la capa+idad d*l prec*so 5 y *l l*ruafr* rnu#$tr*l 4.
.Fma +l diagr*ma $s asntrol srr
qus's* rspre$**tan *os
gl+res
r**dio$, e[ c*krlo es
sencitrlo. l-ss linas de svtm s* enccntrarn en $?
t

x
51J4, e* deuir, en $7
*
5; y k?,
lfires* de acddn estarn en 57
*
s
x
5U+- es deck, en 5?
*
7"5. tst* diagramr* ss
muestra en la Figura 4.S.a.
Fara el dlagrmna de nontrol donde $e rsprs*enlsn lq$ velsfs del rgngc, se Oeb piri.
meroc*lsr*lsr #utilizendo k *euacian
{4.4},
E*to
prryorc{ana
fr* S.x "$$9
*
10.*$, dqn-
d* el vater de f.0$g se tsrna de la* taHa* mt*disticas
para
s
*
4,,
{Ver,
por
s,i*fnplo, Ia
tahla en [a cole*cin de Neave, nryo* detllc$ se prop*r*ianfi
sil Ia BtbtioE*ffa def Cap{-'
t$ls t.l tlvet$r de F$e ut*liaa srfiorms
para
determinar lao *f*eas de acdn y *vtso in:f$rior
y superior utitrizands lss sffiasionea
{4.5}-{4.8}.
Lo* valores &
ry,
t4,
e
y ez, p*ra.#
*.
4'
eon 0.29, t"$4- IS y .SS, re*pectivarnente*
proprcio**ndo al n*ultf$icar pr 1$.9 posl-
ci*nee'pana l*c cuatra lin*as de 3,98, 19.S6, 1.S3 y 2$^55, respectivamenie. Estas ffneas
$e mus$tran *n.la Fign*ra 4.$b,
A veces en 1a prctica de un diagrama de control para el rango no se repte-
sentan las lfneas de aviso y de acci6n, ya que una reduccin en e1 rango no
suele ser una causa que requiera un anlisis detallado. Sin embargo, como ya
se ha puesto de manifiesto, \a variabilidad de un proceso es una medida de
su calidad, y una reduccin en R representauna mejora en la calidad, cuyas
causas pueden ser motivo de investigacidn. Por tanto, se recomienda 1a re-
presentacin de 1as lineas de aviso y de acct6n.
4.8. La determinaci6n de la capacidad del proceso
En las secciones anteriores se demostr que si la capacidad del proceso, o-, es
conocida, es posible construir diagramas de control tanto para 1a media
muestral como pata e1 rango muestral. Asi, es posible distinguir entre una
situacin donde un proceso se ha salido de control por un desplazamiento
en la media del proceso, de una situacidn en la que la media del proceso no
ha cambiado pero se ha producido un aumento no deseado en lavariabilidad
del proceso. El establecimiento de un valor adecuado para o es, por tanto,
muy importante y dicho valor deberia basarse. en un nmero sustancial de
medidas. Pero al realizar tales medidas se debe abordar el mismo problema
(distinguir
un cambio en la media de1 proceso, de un cambio en 1a variabili-
dad del proceso). Si o se calcula directamente de urralar{a sucesin de me-
didas, su valor puede ser sobrestimado por cualquier cambio en la media que
ocurra durante esa secuencia, y no se podrian representar diagramas de con-
trol adecuados.
La solucidn a este problema es tomar un gran nmero de pequeflas mues-
tras, medir e1 rango, R, para cada una de ellas y, asi, determinar R. Este
procedimiento asegura que se mida slo la variabilidad inherente del proceso,
eliminndose cualquier desviacin en 1os valores medios. Entonces, el valor
de R se puede utTlizar con las ecuaciones
(+.S)-(4.8) para determinar las li-
rrj
a
O)
o-
a
o
o)
I
E
3
o
5
G
r+
5
o
E
o
F5
o
'.Q
F
:x
'
g)
o
f
gL
*
()
o
87
L(nea de accin superior:
trto+
3ol{i
=
64'5
Linea de aviso superior'. po+ 2ol{n
=
62
Valor objetivoi po= 57
Linea de aviso inferior'. po-2ohli
=
52
Linea de accin superior: po- 3ol{n
=
49.5
Rango
Linea de accin superior: Ra"= 26.55
Linea de aviso superior: Rw,
=
19'96
Valor objetivo: H
='10.29
Linea de aviso inferior: Rw,
Linea de accin inferior: Fa.'
=
1.93
Figura 4.3. (a) Diagrama de Shewart
para valores medios
(eiemplo). (b) Diagrama de Shewart
para el rango (ejemplo).
neas de acciln y de aviso para el diagtama de control de ran$os. Las lineas
de acci6n y de aviso para el diagrama de control para la media se pueden
determinai calculand.o o mediante La eeuaciln
(4.4) y lue$o aplicando las
ecuaciones
(+.2) y (4.3). En la prctica este clculo en dos etapas no es ne-
cesario, al proporcionar muchas tablas estadisticas valores de W y A,1o que
da directamente las posiciones de 1as lineas de acciln y de aviso de:
Lineas de aviso en i * WR
Lfneas d,e acciln en i
t
R
(4.e)
(4.10)
-
qJ
C)
o_
o-
o
o-
o-
o
o
a
!I
o
O.
0)
a
OJ
D
9)
C)
tl)
a
Estos mdtodos se ilustran mediante e1 siguiente ejemplo.
t
8B
$e ha analizsdo en ufi laborstorls un patr$n de ccntrd de calkled intern csn $Ea'.concefi-
tracidn de sn*tim de 5S mS kg*l, durante
l5 dfas consecutivas torn*nd6c w tsmafro de
'
muestna de fiIatrs cada df. Los rssultdos *e
poporcfonan e* la Tatrla 4"?, que
*$t*
qn
la forma de hoie de shulCI de Excel, Setermfne$e el uator ds fr y repe*6ntenss ts dift
.
gfames Ca conirot
para Ie media
y el rargo de tns anaHsls del fubort+rie.
'
Al examinar lss resulkd$s *e nprec d* r*afisrra ct*r* algr*m evideire{* de
4re
lns
medias se desvfan hacia aniba
y hacia aba$c dur*nte el
perFo'd* ds 2E das en el c,ual *e
.
ha realizsds el anlisls. Tadas las ffiedian mue*traks d tss'dtas S-*S kelusJ*e sa* mE
grande* que elv*lsr ohietivo d+ SS, mierrfra*
SI'oatro
de Iss sig$ie*tes sel$Jiledf$s estrl
par dehalo del valor obJelivo,
y
las tiltimas cuatrc e*t*n t@s par enclma, Este$ $$* fss
lkcunstancias stl lae
gue resslts imp*rtante estimar a- utHieardo sl n#odo de*crito anta-
riormente. Utiliearrdo tai vslore$ de tren ta *ltima cdurrma dF dat$s, rt$dte
que
Aes 4.$1..
I-a *ptieacion ds la Heu*sio*
(4-4i
esttrna s o0m0 4,$119,S$
*
*,FS- La Tahk 4* derru**Y
tra tambldn
que la de*viacidn estdildar de lae 1S msdid*s, lratada seffi Hq.ry$trq.tlryi-
c&, s$ 2.43:
prque dehido a las dg*viactofi*s en l* medla eeh neria ilna eofu'r$tktlsddn
significativa de a-
Hntonses se representa etdiaE*ma de ctntrel
WSamedia
con Ia ayuda de IS Ecu*
ciones
{4.9}
y
{4.10}
c*n W* 0,478*, I
*
.?55,
que muestra qre lAs tfneqs de xvt*o y
acci$n $e enauentrafi en S* + 2-$5
y
5S t
3#S, r*speetfu*nm*te. t-* Ftgur-a 4.4 rnusstr*
el diagrame de conrtr*t de Excel. e manera eimilar, las fisuaeicfie$
{4"S}-{4.$}
r*u*stran
grc
en el?kgrama de c*ntral para el rafigo, las lfne** de ssis* sp stlHerdran en L4
yr8.$2
y I** Ifne de acsln +n S.42
y 11"09, respectiv*rnerrt*.
{Hxod
ne
pr+dum aut+ffidtarnents
diagrarna* de contr*l
Ssra
rengs$, au*gtle
Wnefe
diaEanre*
p*ra de*viacicrm* Sndar,
que en algunos cns*$ *s rfrHizan +n lugar de fr*gnama* de rango.| lg Figura 4.4 ntuestra
qu6
psts
proffi$o n8 s0 ensuntr tadavfa b*I* cst*pl *ay*ndc varias
Wnts$
fuffa d$ f
lirrea ds accidn
{*uperio$,
55.00
53.00
51.00
49.00
47.00
45.00
5791113151719212325
Nmero de muestra
Figura 4.4. Diagrama de Shewhart
para medias (datos del ejemplo de la Tabla 4.2).
4.9. Longitud media de rachas: diagramas de sumas
acumuladas
Una propiedad importante de un dtaSrama de control es la rapidez con que
se detecta un cambio en la media del proceso. E1 ndmero promedio de medi-
das necesarias pata detectar cualquier cambio particular en 1a media del pro-
rrJ
a
o)
o-
a
o
oJ
.o
C
F
o
t-1
o
=.
g)
E
o
5
o)
'.o
E.
3
()
o
o
5
Pi-
s
o
o)
()
C)
Q)
a
.o
o
E
a
o)
(s
Tabla 4.2.
Nrimero de
muest.ra
1,
2
3
A
5
6
7
I
9
10
1- l-
1-2
1-3
I4
4-
If
4?
t-o
1,1
I
1,9
20
11
22
23
24
25
Hoja de clculo de Excel (ejemplo).
Valores de las muestras
I234
89
48. B
48 .6
48.2
54.8
49 .6
54.8
49 .0
52 .0
51".2
52 .0
54.6
52 .0
50.6
54.2
48.0
47 .8
49 .4
48.0
48.8
46 .6
54.6
52.2
50. B
53.0
50. B
50.6
51-.0
146
54.2
54.8
AqL
49 .4
52 .8
5? 4
54.2
53. B
5r.1
50.9
54 .9
50.3
51.9
46 .5
52 .5
47 .7
48 .9
51.1
52 .5
51_.6
46 .6
51.3
AO ?
AO ?
50.7
48.3
52.3
52.3
AO 1
49 .7
52 .3
49 .9
5l_.5
53.7
s3.9
52.7
4'7 5
tr,A ?
47 .7
A'7
q
50.5
50.l_
51_.5
52 .9
AO 1
53.9
11 a:
Media en
el diagrama
49.70
49.70
50.15
53.50
50.65
53.60
50.50
51,.25
51.00
51.80
53.30
51.95
53.55
52 .85
53.50
49.80
50.85
48.60
50.35
49.80
48.25
52 .95
52.35
50.95
50 .40
rr^lj
^
-
IAEUIA
-
A'7 0
50.3
52.1
53.9
50.5
52.5
51.3
53 .9
50.5
qn
?
57 .L
47 .9
56. B
56.0
52.2
49 .4
s0.8
E? N
52.2
4t .4
tr,A A
51. B
52.3
48.I
2 .43
Rango
'2.
A
2.0
3.9
4 .1_
).f
2.5
3.3
4q
3.1
3.1
1.2
6.7
5.1
\A
2.7
5.9
6.5
L?
5.1
4tr.
3.5
3.5
1,.1,
3.2
7.3
4, ?1
-
9)
o
s)
o-
0J
a-
o-
o
o
a
3
o
o-
o-
o
a
q)
D
EL
'
o
a
ceso se denomina longitud media de raeha (LMR).
Ya que las posiciones
de las lfneas de acciln y aviso en un diagtama de Shewhartparalamedia
del proceso dependen del valor de o
Irf
n, el LMR de ese diagrama depender
del tamafio del cambio en la media comparado con o
I
\/n.Un
cambio grande
se detectay con ms rapidez que uno pequeflo, y el LMR se reducir utili-
zando un tamaflo muestral ms grande, n. Puede demostrarse que si se pro-
duce un cambio igual a lorfi y si slo se utiliza el criterio de la linea de
acci6n, entonces el LMR es aproximadamente 50, es decir, se medirn apro-
ximadamente 50 muestras antes que un valor caiga fttera de la linea de ac-
ci6n. Si e1 proceso se detiene cuando dos medidas consecutivas caer\ fuera de
Ialinea de aviso, entonces el LMR cae aurra ca. de 25. Estos valores son
bastante
grandes: por ejemplo esto seria serio si un laboratorio prosigue con
un anlisis de un pesticida durante 25 dias antes de constatar que el proce-
dimiento habia desarrollado un error sistemtico. Esto representa una des-
ventaja significativa de los diagramas de Shewhart. Un ejemplo del problema
se muestra eflIaTabla 4.3, rn conjunto de medidas para las cuales el valor
objetivo es 80, y o\/ n es 2.5. Cuando la media muestral se representa en un
I
Tabla 4.3. Ejemplo de datos
para clculos de sumacu.
rn
(t)
r'|-
o
o-
a
C)
o
\<
-o
c
o
J
o
Fl
0J
E
o)
Ft
0)
'.o
E
()
o
a.)
T
9)
o
o
Nnero de
obseruacin
Medra
muestra/
Media muestral,'
valor obietivo
1
2
3
4
5
6
7
8
o
i0
11
12
13
14
15
82
79
80
78
82
7g
80
79
78
80
76
77
76
76
75
2
-1
0
-2
2
-1
0
-1
-2
0
-4
-3
-4
-4
-5
2
1
1
-1
1
0
0
-1
-3
-3
-7
-10
-14
-18
-23
diaSrama de Shewhart
(Figura 4.5) queda claro
que a partir de_ aproximada-
*.rrt. la sdptima observacidn en adelante
puede haber ocurrido un cambio
en 1a media del proceso, sin embargo todos los puntos quedan sobre o dentro
de la linea de aviso.
(S1o 1as lfneas inferiores de aviso y de accifn se mues-
tran en 1a figura.)
E1 LMR puede reducirse significativamente
ttllizando un tipo de dia{ra-
ma de control diferente, un diagrarna de sumas acumuladas o sumacu
(...cusumrr). Esta aproximacin se ilustra de nuevo con 1os datos de 1a Tabla
4.S. nt ciculo de 1a sumacu se muestraerL las dos riltimas columnas de la
tab1a, que mllestra que la suma de las desviaciones de la media muestral a
partir de1 valor objetivo en adelante se realiza de forma acumulada, prestan-
o cuidadosa atencin a los signos de las desviaciones. Si un proceso de fa-
hricacin o anlisis est bajo control, las desviaciones
positivas y ne$ativas
del valor objetivo son igualmente
probables y 1a sumacu oscilafia altededor
70
1 3 5 7 I 11 13
Nmero de muestra
Figura 4.5. Diagrama de Shewhart
para los datos de la Tabla 4'3'
.8
Bo
E
gra
U'
E76
974
72
91
0
-6
=
(g
E
-10
5
a
Nmero de observacin
Figura 4.6. Diagrama sumacu de los datos de la Tabla 4.3.
de cero. Si la media de1 proceso cambia, la sumacu se aleja del cero. En el
ejemplo propuesto, 1a media del proceso parece q17e cae despu6s de la sdptima
observacidn, de rnartera que la sumacu se hace cada vez ms negativa. En la
Figura 4.6 se muestra \a carta de control resultante.
La adecuada interpretacidn de los diagrams sumacu, que muestran que ha
ocurrid.o un cambio genuino en la media de1 proceso requiere un delimita-
dor V. E1 delimitador se
graba en una transparencia, y se coloca sobre el
diagrama de control con su eje de simetriahofizontal y su vdrtice a una dis-
tancia, d. ala derecha de la riltima observacidn
(Figura4.7).
Se dice que el
Figura 4.7. (a) Uso de un delimitador V con el proceso bajo control. (b) Uso de un delimitador
V con el proceso fuera de control.
-15
-20
-25
F
o
o
Pl-
O.
o
o-
o-
o
-
a
o
o-
o-
g)
@
o)
f
o
o
o)
a
(a)
=()
E
g)
1 2 3 4 5 6 7 I 910 11
't2
13 14 15
Nmero de observacin
Nmero de observacin
1
92 proceso estbajo control si todos los valores del diagramacaetT dentro de los
brazos de la V
(Figura
4.7a). El delimitador tambin se caracteriza por tg 0,
g1 Tatangente de1 semingulo, 0, entre los brazos de la V. Los valores de d. y
QA
6'
se eligen de manera que se detecten con rapidez cambios significativos en la
*
media del proceso, no obstante las falsas alarmas son escasas. La unidad de
a
F
d esla distancia entre las observaciones sucesivas. E1 valor utllizado de tg?
bj depende claramente de 1as escalas relativas de 1os dos ejes en el diagrama: un

tre las observaciones sucesivas del eje x igual a 2olrfi de1 eje
u.lJn
delimi-
:
tador V con d.
:
5 unidades y tgT: 0.35 proporcion entonces una LMR de
q
10 si la media de1 proceso cambia por to
l.,liy
slo 4 si e1 cambio es Zo
Irfi.
8
La LMR para un cambio cero en la media del proceso, es decir, antes de que
R
ocurra una falsa alarma, es aproximadamente 350. Las cifras correspondien-
O
tes para un diagrama de Shewart son aproximadam ente 25
(paru
un cambio
E
enla media d,e 7o
Irfi)
y 320, de manera que resulta claro que e1 diagrama
sumacu es superiot tr ambos aspectos. La LMR proporcionadapor el diagra-

ma sumacu se puede reducir en torno a B
(para
un cambio de 1o
lr/n)
utili-
E'
zando tg?
:0.30,
pero inevitablemente entonces crece la posibilidad de una
'
falsa alarma, ocurriendo una vez erL aproximadamente 120 observaciones.
?
En resumen, los diagramas sumacu presentan 7a ventaja de que respon-
3
den con ms rapi dez qu los diagramas e Shewart a un cambio en la media
*
de1 proceso (como
muestra claramente la Figura 4.6), sin incrementar las po-
F
sibilidades de una falsa alarma. E1 punto donde cambia la pendiente en un
cD
diaSrama sumacu indica el punto donde ha cambiado 1a media de1 proceso,
indicando e1 valor de la pendiente el tamaflo de1 cambio. Naturalmente, si
un diagrama sumacu sugiere que ha ocurrido un cambio en 1a media del pro-
ceso se deben comprobar los posibles cambios en o. Esto se puede hacer uti-
Iizando un diagrama de Shewart, no obstante tambin se pueden dibujar los
diagranas sumacu para rangos. En las rcferencias a1 final de1 capftulo se pro-
porcionan ms detalles sobre 1os usos de los diagramas de control.
4.LO. Esquemas de pruebas de suficiencia
La calidad de las medidas analiticas se refuerza a trav6s de dos tipos de es-
quemas de ensayo, en cada uno de los cuales una serie de laboratorios
podrian participar simultneamente. En el primero de ellos, esquemas de
ensayo de sufrciencia (ES), se envian partes alicuotas de materiales homo-
gdneos a ufla serie de laboratorios para que se hagan anlisis a intervalos
regulares (cada pocas semanas o meses), y se informa sobre los datos resul-
tantes a un organizador central. Cada laboratorio analiza su parte utilizand.o
sw propio mtodo habitaal, y el material circulado se disefla para que las
muestras se puedan volver a
juntar.
Los resultados de todos los anlisis cir-
culan entre todos los participantes, beneficindose de conocer cmo se com-
pararr sus medidas con las dems, cmo sus propias medidas mejoran o se
deterioran con el tiempo, y c6mo sus propias medidas se comparan con un
estndar de calidad interno. En resumen, e1 objetivo de dichos esquemas es
la evaluacin de la capacidad de los laboratorios analfticos. Los esquemas ES
se han desarrollado ahor a para e1 uso en un amplio rango d.e campos de
apltcacin incluyendo varias reas de la quimica clinica, anlisis de aguas,
diferentes tipos de anlisis de comidas
y hehidas, anlisis forense, etc. La
experiencia demuestra
que en dichos esquemas surgirn resultados amplia-
mnte divergentes, incluso entre laboratorios experimentados y bien equi-
pados tanto de medios materiales como humanos. En uno de 1os anlisis
Htri"os ms comunes, 1a determinacin de
glucosa er san$re al nivel ffiM,
la mayoria de los resultados obtenidos
para una nica muestra de sangre se
aproximart arttTa distribucin normal con valores entre 9.5 y 12.5 mM, un
intervalo en si mismo de rango poco considerable. Pero el ran$o completo de
resultados fue de 6.0 a 74.5 ffiM, es decir, algunos laboratorios obtuvieron
valores casi 2.5 veces los de otros. Resultan obvias las implicaciones de esta
discrepancia en el diagnstico clfnico. En reas de anlisis ms dificiles los
resultdos pueden ser tan divergentes
que no existe nin$rin consenso aut6n-
tico entre los diferentes laboratorios. Resulta muy evidente 1a importancia de
los esquemas ES aLahora de esclarecer dichas diferencias alarmantes, a5ru-
dando a minimizarlas
y animando a los laboratorios a comparar su efi-cacia.
Adems, han ayudado de marrera incuestionable a mejorar 1a calidad de los
resultados analiticos en muchos campos. Aqui nos centramos s1o en la eva-
luacifn estadistic a d,el diseflo y resultado de dichos esquemas,
y no en los
aspectos administrativos de su organizacin. De especial importancia son los
,o6todor de evaluacidn del cumplimiento de 1os parttcipantes y la necesidad
de asegurar que la muestradela
que se extraen las partes alicuotas que cir-
culan sea homo
Snea.
El mdtodo recomendado
para verificar la homogeneidad de la muestra
conlleva 1a toma de n 710
partes del material de ensayo al azar, homo$enei-
ztd,o[as separadamente si es necesario, tomando dos muestras de ensayo de
cad.a parte,-y analizando las 2n partes mediante un mdtodo cuya desviacin
estnar bajo condiciones de repetibilidad no sea superior al 30
o/o
de la des-
viacin estndar objetivo
(es
decir, la reproducibilidad esperada; vdase ms
adelante) del esquema d.e suficiencia. Si la homogeneidad resulta satisfacto-
ria, el anlisis ae U varianza de un factor debena entonces demostrar
que e1
cuad.rado medio entre muestras no es significativamente
mayor que dentro
de muestras
(vdase la Seccin a.3).
Los resultad.os obtenidos
por los laboratorios
participantes en un esque-
ma ES se suelen expresar habitualmente como puntuaciones 2,, donde z viene
dado por (v6ase la Secciln 2.2):
x-xo
(4.11)
z-
o
En esta ecuacin el valor x es el resultado obtenido
por un rinico laboratorio
paraun anlisis dado; xa es el valor asignado
para e1 nivel del analito, y o es
l valor objetivo parala desviacidn esttdar de 1os resultados de ensayo. El
valor asignado *,
""
obtiene mejor
:utilizarrdo un material de referencia cer-
tificado, ri .r que inay uno disponible
y adeutado
para distribuirlo entre los
participtantes. En algunos casos esto no es posible,y el valor asignado es el
93
r
o)
c)
9L
o-
o)
o-
o-
o
o
6

o
o-
o-
g)
a
o
EL
c)
o)
q
94
rrj
a
-l-
o
o-
(,
o
o
,.o
C
I
o
T
o
FJ
o
E
o)
Fl
o
,o
C
T
c)
9)
O)
5
EL
o
o
(l
valor medio obtenido mediante un nrimero de laboratorios <expertos"
selec-
cionados. Todavia en otros casos el rinico valor facthle asignado es un con-
senso obtenido a pafifu de los resultados de la mayoria o de todos 1os labo-
ratorios. Esta riltima situacidn resulta de interds ya qlue, cuando muchos
laboratorios participan en un esquema ES dado, se est seguro de que apare-
cern una serie de datos sospechosos o anmalos en un ensayo individual.
(Se deberia observar qlte, aunque muchos esquemas ES proporcionan mues-
tras e informan sobre caracteristicas de ms de un analito, la experiencia de-
muestra que un laboratorio que puntria
bien en un anlisis especifi.co no ne-
cesariamente puntria bien en otros.) Este problema se ve solventado bien por
el uso de 1a mediana (vdase
e1 Capftulo 6), que es especialmente recomenda-
do para conjuntos de datos pequefros (z
< 10), una media robwsta
(vase
el
Capitulo 6), o \a media d.el recorrido intercuartilico (v6ase
e1 Capitulo 6). To-
das estas medidas de Tocalizaciln evitan o dirigen los efectos de los resulta-
dos dudosos. Se recomienda tambidn que se informe de la incertidumbre del
valor asignado a los participantes en el ES. Esto tambin se puede obtener
de 1os resultados de laboratorios expertos: 1as estimaciones de la incertidum-
bre se analizan posteriormente con ms detalle
(Seccin
4.12).
El valor objetivo para la desviacin estndar, o, debefia circrtlar de ante-
mano entre los participantes ES
junto
con un resumen de1 m6todo por el
cual se ha establecido. Yanar con la concentraci6n de analito, y una apro-
ximacidn a estimarlo es utilizar urta relacin funcional entre concentraci6n
y desviacin estndar. La relacin mejor conocida es la trompeta de Horwitz,
fechada en L982, denominada asf por su forma. Utilizando muchos resulta-
dos de ensayos de colaboracifn, Horwitz demostrd que la desviacin estn-
dar rcTativa de un mdtodo variaba con la concentraci6n, c
(e.g.mg g-
t),
dt
acuerdo ala ecuacin emptrica y aproximada:
DER
: -12G -o.5logc)
(+.1,2)
Esta ecuacifn conduce a la curva con forma de trompeta mostrada en la
Figura 4.8, qtte se puede utiTizar para derivar valores objetivos de o para
cualquier anlisis. Dichos valores objetivos se pueden estimar tambin del
conocimiento previo de las desviaciones estndar normalmente logradas en
e1 anlisis en cuestin. Otra aproximacilnuttlizalafalta de ajuste para esta-
blecer criterios: si los resultados del anlisis, utllizados de forma rutinaria,
exigen una cierta precisidn para que los datos sean interpretados adectada-
mente y de forma:til, esa precisin proporciona el valor aceptable ms gran-
de (peor)
de o. Resulta unaprcrica pobre estimar o apartfu de los resultados
de 1as rondas previas de1 esquema ES en si mismo, ya que esto ocultana cual-
quier mejora o deterioro en la calidad de los resultados con eI tiempo.
Los resultados de una nica ronda de un esquema ES se resumen con
frecuencia como se muestta en la Figura 4.9. Si los resultados siguen una
distribucin normal con media xo y desviaciln estndar o', las puntuaciones
z setn una muestra de la distribucidn normal estndar, es decir, una distri-
bucin normal con media cero y varianza 1,. Por tanto, un laboratorio con
un valor
lzl
< 2 se considera por 1o genera| que ha funcionado satisfac-
95
10
0
-10
-24
-30
-40
-50
10O"/" 0J% lppm lppb lPPt
Concentracin
(c)
Figura 4.8. La trompeta de Honruitz.
toriamente, un valor de
lzl
entre 2 y 3 resulta cuestionable, y valores d.e
lzl
> 3 son inaceptables. Desde luego, incluso los laboratorios con puntua-
ciones satisfactorias se esforzarn por mejorar sus valores en las rondas pos-
teriores del ES. En la prcttca, no es infrecuente encontrar distribuciones de
ocolas acusadasr, es decir, ms resultados de 1os esperados con
lzl
> 2.
Algunos valores se han adjuntado a los mdtodos de combinar las puntua-
ciones z. Por ejemplo, los resultados de un laboratorio en un esquema ES
rinico a 1o largo de un afr.o se podrfan combinar
(aunque esto enmascararta
cualquier mejora o deterioro en e1 funcionamiento sobre el aflo). Si el mismo
m6todo analitico se aplica a diferentes concentraciones del mismo analito en
cada ronda del mismo esquema ES, nuevamente una puntuacidn compuesta
podrtatener un valor limitado. Paraeste propsito se utilizan dos funciones,
1" ru-" de puntuaciones z rescaladas
(Spn),J 1" suma de puntuaciones
z csadradas
(spC), dadas por SPR
:Lrr,lt/n
y SPC
:
I,
z!, tespectiva-
mente. Cada una de estas funciones tiene desventajas, no recomendndose
el uso de las puntuaciones z combinadas.
r
o)
o
EL
o-
o
o-
o-
o
o
a
3
o
o-
o-
o
6
OJ
:J
gL
c)
o
a
e
(6
6
(6
ro
-
.(s
o
o
'o
.(d
a
o
o
Figura 4.9. Resumen de resultados de una nica ronda ES.
(z
rfl
a
'-l-
o
o-
a
c)
0J
'o
=
;J
o
o
FF
kl
g)
E
o
FJ
o
,.o
i
c)
oJ
s,
T
o)
o
o
e6
4.1 1. Ensayos de colaboracin
Como se ha visto, los esquemas de prueba de habilidad permiten que sea con-
trolada, comparada y qtiz mejorada la cornpetencia de Los Laboratorios. En
contraste, un ensayo de colaboracidn (EC) pretende evaluar la precisin
de un mtodo analttico, y a veces su capacidad para proporcionar resultados
libres de sesgo. Consiste norrnalmente en un rinico experimento implicando
alaboratorios expertos y competitivos, los cuales usan por definicidn la mis-
ma tcnica. Los ensayos de colaboraciln quiz se describen mejor como es-
tudios de funcionamiento de m6todos.
Un experimento preliminar crucial es el ensayo de nentereza, resistencia
o robustezrr. Como se vio en el Capitulo 1, incluso 1os experimentos analiticos
muy sencillos suponen varios pasos individuales y, quiz, e1 uso de un cierto
nimero de reactivos. Asi, muchos factores experimentales
(por
ejemplo,
temperatura, composicin del disolvente, pH, humedad, pureza de reactivos
y concentraciln, etc.) afectardn a los resultados, y es esencial que dichos fac-
tores se identifiquen y estudien antes de que se emprenda cualquier ensayo
de colaboraci6n. En algunos casos un mdtodo resulta ser tan sensible a pe-
quefr.os cambios en un factor, que en \a prctica es dificilfsimo de controlar
(por
ejemplo, reactivos de altapureza) de modo que el mdtodo se rechaza por
ser impracticable antes de que se efectrie el EC. En otros casos el ensayo con-
tinuar, pero se prevendr alos colaboradores de aquellos factores que deben
ser controlados con ms cuidado. Aunque en el Capitulo 7 se expone una
discusidn ms completa del diseflo experimental, es importante indicar aqti
que puede obtenerse mucha informacin de un nmero relativamente peque-
flo de experimentos. Supdngase que se cree que siete factores experimentales
(A-G) podrian afectar a los resultados de un anlisis. Estos factores tienen
que ser probados con
(a1
menos) dos valores, denominados niveles, para ver
si son realmente significativos. Asi, si se pensd que la temperatura afectaba
al resultado, se deben realizar experimentos preliminares a dos temperaturas
(niveles) y comparar los resultados. De rnartera similar, si la pureza de los
reactivos puede ser importattte, se deben realizar experimentos con lotes de
reactivos de alta y baja prreza. Entonces podrfa pensarse que sern necesa-
rios 27 experimentos preliminares para cubrir todas las combinaciones posi-
bles de siete factores a dos niveles. Sin embargo, en Ia prcttca slo ocho
experimentos propotctonarn informacinimportante. Los dos niveles de los
factores se denominan + y
- ,
y \a Tabla 4.4 muestra cdmo estos niveles
estn situados en los ocho experimentos, cuyos resultados se denominan y1,
Uz,
...,
Ue.El
efecto de alterar cada uno de los factores d.e su nivel alto a su
nivel bajo se calcula fcilmente. Asi, el efecto de cambiar B de
-f
a
-
viene
dado pot
(Ut *
Uz
*
Us
*
U)la -
(U, -r
U+
i
Ur
t
Us)la.
Cuando las siete diferencias de los factores
(A-G)
se hayan calculado en
su totalidad de este modo, es fci1 identificar cualquier factor que tenga un
efecto preocupante en los resultados. Se puede demostrar que cualquier dife-
rencia que sea ms de dos veces la desviacin estndar de medidas repetidas
es significativa y debe estudiarse posteriormente. Este simple conjunto de
experimentos, tcnicamente conocido como diseflo factorial incompleto,
tiene la desventaja que no se pueden detectar las interacciones entre los fac-
tores. Este aspecto se analizar en el Capit.ulo 7.
Tabla 4.4. Ensayo de entereza, resistencia o robustez para
siete factores.
97
Expenmento
Resu/tado
t-
o
o
ei-
o-
o
o-
o-
o
o
a
T
o
o-
o-
o
a
9J
5
qJ
()
oJ
a
)/t
lz
)/s
)/q
)/s
J/a
lt
)/a
En los riltimos afr.os corporaciones internacionales se han movilizado con
vistas a un acuerdo acerca de cmo deben reaLizarse los EC.
'{1
menos B la-
boratorios (k>
8) deben estar involucrados. Ya que 1a precisin de un m6-
todo depende normalmente de la concentraciln de analito, deberia aplicarse
con al menos 5 niveles diferentes de analito en la misma matriz de la muestra
con medidas duplicadas para cada nivel
(n
:
2). Un requerimiento decisivo
de un EC es que se debefia distinguir ettre la repetibilidad de la desviacidn
estndar, s,,yla reproducibilidad de la desviacin estndar, sR.A cada nivel
de analito 6stas estn relacionadas por la ecuacidn:
si: s? + s? (+.rs)
donde sf es lavartanza dehidaa 1as diferencias interlaboratorios,
e
rcflejan
diferentes grados
de sesgo en diferentes laboratorios. Tdngase en cuenta que
en este contexto particular,la reptoducibilidad se refiere a errores que sur-
gen
en diferentes laboratorios y equipamientos, pero uttlizando el mismo m6-
todo analftico: 6sta es una definicin ms restringida de reproducibilidad que
Ia utilizada en otros casos. Como se vio en la Seccidn 4.3, ANOVA de un
factor puede utilizarse (con
clculos distintos a cada nivel de concenffacin
uttlizada en e1 EC) para separar las fuentes de variaciln de la ectaciln
(+.tg).
Sin embargo, el uso adecuado de la ecuaciln involucra dos supuesros:
(1) que a cada nivel de concentracilnlamedia obtenida en diferentes labo-
ratorios est6 distribuida normalmente; y (2) que a cada concentracin sea
igual la repetitividad de la varianza entre laboratorios. Ambos supuestos son
probados utiTizando m6todos estndar antes de comenzat cotT los clculos
ANOVA. Bn la prctica el segundo supuesto, el de la homogeneidad de la
varianza, se pruebaprimero uttlizando el mdtodo de Cochran. Estrictamente
hablando, este contraste se disefla para detectar varianzas andmal as er:- vez
de probar la homogeneidad de la varianza como un conjunto, sin embargo
otros mdtodos ms rigurosos para el riltimo propsito son ms complejos. El
contraste de Cochran calcula C comparatdo e1 rango mayor (es
decir, la di-
ferencia entre los dos resultados de un mismo laboratorio) con la suma de
dichos rangos. (Si
n > 2 se comparan varianzas ett
yez
de rangos), pero aqui
9B

se supone
que cada laboratorio
participante hace slo dos medidas a cada
nivel):
C-
w?o,u*
(+.r+)
L*?
j
donde
j
toma valores de 7 ak, elnimero de laboratorios
participantes. E1
valor de C obtenido se compara con los valores criticos de 1a Tabla A.15, y
la hiptesis nula, es decir, se rechaza que la varianza ms
Srande
no sea un
valor anmalo, si el valor critico es mayor que el valor adecuado de k. Cuan-
do se rechaza 1a hiptesis nula, se descartan los resultados procedentes del
laboratorio en cuestidn.
Se contrasta entonces el primer supuesto utllizando el contraste de
Grubbs
(Seccin 3.7) el cual se aplica en primer lugar como un contraste
simple de valores anmalos, y entonces
(puesto que cada laboratorio tealiza
rnedidas por duplicado) en forma modificada como un contraste por parejas
de valores anmalos. En ambos casos todos los resultados de los laboratorios
que producen resultados anmalos son de nuevo excluidos de1 ensayo, a no
ser que esto dd lugar a prdtdas de demasiados datos. Cuando se completan
estos test de valores anmalos, se puede proceder con los clculos ANOVA
como enla Seccidn 4.3.
En muchas circunstancias no es posible llevar a cabo un EC completo
como se describi anteriormente,
por ejemplo, cuando los materiales de
prueha no est6n disponibles en el rango de concentraciones adecuado. En
iales casos se pued.e ,r.ut un sistem a ms simple. Bste es e1 mdtodo de You-
den de pares de parejas o de las dos muestras, en el que a cada laboratorio
participante se Le envian dos materiales de composicifn simil.ar, X e Y, y se
les solicita que realicen una determinacin de cada no. Los resultados se
representan como se muestra erL 1a Figura 4.10, representando cada punto
como un par de resultados de un rinico laboratorio. Tambidn se determinan
los valorei medios para 1os dos materiales, X e
y,
y tt dibujan lineas hori-
Muestra X
Figura 4.10. Una representacin grfica de Youden para dos muestras.
rrl
U)
g)
o-
a
()
Cu
'.o
I
o
o
5
o)
E
o
Hl
g)
p
C
;J
o
o
o
T
EL
()
g)
(s
o
o
-
zontales y verticales a travds de1 punto (X,
Y), este punto divide
e1 diagrarna
gg
en cuatro cuadrantes. Este diagrama permite evaluar la existencia
en .1 .rr-
sayo de errores aleatorios y sesgo. Si slo existen errores aleatorios,
las de-
terminaciones de X e Y pueden dar resultados que son a 7a vez demasiado
altos, alavez demasiado bajos, X alto e Ybajo, o X bajo e
y
alto. Estos
cuatro resultados podrian ser aproximadamente iguales, y el nrimero de pun-
tos en cada uno de los cuadrantes seria aproximadamente igual. Sin embar-
go,
si existen errores sistemticos en el laboratorio, es probable que
sus
resultados para X e Y sean altos, o bajos. Asi, si los errores sistemticos pre-
dominan, muchos de los puntos estarn en los cuadrantes del diagrama
su-
perior derecho e inferior izquierdo. Este es de hecho el resultado obtenido
en muchos casos. En el caso imposible de ausenciade errores aleatorios, to-
dos los puntos deherian caer sobre la diagonal de 45o con los ejes de1 diagra-
ma, de marTeta que cuando en 7a prctica tales errores estn presentes,
la
distancia de la perpendicular de un punto desde esa linea proporciona una
medida del error aleatorio de1 laboratorio. Adems, la distancia de 1a inter-
secci6n de la perpendicular con 1a linea de 45o al punto (X,
l) mide el error
sistemtico del laboratorio. Esta sencilla aproximacin a los ensayos de cola-
boraciin es por tanto aapaz de proporcionar de forma sencilla una buena
cantidad de informacin. La aproximacidn de Youden tiene la ventaj a adi-
cional de que los laboratorios participantes no tienden a suprimir una o ms
determinaciones repetidas, pudidndose estudiar muchos materiales sin con-
siderar un gran
nmero de experimentos.
Los diagramas de Youden proporcionan una buena cantidad de inforrna-
ci6n accesible de manera inmediatapero todavia se necesitanmtodos de cl-
culo de varianzas s y sl. nt siguiente ejemplo muestra cmo se puede hacer
esto de forma sencilla.
r
o)
o
91-
o-
Ct)
o-
o-
o
o
a
o
o-
o-
g)
a
o
T
EL
E!:
o
s)
(n
ffi.r
*s.s
l.n
as"f
.s.$ ffi.$ 3$,4
,1"S' 2S.S. ..96.*.'
r1
100
p*r cada
rabaratorin
para tra
ryuptrr
.f
Buede
incruir ur' errff
gi$tsm*tir. El mwp errsr
sistsmatisa
se i*durr
pres*mibfemente
en aquet r*surtada de *bsratsris
pra ta m{}esl'a
XLaditer*nc}a#i:x*y}tendrdpcrtantoeHmlnadngsleerrcg,dgmgnefaqn*dhter-
vat* dB tos valeres do #
pmiprcisnf* En s$timasln de los srr$rs aleatffie
o de me
dida_ $imitarments,
-rdfu*
asuwrularse
para
{*r
f;
Try*
vsftabllid*d
prcpmcicna una
estimacian
m h variacion'gton*
de los re$ulta$'
La variama
w+stim*
pol:
rfl
a
9)
o-
(t
o
o)
'o
o
:l
o
Fl
o
rJ
CD
>l
0)
o
!]
o
9J
o
9)
o
9)
x{,-
frf
&.-
i
F7
-
2{n* 1}
y le vadanza
globcl, S* *+Ul*a a tcdas I*s tu*ntes de enor, se e*tima
por:
{4.r$i
t4.tsi
Nte*e
qu* ceda una de +sls ecuasiorrcs
incluye un. en el denemlsr*s*r-
rss a
lustlfi0n
pbtqu*
"by
Ta*tae"e*tlrnaclc*es
de la* enorei e* #s *erle$ & resutrt*{M'q$e
$e
fffit;l
y;uh;* ri
pV
fr**pe**osmente.
Los re*ult*dos
de ese ns4p
Preds
xp{Psarss
6H sna
tabla como s$uo:
I
2i
2{P- 1}
X
Y
fr
T
,
$5.r *s. 23,8
gs'$
2*.7
*1'S
ee-o 2*"t 22" 24"1 *3$
2fi'1
2-1
**-A
1,S
t:5 S-1
'**'1
6,*,1 4$.* 4fi,1
4$J 41'#
44"1
2S$
s1.s
'
2fi
44,
*6,5
25.6
-s
s2,t
21"4
*5$
.*s.s
4S,4
t* tercer*
y cufirta $tas de la tabla
pr1+cur r$i{irersc
para d*mosrar
$J*
F'* 0'44
}
F* 4s.ss. t-u* *cu*oro-r'** t+r*iy i4jsi
nrr$tran
rye
lg v*rianua
gl*bulv Ia
Tfwl*
de
las rnedides mn
qg.sliy
ti.ggn
m**tio**r*.
Pueden
qer
ccnp.*ra&s
cor** & m*
tusrbre utithando t*ofttrast 4
dan& F- .g?. tlva{or *tfu*
*,OUU{"=
0-SS}'
'
ds rs*sra
qu* ra *J,ia*m*-*ntr*
hnsatoqtss
*r pou* ser d*his* *i srrarw aleatorio*, EI
*mp**U
&bid* # sess*, ,ts, vje'ne aq*f dadc
por:
#n:2#t+
a2,
[i*te,$e de nuevo la apricin del en la Ecuscin
t444,por$]
se esfi"d]f,n' dcs ]rlrsdfras'
Es {cil calcular
qu* **i}*o'Sn
de
4
es
ie'f]n}. !9
.T**h
de adae'h*
r**did*s'*e
4$,ffi1
*
24.6S5,
ge r**rrera
qu* la
-geeviuqtrm'Sndar
re'l*llva
'es
'{tSS
x
$"?$S}1
g4.sE5 *
21.4Vqk.F*te
prece ef rffi o*loi *uo-
pen 9fi relacio*r de la *$rfipda.@
rkitry.tu
prcdepirfa $n vtr ingso ms ahs ds .
g#"
a e*t* *tvs* & ffine*11ryeifu1
Me4a
hmm* cwr$t*r
rym
ta*
p*siHes var*r*s *r*rn*rou rro.*e eil'*ran
err el
g**esm!+ntc #e
youden,
de manera
-Jli"p-ia'*****
de rephazs de l0. rmultadoe
del l#r4tario't
n*
procpeia
4.12. Incertidumbre
En e1 Capitulo 1 se aprendi
que 1os procedimientos
analiticos
se encontra-
rn afectados tanto
pol effoles
aleatrios
como
pol se-s$o.'-En
los riltimos
afr.os un nrimero cada vez rnayor de quimicos analiticos
ha ido reconociendo
la importancia de proporcionar para cada anlisis un rinico nmero que des- 1O1
qlba
su efecto combinado. La incertidumbre de un resultado
es un pafi-
metro que describe un intervalo dentro del cual se espera que
se encuentre t:
la cantidad medida, teniendo en cuenta todas las fuents de rror. El concep-
3
to se encuentra rrruy asentado en las medidas fisicas. Su valor en 1a quimica g
analitica resulta tambiln innegable, aunque ciertas preguntas y controversias
+
permanecen acerca de la facilidad de su interpretaciln por parte de organis-
mos priblicos, asociaciones profesionales y el priblico profano,
asf como sobre
*
los mejores m6todos para calcularlo . Para expresar la incertidumbre
se em- :
plean dos sfmbolos. La incertidumbre estndar (w)
expresa el concepto
co- E
mo una desviacidn estndar. La incertidumbre expandida (ff)
define un
3
intervalo que abarca una fracciln grande
de valores dentro de 1os cuales cae-
&
rla cantidad que se est midiendo y se obtiene multiplicando u por un fac-
E
tor de cobertur a, l<, elegido segrin el grado de confianza exigido para e1 ran- E
$o,
es decir, U
:
t,t
x
k. Puesto que w es anloga a una desviaciln estndar,
E
si k es 2
(6ste
es el valor por defecto generalmente
tomado si no se da otra d_
informaci6n), entonces [/ proporciona aproximadamente una mitad de1 ',
o
intervalo de confianza del 95%o. q)
En principio, se encuentran disponibles dos aproximaciones bsicas para
(n
estimar 1a incertidumbre. La aproximacin de abajo hacia arriba identifica
cada etapa separada de un anlisis, incluyendo siempre que sea posible fases
de muestreo, asigna errores aleatorios y sistemticos apropiados a cada una
de ellas, y luego combina estas componentes utilizando las reglas resumidas
en la Seccin 2.71 para proporcionar un valor de w g7ohal.
Sin embargo, por
una serie de razones este proceso puede no ser tan simple como parece. El
primer problema es que incluso los procesos analiticos simples pueden con-
llevar muchos pasos experimentales individuales y posibles fuentes de error.
Es fcil pasar por alto algunas de estas fuentes y, por tanto, 7leSar a un valor
de incertidumbre muy optimista. Si todas las fuentes de error se identifican
por completo, entonces el proceso del c7ct7o global resultar bastante largo.
Ejemplos de fuentes de error que se deberian considerar pero que se omiten
con facilidad, incluyen sesgo del operador; sesgo del instrumento, incluyendo
el transporte de muestra; suposiciones relativas a Tapureza del reactivo; uso
de aparatos volum6tricos a Lrrta temperatura diferente de aquella a la que se
calibraron; cambios en la composicin de 1a muestra durante el anlisis, bien
debidos ala contaminacidn o debidos a la inestabilidad inherente; uso de cal-
culadoras o computadoras con prestaciones inadecuadas o con el modelo es-
tadistico aplicado equivocado, etc. Todos estos factores puede que surjan
ademds de los errores aleatorios que inevitablemente ocurren en las medidas
repetidas. Mientras que los riltimos se pueden estimar directamente median-
te medidas repetidas, algunos de 1os sistemticos puede que no sean inheren-
tes a1 experimento, y tengan que ser estimados empleando la experiencia, o
la informaciln de los fabicantes del equipo tales como los certificados de
callbraciln o las especificaciones del instrumento.
Otro problema es que, como se demostr en e1 Capftulo 2, 1os errores sis-
temticos no se prestan inmediatamente por ellos mismos aI tratamiento es-
tadistico en la misma forma que los aleatorios. Entonces,
;cmo
se pueden
combinar con los errores aleatorios para proporcionar un valor g\oba7
u?
(Todavia
resulta una buena prctica minimizar los errores sistemticos me-
r{
102
rrl
Q
qJ
o-
a
o
o
'o
c
-{
o
T
o
Fl
oJ
E
g,
F{
o)
,.o
I
F]
o
o
c')
I
gl-
o
0)
diante el uso d.e materiales de refercncia y estndar, pero arin se incluirian
los errores implicados en ese proceso de correccin en la estimacidn de la
incertidumbre
global.) El mdtodo habitual de manejar los errores sistemti-
cos es tratarlos como procedentes de una distribucin rectan$ular. Sup6nga-
se, por ejemplo,
que un fabricante manifi.esta que \a pureza de un reactivo
.s
gg.g
+ 0.1%. Esto no significa
quela pureza del reactivo en su recipiente
varie aleatoriamente con una desviacin estndar de1 0.1%: significa
que \a
pureza del reactivo en una rinica botella se encuentra enlre 99.8%o y I00o/o.
bsto es, cualquier botella lleva asociado un error sistemtico,
Y
no hay raz6n
pata suponer que 1a pureza real se encuentre ms prxima al 99.9o/o
Q'ue

ualquir otro valor en el rango 99.8-100.0o/o . En tales casos, la contribucidn


alaincertidumbre estndar se obtiene dividiendo e1 error por
."/3,
dando un
r
valor de 0.1
lr/3:0.0577,
y este valor se combina con otras contribuciones
como si procediese de una fuente de error aleatorio.
Un probl ema adicional, cuyo alcance parece que no se ha investigado por
compleio, es que las reglas para combinar errores proporcionadas en el
Capitulo 2 suponen que las fuentes de los errores son independientes. En rea-
lidad patece muy posible que esto no sea siempre cierto. Por ejemplo, si una
serie de experimentos se llevan a cabo durante un periodo en e1 cual la tem-
peratura de1 laboratorio flttct:a, dichas fluctuaciones podrfan tener varios
efectos, como alterar \a capacidad de aparatos volumdtricos, causar pdrdidas
de muestra a travs de 1a volatilida d, afectando a la sensibilidad de detectores
pticos o electroqufmicos, etc. Puesto que todos estos errores sur$irian de
una rinica fuente, se encontrarian correlacionados,
y estrictamente hablando
no se podrian combinar empleando fdrmulas simples. En dichos casos la in-
certidumbre rea! podria ser menor que e1 valor u calculado sobre la hipdtesis
de errores independientes.
Globalmente, 1a aproximacin de abajo hacia arribaparalas estimaciones
de 1a incertidumbre puede consumir demasiado tiempo para muchos prop-
sitos. Es posible que en algunos laboratorios no sea necesario realizar dichos
clcu1os muy a menudo,y
que una estimaci6n de la incertidumbre realizada
con detalle para un anlisis puede servir como modelo para otros anlisis a
1o largio de un periodo de tiempo. Pero en otros casos, de manera ms obvia
"outrdo
estn piesentes cuestiones legales o de regulacin
(ver
ms adelante),
esto no ser sufi.ciente y una estimacin de la incertidumbre se tendr que
proporciona! para cada muestra en conflicto. A pesar de esto, la aproxima-
cin de abajohacia arnba es 1a que recomiendan actualmente muchas auto-
ridades.
Una aproximacin completamente diferente es el mdtodo de arriba ha-
cia abajo,
e
busca emp\ear 1os resultados de los esquemas de ensayo de
suficiencia en una serie de laboratorios
(vdase la Seccin 4.10) para propor-
cionar estimaciones de 1as incertidumbres
globales de 1as medidas sin inten-
tar necesariamente identificar cada fuente individual de error. Claramente,
el mdtodo slo se aplica en reas donde se encuentran disponibles los datos
de esquemas de sufi.ciencia ejecutados correctamertte, aunque e1 nrimero de
dichos esquemas se est extendiendo con rapidez y puede, por tanto, propor-
cionar :una alternativa rcaI a los mdtodos de abajo hacia arnba en muchos
campos. Se puede argumentar que 1os valores de incertidumbre calculados de
esta forma son ms realistas que los valores de los m6todos de abajo hacia
arrlba, y hay un gran ahorro de esfuerzo, ya que los resultados
del esquema
ES
(pruebas
de suficiencia) proporcionan directamente estimaciones
de la
incertidumbre. Por otra parte,los esquemas ES emplean varios m6todos ana-
liticos, asi que razonablemente se podria decir que la incertidumbre
de 1os
resultados de un laboratorio que tiene dilatada experiencia en un rinico m6-
todo podrian ser mejores
(ms pequeflos) qnr los resultados ES sugerkian.
De nuevo, 1os esquemas ES utilizan materiales de una rinica muestra prepa-
rados con gran cuidado. Por tanto, se podrian pasar por alto algunos errores
de muestreo que ocurririan en un anlisis
genuino.
Estos problemas han conducido a algunos organismos a proponer mdto-
dos ms simples, explicitamente diseflados para minimizar Ia carga de traba-
jo
en laboratorios que emplean una serie de procedimientos analfticos. En
una de esas aproximaciones los principios bsicos son:
(1)
Los errores siste-
mticos no se incluyen en las estimaciones de la incertidumbre, pero se
establecen empleando materiales de referencia como es habitual y asi se co-
rcigen o eliminan.
(2)
Se toman al menos 10 medidas replicadas sobre mues-
tras aut6nticas estables y bien caracterizadas o sobre materiales de referencia.
(Esto
implica nuevamente que las incertidumbres del muestreo no se in-
cluyan en las estimaciones.)
(3) Las incertidumbres se calculan de las
desviaciones estndar de las medidas realizadas en condiciones de reproduci-
bilidad internas, es decir, con analistas diferentes, utllizando concentraciones
diferentes
(incluyendo
cualquiera que sea relevante a los requerimientos le-
gales), y en todas las matrices relevantes. Estas condiciones se supone que
reproducen mim6ticamente aquellas que se presentan en un laboratorio en
las operaciones diarias. Se realiza alguna provisin en aquellas circunstan-
cias en que no se puedan lograr las condiciones de reproducibilidad
(por
ejemplo, donde las muestras sean intrinsecamente inestables). Este mdtodo
parece ser muy simple, pero puede ser adecuado: de hecho, puede ser el rini-
co mdtodo practicable en algunos casos.
Las estimaciones de la incertidumbre son importantes no slo para cual-
quiera que haya suministrado una muestra para su anlisis y que exija un
intervalo de valores donde debena caer la concentraciln verdadera del ana-
lito. Tambidn son valiosas para demostrar que un laboratorio tiene la capa-
cidad para realizar anlisis de significaciln legal o estatutaria. Una vez qLLe
en un laboratorio dado se conoce un valor de incertidumbre para un anlisis
concreto, resulta simple interpretar los resultados con relaciln a ta7 referen-
cia o a otros limites de especificacin. La Figura 4.11 muestra cuatro situa-
ciones posibles, donde se supone que se ha rtilizado un factor de cobertura
de 2 para determinar
(J
al nivel del 95o/o
(el
intervalo del 95% se muestra
mediante 1as flechas dobles verticales), y donde se han especificado tanto el
limite superior como el inferior para la concentraciln de1 analito. Estos limi-
tes se indican mediante lineas horizontales.
En e1 caso A, el intervalo de incertidumbre cae completamente entre los
limites superior e inferior especificados, de mattera que se ha logrado la con-
formidad con la especificacin. En e1 caso B, el intervalo al 95
o/o
se extiende
ms all del limite superior, de manera que aunque es ms verosimil que no
haya conformidad, no se puede verifi.car completamente al nivel del 95
o/o.En
el caso C la conformidad es muy improbable, aunque no imposible, y en el
caso D es claro que no lo cumple.
103
-
0)
o
e2-
o-
o
o-
o-
o
-
a
:]
o
o-
o-
g,
a
CD
5
EL
o
o
(n
tb
c
A
104
rrJ
a
o
o-
q)
t+
o
o)
\<
o
C
o
I
o
F{
o

9)
B
cI)
,.o
g
C)
tIJ
g)
9L
o
gJ
t
v
t
I
Figura 4.11, El uso de la incertidumbre
para contrastar conformidad con los limites
de especificacin.
Aunque ninguna de las aproximaciones
pata estimar las incertidumbres
es id.eal, y unttqn" el t6rmino en si mismo an provoca controversia
(algunos
quimicos analiticos creen que es demasiado neliativo o pesimista en sus im-
plicaciones para el priblico profano)
,
parece seguro que los c1cu1os de incer-
tidumbre crecern en importancia en el futuro.
4.13. Muestreo de aceptacin
Las secciones anteriores de este capftulo han demostrado cmo 1a calidad de
los resultados analfticos obtenidos en un laboratorio se puede controlar me-
diante procedimientos de control de calidadinterno y 1a participaci1n en es-
quemas de ensayos de sufi.ciencia. Tambidn se ha demostrado cdmo el con-
cepto de incertidumbre se ha disefrado para ayudar alainterpretaciln de los
resultados analiticos que rea\izanlos clientes, incluyendo las autoridades re-
guladoras. En esta seccin se considera otro problema importante que con-
cierne tanto a los analistas como a sus clientes llamado muestreo de aeep'
taci6n. En los capitulos anteriores se han analizado ya los principios
estadisticos simples que intervienen en esta problemtrca. Supngase que a1
fabicante de un producto qufmico se le exige asegurar
que no conten$a mds
de un cierto nivel de una impt:r.eza concreta. Esto se llama nivel de calidad
aceptable
(XCa)
del producto y viene dado por el sfmbolo
lto.La
intencin
de1 fabricante para asegurar que este nivel de impureza rto sea superado se
controla ensayando lotes del producto. Cada ensayo conlleva n partes de ett-
sayo, cuyo nivel medio de impureza es i como se ha visto. Lavariacin entre
partes, o, se suele conocer de la experiencia
previa. El problemaprctico que
surge es que, incluso cuando un lote de material fabricado tiene un nivel de
imputeza d" po, y es, por tanto, satisfactorio, valores de i superiores a
Fo
aparecern en e1 50 % de los anlisis. Por tanto, e1 fabricante establece un
valor critico pata x, dado por el simbolo t0. El lote ser rechazado para un
valor de i > fs. Este valor critico es mayor
ea lto,
asegurando de este modo
que el fabricante se expone s1o a un riesgo pequeflo de rechazar un lote
satisfactorio.
A1 mismo tiempo el cliente desea minimizar el riesgo de aceptar un lote
105
con un nivel medio de impureza superior a pre. Esto se puede lograr fijando
un nivel de calidad de tolerancia
(XCf)
acordado,
Fr,
que tengaunape-
f
quefla probabilidad de aceptaciln. El objetivo del muestreo de aceptacin es
;
que el valor critico is minimice el riesgo tanto para el cliente como para e7
g
fabricante. ,.'A.1 mismo tiempo se desea asegurar que n no sea ms grande
de

1o necesario. Esto se puede conseguir uttlizando las propiedades de 1a distri-


o-
bucin en el muestreo de la media, dado qrte o es conocida.
&
Sup6ngase que el fabricante acepta un riesgo de1 5
o/o
de rechazar un lote
i
del producto quimico que de hecho sea satisfactorio, es decir, un lote para el
?
cual i ) io, incluso aunque
lt: l;o.
Entonces se puede escribir:
i
o
o-
Cl)
a
/- \ tl , f-.l a
^a
trco - Ltd llo lJ
n)
:
I.b+ (+.rs)
o
5
o
H.
o
El valor 1.64 se puede encontrar en 1a tabla A.2
(ver
tambinla Seccin 2.2).
a
Supdngase tambidn que el cliente est preparado para aceptar un riesgo del
10 7o de aceptar un lote con la impureza en e1 NCT. Entonces se puede es-
cribir de manera similar:
(4.1e)
Puesto que enlaprictica1os valores de
lro
y
Fr
se habrn acordado d.e ante-
mano, las ecuaciones
(+.tS)
V
(+.f
g)
proporciorTar: ecttaciones simultneas
que se pueden resolver pata obtener n y io.
106
ri
Bibliografia
Lawrt,
R. E., Thompsofl, M. and Walker, R. F- 1997. Proficiencg, Testing in
Analytical
Cheisffy,
Royal Society of Chemistry, London'
(Un claro y
actuilizado
tratado de esquemas ES')
Massart, D. L., Vande$inste,
B. G. M., Buydens, L. M. C., de
Jong,
s., Lewi,
p.
J.
and Smeyers-Verbeke, J.
1997. Hand.bool<, of Chemornetrics and
Qwa-
lirnetrics,
pari
A. Elsevier, Amsterdam.
(Extenso tratamiento de muchos
tpicos relacionados
con la calidad.)
Montgomery,
D. C.1985. Introd.wction
to Statistical
Qwality
Control' Wiley,
Nw Vort<.
(Un
texto
Seneral
clsico de la estadistica del control de cali-
dad.)
pritchard,
E. 1995 .
Quality
in the Analgtical chemistry Laboratorg, wilery,
Chichest.r.
(k
troucci?n clara de los aspectos
generales de la calid'ad,
con discusin de la incertidumbre.)
Wernimont, G. T. and Spendley,
W. 1985. Use of Statistics t9 Develop and
Evalwate Analyticat Method,s. AOAC, Arlin$ton, USA.
(Constituye la
continuacin dL ms relevancia sobre la obra de Youden y Steiner.)
youden,
W.
J.
and Steiner, E.H. 7975. Statistical Manwal of the Association
of Officiit Analytical Cherni.s/s. AOAC, Arlington, USA.
(Texto clsico
Con ucho dnfasis sobre los ensayos de colaboraci6n.)
rn
a
o)
R
a.
'
TD
'o
C
:1
o
o
FJ
CD
E
9)
5
oJ
.o
C
5'
o
o)
o
f
8L
o
o
1.
Ejercicios
Se proponen dos esquemas de muestreo
para una situacifn en la que se
*ubl, de anterior.r &p"riencias,
que 1a varianza muestral es 10 y 7a va-
liranza de las medidas 4
(enunidades arbitrarias)'
Esquema 1: Tomar cinco incrementos de muestra, mezclatlos
y reali-
zar :urt anlisis
Por
duPlicado'
Esquema 2: Tomar tres incrementos de muestra
y realizar un anlisis
por duPlicado de cada.
Demostrar
que \a variartza de la media es la misma para ambos esque-
mas.
aeu
relacidn entre el coste de muestreo y el coste del anIisis debe
sobiepasarse
pala que el se$undo esquema sea ms econmico?
Los datos de la tabla adjunta dan la concentracin de albrimina medida
en el suero sanguineo de un adulto. Se tom una muestra de san$re du-
rante cuatro dis consecutivos
y se determin la concentraciln de alb-
mina en el suero por triPlicado.
2.
concentraciones de albnina (normalizada,
unidades arbitrarias)
63 61 62
57 56 56
50 46 46
57 54 59
Demostrar que la concentraciln media para los diferentes dias difiere
significativamente.
Estimar Ia varianza de 7a variaciln dia a dia (.t
decir,
"\a
variacifn muestral").
3. Para estimar 1as varianzas de medidas y muestreos se determind la con-
centraciln de halofuginona en higado de pollo, se tomaron cuatro incre-
mentos de muestra de diferentes partes del higado y se tomaron medidas
por triplicado sobre cada una de ellas. Se obtuvieron los siguientes re-
sultados (mg
Kg-r):
Muestra Medidas repetidas
A 0.25 0.22 0.23
B 0.22 0.20 0.19
c 0.19 0.21 0.20
D 0.24 0.22 0.22
Verificar que la varianza muestral es significativamente ms grande que
la varianza de las medidas y estimar ambas varianzas.
Se proponen dos posibles esquemas de muestreo:
Esquema 1: Tomar seis incrementos de muestra, mezclarlos y hacer las
medidas por cuadruplicado.
Esquema 2: Tomar tres incrementos de muestra y sobre cada uno ha-
cer las medidas por duplicado.
Calcular la varianza total de la media para cada esquema.
Para estimar Ia capacidad de un proceso, se tomaron medidas sobre seis
muestras de tamaflo 4, como se muestra en la tabla adjunta (en
la prc-
tica se necesitariat al menos 25 de tales muestras). Bstimar la capacidad
del proceso,
s. Si el valor del objetivo es 50, calcular las posiciones de las
lineas de acciln y de aviso de un diagrama de Shewhartpara la media
muestral y el rango.
Dia
1
z
4
107
F
o
c)
OJ
o-
o
o-
o-
o
o
a
:J
o
o-
o-
AJ
a
o
Fl
q)
11
o
o
a
Muestra
1
2
3
4
5
6
Valores
48.8 50.8 51.3 47.9
48.6 50.6 49.3 49.7
48.2 51.0 49.3 50.3
54.8 54.6 50.7 53.9
49.6 54.2 48.3 50.5
54.8 54.8 52.3 52.5
5. En un ensayo de colaboracifn, dos muestras muy similares de aceite
(A
y B) fueron enviadas a 15 laboratorios, cadauno de los cuales realizaron
una determinacin del nivel de cadmio en cada muestra utilizando la
tcnica de emisidn de plasma por acoplamiento inductivo. Se obtuvieron
los siguientes resultados:
0
108
rr,
Q
o
o-
a
o
g,
'o
o
o
r'+
Fl
o)
r
o
Fl
o
,o
o
9)
o
9J
o
g)
Laboratorio
Dibujar el diagrama de dos muestras con estos d.atos, y comentarlaprin-
cipal fuente de error en e1 ensayo de colaboracifn.
Estimar la vatianza
g1ba1, la varianza de la mediday el componente de error sistemtico de
Ia varianza de los resultados.
E1 valor objetivo
paraun anlisis
particular es 120. Si 1os ensayos
preli-
minares muestran
que las muestras de tarnaito 5 dan un valor de 7, es-
tablecer los diagramas de Shewhatt
de la media y del ran$o para mues-
tras de1 mismo tamaflo.
Una muestra de sangre de control de calidad interno, :utllizada
pata
probar la exactitud de determinaciones
de alcohol en san$re, contiene
bO.O
-g
100 ml-
t
de etanol. Se hicieron medidas sucesivas diarias del
nivel d alcohol en 1a muestra rtllizando cuatro rdplicas. La precisin
(capacidad del proceso) de1 mdtodo es 0.6 mg 100 m1-'. Se obtuvieron
los siguientes resultados:
Dia Concentracin
(mg /00 nf
t)
{
I
2
e
4
5
6
7
I
I
10
11
12
13
14
15
Niveles de Cadnio
(PPn)
AB
8.8
10.0
3.8
4.7
10.1 12.1
8.0 1 1.0
5.0
4.7
5.2 6.4
6] 8.7
9.3 9.6
6.9
7.5
3.2 2.8
9.7 10.4
7.2 8.3
6.5 6.8
9.7
7.2
5.0 6.0
6.
7.
1
2
3
4
5
6
7
8
q
10
11
12
13
79.8
80.2
79.4
80.3
80.4
80.1
80.4
80.2
80.0
79.9
79.7
79.6
79.5
Dia
14
15
16
17
18
19
20
Concentracin (ng /00 nf
')
79.3
79.2
79.3
79.0
79.1
79.3
79.1
109
Dibujar el diagrama de Shewhartparala media, el diagrama de cusumas
para estos resultados y comentar los resultados obtenidos.
t-
D
c)
e2-
a-
o
o.
o
o
a
3
o
o-
o-
g)
(t
oJ
I
p
o
o
6
Mtodos
de calibraci6n
en anlisis instrumental:
regresin y
correlacin
5.1. Introduccin: anlisis instrumental
Las tdcnicas de anlisis clsicas o
(quimicahmeda>
como volumetriasy gra-
vimetrias continuan utltizndose en muchos laboratorios y an se ensefran
ampliamente en cursos de
Quimica
Analittca. Dichas tdcnicas suministran
excelentes introducciones a 7a manipulacidn y otras prcticas requeridas en
el trabajo analitico, son ideales para anlisis de alta precisidn, especialmente
cuando estn involucrados un pequeflo nmero de muestras? y algunas veces
son necesarias para anlisis de materiales patrdn. Sin embargo, no hay duda
que muchos anlisis se llevan a cabo en este momento por mdtodos instru-
mentales . Tcnicas que utilizan espectros copia de absorcin o emisi6n a va-
rias longitudes de onda, diferentes m6todos electroqufmicos, espectrometria
de masas, cromatografia gaseosa y liquida, m6todos radioqufmicos y t6rmi-
cos, probablemente
suponen al menos el 90 % de todo el trabajo analitico
actual. Hay varias razorTes para esto.
En primer lugar, los mdtodos instrumentales pueden realizar anlisis que
son dificiles o imposibles por los mdtodos clsicos. Mientras que los mdtodos
clsicos pueden detectar raramente especies quimicas a niveles de sub-micro-
gramos,
muchos mdtodos instrumentales son sorprendentemente sensibles.
Por ejemplo, en los riltimos afr.os se han utilizado m6todos de fluorescencia
para detectar moldculas orgnicas en volmenes de disolucidn muy peque-
flos. Normalmente slo es posible determinar un analito de una vez median-
te nmdtodos por via hmedarr, si bien la espectrometrta de plasma puede
determinar diez o ms elementos simultneamente (y
a muy baja concentra-
cin). De forma similar, los mdtodos que combinan la cromatoSrafia liquida
de alta resolucin con un procedimiento de deteccin espectroscpica pue-
den identificar y determinar muchos componentes de mezclas orgnicas
complejas en pocos minutos. Arin ms, el intervalo de concentracin de un
mdtodo de anlisis clsico concreto est usualmente limitado por considera-
ciones tericas y prcticas. Asi, valoraciones con AEDT pueden ser rcaliza-
112
rrJ
a
cu
o-
a
o
o,
'o
I
II
o
p
o
Fl
s)
'iJ
tL)
Fl
g)
'.o
g
o
o)
o)
g)
C)
g)
/o
das con 6xito con concentlaciones
de reactivo del orden de 10-n M, sin em-
bargo un rimite ,rf"rro,
(ca. o.3 M) est restringido
por
_la
solubilidad
del
AEDT
en agua. El intervalo de concentr actn ritil en anlisis clsico es
ge-
neralmente
de 2-3 &denes de magnitud
(es decir,
potencias de 10)' En con-
t*porl.iOn,
algunos mftodos instrumentales
son capaces de determinar
con-
centraciones
de analito en e1 intervalo de seis o ms rdenes de ma$nitud:
esta caracterfstica
tiene importantes
repercusiones
para el tratamiento
esta-
distico de los resultador, co*o se ver enlaprxima
seccin'
En segun d.olugar,
para una
$ranvariedad
de muestras, el anlisis instru-
mental suele ,., ar iapiao
y u *"tt.tdo ms hatato
que la laboriosidad
de
Ios mdtodos manual.r.
dn unli.ir clinicos,
por ejemplo, se presenta con fre-
cuencia la necesidad de realizat e1 mismo anlisis en una veintena o aun
cientos de muestras de san$re o suero/plasma
san$uineo cada dia' A pesar
del alto coste inicial de1 equip o, tal ttaialo se realiza
$eneralmente
usando
sistemas completamente
automatizados.
La automattzaci|n
ha llegado a ser
de tai importan cia enla
quimic a analfca,
que la facilidad con
qae urla tc-
nica purtlular pueda ser utomati zad-a, es 1a que a menudo determina
el que
sea o no usada del todo. Un mdtodo autom ttco tipico ofrece 1a posibilidad
d.e procesar muestras a 1a velocidad de 100 por hora o ms' E1 equipo tomat
un volumen medido d.e muestra,
la diluir adecuadamente,
plovocal una o
ms reacciones con ella, y d.eterminary
re$istratIa
concentraci6n
del ana-
lito o un d.erivado formado en las reaCciones. Otras reas donde e1 uso d'e
equipamiento
automtico
es decisivo incluyen el control medioambiental
y
.irurrrpo de1 anlisis de los procesos industriales
cuyo crecimiento evolucio-
,u
"orr^
rapidez. En todas estas aplicaciones
del anlisis automtico, sur$irn
evidentemente
problemas ,.p.riul.s
de estimaci6n de errores: errores siste-
mticos,
por ejmplo, deben ser identificados
y corre$idos tan tpidamente
como sea posible.
En riltimo lugar, los modernos
instrumentos
analiticos estn casi siempre
interconectadosotr
.o-putadoras
personales que proporcionan sofisticados
sistemas de control
y de
-u!^^""n^miento,
tratamiento
(por ejemplo, la pres-
tacin de la transform ada de Fourier o clculos de espectros de derivadas) e
informes de datos. Tales sistemas
pueden tambidn evaluar estadisticamente
1os resultados,
y para corllparar espectros
y otra informacin
se tienen en
cuentalos resultados analiticos
y loi que existen en librerias de datos. Todos
estos recu.rsos se consigrr.rl
".toalmente
utllizando computadoras
de bajo
coste
que oper an a
granes ,relocidades. Otra posibilidad importante es el de-
,urroilo de instrumntos
,,inte1igentes,,los cuales incorporan configuraciones
automticas
y diagnosis de falloi y pueden realizar
procesos de optimizacin
(v6ase eI Captfo 7).
Los pro.di-ienios estadfsticos
utilizados en anlisis instrumental
deben
proporrionar siempre informaciln
de la precisin y exactitud de las medi-
das. Deben reflejai adems 1as ventajas tdcnicas de dichos mdtod'os, espe-
cialmente ta posibilidad de cttbir un
gran intervalo de concentraciones
(incluyendo ncentraciones
muy bajas),
y matejar con tapidez muchas
urrtr"r.
(En este capitulo no ss abordarn mtodos
que faciliten la deter-
minacin de ms de un analito. Este tpico se comenta en el Capitulo B.) En
laprctica se calculan los resultados
y se eval.an los errores de manera
que
dideran de los utilizados cuando una medida sencilla se repita varias veces.
j
i
i
I
a
I
t
T
tt
i.l
5.2. Grficas de calibrado en anlisis instrumental
El procedimiento habitual es el siguiente. E1 analista toma una serie de ma-
teriales
(normalmente al menos tres o cuatro, y posiblemente algunos ms)
de 1os que se conoce la concentraciln de analtto. Estos patrones de calibraci6n
se mid,en en el instrumento analitico bajo las mismas condiciones
que las
tttrlizadas
posteriormente para 1os materiales de ensayo
(es
decir, los
odesco-
nocidos,,). Una vez establecida la grfica de calibrado, puede obtenerse Ia
concentraci|n de analito por interpolactln, como se muestra er7la Figura
5.1, en cualquier mateal de ensayo. Este procedimiento
$eneral
plantea va-
rias cuestiones estadisticas importantes:
1.
;Es
lineal lalinea de calibrado? Si es una curva,
Tqu6
forma tiene dicha
cur.;a?
2. Teniendo en cuenra qrte cada uno de 1os puntos de 1a linea de calibrado
est sujeto a erfores,
;cul
es la mejor linea tecta
(o
curva) que pasa pol
esos puntos?
3. Suponiendo que el calibrado es realmente lineal,
6cu1es
son los errores
y limites de confianza de 1a pendiente y ordenada en el origen de 1a
rccta?
4. Cuando el grfico de calibrado se usa para el anrilisis de un material de
ensayo,
6cu1es
son los errores y limites de confianza de Ia concentra-
cin deterrninada?
5.
lCu],
es el limite de d.eteccin del mdtodo? Esto es,
;cul
es la menor
oncentracin de analito
que puede detectarse con un predeterminado
nivel de confi.arrua?
Antes de abordar estas cuestiones detalladamettte, se deben considerar una
serie de aspectos importantes en el trazado de 1as lineas de catlbrado. En pri-
mer lugar, resulta habitualmente esencial
que los patrones de calibrado cu-
bran el intervalo completo de concentraciones requerido en subsiguientes
Concentracin
Figura 5.1. Procedimiento de calibracin en anlisis instrumental:
. muestra de ensayo.
113
(!r
o
o-
o
(t)
o
c)
gL
o
FJ
A)
o
o.
o
:J
0)
5
gr
a
a
T
a
FJ
c
o
f
*
o
(o
Fl
o
a
o.
T
\<
o
o
5
o
9)
o
o\
5
E
rc
(D
CJ)
o puntos de calibrado;
114
zl
anlisis. Con la importante excepcin del
omdtodo
de las adiciones estndaro,
que es tratado apafie en una seccidn posterior, la concentracin de los ma-
teriales de ensayo se determina normalmente por interpolaciln y n0 por
extrapolacidn. En segundo lugar, es de importancia decisiva incluir el valor
de un
,,blanco"
en 1a curva de calibrado. El blanco no contiene ning:r, ar'a-
lito adicionado deliberadamerrte, pero contiene los mismos disolventes, reac-
tivos, etc., que los otros materiales de ensayo, y est sujeto exactamente a\a
misma secuencia de1 procedimiento analitico. La seflal del instrumento dada
por e1 blanco a veces no ser cero. Esta sefla1 est sometida a errores, como
1os dems puntos del grfico calibrado, y no tiene sentido, en principio, res-
tar el valor de1 blanco de los otros valores estndar antes de dibujar la curva
de calibrado. Esto es debido a que, como se mostrd en el Capftulo 2, cuando
se restan dos cantidades, e1 error en el resultado final no puede obtenerse
por simple resta. La resta del valor del blanco de cualquier otra senal del
instrumento antes de dibujar eI
grfi.co proporciona una informacin inco-
rcecta de los errores de1 proceso de caTibraciln. Finalmertte, se debe subrayar
que la curva de calibrado se establece siempre con la respuesta del instrumento
en e1 eje vertical
U)
y la concentraciln del patrdn sobre el eje horizontal
(x).
Esto es debido a qve muchos de los procedimientos que se describen en las
secciones siguientes suplnen que todos los errores residen en los valores de
U
y que las concentraciones de los patrones (valores
de x) se encuentran 1i-
bres de error. En muchos anlisis instrumentales rutinarios este supuesto de-
be
justificarse
bien. Los patrones pueden ser preparados con un error de
ca. 0.7o/o o inferior
(v6ase
e1 Capitulo 1), mientras que las medidas instru-
mentales pueden tener un coefi.ciente de vartacin del 2-3%o o mayor. Por
tanto, el error en e1 eje x es de hecho despreciable comparado con el de1 eje
y. Sin embargo, con la Tlegada en los riltimos aflos de algunos instrumentos
automticos de alta precisidn con coeficientes de variacidn del 0.5% o me-
nores se han cuestionado estos supuestos, y ha llevado a algunos usuarios a
preparar sus disoluciones patr1n por pesada en lugar de usar 1a combinacin
de peso y volumen,
ee
es menos exacta. Esta aproximacin preten-
de asegurar que los errores en e1 eje x son pequeflos comparados con los del
eje
u.
Otros supuestos que se hacen habitualmente son que (a)
si se realizan
varias medidas sobre un material. paft6n, los valores resultantes de y tienen
una distribucidn de errores normal o Gausiana; y (b) que Ia magnitud de los
errores en los valores de y es independiente de la concentraci6n de analito.
El primero de estos dos supuestos es normalmente razonable, pero e1 segundo
requiere una discusin posterior. Si es cierto, implica que todos los puntos
del grfico deberian tener en los clculos igual pesl, es decir, que es igual-
mente importante que 1a linea pase cerca de los puntos con valores de y altos
obajos. Se dice que tales
{rfi.cas
de calibrado son no pond.eradas, y se tratan
en las Secciones 5.4-5.8. Sin embargo, enlaprctica los errores en el valor
de y aumentan cuando aumenta 1a concentraciln de analito. Esto significa
que 1os puntos de calibracin no deben tener un peso igual en los c1cu1os,
de manera que es ms importante paralaTinea que pase por los puntos don-
de los errores son menores. Estos clculos pond.erados se han convertido en
la actualidad en algo bastante cornitn a pesar de su complejidad afladida, y
se estudian et7la Seccin 5.10.
rrJ
a
tu
o-
a
7+
C)
0)
'.o
C
5
o
tsl
o
E
o
B
D
,o
!I
o
)
gJ
p
o
o
g)
En las siguientes secciones, se supondr
que la recta de calibrado
toma
la
forma algebraica:
U:arbx
115
(s.1)
(Qr
o
o-
o
Q
o-
o
o
o)
(t
F,t
o
o
o.
f
o
p
9)
T
Q)r
a
a
IJ
(n
hl
C
J
o
5
P
Fl
o
o
9.
o\
IJ
\<
o
o
Fl
o
g)
o
o,
D
donde b esla pendiente de 1a rectay e su ordenada en el origen. Los puntos
individuales sobre la linea se denotarn
pot (*r,
Ur),
normalmente la lectura
del blanco,
(*r,
Ur),
(*r,
Ur)...(*r, Ut)...(x,, Un),
es decir, hay n puntos
como es habitu aL. La media de los valores de x se designa por i y la media
de los valores de
U
por y:la posicin
(t,
D
""
conoce como e1 nssnllo
de
gravedad" de todos los puntos.
5.3. El coeficiente de correlacin
momento-producto
En esta seccidn se analiza el primer problema planteado en la seccin an-
terior:
6es
la representaciln
grfica del calibrado lineal? Para estimar la
bondad con que se ajustan los puntos experimentales a :u17a linea recta, se
calcula el coeficiente de correlacidn momento-producto,
r. Para simplifi-
car, aeste dato estadfstico se le denomina
ncoeficiente de correlacino debido
a que en 1as ciencias cuantitativas es con mucho el tipo de coeficiente de
correlaci|n ms usado. No obstante, en e1 Capitulo 6 se encontrarn otros
tipos de coeficientes de correlaci6n. El valor de r viene dado por:
Puede d.emostrarse
que r puede tomar valores en el intervalo
-
1
<
r
{
* 1.
Como se indica en 1a Figura 5.2, ttn. valor de r de
-
1 describe una correla-
E1 coeficiente de correl aci6t momento-producto,
I{("'
-
i)(u'-
D}
i
(s.2)
r-
{[t
*, -0,,]l+r,-
^'l\
r12
Figura 5.2. El coeficiente de conelacin momento'producto, r
116
2L
ci6nnegativa
perfecta, es decir, todos 1os puntos experimentales estn sobre
u11ur""i^ de pendier-tte negativa. De martera similar, cuando r
:
* 1 se tiene
nrta correlaciln
positiva perfecta, es decir, todos los puntos estn exacta-
mente sobre una linea de pendiente positiva. Cuando no existe correlaciln
entre x e
U
el valor de r es cero. En 1a prctica analitica,las
grficas de cali-
brado
proporcionan valores numdricos de r mayores que 0.99, y valores de
r merlores
que aproximadamente
0.90 son relativamente
poco comunes. Un
ejemplo tipico de un clculo de r aclara :utta serie de aspectos importantes.
lntensidd d*' #uosogrtki
:
Csncqrtrgcffin,
pg rnl*'
'
. .tr
.0
s,$
2
$-s
4
12,.fi

17.9^'t,0.24.7
B' r 12.
xr* k
'{+*
At Y,* F lyo* ff
"
1.*r*'*l {y:* fr
a'
?
4
,s
's
.IS
,t2
t.\
'-s
5.S
;4
9.0.
*2
1A.S *
1r$'
'
*"
21.s 4
4.7'
.
.$
s$
1q.
'4
*
4
.1fi
""
86
*
111S
*s.t
*4I
:-.5
4,2
'
7.S
fI.6
1?$.S0
ffi.61
18"&1
'
-
,afr
1r"s4.
s2.41.,
.1$4"56
.:SS"S
's*.4
'
.'
s.*
0'
s,4"
$1*s
'
.ss"s
:
s1.7. 1ls 4r$.2S ir*,2
De este ejemplo se extraen dos observaciones. La Figura 5.3 muestra que,
aunque varios de 1os puntos se desvian notablemente de 1a umejor" linea rcc-
ta
(culadautllizando los principios de la siguiente seccin), elvalor de r
es muy ceraarro a 7. La experiencia muestra que aun con grficas de calibra-
do bastante pobres a 1a vista, aparecen valores correspondientes de r muy
altos. En tales casos el numerador
y denominador en la Ecuacin
(5.2) son
aproximadamente iguales. Es entonces muy importante realizar el clculo
con un nmero adecuado de cifras significativas. En e1 ejemplo dado, des-
rfl
a
o)
o-
a
*
o
o
'.o
C
3
o
3
o
r+
x
o
rJ
s)
B
o)
'O
F
o
s)
o
T
9L
!I
o
0)
117
'6
c
(l)
u)
o
L
o
3
lJ-
(!r
o
o-
o
a
o-
(D
o
o
-l
o
o
Qr
o
o
$r
u,
a
Fl
c,
Fl
o
O)
::-
FJ
o
CO
o
a
o\
c)
o
FJ
o
o)
o
Qr
024681012
Concentracin, pg ml-r
Figura 5.3. Grfica de calibrado de los datos del Ejemplo 5.3.1.
preciar los nrimeros despuds del punto decimal traeria consigo un valor in-
correcto de r de exactamente 1
,
y utilizando solamente una cifua decimal
supondria considerat pata r el valor incorrecto de 0.9991. Este aspecto es
especialmente importante cuando se utiliza una calculadora o computadora
para determinar r; es necesario asegurar que tales herramientas proporcio-
rren cifras suficientes.
Aunque los coeficientes de correlacin son simples de calcular, son con
facilidad mal interpretados. Debe tenerse siempre en cuenta que el uso de 1a
Ecuaci6n (5.2) generarun
valor de r aun cuando los datos muestren de ma-
ll.era patente un.carcter no lineal. La Figura 5.4 muestra dos ejemplos en
1os que un clculo de rllevarta a conclusiones errdneas. En la Figura 5.4a,
los puntos del grfico
de calibrado pertenecen claramente a una curva; esta
curva es suficientemente suave, sin embargo, se obtiene un alto coeficiente
de correlaciln cuando se aplica la Ecuaciln (S.Z).
La leccin que se extrae
de este ejemplo es que siempre se debe representarla curva de calibrado (en
papel milimetrado o en un monitor de computadora); si no es asf, se puede
deducir errneamente del clculo de r una rc1aci6n de carcter lineal. La
Figura 5.4b pone de manifiesto que un coefi.ciente de correlacidn cero no
significa exactamente que
U
y x no estdn relacionadas; s1o significa que no
estn line almente r elacionados.
Como se ha visto, los valores de r obtenidos en anlisis instrumental son
normalmente muy altos, de manera que un valor calculado,
junto
con la
propia grfica
de calibrado, suele ser a menudo suficiente para asegurar al
analista que de hecho ha obtenido una relacidn lineal ritil. Sin embargo, en
Ordenada en el origen
=
1
L3
118
rn
a
o
o-
a
C)
o)
i
)
o
-t
o
F|
Cu
!
9J
5
CD
'og
j
o
o)
CI)
I
cl)
o
o
4
y3
2
1
0
5
4
3
2
1
0
X
Figura 5.4. Interpretaciones errneas del coeficiente de correlacin, r
algunas circunstancias, se obtienen valores de r mucho ms bajos; dichas si-
tuaciones se analizarn posteriormente enla Seccin 5.9. En estos casos ser
necesario emplear un contraste estadistico adecuado para ver si el coeficiente
de correlacin es realmente significativo, teniendo en cuenta e1 nrimero de
puntos usados en su clculo. El mdtodo ms simple de hacer esto es calcular
un valor de t
(v6ase el Capftulo 3 para un estudio ms completo del contras-
te t), usando la siguiente eeuaciln:
Para probar una correlacin significativa, es decir, Ho
:
correlaci6n
cero, calcular
(s.3)
El valor de t calculado se cornpara con el valor tabulado al nivel de signifi-
caciln deseado, utllizando un contraste t de d.os colas y (n
-
2)
grados de
libertad. La hipdtesis nula en este caso es que no existe correlaciin entre x
e y. Si el valor calculado de f es mayor que e1 valor tabulado, se rechazala
hiptesis nula y se concluye en tal caso que existe una correlacin signi-
ficativa. Como se esperaba, c'uanto ms prximo est6
lrl
de 1, es decir,
cuanto ms acusada se haga la relaciln lineal, se obtienen valores ms
grandes
de f.
5.4. La recta de regresi6n de y sobre x
En esta seccin se supone qLLe existe una relacin lineal entre la sefr.al ana-
lfca
(il
V
la concentraciln
(.n), y se muestra c6mo calcular la
"mejor"
linea
recta a travds de los puntos de la grfi.ca de calibrado, cada uno de 1os cuales
est sujeto a un error experimental. Ya que se ha supuesto que todos los
errores se encuentran en
U
(vdase la Seccin 5.2), ahora se trata de buscar
La recta que minimice las desviaciones en la direccin y, entre 1os puntos
experimentales y los calculados por la linea. Ya que algunas de estas desvia-
ciones sern positivas y algunas negativas
(conocidas tdcnicamente como los
resid.wos d"
U;
ver ms adelante)
,
es razonable intentar minimizar la suma
de los cuadrados de los residuos, debido a que estos cuadrados sern todos
positivos. Esto explica e1 uso frecuente de1 tdrmino mdtodo de los mfnimos
cuadrados para este procedimiento. La linea recta buscada se calcula basn-
dose en este principio: como resultado se encuentra que la linea debe pasar
por el <centro de gravedado de los puntos (i,
il.
Se puede demostrar que \a recta de mfnimos cuadrados viene dada por:
Pendiente de la recta de minimos cuadrados:
I{("'
-
i)
(u'
- Di
:l
-.c
/lxi -
x)'
L
Ordenada en el origen de la recta de minimos cuadrados:
a:U_bi
(s.4)
(s.s)
Ntese que la Ecuacidn
(5.4)
contiene algunos de los t6rminos utilizados en
1a Ecuaci6n
(S.Z),
utiTizada previamente para calcular r: esto facllita las ope-
raciones de la calculadora o computadora. La Tinea determinada por las
Ecuaciones
(5.4) y (5.5)
se conoce como recta de regresi6n d. y sobre x,
es decir, \a recta que indica cdmo varia y cuando x se ajusta a los valores
elegidos. Es muy importante hacer constar que 1a recta de regresin de Jc so-
bre y no es la misma recta
(excepto en el caso muy improbable en que todos
1os puntos caigan sobre una linea recta, exactamente cuando r
--
1 6
r-
-
1). La recta de regresin dex sobre
U
(quetambinpasapor e1 centro
de
gravedad de todos los puntos) supone que todos los errores ocurren en la
direccin de x. Si se mantiene rigurosamente el convenio que la seflal anali-
tica se representa siempre sobre e1 eje
U
yIa concentraciln sobre el eje x,\a
recta de regresin de y sobre x es la que se debe usar siempre enlos experi-
mentos de calibracifn.
119
(Qr
o
o
a
a-
o
c)
ei-
d
Fl
O)
C)
:
o
oJ
5
Qjr
a
U)
T
Q
Fl
c
5
G
I
o
::
o
CO
o
9.
Qr
T
\<
o
o
5
o
-
C)
Qr
't\
rrJ
Q
o)
*
a
o
o
,o
3
o
o
Hl
O)
rJ
o)
B
g)
,.o
F
3
o
o
gJ
5
o
s
()
o
120
En la $ecct#r S.S *e cabilld
W$,
pa*q e*h effiffi ds *slhxado:
,F*
13.1
b* 2t#.1*f11*
*
1"9
** t$.i
*
{I,ss
x
s} * I$.,t.- JI.F
*
144
La *auc*l6n para la resa de rsgr*$ifi e*
F*i
1.g$x+ t.$P,
Los resultados de 1a pendiente y ordenada en el origen se dibujan en la Fi-
gura 5.3. De nuevo es importante recalcar que 1as Ecuaciones
(5.a) y (5.5)
no deben utilizarse mal: darn slo resultados ritiles cuando un estudio pre-
vio
(clculo
de r y unainspeccin visual de los puntos) indique que una Tinea
recta es coherente con el experimento que se ttata.
Para calcular rectas de regresin pueden usarse tambiln mdtodos no pa-
ramtricos
(es
decir, mdtodos que no hacen supuestos acerca de la natsraleza
de 1a distribuci6n de error), y este temasetratar en el Capftulo 6.
5.5. Errores en la pendiente y ordenada en el origen
de la recta de regresin
Larecta de regresin calculada en la seccidn anterior se utilizar enlaprdc-
tica para estimar la concentraciln de 1as muestras de ensayo por interpola-
ci6n, y quiz tambin para estimar e1 limite de deteccin del procedimiento
analitico. Los errores aleatorios en los valores de la pendiente y ord,enada en
el origen son importantes, considerndose ahora 1as ecuaciones utllizadas pa-
ra calqfl.arlos. En primer lugar se debe calcular el estadistico sr6, que estima
los errores aleatorios en la direcciln g.
Lfu'
- u)'
svl*:
(s.6)
Se comprteba que esta ecsacilnutlTiza los residuos de
U, Ui- Ut,
donde los
valores d"
Ut
son 1os puntos sobre Tarecta de regresin calculada correspon-
dientes a los valores individuales de Jc, es decir,los valores de y
"ajastados"
(Figura
5.5). E1 valor d"
U,
para un valor de x dado se calcula rpidamente
a partk de la ecaaciln de regresin. La Ecuacidn
(5.6)
es claramente similar
a la forma dela ecuacin de la desviacin estndar de una serie de medidas
repetidas
lEcuacin
(2.2)1, pero difiere en que las desviaciones, (Ut
- U),
s"
sustituyen por los residuos,
(Ui
- U),
conteniendo el denominador el tdrmi-
no
(n
-
2) envez de
(n
-
I). En un clculo de regresin 1inea1 el nmero de
121
Figura 5.5. Los residuos de y de una regresin lineal.
grados de libertad
(vdase
la Seccidn2.7) es
(n
-
2). Esto refleja el hecho ob-
vio que de dos puntos slo puede obtenerse una linea recta.
Unavez obtenido un valor de srp, se puede calcular sby so,las desviacio-
nes estndar de la pendiente (b) y ordenada en el origen
(a).
Estas vienen
dadas por:
Ntese que de nuevo e1 t6rmino
I
(xr
-
i)' aparece en anhas ecuaciones.
Los valores de su y so se pueden :uttlizar de la manera usual
(vdase
el Capftu-
lo 2) para estimar los limites de confiartza de la pendiente y de la ordenada
en el origen. Asipues los limites de confiartza de la pendiente vienen dados
por b * t6-2)su, donde e1 valor de / se obtiene para un nivel de conftanza
deseado y (n
-
2) grados de libertad. Similarmente los limites de confi anza
para la ordenada en e1 origen vienen dados por e * t6-2)so.
(!r
o
a-
o
a
o-
o
o
el-
d
Fl
9)
o
o\
T
o
3
g)
5
ei:
a
a
5'
a
Fl
g
o
T
+
Fl
o
LO
5
o
(f,
:
D
o
o
Fl
FJ
o
o
o
Qr
T
x6, y6
xz, y2
Desviacin estndar de la pendiente:
C
"u /x
-a
(s.7)
Desviacin estndar de la ordenada en el origen:
so: sylx
(s.8)
n
l(xi -
i)'
i
z{
122
rn
a
9)
o-
a
o
Cl)
,.o
E.
'
;J
o
x
o
rJ
g)
Ft
tt)
,.o
C
3
o
g)
q)
-)
9L
'
g)
En este ejemplo, el nrimero necesario de cifras significativas no es
grande,
pero es conveniente utllizar siempre el nrimero mximo disponible durante
el clculo. redondeando s61o al final.
En 1a prctica no hay necesidad de clculos manuales de estos resultados,
que sern claramente tediosos en tareas rutinarias. La aplicacidn a datos de
regresin de un programa con hoja de cIculo se demuestra en la Seccin 5.9.
Se deberfan aprovechar 1as ventajas extra proporcionadas por programas ta-
les como Minitab, por ejemplo,
grficos de los residuos frente a valores de x
o y, grftcos
de probabilidad normal para los residuos, etc.
(Vdase
tambidn
la Seccin 5.15.)
alcular Ia desviac[*n estndar y lo* ffrnites ds sonlia*zs para ta pendienk y orden*da en
el origon de la recls da regresk*n catculad* en la Seccln 5.4.
Ests clcula
pued{ que na $e r+atrizabls dirsctarn*nte err rlna catsutadora sirnptre, aufi-
que $e encusntran dispanibhs prograpln$ de eomputadora, Aqui se de$enof|a e$ edteuto
manualmenta, *tilizando una teble estruc{t*rd*.
ri ii tn* vA {vi* i,}2
u
2
A
T
6
fi
10
12
s
4
fs
ss
4
rs0
144
2.1 1"$s S.SS
5.* 5,S8 0.38
s.0 s.24 Q.24
12.6
'r.1S
0.S0
17.8 1S,$S 0,84
21,S 2-t2 S"1
24.7 4.$S S.02
s$s64
0.T444
0"0576
$"s$a
.
$.IISS
"CIs94
0.s0s4
E
4:
sn*
T,{x*'Y}u:0.$ss$
A
partir
de esta tabla y utilizando la F*uqcifu
{5.6}
*e obtie*s;
e la Se*ci6n 5.S se sabe
que
I
lx;-
fff
*
11?, y k tcuaci*
{S.fl
pued* ser utilfisda
para
rnostrar
que:
t
re
,*
$.43$ t
J
|1fr
*
S.4t29i 1S,5S
:
$.0409
Ef valor de lpara
t*
*
21:5
grades
ds lih*rt*d
y rrn nivel de eonfianza Sel SS% *s ?-5?
{Tabla
A.}. Los timites de confianza del $5Y* para } sol, por kntu:
S- 1,93
t {2-57
x
$.S40$}
*
1.9t
*
$,tI
La E*uacl6n
{5,s}
rquiere cofiocer
Id,
c*f*kdo de k taHa csms 364. Entancse, se
puede
esorihir:
t
I 3s4
sa: s,4s29{r
"
tu
*
0,29s*
de maners
que
los lfmites de ca'nfianza al SS% son:
a
:
1.82
t {2.87x
0.2950}
: 'l.52
*
0.7S
F-
5.6. Clculo de una concentraci6n
y
su error
aleatorio
Una vez que han sido determinadas 1a pendiente y la ordenada en el origen
de la recta de regresin, es fcII calcular 1a concentracin
(valor
de x) corres-
pondiente a cualquier seflal medida en el instrumento.
(valor
de y). Sin em-
barSo, tambidn ser necesario estimar el error asociado a la concentraci6n
calculada. El clculo de un valor de x a pafifu de un valor dado de y utlli-
zando la Ecuacin
(5.1)
conlleva el uso tanto de la pendiente (b)
como de la
ordenada en e1 origen
(o) y, como se vio en la seccin anterior, ambos valo-
res estn sujetos a error. Adems, la seflal de1 instrumento derivada del ma-
terial de ensayo tambidn est sujeta a errores aleatorios. Como resultado, la
determinacin del error globa1 en la concentraciln correspondiente es extre-
madamente compleja y muchos profesionales utilizan 7a siguiente frmula
aproximada:
En esta ecuacidn,
Uo
as e1 valor experimental de y a pafr del cual se deter-
mina el valor de la concentracin JCg, sxo es la desviacidn estndar estimada
de xs, y los otros simbolos tienen su significado habitual. En algunos casos
un analista puede realizar varias lecturas pata obtener e1 valor d"
Uo;
si se
dispone de m lecturas, entonces Ia ecuaciln para srcn se convierte en:
Como se esperab a,laBcracin
(5.10)
se reduce a la Ecuacin
(5.9)
si m
:
l.
Los limites de confranza se calculan como xo
t
t6-21syo, con
(n
-
2) grados
de liberta. Oe nuevo, un sencillo programa de computdora realizar todos
estos clculos, sin embargo muchas calculadoras no sern adecuadas.
123
(!r
o
o-
o
a
o
o
O)
d
hl
q)
o
Qr
o
5
gJ
f
$)r
(t
a
I
a
rF
C
o
T
o
=
Fl
o
co
5
o
a
o.
T
o
o
hl
o
o
c)
o\
T
c
*0
:sul*
b
1 ,
1,
(uo-u)'
, _;T
bTGt
_
xy
(s.e)
:
su/*
b
(s.10) s
"xo
124
Para"o&tener hr vatores de s* correspard*r*e* * tw valrye* de
4
ukwnco k tct*acffit
t$.9),
recordanda de^fffi .sffiAne*
pr*m&ntes qus tI:T, f
=
1.$S-.s14x:.0.439,'
V*
tfr.1,
y
ELrr- &"
*
1"**. Lo* vel*rcs de#* *& tg.$
y ffi-S
prrywclormn
v*lsrs* d*
sro d 0.2S, fr4
y
0.*6, res@tvarneilte. Lffi lfnftes Se *o*tianaa cpnpqc*dtsrtw al r*rul
*rt
g$g
{
*
2'Sf} *on:"?
*S.SS,
&*1
*
S.S*,
y
t1,S
t
q.ffi pg'rtrl-*,
iffipeetiv*
mente^
:
rrJ
a
-F
g)
o-
a
-f-
o
o)
,o
o
o
Fl
o
E
o
Fl
o)
,o
I
I
o
o)
0)
T
EL
o
0)
Este ejemplo aclara un punto importante. Muestta que los lfmites d.e confian-
zasonbastante ms pequefr.os (es
decir, mejores) para el resultado
Uo:
13.5
que patalos otros dos valores de
Uo.EL
anlisis de la Ecuacin
(5.9)
confirma
que cuando
Uo
se aproxima a
U,
"1
tercer t6rmino dentro del parntesis se
aproxima a cero) y sro entonces se aproxima a un valor minimo. La forma
general de los limites de confi.anza para una concentracin calculada se
muestra enla Figura 5.6. Entonces en la prctica, un experimento de cali-
bracin de este tipo proporcionarlos resultados ms precisos cuando la se-
flal medida en e1 instrumento corresponda a un punto prximo al centro de
gravedad de 1a recta de regresidn.
Si se desea mejorar
(es
decir
I
acerear) 1os limites de confianza en este
experimento de callbracifn, las Ecuaciones
(5.9) y (5.10)
muestran que se
pueden considerar al menos dos aproximaciones. Se puede aumenlar n, eI
nrimero de puntos del calibrado de la recta de regresiln, ylo se puede hacer
ms de una medida de y6, usando el valor medio de m de dichas medidas en
el clcuIo de x6. Los resultados de tales procedimientos pueden ser evaluados
considerando los tres tdrminos dentro del pardntesis en las dos ecuaciones.
En el ejemplo anterior, eI trmino predominante en los tres clculos es el
primero: 1a unidad. Se sigue que en este caso
(y
.t muchos otros) puede 11e-
varse a cabo una mejora ert la precisin midiendo varias veces
Uo
y usando
la Ecuacin
(S.lO)
en lugar de la Ecuacin
(5.9).
Si, por ejemplo, e1 valor de
Uo
de 13.5 hubiese sido calculado como 1a media de cuatro determinacio-
Concentracin
Figura 5.6. Forma general de los limites de confianzapara una concentracin determinada
utilizando una recta de regresin no ponderada.
(E
lC
o
a
V
nes, entonces el valor de s-o y los limites de confianzahabrian sido 0.14 y
6.2I + 0.36, respectivamertte, indicando ambos resultados una sustancial
meiora en la precisin. Por supuesto, realizar muchas medidas repetidas (su-
poniendo que se dispone de suficiente muestra) genera
mucho ms trabajo
obteniendo un beneficio adicional pequefr.o: el lector puede verificar que
ocho medidas de
Uo
producirn un valor de s"o de 0.12 y limites de conftanza
de 6.21 + 0.30.
El efecto de n, e1 nmero de puntos de calibrado, sobre los lfmites de con-
ftanza en la determinacin de la concentraciln es ms complejo. Esto se debe
a que se ha de tener en cuenta tambiln los cambios que acompaflan a1 valor
de t. El uso de un gran
nrimero de muestras de calibrado supone Ia tarea de
preparar muchos patrones exactos para slo incrementar marginalmente la
precisidn (vdanse
los efectos de incrementar m, descritos en eIprrafo ante-
rior). Por otra parte, no es adecuado usar valores de n pequeiros. En tales
casos, 7f n ser ms grande, y el nrimero de grados
de libertad (n
-
2) se har
muy pequeflo, necesitndose valores muy grandes
de t en el clculo de los
limites de confianza. En muchos experimentos, como en el ejemplo dado,
aproximadamente seis puntos de calibrado sern suficientes; si es necesario
el analista ganar precisidn extra repitiendo medidas de y6.
5.7. Limites de detecci6n
Como se ha visto, una de 1as ventajas de utilizar mdtodos instrumentales de
anlisis es que son capaces de detectar y determinar cantidades traza y ultra-
Iraza de analito. Estas ventajas han conducido a apreciar la impoftancia de
concentraciones muy bajas de muchos materiales, por ejemplo, en muestras
biolgicas y medioambientales, contribuyendo de esta manera al desarrollo
de otras muchas tdcnicas en 1as que e1 mejor criterio de aplicacin con 6xito
es que posean limites de deteccin inferiores. Es pues evidente que los m6-
todos estadisticos resultan importantes parala evalaacin y compatacin de
limites de deteccin. En tdrminos generales,
el limite de deteccin (LOn)
de
un analito se puede describir como aquella concentraci6n que proporciona
una sefr.al en el instrumento (y)
significativamente diferente de la sefral del
,lanco"
o
"ruido
de fondo". Esta descripcin proporciona al analista un
buen margen de libertadpara decidir 1a definiciln exacta del limite de detec-
ci6n, basada en una adecuada interpretaciln de la frase
(significativamente
diferente". Arin no existe un acuerdo total entre investigadores, editores y
asociaciones profesionales y estatutarias sobre este punto. Sin embargo, va
en aumento la tendencia a definir e1 limite de deteccin como la concentra-
cin de analito que proporciona una sefr.a1 igual a la seflal del blanco, ys, ms
tres veces la desviacin estndar del blanco, ssr
Limite de deteccin
(LOD)
:
Uu
* 3s6 (5.11)
El significado de esta riltima definicin se aclara con ms detalle en la Figu-
ra 5.7. Un analista estudiando concentraciones traza se enfrenta con dos
problemas: es importante informar de la presencia de analito cuando de he-
125
r-
(!r
o
o
a
o-
o
o
gJ
d
B
o
c)
o\
o
o)
!)r
a
a
a
Fl
o
Fl
9)
:-
hl
o
(o
Fl
o
q,
Qr
c)
o
Ft
hl
o
g)
o
o\
Fl
LT
126 cho est ausente,
pero es igualmente importante informar que est ausente
cuando de hecho est presente.
(La
situacin es anloga a la existencia de
t,
errores Tipo I y II en los contrastes de significacidn; vdase en la Seccidn
6i
3.13.) La posibilidad de que ocrttra cada uno de estos errores debe minimi-
*
zarse bajo una definicin precisa de un limite de deteccin. En la ftgura,la

arwa representala distribucin normal de valores medidos de la seflal de1
8 blanco. Seria posible identificar un punto,
U:
P,hacia elborde superior de

probable para que se debiese al blanco, mtentras que una sefr.al menor qte P
'
supondrfa indicar una muestra del blanco. Sin embargo, para que una mues-
5
ffa d una sefr.al promedio P, eI 50o/o de las seflales observadas ser menor
3
que 6sta, ya que la seflal tendruna distribucidn normal
(de
la misma forma
S
que la del blanco; vdase ms adelante) prolongando por debajo de P
(curva
'
B).La probabilidad de concluir que esta muestra no difiera de la del blanco
5
cuando de hecho lo hace es, por tanto, del 50 Yo . F.lpunto P, que se ha llamado
q
e1 Hmite de decisin, es pues insatisfactorio como lfmite de detecciln, ya que
g)r.
:
soluciona el primero de los problemas mencionados antes pero no el segun-
E.
do. Un punto ms adecuado est err
U
:
Q
de marTera qJe
Q
est situado al
3
doble de la distancia que existe ente
Un
y P. Se puede demostrar que si
n' Un - Q
es 3.28 veces la desviacin estndar de1 blanco, sB, entonces la pro-
;
babilidad de que ocurra cada uno de los dos tipos de error
(indicados por 1as
H
reas sombreadas de laFigura 5.7) es s1o del 5%. Si, como se sugiere enla

Ecuacin
(S.ff),
la distancia ys-
O
es slo 3su, la probabilidad de cada
n
error es aproximadamente del 7o/o: muchos analistas considerarian que 6sta
>"
es una definicin razonable de1 limite de deteccidn.
Es preciso insistir de nuevo que esta definicin de limite de deteccidn es
muy arbifiaria, y est totalmente abierta a cualquier analista para que pro-
ponga una definicin alternativa para un propsito concreto. Por ejemplo,
existen ocasiones en que un analista est ansioso de evitar a toda costa 1a
posibilidad de dar 1a ausencia de analito cuando de hecho est presente,
pero no es relativamente preocupante el error contrario. Est claro que, aun
cuando se cite un lfmite de deteccin en un fiabajo o informe, debe pro-
porcionarse la definicin rttlizada para obtenerlo. Se han realizado algunos
intentos para definir con posterioridad otro lfmite, e1 ulimite de cuantifica-
Limite de
decisin
Limite de
deteccin
Sp
+
Figura 5.7. Definiciones del limite de decisin y del limite de deteccin.
cin"
(LOQ) (o nlimite de determinacin"), el cual es considerado como el
limite inferior para medidas cuantitativas precisas, como opuesto a 1a detec-
cin cualitativa. Un valor de
(LOQ)
Uu
+ 10s6 ha sido sugerido para este 1i-
mite, si bien no se utlliza profusamente.
Ahora se discute cdmo se obtienen en Ia prctica los tdrminos
Un
y sn
cuando se utiliza unarecta de regresilnparala cal1braci6n, tal como se des-
clribil en las secciones precedentes. Una suposicin bsica del mdtodo de 1os
minimos cuadrados no ponderados es que cada punto en la representaciln
grfi.ca (incluido
e1 punto que representa el blanco o fondo) tiene una varia-
cin distribuida normalmente
(s1o
en la direccin d"
il
con una desviaci6n
estndar estimada por Snlx
lEcuacin
(5.6)]. Esta es la
justificaciln
para re-
presentar las curvas de distribucin normal con la misma amplitud que re-
flejala Figura 5.7. Es, por tanto, adecuado utilizar syly errlugar de s6 en la
estimacin del limite de deteccidn. Es, por supuesto, posible realizar el expe-
rimento del blanco varias veces y obtener un valor independiente para sn,
U
si son correctos los supwestos mencionad,os los dos m1todos de estimar s6 no di-
ferirn significativamente. Sin embargo, las determinaciones mriltiples de1
blanco consumen mucho tiempo, y e1 uso de sn1, es muy adecuado en 1a prc-
tica. El valor de a,1a ordenada en el origen calculada, se pued.e utllizar como
una estimaci6n d"
Uu,1a
propia sefral del blanco; deberia ser una estimacin
ms exacta de
Un eue
el simple valor de 1a medida del blanco,
Ur
Eetlrrrar e{ lfmfte ds d*t*cci6n
para la detenflinaci6n de fL,pts*ceina e$tufu{da sfl las $ee-
ciones previas.
$e us* |a Ecuacirin
{S-11}
c'an lm'vslorae de
{,*a}
y
&{*sr4J
calctafu
prevla*ente.
EI valor de'y+n el lfmtte ds dehccin vierre d*do par l.S{ +'S
x
S.4$*S, t$ &#r, .8e
FI usa de la ecuaci$n de regrslsn ccndr*ce a un tirnits de d*@a6 de S.*?
p$
rrt**t. t.*
Figura 5.S res*re todo$. to$
t$h#s
reslhfidss a partk & los datas # k d6tsn?haci*n do
Ia flfimscs4fta.
Es importante evitar la confusidn de lfmite de deteccin de una tdcnica con
su sensibilidad. Esta fuente de confusin muy habitual surge probablemente
debido a que no se aceptan palabras sencillas sinnimas inglesas con
<tener
un limite de deteccin bajo". La palabra
(sensible"
se ttiTiza
generalmente
con este propsito, dando Lugar a demasiada ambigedad. La sensibilidad de
una tdcnica se define correctamente comolapendiente de la recta de calibra-
do y, siempre que la representaciln sea lineal, puede ser medida en cualquier
punto de ella. Por el contrario, el limite de deteccin de un mdtodo se calcula
con 1a aytda prestada por la zorLa de la representaciln cercarta aI ortgen, y
utlTiza tanto la pendiente como la ordenada en el origen.
5.8. El mtodo de las adiciones estndar
Supdngase que se desea determinarla concentracidn de plata en muestras de
deshechos fotogrficos por espectrometria de absorciln at6mica. Utilizando
los m6todos de las secciones anteriores, se podria llevar a cabo un calibrado
127
(!r
o
o-
o
(n
o
o
g)
d
F3
oJ
o
o\
p
o
T
gJ
T
92r
a
a
5
a
rl

o
p
*
F5
o
co
o
Q
o\
p
o
o
o
o.r
()
o\
T
128
rn
Q
s)
o-
a
*
o
o)
\<
>o
C
o
o
Fl
o
E
e)
FJ
o)
,.o
I
F!
'
g)
oJ
T
0)
c)
o
.(g
C)
q)
(J
a
o
L
tr
yB + 3sB
a= yB
LOD
Concentracin,
pg ml-1
Figura 5.8. Resumen de los clculos usando los datos del Ejemplo 5.3'1.
con e1 espectrofotmetro con soluciones acuosas de una sal de plata plJra y
usar la linea de calibrado result ante para determin ar \a plata en las muestras
de ensayo. Sin embargo, este mdtodo slo es vlido si una disolucin acuosa
pura de plata y una muestra fotogrfica de deshecho conteniendo la misma
concentracin de plata dan 1os mismos valores de absorbancia. En otras pa-
labras, cuando se usan disoluciones
puras para establecer 1a linea de calibrado
se supone que no hay
oefectos de matrizu, es decir, alJmertto o disminucin
de 1a seflal de absorb ancia de plata debido a 1a presencia de otros componen-
tes. Frecuentemente, ett muchas reas de1 anlisis, tal suposicidn no es vli-
da. Los efectos de matiz ocurren incluso con mdtodos tales como la espec-
trometria de plasma que tiene La fama de estar relativamente libre de
interferencias.
La primera solucin posible a este problema es tomar una muestra de
deshechos fotogrficos que sea similar a la muestra problema, pero libre de
plata, y afiadirle cantrdades conocidas de una sal de plata para formar solu-
ciones patr6n. Lalinea de calihrado se establecer atllizando una matiz apa-
rentemente adecuada. Sin embargo, en muchos casos, esta aproximaciln a
una rnatriz comparable es impracticable. No se eliminarn efectos de matriz
que difieran en magnitud de una muestra a otta, e incluso puede que no sea
posible obtener una muestra d.e La matiz que no conten$a analito; por
a
=
1.52+0.30
b
=
1.93+0.04
r= 0.9989
Sy/x= SB= 0.433
LOD
=
0.67
Pg
ml-l
Sxo
=Q.25
F
c\l
(o
I
x
xo
=
O.72
(f)
I
r
tl
x
129
Sefralde la muestra
Cantidad afradida
.
8Tn:iiH*,:"
Figura 5.9. El mdtodo de las adiciones estndar.
ejemplo, una muestra de residuos fotogrficos sin plata,
1es
improbable que
exista! La soluci1n a este problema es que todas las medidas analfticas, in-
cluyendo la linea de calibrado, deban ser rcalizadas de algurta mafleru wtili-
zando la propia mwestra. Esto se logra en 1a prctica usando el mdtodo de
las adiciones estndar. E1 mdtodo es muy utiTizado en especfiometria de
absorcidn y emisin atlmica y tambiln ha encontrado aplicacin en electro-
quimica y otras muchas reas. Se toman vohimenes iguales de soluci6n pro-
blema, todas salvo una son uadicionadas"
separadamente con cantidades
conocidas y diferentes del analito, y todas se diluyen al mismo volumen. Se
determinan las sefrales en el instrumento para todas estas soluciones y los
resultados se representan como se muestra en la Figura 5.9. Como de cos-
tumbre, la sefla1 se representa en eI eje y, mientras que el eje Jc se expresa en
tdrminos de las cantidades de analito afiadidas (5ra
sea como peso absoluto o
como concentracidn). Lalinea de regresin
(no ponderada) se calcula de la
rmaTTeta usual, si bien el espacio ocupado por ella se extrapolar al punto de1
eje x en que
U
:
0.Este valor negativo sobre el eje Jc corresponde ala canti-
dad de analito en la muestra problema. El anlisis de la figura muestra que
este valor viene dado por afb,Iaraz6n entre la ordenada en el origen y la
pendiente de la recta de regresin. Ya que e y b estn sujetos a etror
(Secci6n
5.5), el valor calculado tambin lo estar. Sin embargo, en este caso, lacan-
tidad no se predice a partir de un nico valor medido d"
U,
de manera que
la frmula de la desviacidn estndar, s,", de1 valor extrapolado de x
(xj
no
es Ia misma que en 1a Ecuacin (5.9).
Aumentando el valor de n, se mejora de nuevo la precisidn de la cantidad
estimada: en general,
en un experimento de adiciones estndar debenan
usarse al menos seis puntos. Adems, la precisin se mejora maximizando
(!r
o
o-
o
a
o-
o
o
g)
d
5
o
r)
o\
o
o
Q)r
6
(f)
a
r-F
Fl
o
o
::
-J
o
CO
hl
o
a
o.
o
o
hl
FJ
o
o
()
Qr
Fl
1
-+
n
:
Stll*
b
(s.12) s"u
b2
|
(xi
i
-
i)'
f
(x;
-
i)', de manera que las soluciones de calibrado deherian
i
fuera posible, un intervalo considerable. Los limites de confi'anza
determinan, como siempre, como xn
X
t6 _
21s*u'
Z1
cubrir, si
pata xE se
130
rr,
a
r+
o)
o-
a
c)
o)
\<
.o
o
o
Fl
o
E
o
F{
o
'.o
u
o
o
g)
T
9)
o
o)
Aunque es una aproximacidn elegante al problema comn de los
"efectos
de
interferencia de Ia matizo, e1 mdtodo de 1as adiciones estndar tiene varias
desventajas. La principal es que cada muestra ensayada requiere su propia
grfica de calibrado, en contraste con 1os experimentos de caLlbraciln con-
vencional, donde un
grfico puede proporcionar valores de la concentracifn
de muchas muestras de ensayo. El mdtodo de las adiciones estndar puede
tambin utllizar cantidades de muestra ms
grandes que en otros mdtodos.
En tdrminos estadisticos es un mdtodo de extrapolacin, y en principio me-
nos preciso que las tdcnicas de interpolaci6n. En la prctica,la prdida de
precisin no es muy preocupante.
5.9. El uso de rectas de regresin
para comparar
mtodos analiticos
Si un qufmico analitico desarrolla un m6todo nuevo para la determinacin
de un analito concreto, e1 mdtodo debe ser validado
(entre
otras tdcnicas)
aplicndo1o a un conjunto de materiales ya estudiados mediante otro proce-
dimiento patrn o reconocido. E1 interds principal al realizar tal compara-
cin ser la identificaciln de errores sistemticos:
eproporciona
el nuevo
mdtodo resultados significativamente ms altos o ms bajos que el procedi-
miento establecido? En 1os casos donde un anlisis se repite varias veces so-
bre un intervalo de concentraciln muy limitado, tal comparaciln puede ser
hecha usando los contrastes estadisticos descritos en las Secciones 3.3 y 3.4.
Tales procedimientos no sern adecuados en anlisis instrumental, los cuales
son utilizados a menudo en un
gran intervalo de concentraciones.
La concentrfdn de
$ata
sn ufta rnue$lra de deshschos fotogrfis$ lu$ determtn*de
p$r
eupedrometria de sbsorsin *tmica csn sl m6tqdo de f*s adieiunes estndar, $e ubtsvi+
ron fos *iguianles resuHsdos"
Ag afiad$da:
[q
p+r ml de soluri6n
ds muestrc ongina{ 5 1S 15 S
Absorbaneia 0.39 $.41 S.Sg 0.0 0'70
eterminaf la ooncentraefdn de plftta ffi l nnuestra, y obtsner lo,s lfmits de conftanza al
$5% parra s$la eoncsntracin.
Lds Houa$iones
{$.4i
y
{5-5}
csrrd.ucen d'a
*
,3?18
y b
:
S,tr8fi, La rzn sntr* s$tss
nmerss
proporciond ioncentra*in de plata en la muestra
problerna de t7,t
il$
rfil*I,
Las lfrfiites de c*ntianza
pra.este rs$ultsdo se pueden detenninar con la ayuda de la.
Eo*a*id'n
i$.12l.
Aqu[ $yir $$ 0.$t94,
i*-S14, f
!{r-"-,8':70$-
EI vlr
de ,9"res &ntffisrs 0.74S y
trcs'lf#rltrs de cfilira son 1?.S
*2,$f
x'#-?49,
&s dsir,
17,S *
1"9
rry
rnl*'. :
zfi S0
r7 s.fis
131
Mtodo B
----->
Figura 5.10. El uso de rectas de regresin para comparar dos mdtodos analiticos:
(a) muestra una concordancia perfecta entre los dos mtodos para todas las muestras;
(b) a (f) ilustran los resultados de varios tipos de errores sistemticos (v6ase el texto).
Cuando dos mdtodos se comparan a diferentes concentraciones de anali-
to, se adopta normalmente el procedimiento que ilustrala Figura 5.10. Uno
de los ejes del grfico de regresin se usa para los resultados obtenidos por
el nuevo m6todo, y el otro para 1os resultados obtenidos aplicando a las mis-
mas muestras el de comparacin o referencia.
(La
raz6n por 1a que los ejes
deben asignarse a cada mdtodo se discute posteriormente.) En estas circuns-
tancias, cada punto del grrifico representa una muestra :trnica analizada por
dos mdtodos distintos.
(A
veces cada mdtodo se aplica solamente una vez a
cada muestra problema, mientras que en otros casos se usan medidas repeti-
das en las comparaciones.) Los mdtodos de las secciones precedentes se han
aplicado para calcular 1a pendiente (b),la ordenada en el origen
(o) y e1 coe-
ficiente de correl aci6n
(r)
de la recta de regresin.
Queda
claro que si cada
muestra conduce a un resultad.o iddntico con ambos mdtodos analiticos, la
recta de regresin tendruna ordenada en el origen cero, y una pendiente y
un coeficiente de correlaci6n de 1
(Figura
5.10a). En la prctrca, por supues-
to, esto nunca ocurre: incluso estando completamente ausentes los errores
sistemticos, 1os errores aleatorios aseguran que los dos procedimientos ana-
liticos to dart resultados en exacta concordancia para todas las muestras.
Desviaciones de la situacin
"idealr,
(A
:
0, b
:
r
:
\) pueden ocurrir en
una serie de situaciones diferentes. En primer lugar, es posible que la recta
de regresin tenga una pendiente de 1, pero no una ordenada en el origen
de 0. Esto es, un m6todo de an7isis puede conducir a un resultado ms alto
o ms bajo que el otro en una cantidad fija. Tal error podrta ocurrir si la
seflal de fondo de uno de los mdtodos se hubiera calculado errneamente
(!r
o
o
a
o-
o
o
EL
d
5
o
o
o.
5
o
T
o
5
pr
a
a
5
a
T
o
T
+
o
(o
o
a
o\
T
\<
c)
o
Fl
o
q)
()
:
5
il
il
t!
I
t
t
l!
l
i
I
I
rlr
ttt
,|;
r ll
132
3o
(Figura 5.10b). Una segunda posibilidad es que la pendiente de la recta de
regresidn sea > 1 6 < 1, indicando que puede darse un error sistemtico en
la pendiente de una de las grficas de calibrado individuales
(Figura
5.10c).
Estos dos errores pueden darse simultneamente
(figura
5.10d). Otros tipos
posibles de error sistemtico se ponen de manifiesto si la representaciin
gr-
fica es curva
(Figura
5.10e). Problemas de especiacilr' pueden proporcionar
resultados sorprendentes
(Figura 5.10f). Este tipo de representacin grfr,ca
podrta surgir si un analito se encuentra en dos formas qufmicas distintas, en
proporciones que varian de muestra a muestra. Uno de los mdtodos bajo es-
tudio
(aqui
representado en e1 eje y) podria detectar slo una forma de1 ana-
1ito, mientras que e1 segundo mdtodo detecta ambas formas.
En la prctica, e1 analista desea muy a menudo realizar una prueba pata
contrastar una ordenada en el origen significativamette diferente de cero, y
una pendiente significativamente diferente de 1. Tales contrastes se realizan
determinando 1os limites de confiartza para e y b,
generatmente al 95o/o de
nivel de significacin. El clculo es muy similar al descrito en la Secci6n 5.5,
y es ms sencillo rcalizarlo attlizando un programa como Excel. Esta hoja de
clculo se aplica al siguiente ejemplo.
Se determin el'nivef dg cido fftico en $ nruestr{i de arina nrediante L}rt r*etda m&*l*sa
FN
a
o
a-
a
Ei
o
g)
'O
C
5
o
3
o
=.
g)
E
o
hl
g)
'o
E.
3
o
g)
ID
D
e2-
o
0)
flusrirnslric*.{ffF}, y'h reru}tado* $ ssnp*ra.on csn los o&iuidos u#lfido unq;td*nk
e$isstefstsridtrfffi
{EF}
est#lcidft, $s ohtuvi+rm bs
qkj$isntc$
datns
ftcds*
Is$ merfrlx-
dao, en r*gt.
t,
ssn rr.lsdFfis de m1didas lrFpfic#ag).
{Mfirslf,
J. S., $itTtfist, B. M- ftr}d Sr#q F. 1gW.:tu?alWt{A4Ss?-S0}
"
"'
' '
Mfu]a{o de mwstn
.frasuftado # frewftado FF
. 1.S7
*.s
3.is
s,42
{dI
:
Esta serie de datos muaslra el porqud es lned*udo utilirar el ccntrarte lpor pareias,
ryre
evala en sss ca$o$ Ias dilerencts sntre paree de resuttados
{$ec*ion
S3}. E} int*rsal
d
cpncentracione* de Scido fftice
{*a.
0.14-3.50 mS [*r] en las muestras $e srFna $* t*$ fim-
p|lo que una di*crryaneia lijada e*tre las d0$ mstodo$ *en* de variac$dn slgnifkativn * d-
ferentes con*entraciones. Entanoeo, una difsrenpia de S.&S fnS l*1 effir+ lae des tscrd*as,
na seriu* de gran inter*s al nivel de ea S.5$ mg l*1, pero
geri*
mds rnsbsto en el extreffrs
ms ba.ia del Fntennals de ccncentraci$n".
La iahla S.1 rnuestra el resumen de los resultados de k h*ia de cr#eul* de Hxcpl uti-
Iirade para
calcufar la linsa de rcgre*in de l0* datos antsiorse. Los datos CF ss h#l
repre*e*tado en eleje
X
y lCIs resultada* EF en elriv4ase rds ade{snts}- Los re*r,rftados
ffitestran que el valor de rfllarnado por
este prffgraffia *H
mFtlp*e'n debido a su
pctencial
aplhacidn a mdtodos de regree{*n multipls} e* S.9S67, La crdenada e* *l or$*h e*
-.4$6,
con limites de co#ianr* sup*dcr e *nferior de
*$.1$$2'y
+.M40; s${* int*r
valo incluye el valor ideal de cers. La pndiente de la
Srfir,
ll*mada',,X varehle 1' de&tds

ryr
es el s+eficie*te del *rmino en .rwr la Hcus*in
{"1},
ss 0.9875, ssn n fr*ervalo
de coflfianra at 95% de S,S48$ a
"t,S*?Sr
HrrtvB*lsflt$ este ir*erusfs t.nefuys s[ vaior del
mcdelo, en esle casa 1"0.
{Los
res*lt*dw restanla$ ns ss necesilsn en este eiernpl*, y ss
dlssutn an la ssccidn 5.111- La Figura 5-tI muestra.h lfnea de regraeldn cfl la$ earscle-
ri.etiea* ant*rlorgs resumidg*.
Tabla 5.1. Salida de Excel para
el Ejemplo 5,9.1.
Estadistica de l-a reqresin
133
(!r
o
o-
o
a
o-
o
o
o
cr
Fl
g)
o
o\
T
o
5
o
Q)r
(n
a
5'
a
r+
I
o
T
9J
::
Fl
o
CCI
Fl
o
a
o\
D
o
o
o
o'
o
Qr
f
Pmr'rlt-inla
R cuadrado
R cuadrado ajustado
Error estndar
Observaciones
0.9961
0 .9934
0.9930
0.0825
20
ANOVA
F
n1
YL
SC CM F Significativa
Regresin
Residual
'l'otal-
1-B .3 42
0 .1,22
1-8 .465
L8.342
0.007
1
'18
1,9
2695.971 4.61,9268-2r
Coeficientes Error
estndar
Estadistico t Valor P
Ordenada
an a] nri nan
x vart_aI)-Le 1
-0.0456
0.9819
Inf eri-or
a1 95%
0 .0426
0.0190
Superior
aI95%
-t_.070
5L .923
0.299
4.628-ZL
Ordenada
^- ^1 ^-j^^- grr ga
vr rvgfr
X Variable 1
-0.L352
0.9480
0.0440
1- .027 9
7t
134
rrj
a
o)
o-
a
r+
o
0)
'o
o
iI
o
B
o)
rJ
o
Fl
o
..o
tr
3
c)
o
CD
el-
o
o)
tL
o
2.s
a
E
2'o
=
E
1.5
tr
1.0
0.5
|
oL
0
I
I
I
I
il
l,lr
I
,Ji'
Iri,
0.5 1.0 1.s 2.O 2.5 3.0 3.s 4.O
Resultados EF
Figura 5.11. Comparacin de dos m6todos analfticos: datos del Ejemplo 5.9.1.
En relacin con este ejemplo pueden mencionarse otros dos aspectos. En
primer hugar,la revisin de 1a Literatura de quimica analitica muestra que los
autores se preocupan con frecuencia por los valores del coefi.ciente de corre-
lacin en estudios comparativos. Sin embarSo, en este ejemplo, e1 establecer
si ocurren o no errores sistemticos no
juega
un papel directo. Incluso si la
recta d.e regresidn hubiera sido ligeramente crtwa, el coeficiente de correla-
ci6n se podria haber acercado a 1
(vdase la anterior Seccin 5.3). Esto signi-
fi.ca que el clculo de r tiene menor importancia en el presente contexto que
e1 establecimiento de los limites de confianza pata la pendiente y ordenada
en e1 origen. En algunos casos se puede encontrar
que el valor de r no se
aaerca mucho a 7, aurt cuando 1a pendiente y ordenada en el origen no sean
significativamente diferentes de 1 y 0, respectivamente. Tal resultado su$e-
riria muy poca precisin bien sea para uno o ambos mdtodos bajo estudio.
Las precisiones de los dos mdtodos se pueden determinar y cornparat utili-
zando 1os mdtodos de 1os Capitulos 2 y 3. EnIaprctica es deseable que esto
se haga antes de representar larecta de regresin que aotrrpara los dos m6to-
dos representados; Ia razn de esto se explica posteriormente. El segundo
punto a sefr.alar es que sea deseable comparar los mtodos en todo e1 inter-
valo de concentraciones, como en e1 ejemplo expuesto, donde 1as muestras
de orina examinadas contenian concentraciones de cido fitico que cubrian
con sufi.ciente uniformidad el intervalo de inter6s.
Aunque la aproximaciln descrita haya sido ampliamente adoptada en es-
tudios comparativos de mdtodos intrumentales, est abierta a algunas obje-
ciones tericas. En primer 7ugar, como se ha recalcado a travds de todo e1
capftulo, 7a recta de regresin de y sobre x se calcula bajo el supuesto de
tener errores despreciables en 1os valores de x
(se
supone que todos 1os erro-
res ocurren en 1a direcciln
il.
Este supuesto,
generalmente v1ido en la
generaciln de una grfica de calibrado para un rinico analito, no se puede
justificar
cuando larecta de regresin se emplea con propsitos de compara-
cin: se puede tomar como cierto que los errores aleatorios existirrt ett arn-
bos mdtodos analiticos, es decir, tanto en la direccin Jc como en la y. Esto
sugiere que no son vlidas las ecuaciones utilizadas en el clculo de la propia
r
reata de regresidn. Sin embargo,los mdtodos de regresin se siguen utilizan-
do ampliamente, ya que las grficas que resultan proporcionan informacidn
valiosa sobre la naturaleza de cualquier diferencia entre ios mdtodos (Figura
5.10). Adems, las simulaciones muestran que la aproximacin conduce a
resultados sorprend.entemente fiables, siempre que e1 mdtodo ms preciso se
represente en e1 eje x
(6sta
es la raz6n de rcalizar investigaciones sobre las
precisiones de los dos mdtodos; vdase 1o expuesto anteriormente), y que se
usen un nrimero razonable de puntos (ca.
al menos 10) cubriendo uniforme-
mente el intervaio de concentraciones de interds. Ya que los clculos de los
limites de confianza se basan en n-2 grados de libertad, es de particular im-
portancia evitar valores pequefr.os de n. Existen m6todos de representaciln
de rectas de regresin en que x e g estn sujetos a error, sin embargo en la
prctica no se utilizan habitualmente en estudios de comparacin debido a
su complejidad.
Una segunda objecidn al uttlizar 7a recta de regresidn de y sobre x en Ia
comparacidn de dos mdtodos analfticos, como se calcul en las Secciones 5.4
y 5.5, supone tambidn que los errores en los valores de y son constantes. Se
dice que tales datos son homocedsticos. Como se comentl anteriormente,
esto significa que todos los puntos tienen igual ponderaciln cuando se cal-
culan la pendiente y 1a ordenada en el origen de la linea. Este supuesto es
probable que carezca de validez enla prctica. En muchos anlisis, 1os datos
son heterocedsticos, es decir,la desviaci6n estndar de los valores d"
U
aumenta con la concentraciln del analito, en vez de tener el mismo valor
para todas las concentraciones
(vdase
ms adelante). Esta objeci6n a1 uso de
rectas de regresin no ponderadas se aplica tambiln a las representaciones
de calibrado para un nico procedimiento analitico. En principio, las lineas
de re$resin ponderadas deben ser utilizadas en su lugar, como se muestra
en 1a siguiente secci6n.
5.1O. Rectas de regresin ponderadas
En esta seccin se esbozan las aplicaciones de los mdtodos de regresidn pon-
derada. Se supone que la recta de regresidn ponderada se utiliza para la de-
terminacin de un rlnico analito y no para comparar dos mdtodos distintos.
En cualquiet anlisis de cal:rracifn el error aleatorio global del resultado
surgia de una combinacin de las contribuciones al error de varias etapas de1
anlisis
(vdase
la Seccin 2.11). En algunos casos este error global
estar
controlado por una o ms etapas de1 anlisis donde el error aleatorio no es
dependiente de la concentraciln. En algunos casos se esperar que los erro-
res en Ia cuwa de calibrado en la direcciln
U
sean aproximadamente igual
para todos los puntos (homocedasticidad), y un c7cu.7o de regresin no pon-
derada es legitimo. En otros casos, los errores sern aproximadamente pro-
porcionales a la concentraciln de1 analito
(es
decir, el error relativo ser
aproximadamente constante), y er algunos ms
(quizIa
situacin ms co-
mn en Ia prctica) e1 error en 1a direccin de y aumentar cuando aumenta
x, pero con menos rapidez que la concentraci6n. Ambos tipos de datos hete-
rocedsticos deberian ser tratados mediante mdtodos de regresidn pondera-
dos. Habitualmente un analista s1o puede aprender de la experiencia si son
135
K
(Qr
FF
o
o-
o
(tt
o-
o
o
s)
o
Fl
g)
c)
o\
5
o
D
g)
T
9r
a
U,
a
B
o
5
-l-
0J
=
FJ
o
co
o
a
o\
5
\<
()
o
o
g)
o
o\
5
ril
ff
tg
.
*
!'
l 136
jL
adecuados 1os m6todos
ponderados o no ponderados. Las predicciones son
dificiles: son abundantes
los ejemplos en 1os que dos mdtodos aparentemente
similares
muestran un comportamiento
muy diferente frente al error. Los
clculos
de regresin
ponderados son bastante
ms complejos
que 1os no
ponderador,
yl.qrrierJn ms informaci1n
(o
e1 uso de ms supuestos). No
bstante,
debenan ttilizarse cuando se sospeche heterocedasticidad,
y en la
actuaTid,ad
se utili zan mucho ms que antaito, en parte como resultado de la
presi6n de autoridades reguladoras
de la industria farmacutica
y de otros
or$anismos.
m figura S.!Z muestra la situacidn
que sur$e cuando el error en un clculo
de regresin es aproximad"amente
proporcional a la concentraciln
del anali-
to, es decir, las urrur de erroro utllizadas
para expresar los errores aleato-
rios en 1os diferentes
puntos del calibrado se alar$an a medida que aumenta
la concentraci6n.Laiecta
de regresin debe ser calculadaparu
proporcionar
una pond eraciln adicional a aquellos
puntos donde las barras de error son
ms cortas: es ms importante
para la recta calculada
pasar cerca de tales
puntos que pasa, ,"t"i de 1os puntos que representan concentraciones
ms
ltur .on lor .rrores ms
gtandes. Este resultado se logra dando a cada punto
una pond eracin inversamente
proporcional a la varial\za correspondiente,
s7.
(Este procedimiento lgico se aplica a todos los clculos de re$resin
pon-
derad.os
y no s1o a aquellos en que e1 error en 1a direccin de y es propor-
cional a"x.) Asi pues, ,i 1or punts individuales son denotados
por (*r,
U,r),
(xr,
Ur),
eti., roo es habitul,
y las coffespondientes
desviaciones estndar
Son s1, 52, etl., entonces las ponderaciones individualas, Wy W2, QtC", vienen
dadas por:
Ponderaciones:
S;-
W;--
-t, "
) s,'ln
,L)Ll
i
(s.13)
Concentracin
Figura 5.12. La ponderacin de errgres en un clculo de regresin.
rrJ
a
o)
o-
a
r'l-
o
o)
'o
I
=
)
o
o
Fl
9)
E
o)
B
o
'o
C
o
9)
g)
o)
o
9)
(g
(|)
@
F
Se ver que las ponderaciones
se han escalado de tal manera que su suma es
igual al nmero de puntos sobre 1a representacin grfica:
esto simplifica 1os
subsiguientes clculos. La pendiente y \a ordenada en el origen de la recta de
regresidn vienen dadas por:
L
*,*ru,
-
ni,U*
Pendientepond.erada:
b*:
i
137
y por
Ordenada en el origen ponderada: a,,:
t* -
bi, (5.15)
En la Ecuacin (5.15),
U,,y
i*representan las coordenadas del centro d.e gra-
vedad ponderadz, por el que debe pasar 7a rccta de regresidn ponderada.
Como se esperaba, estas coordenadas vienen dadas por i*
:
L
*r*,ln y
wtUiln-
-\a
U*:
L
i
(!r
o
o-
o
a
o-
o
o
9L
d
F3
o
o
o\
Fl
o
D
QJr
a
a
a
r+
o
o
:T-
F3
o
CO
Fl
o
a
o\
Fl
\<
C)
o
t
o
o
o
Qr
Fl
Csncentfracin,.
lrg'Fd
*
t
n*e{AsniOm
ssi*}&r:
.l
AN*rMmia
I
0.q*
$.s0s
,2
&s4
$.r5s
,;.
E
:0.StS
s-ffi1
s
c.$13
s.47
10
s"s17 s.$s2
s$7? s.rffi
ta plicacidn ds Ins fcuacb*$s
{$,TI:r.{$.s}rn$eiitra
q;ls
h pend$ente y
k ardenada'n et
origsn.de
ts
teqt de reEeslon na'j@& swi, respqc-tfuamet$e; 0$7ffi y
fr.*tg3.'ls$
c0'rn*flF#i,stts$ gqtr#pofrdf*rffi
a las isss{bard$ dss-*0s y
#,s{# wr.i.*0. y
$"ffi,i:rg
ltd
'Jf
WYr
.
2
41'
$
s.
$.s$g
'&trl
s"rs. . *.s${
0-ffi1 s,s1#
.,
;tf.
#ffs '
t0w.
..ssr?
.s4sff
:
stB6'J
'.04ss.
s.ffi47'
s"$6$
"$tss.
s.011*''
$
$.ssa
sffi
's.ts$
,&ts'
0.rss' r.s&4
,'s.sm
fi;w
'S,Sffil
f;tSS'
s.s*tr.'.'f-2*$.,
138
7s
Estos n*mer**
dan
Frc,*
*.15581
'*
s,ess,
T
kw* t.fl7lls
*
0'229' fi{ediante Ia Ecu*
sift {5,14.},
S*se c*tcuta a
partir ds
S,4SS
*
{6
x
.*9
x
S.02S}
t]6-
F.76$
- [6
x
{0.22s}'J
demansa{ffi#,rvienedadopor0'02S*{S"?SSxS'2S}*'$091.
Sstos
valcr*$
paru ** y
&,\pueden
ser uiilixad*
paffi'fnostrar
q$s ls$ val*res de ab-
s*rbansi* # 0*100
V
triO-"it*pclden
a *er,c*trtraelones
de 1.23
y fi$t
il'g
r$*1'
respectivamente.
La comparaciln
de 1os resultados
de 1os clculos de re$resin
ponderada
y
no ponde rad.a resulta muy instructiva.
Los efectos de1 proceso de pondera-
cin son claros. E1 centro de
$taved,ad
ponderado
(i*,
t,,)
est mucho ms
sercadel
origen delgrfi.co
que e1 centro de
$raved'ad
no ponderado
(i,U),y
1a ponde raci;n dadi a 1os puntos ms
pr6xi*ot al origen
(en particu\ar al
;;;;;;.
iO,
O.OOS),
q.t tiene el mor de todos los errores) ase$ura
que
ia recta- de regresin
ponder ad,a tiene una orde nada en e1 origen muy cercarTa
a este punto. f,u-p.ni ente
y la ordenad.a
en el origen de la tecta
ponderada
son notablement
similares
a 1os de la recta no pondetada, sin embar$o'
1os
resultados
de los dos mdtodos
proporcionan
rlulotts muy similares
de 1as
concentraciones
de las muestras
.ott
"btorbancias
de 0.100
y 0'600' No debe
suponerse
que esos valores similares
sur$en simplemente
debido a
que en
esie ejemplo los puntos experimentales
se ajustan
muy bien a lu:rTa1inea
rcc-
ta. En Ia prcttc, 1", rectis de re$resin
ponderad'a
y no ponderada obteni-
das de una serie de datos experimentales
tienen
pendientes
y ordenadas
en
.1 orig.n similares,
incluso J ,esulta sustancial
la dispersidn
de los puntos
respecto de Ia recta.
como conclusin
podria pensalse
que los clculos de re$resin
pondera-
d.a son poco ,.ro*.r,dab1es.
Requieren
ms informaci6n
(en Ia forma de cal-
cular las estimaciones
de 1a desviacin
estnd ar erL varios
puntos sobre la
represent
aci6n
grfica) y son ms complejos
de ejecutar, sin embar$o
parece
que proporcionn
datos
que son muy^similares
a los obtenidos a partir de1
m6todo d"e regresi6n
no pnderado.
Tales consideraciones
pueden responder
a1 hecho habitual en la prctica de despreciar
los clculos de regresin
pon-
derada. si bien un qufmico analiti.o
qo. utiriza m6todos instrumentales
no
emplea clculos d" gresin simplemente
p,ara d'etermin ar \a pendiente
y Ia
ord.enad,a en e1 origeridel
gr1fico de calibrado
y las concentraciones
de mues-
tras d.e ensayo. tabien necesita
obtener estimaciones
de los errores o limi-
tes de conftanza
de 1as concentraciones
y es en este contexto en el
que el
mdtodo a. ,rgr.rin
pond etada
proporciona resultados
mucho ms reales'
En 1a Seccin 5.G se itttt O la EcuaciOn
(S.g) para estimar 1a desviacidn
es-
tani
G.) n
U. aqui 1os limites de confianza
d,na concentraci1n
catu,;'ada
uttlizando un rinico valor d"
U,
y una recta de re$resin no ponderada' La
aplicacin de esta ecuacin a los datos en e1 ejemplo anterior muestra
que
los limites d.e confi artzano
ponderados
paralas soluciones
que poseen absor-
bancias de 0.100
y 0.600 son 1.20 + 0.65
y 8.09 t
0'63
pgml-1, respectiva-
mente. Como .r, 1 ejemplo de la Seccin 5.6, estos intervalos
de confi anza
rrJ
Q
CD
o-
Q
o
n)
;-,1
;1
o
.+
B
cIJ
'i
o
B
0)
o
o)
0)
g)
C)
o
i
t,
ti
ft
F
son muy similares. Sin embatgo, en el ejemplo presente, tal resultado
no es
completamente real. Los datos experimentales muestran que 1os errores
de
los valores y observados aumentan cuando aumentan los propios valores
de
y, situaci6n esperadapara un m6todo que tenga una desviacin estndar
re-
Tativa aproximadamente constante. Se podria esperar que este incremento
en
sr con el incremento de y podria tambidn reflejarse en los limites de confi.an-
za de las concentraciones determinadas: los limites de confiarTza para la so-
1uci6n con una absorbancia de 0.600 deberian ser mucho ms grandes (es
decir, peores) que 1os de 1a solucin con absorbancia de 0.100.
En los clculos de regresin ponderados, la desviacin estndar de una
predicciln sobre la concentraciln viene dada por:
En esta ecuaciln, s{s1*'1* viene dada por:
\-
/J
i
wi(ui
- u)')t/'
s(ul*)r,:
n-2
(s.17)
y wo es una ponderacin adecuada del valor de
Uo.
Las Ecuaciones (5.16) y
(5.17)
son claramente similares en la forma a las Ecuaciones (5.9) y (5.6).
La Ecuacidn (5.16)
confirma que 1os puntos cercanos al origen, donde 1as
ponderaciones son ms altas, y los puntos cercanos al centro de gravedad,
donde (Uo
- U)
""
pequefr.o, tendrn 1os limites de confianza ms estrechos
de todos (figura
5.13). La principal diferencia entre las Ecuaciones (S.O) y
(5.16)
es el tdrmino Tlwo en la Ecuacidn (5.16).
Ya que r,uo disminuye brus-
camente a medida que aumenta y, este tdrmino, como se esperaba, asegura
que los limites de confiattza aumenten cuando aumenta y6.
La aplicacin de Ia Ecuacin
(5.16)
a los datos del ejemplo anterior mues-
tra que las soluciones problema con absorbancias de 0.100 y 0.600 presenten
lfmites de confianza para las concentraciones calculadas de 7.23 + 12 y
8.01 + 0.72 ytg ffil-1, respectivamente. Las amplitudes de estos intervalos de
conftanza son proporcionales a las absorbancias observadas de 1as dos solu-
ciones. Adems, el intervalo de confiartza para la muestra menos concentra-
da de las dos es ms pequeflo que en los clculos de regresidn no ponderados,
mientras que para la muestra ms concentrada es cierto 1o contrario. Todos
estos resultados concuerdan mucho ms con la realidad del experimento de
calibraciln que con los resultados de los clculos de regresidn no ponderada.
Adems, los mdtodos de regresidn ponderados pueden ser esenciales
cuando se obtiene una linea de calibrado por transformaciones algebraicas
de una representacin intrinsecamente curva
(vdase
la Seccin 5.13). En la
139
7
r-
(Qr
o-
o
a
o-
o
o
'o
C'
Ft
o
o
Qr
5
o
D
D
gr
a
a
D
C)
FF
E
o
T
+
FJ
o
(o
o
a
o\
D
o
o
xl
o
o
c)
o\
:]
(.
s.
_s(.a/i*
ll*l*
"x,,t.
b
\*o
n
t
\rtz
I
I
(uo
- t/,,)'
*(4wix7
-
"oI)
(s.16)
'li!
it
:l
ti
l
!.
31
Concentracin
Figura 5.13. Forma general de los limites de confianza para una concentracin determinada
utilizando una recta de regresin ponderada.
actualidad existen programas de computadora para clculos de regresin
ponderados, fundamentalmente atravds de paquetes informticos de estadfs-
tica muy avanzados, y esto deberia fomentar el mayor uso de este mdtodo.
5.11. Interseccin de dos lineas rectas
Una serie de problemas en \a ciencia analitica se resuelven representando
dos
grficos de lineas rectas de los datos experimentales y determinando e1
punto de su interseccidn. Ejemplos habituales incluyen valoraciones poten-
ciomdtricas y conductimdtricas, 1a determinacidn de la composicin de com-
plejos metlicos tipo quelato, y estudios de interacciones proteina-ligando y
de enlace bioespecifico similares. Si se conocen 1as ecuaciones de las dos li-
neas rectas
(no ponderadas),
Ut:
arlbpl e
Uz:
ez*b2x2
(con llt
Y
rlz
puntos, respectivamente), entonces se demuestra con facilidad que e1 valor
de x de su intersecciln, x1, vierte dado por:
donde La
:
a.1
-
a2 y Lb
:
bz
-
b1. Los limites de confianz'a para este valor
de xl vienen dados por 1as dos raices de la siguiente ecuacin cuadrttca:
xl6tu2
-
t"'o)
-Zx{La\b-
t"ooor) + (Laz
-tzszoo):g
(5.19)
140
rn
a
o
o-
U)
o
g)
,o
I
='
:,
o
o
Fl
oJ
E
Cl)
Fl
o
'o
C
)
c)
o
g)
T
ei-
o
gJ
(D
U)
Punto d,e inters e
'
La
cci6n: *t:
fr
(5.1S)
El valor de r udlizado en esta ecuaciln se elige al nivel P apropiado y con
n1 * n2
-
4
$ados
de libertad. Las desviaciones estndar en la Ecuacidn
(5.19)
se calculan sobre la hiptesis de que 1os valores para las dos lineas,
sro/it
Y
s1!1*12, sean suficientemente similares para ser
juntados
utilizando
urua eeuaciin anloga a la Ecuacin (3.3):
"
Qt /*)p
_
(q
-
2)s2rutat + (nz
-
2)s2uptz
n1 ln,2-4
(s.20)
Despuds de este proceso de agrupamiento se puede escribir:
Estas ecuaciones parecen extraordinariamente complejas, pero si se utiliza
una hoja de cLculo como Excel para obtener las ecuaciones de las dos lineas,
el punto de interseccin se puede determinar de rTrra vez. Entonces, se pue-
den
juntar
los valo res xn
p,
calcular los valore s s|o, etc., y encontrar 1os limi-
tes de conftanza utllizando las prestaciones de resolucin de ecuaciones de1
pro$rama.
5.12. ANOVA y los clculos de regresi6n
Cuando se utiliza e1 criterio de mfnimos cuadrados para determin ar la mejor
linea recta que pasa por un rinico conjunto de puntos hay una solucin rini-
ca, de manera que los clculos implicados son rcTativamente directos. Sin
embar$o, cuando un grftco
de calibrado curyo se calcula utilizand,o el mis-
mo criterio, 6ste ya no es el caso: una curv a de minimos cuadrados se podria
describir por funciones polindmicas (g:
& I bx
-t
cxz +...) conteniendo di-
ferentes nmeros de tdrminos, una funcin exponencial o \oSaritmiea, o er7
otras formas. Por tanto, se necesita un mdtodo que ayud e a elegir la mejor
forma de representar una curva de entre las muchas que hay disponibles. EI
anlisis de la varianza (ANOVA)
proporciona dicho mdtodo en todos los ca-
sos donde se mantenga Ia hiptesis de que los errores ocurren slo en la di-
recciln d"
U.
En tales situaciones en un grfico
de calibraciln hay dos fuen-
tes de \a variacidn en la direccin de
U.
La primera es la vartacin debida a
141
(Qr
o
o-
o
a
o-
o
o
0)
o-
*l
OJ
o
Q.
5
o
5
o
D
pr
a
a
T
a
r.i
x
-l
o
hJ
+
Ft
G
(o
o
a
o\
,)
o
o
t
o
-
o
o\
5
(s.21)
-
ir)'
i"
ir)'
l
l(xiz -
i
i2
i7
-r
s2^b: ,?r,oo{
I
2 2
(1
so: sAHp
h-
t
stotu: sTb),
(*,, T
L
i
X1
-r
,)'
ii
1-
...s
|)'
ir
:
cit
-=
x
(x
1
-
) t'
/)
\'
i
i1
L\
(xt
-f
--
[x
I
i
1
/12
t_
{\-
l+
(s.22)
(s.23)
\(xiz -
ir)'
i
142
rfl
a
r-l-
I
o-
@
t+
o
o)

o
T
o
t+
Fl
0)
rJ
o)
F1
g)
-o
g
.<
o
g)
g)
9)
o
o
){
La regresifin,
es decir, debida ala telacifn
entre la senal de1 instrumettto'
y'
y 1a concentracin
del analit o, x. Lase$unda
es e1 erlor experimental
aleato-
rio en 1os valore
"
ai
ut,
que se denomin
la variaci 6n sobre la regresi1n'
Como
se ha visto en el c^pTiuio
3, ANovA
es un mdtodo
potente
Plta
separar
dos
fuentes
de variacin
en tales situaciones.
En los prbl?Tut
-de
tegresin'
e1
pro*.aio
de 1os valores de y de 1os puntos de calibracin,u,
""
importante
a1 definir
estas fuentes de iariacin.
Los val0res
individuales
de yi dlfieren
i"
y porlas dos tazorLesdadas
anteriormente.
ANOVA
se aplica
para separar
las dos fuentes de variac i6n 6ttltzando
la relacin
en
que 1a suma de cuadta-
dos total
(SC) ,nt.
y esigtalala
SC debida alate$resin
ms 1a SC sobre
la regresin:
La suma de cuadrad.os
total, es decir, la pafie izquietda
de.la
Ecuacifn
(5.24),queda claramente
fljad,ao',uu"L
q.t. t. han determinado
1os valores
experimentales.
Una linea
que ajuste estos
puntos experimentales
con
proxi-
midad se obtend r cuando
la varia ct6n d,ebid'a a I'a regresi,n
(el-primer tdr-
mino de la parte derecha de 1a Ecuacin
(5.24)) sea tan
$tande
como sea
posible. La variacrn
sobre 1a re$resin
(tambinllamada
1a SC residwal'
ya
que cada componente
del t6rmin
del lado derecho
de la ecuacin
es un rini-
co resid.uo) deberia ser tan pequefr.a como fteta
posible' El mdtodo
es muy
general y se pued e aplicar
a problemas de re$residn
lineal asi como a regre'
si6n no lineal. La Tabla 5.1 mostrd
la salida Excel
para ttn
gtftco lineal uti-
Iizado
para
"o^puiu,
dos mdtodos
analfticos,
incluyendo
una tabla ANOVA
en 1a forma usual. como es habitual,
el mimero ttal de
grados de libertad
(rg) es uno menos
que el mimero de medidas
(20), ya que los residuos
s11-
man cero.
para
in
gian"o de linea recta se tiene
que determinar.slo
un coe-
ficiente
{b)
paraun tdrmino
que tambidn
contenga
x,Y&
que e} nrimero
de
grados de libertad debido aliregtesidn
9t 1.Poi
tanto,]hay
y(n-2):78
grados de liberta d. para Ia vatiaJi1n
residual'
Los valores de los cuadrados
medios
(CM) se detrminan
como en 1os ejemplos
ANOVA
previos'
y e1 con-
traste F se aplica a los d.os cuadrados
medioi como es habitual'
E1 valor
'F
obtenido es muy
$rande,
ya que hay una relacifn
obvia entre x e
U'
de
1a-
rreraque
el c#a la regrlsin
,, ucho
ms
grande que el C$ residual'
La salida Excel tambinincluye
,.mriltip1e Ru,
que co-o se ha comentado
previamente es en este caso iguaial coeficiente
de correlaci6n,r,
el error es-
"t^;;;;(:
ir,.j,y los t6rminos
adicionales
nR square>
(R cuadrado)
y
"adjus-
ted R square>
(R
cn"drado
ajustado),
usualmenle
abreviado
por R'2' Los dos
riltimos estadisticos
son
proporcionados
por Excel como decimales'
pero a
menudo se expres a1l eflsu |u$ar como
porcentajes'
Se definen
como sigue:
Rz
:
SC debid a alaregresin/SC
total -
1
-
(SC residualiSC
total)
(5'25)
I
I
i
rl
:l
l
;il
dili;
ilL:
*1f r
[iti
gixi
Sumas de cuadrados
aditivas:
(s.z+)
R'2
:1
-
(CM residual/CM
total)
(s.26)
F
En
^el
caso del grafico
de una linea recta, R2 es igual a rz, er cuadrado
de1
coeficiente de correlacin,
es decir el cuadrado de *mwltipie
R,. Las aplica_
ciones de R2 y R'2 a problemas
de ajuste de curvas sern analizad,as
ms ade-
lante.
5.13. Los mtodos de regresi6n
no lineal.
Introducci6n
En muchos mdtodos de anlisis instrumental la respuesta
del instrumento
es
proporcional
a la concentraciln
de analito en intervalos
de concentracin
sustanciales. Los clculos simplificados estimulan a los analistas a tomar pre-
cauciones experimentales para lograr tal linealidad. Ejemplos
de tales pre-
cauciones incluyen tanto el control de Ia anchurade 1as Hnas de emisii de
una lmpara de ctodo hueco en espectrometria
de absorcin
atmica, como
el tamaflo y posicidn
del portamuestras
pata minimizar 1os efectos de fi1tro
interno en espectrofluorimetria
molecular. Sin embar{o, muchos m6todos
analiticos (por
ejemplo, inmunoensayos y ensayos similares de uni6n com-
petitiva
competitive
binding) producen grfr,cas
de caTlbrado que son intrinse-
camente curvas. Es particularmente
habitual la situacin en que 1a grfica
de
calibrado es lineal (o
aproximadamente
lineal) a baja, .on.rrtraciones
de
analito, cutvndose
a niveles de analito ms grandes.
Cuando se obtienen
grficas
de calibrado curvas, se necesitan respuestas
a las preguntas
formu-
ladas en la Seccidn 5.2, si bien las preguntas plantearnptftus
estadisti-
cos mucho ms interesantes que en e1 caso de experimentos
de callbracin
iineal.
La primera pre$unta
a examen es:
lcmo
se detectala cuwatura en un
$tfico
de caTlbrado? Esto es,
;cmo
se distingue entre un grfico que se ajus-
ta mejor a unalinea recta y otro que se ajusta mejor u u^ cur a poco pro-
nunciada? Puesto que el grado
de cuwatura puede ser pequeflo, y/o suced"
slo en parte del grfico,
6sta no es una preSunta direcia.^Ade-s,
a pesar
del amplio uso de1 coeficiente de correliciOn momento-producto
'(r)'paia
contrastar la bondad del ajuste de grficas
lineales ad,ecuaas, es de po.d ru-
lor al contrastar la curvatura: se ha visto (Seccin
5.3) que las lineas con una
curvatura
obvia pueden incluso dar valores de r muy elevados.
Naturalmente
un analista esperaria que algin contraste de curvatura se pudiera
aplicar con
bastante facilidad en el trabajo cotidiano sin clculos exiensos. Aigunos de
tales contrastes existen y estn basados en la utllizacin de los resiJuos de y
de los grficos
de calibrado.
como se ha visto (secci6n
5.5) un residuo d"
u, ui - ui,
representa la di_
fercncia entre un valor experimental de
U
y el rruloi"catiulad, y apartir d,e
Ia tecta de regresiln para el mismo valor-d x. Si es apropiado n gtfico
de
calibrado lineal, y si los errores aleatorios en los valores e y estn distribui-
dos normalmente,
1os residuos en si mismos deberian estaristribuidos
nor-
malmente en torno al valor cero. Si esto no es cierto en la prctica,
entonces
se debe sospechar que 7a recta de regresin ajustada no es la corcecta. En el
ejemplo resuelto en 1a Seccin 5.5, los residuos y obtenid.os fueron + 0.5g,
-0.38, -0.24, -0.50,
+0.s4, +0.18 y +0.02. Estos valores suman cero
(teniendo
en cuenta los posibles
errores de redondeo, esto debe ser siempre
143
(!r
o
o-
a
o
c)
OJ
o-
Fl
o
o
o.
o
5
o
t!r
(t
a
(t)
r-+
!1
o
o
5
o
(c
hl
o
a
O\
T
\<
o
5
o
F-
c)
Qr
f
144
t6
cierto),
y aproxim adamente
estn distribuidos
simdtricamente
en torno a 0'
Aunque ,, i*posible
que sea cierto,
especialmente
con un nmero
pequeflo
de puntos,
que .ro, ,.Jid.ros estdn normalmente
d'istribuidos,
ciertamente
no
existe
evidencia
en contr a et7 este caso, es decif' no hay evidencia
pata
mantener
un
grflfi.co de calibrado
no lineal. Como se ha comentad'o
ante-
riormente
Minitab
y otros
paquetes estadisticos
ploporcio-nan. amplia infor-
macifin,incluyendo
salidas
$rficas,
sobre los tamafros
y distribucin
de los
residuos.
Se sugiere una segunda
prueba de 1a inspeccin
de los signos
de los resi-
duos anteriormente
xpurrtor.
Si nos trasldamos
a 1o lar$o del
gri.flco de
calibrado,
es d.ecir, ..rurrdo aumenta
Jc' Se espetar
que existan residuos
po-
sitivos
y negativos en orden aleatorio
si los datos estn bien ajustados
a u11^a
linearecta.
Si, al contrario,
se intenta ajustar unalinearecta
aurta serie de
puntos que caen realmente
sobre una curva, entonces
los signos de los resi-
duos ya no tendrn un ord.en aleatorio,
sino
que se produ cirn swcesiones
de
valors
positivos y ne$at'os.
Examinando
d,e nuevo los residuos expuestos
anteriormente
se encuentr a que e1 orden de los signos es *
-
+ + +
'
Paracontrastar
si estas sucesiones
de residuos
* y
-
indican la necesidad
de una lineade re$resin no lineal, es necesario conocer
la probabilidad de
que ta1 ordenamieto
pudiera ocunir
por casualidad.
Tales clculos se des-
criben en el prximo capitulo. Desafoitunad'amettte
el pequeflo nmero de
puntos hace muy probable
que 6stas
y otras secuencias
pudieran realmente
ocurrir
po, .urolidad,
de aneru
q* cualquier
conclusin
que se extrai$a
debe ser tratada con precatciln. L eleccin
entre mdtodos de re$resin
li-
neales y no lineales ,. 11rrru a cabo
probablemente
mejor uttlizando
las tdc-
nicas dL ajuste de curvas esbozadas
en la prxima seccin.
En la situacifn en que un
grftco de calibrado
sea lineal sobre una parte
de su intervalo
y
"u*ido
en ot u, resulta de
Sran
importancia
tratat de es-
tablecer el intervalo sobre e1 que se pued,e asumir linealidad.
Aproximacio-
nes posibles a este problema s esbozan en el siguiente ejemplo'
rn
a
o
o-
0
o
o)
'O
o
o
B
g)
'iJ
o)
Fl
g)
'.o
o
gJ
o)
E
9l
o
g)
Ir*ensldd & fluoresmreia
.1 8-0
tonceirruaclsn;
pg rnl*t,
!
2
19.7
4
2e# sI.s $3.8
6S
.1*
g
ar*g$*
ds fir* eta* mils$tra
$Ie.!a
parte deFgr#rco eercg dsi ori$*t1 ssAd*pt4 b*$tfintp
'
;;,rH iit* to'*n un$'ot#*dn.
en,
.
sriwn.p1oxlfu
3;fftl-3,_una
pend'de'
nrcxirna a filraso' r* fir*orssee*d de'la
s$luc**p
p*r$u
dt
t0
F$
mlTT terf*ndc
ri s'ttsJ}t
;;.rr- bd;. *r*rmernf*
ntsror d la **perad*-
y {isB.lg*na
p$nAndad de
q$e S dss-
ffi;]id;fi#d
;haft- hrnbt&r *t bs**#nr de s pg mt*'. Fdrn*q*ner*e w.Firtic*n
;e-,6;'U
j*d}i$* rirlgd.1116
pcm*rrrd*)
4
tsdf$
lofi dfttss.
* laaBlbnci&t de lw m&
kdm.de hs.$*sdcfie$
5.i
y'5,a. *u'*mtrer.' k$ fssttltffi;*1.!.*nf' 0*
S"4
y
.ffi**#"d-
.$d sn *ur*a
que ef
.try flo.d*
f
$ed*
str'eng4fr#Fs-
rnr
Sls.s
u$* #f fuid{ian*ry"*yo
{tguq
hg.^lfgttt..l*r
re+lsutx*g{f.i-s
*-P
$sri;1,5?,
-s-$14,;$ig,;+'i,grt,
+B.ff14y
*,3.rt4htsft
.
*tlmaae16*sufisre'
dos # ls* msidtlss *l
;I$hi'g*
t*ti*d *rt rwusrpt*s d* rm ffi+ldupqeugfere
que
d 6fti*m v*oi Ce d tbh estt,prpMbbrmtg.t$erg
e[ iffiffi Eneff*:.-.;
.
,',:"''...."
.
.
. ..
F"
Se cn*tirmah bs sc*pechas ap*icanda }an eclachnes de regresn#t linonl ssfamente a
los c$rmo pim+ras p{Iilt*$- Esta
proparciona * *,1S" ** S,SS$
y
r* ,S$" La pen-
dsilte
y
la +rdmda en el origen estdn rnusfn ms cerqa a lm valores esperados p*r Ia
parte del gnfico ms proxim* al *rigen, y el valor de res meycr
$K
*n el
prir*er$*lstl$,
L** rmiduos de I$$
primero*
c*nco
puntas de e*ta segr*nda esuscidrr de r*Ee*ldn *an S,
,
*0.e,
+S.4 y
*A2,
orl una surna.de euadrado* & e*1s.0.4. tl *s* de la ncgundq
ecuacldn de reEesidn mlleetra
que Ia fiuorescencia esperada de un patrfu de 10
frg
ffil*'
es 39.6, es de*[r, el resid*a es
*S"0"
El us* def *ontrasle f{apftt$* S} mostrari* que eete
*ltimo residuo ec significatiuamente rn$s grande gue etr prcme$o d* las otras resld!, s:'el-
ternatFvenrente se podra eplicer un eontra*e
{$eccidn
$-7}
para dqn*astr*r q$e e$ il
*dats
andmalo" entre los residrlos
{vdase
1*r*bl6n la $ecci#t 5,15 rns$ ad*knie}. f;n e*b eiem-
plc, dicFrcs clculcs son tedio$ss: *f en*rm+ rsriduo dol uttimQ
pnts,
unid* a lcs re6'&lo$
muy h*i*s de tcs *tros
pincc
puntos y
a lft muy raducfda surfla de Ios ruadra*ap, *orltrtrrfia
que el intcrualo tlnes{ del mtodo no llega mu all ds 1S
trg
r#*r. t{ah{ends esffiloqids
que el ltimo puntc puede
exctuirse del irrtervato de linsalldad, se puede repetir el poeeco
pdra estudiar el punto
tS,
31,$1. $e puede reafizar
pdo
sslclands [* repta de regrwi&i solo
para los cuatro primeros puntos de la tabla, co*t los resultd$ * fi, S.* 4,ffi, r* $,909S,
Elval*r delcs*ficisnle de corplcirirr *ugier*
quc
$$t }fn@ se aju*ta'ba*tanls bien. Iss
Frrrt$
dg la lfnea ant+risr, en la qu+
*e usabffi *irrco
puntoo. Ls* rF$d$*s psra
ests lersffi
clcula son +0.1, $,
*0,S,
y *S,, rofi unft *r.tma d+ cu*drados de S.14" 0orr sg* lf*s*
de +alibrado el residuo,ypar la solucin de I pg ml*
I
ee
-
S.5; e$s v*ls# +s nra* grar$e
qua
los otroe residuos pero probnhlernn{s n s* *na castldad signikativa- De esb modo
se puede co*cluir que s razo*abtemente segurc lnclir el punta
{S,
St,S} dsfiF* &l inter-
valo llneel del mdtodo, Al t*mar una decisi&r mar$nal de este
.tp'.el
quftxlcc andltico
tendr *n cuent* [a ex*+titud requerida de sus resulkdos,
y el.valor rdt;e$do de w rn$tsds
pare
el
qtle
el intervalo ds slibracin es rnuy co*to. Los cdlc#e* decsrit*$ ant*dEry*e*tp ss
re$uftsn *n Ia FFgura 5"14.
Concentracin, pg ml-l
Figura 5.14. Regresin no lineal: identificacin del intervalo de linealidad. Se usan los datos
del Ejemplo 5.13,1; se muestran las lineas de regresin lineal no ponderadas a trav6s de todos
los puntos (-), a travs de slo los cinco primeros puntos (-
- - - -),
y a travs de slo
los cuatro primeros puntos (..
.'.).
145
(Sr
o
o-
o
a
a-
o
o
EL
d
o
o
o\
5
o
5
0)
f
Q)r
a
a
D
V)
r+
hl
I
o
T
+
o
(CI
Frl
o
V)
o\
5
\<
o
o
o
F'
o
o\
r-l
15
10
.q
c
q)
C)
a
q)
o
tr
0r
0
146
rrJ
a
o
o-
(n
*
o
g)
'.o g
:I
o
r-F
Cl)
E
0)
F{
o
,.o
C
T
o
D
o
5
gL
o
9)
3T
IJnavez que se ha tomado la decisin de que una serie de puntos de calibra-
do no se ajustan satisfactoriamente avrtalinearecta, e1 analista puede
jugat
otra carta antes de resignarse a 1os complejos clculos de regresidn no lineal.
Se pueden transformar 1os datos de manera que una reLacidn no lineal carn-
bie a otra lineal. Tales transformaciones se aplican regularmente a los resul-
tados de ciertos mdtodos analfticos. Por ejemplo, 1os paquetes informticos
modernos para la interpretaciln de datos de inmunoensayos ofrecen fre-
cuentemente una opcin de transformaciones: mdtodos comnmente utt'liza-
dos incluyen representar Io8
U
ylolog x efi vez de
U
y x, o el uso de funciones
logit
(1ogit
x:7nlxl(t
-
x)]). Es importante sefralar que las transformacio-
nes pueden afectar tambiln ala naturaleza de 1os errores en diferentes pun-
tos de las representaciones del calibrado. Supn$ase, por ejemplo, que en un
conjunto de datos de la forma
U
:
pxq,las magnitudes de los errores aleato-
rios en
U
sor- independientes de x. Cualquier transformaciln de los datos en
forma lineal al tomar logaritmos
generar datos cuyos errores en 1o$
U
n0 sorr
independientes de 1og x. En este y en cualquier otro caso donde sea conocida
la forma esperada de 1a ecuacin a partfu de consideraciones tericas o de
experiencia de mucho tiempo, es posible aplicat ecuaciones de re{resiin pon-
dei"adas
(Seccin
5.10) a los datos transformados. Se puede demostrar que,
si los datos de 1a forma general
U
:
f
(x)
se transformatT en la ecuacin lineal
Y
:
BX + A, el factor de ponderaci6n, w,utlTizado en las Ecuaciones
(5.14)-
(5.17)
se obtiene de la relaciln
(s.27)
Des$raciadamente, no existen muchos casos en quimica analitica en que se
conozca con certeza \a forma matemtica exacta de una ectacin de regre-
si6n no lineal
(v6ase
mas adelante), de modo que esta aproximaci6n es de
valor restringido.
Tambidn deberfa considerarse
que, a diferencia de la situacin descrita
en el prrafo anterior, los resultados se pueden transformar pata
{enerar
da-
tos que pueden ser tratados por mdtodos no ponderad.os. Datos de la forma
U
:
bx, con errores en la direcciln
U
claramente dependientes de x a veces
estn sujetos a transformaciones log-1og: los errores en lo$
U
tienen entonces
ll;navariacin sensiblemente menor con log x, de mattera que los datos trans-
formados pueden ser estudiados por ecuaciones de regresin no ponderadas.
5.!4. El ajuste de curvas
A la vista de las dificultades que surgen a1 transfotrnar los datos, y de La
creciente facilidad con que pueden calcularse las curvas para ajustar una se-
rie de puntos de calibraci6n,los mdtodos de regresin curvilinea son en la
actaalidad relativamente comunes enla quimica analitica. Es muy importan-
te sefr.alar que 1as curvas de calibrado encontradas en la prctica resultan a
menudo de la superposicin de dos o ms fenlmenos fisicos o quimicos. Asi,
en espectrometria de fluorescencia molecular, representaciones de la sefral
vs. concentracin pueden ser aproximadamente lineales en disoluciones muy
diluidas, pero a altas concentraciones exhibirn curvatura creciente
(negati-
|
1
l'
1'l).
:
<
"- L
ld.Y;ld.y1)
F
va) debida a:
(a)
e1 tipo de ptica utllizada
(efectos
de fi1tro interno), (b)
interacciones moleculares
(por ejemplo, atenuaciln, formacidn de escime-
ros), y (c)
ala carencia de supuestos algebraicos sobre los que se pronostique
una representacin lineal. Los efectos
(a)-(c) son independientes entre si, de
mafiera que en la prctica pueden apatecer curvas de diferente forma. Este
ejemplo muestra porqu6 1as curvas de calibrado con forma conocida y pro-
nostiable se encuentran raravez en el trabajo analitico
(v6ase
1o anterior).
Asi pues, el analista a priori tiene escasa nocidn sobre cul de 1os muchos
tipos de ecuaciones que generanrepresentaciones en forma de curva deberia
utilizarse para ajustar en un caso particular los datos de calibracifn. En 1a
'prctica,
mucha de la estrategia ms comrin consiste^en ajustar una curva
ir.
r." un polinomio ertx) es decir,
U:
&*bx+ cxz + dx3 *... Entonces
los problemas matemticos a resolver son:
(i)
;cuntos
tdrminos deben in-
cluirse en e1 polinomi o?, y (ii)
aqud
valores deben asignarse a los coeficientes
a, b, etc.? Los paquetes de software informtico
que abordan estos problemas
son normalmente iterativos: en primer lugar ajustan una lfnea recta a los
datos, luego una curv a atadrtica, despuds una crtwa obica, y asi sucesiva-
mente, presentando al usuario la informactln necesaria para decidir cual de
estas ecuaciones es 1a ms adecuada. En 1a prctica,las ecuaciones ctadtti'
cas o cbicas se ajustan a menudo satisfactoriamente a los datos: polinomios
con muchos tdrminos carecen casi siempre de significado fisico y no mejoran
significativamente los resultados analiticos. En cualquier caso, si una repre-
sentacin tiene n puntos de calibrado, el polinomio mayor permitido es el de
orden n
-
I.
Para decidir si
(por ejemplo) una cuwa cuadrttca o cribica es la que me-
jor
se ajusta a:urr conjunto de puntos de calibracifn, se pueden utilizar los
mdtodos ANOVA, introducidos en 1a Seccin 5.72. Los pro$ramas de
ANOVA
Seneranvalores
de R2, el coeficiente de determinacidn. La Ecua-
ci6n
(5.25) muestra que, cuando se mejora el ajuste de minimos cuadrados
d.e una
"oiuu
(o
linea r ecta) a los puntos de los datos, el valor de R2 se apro-
ximar a 1
(o
el 100o/o). Podriaparecer
que bastarta con solo calcular los
valores de R2 para ecuaciones lineales, cuadrticas, cribicas, etc., finalizando
1a brisqueda cuando no se aumente el valor de R2. Desgraciadamente, la in-
corporacin de otro tdrmino al polinomio hace que aumente siempre el valor
de R2, aunque slo sea en cantida{ pequefla. Entonces los pro$ramas de
ANOVA proporcionan valores de R'2
(.,R2 ajustadou)
(Ecuaci6n
5.26) la cual
utlliza.udtdos medios
(CM) en lugar de sumas de cuadrados. El uso de
R'2 tiene en cuenta que el nrimero de
grados de libertad de los residuos en
la regresin polinmica
(dado por
ln -
k
-
1] donde le es el nmero de t6t-
minoi de la ecuacin de regresin que contiene una funcin de x) cambia
cuando cambia el orden de1 polinmio. Como se muestra en el siguiente
ejemplo, R'2 es siempre ms pequeflo que R2.
147
?
F>
($r
o
o-
o
a
o-
o
C)
g)
o
I
g)
o
o\
5
o
f
0)
T
pr
a
a
p
a
Fl
I

o
T
+
FJ
o
(o
o
@
o\
D
c)
o
ht
FJ
o
0)
o
Qr
5
S E:ffi
.*
't
(rl
'*d
cS.ffi
')
. sr
r{t.
cr rb c>
"r?|
ffi fr'fi
(aI s
ff)
r t
Ct) tft
g
fiH*
sHs
so
\^
$
:.H
$
\l
ttl
$
E
*
s

*r1r 5
o 'gl ,g
,$
$
fi'$g$
H$
$ $#$
EE
s
g
s#
iE
-
{E ff s*
*6eltE.s
g$;$xe
$
e$*
gEt
,rH SF H
cH$g
gtffi$gg
g
$
p'HeFsstrEf*h*#
gHH#$eg#
c F'(} FF H
ei<E
d
s'B*

grasreH#g
q
t'e
g
f;3$ $
s,HB
gsqgHgfrit
'{
ssfrfeF$*3ggC
\
ggg;*$xeffisH;
fr fl

+s , $=I $
),b
ESr
j
rr H H c"tjd;lla
$;eIn'
cfr;gs#
.q\88Str-SSS-S s
gH
s-s
gt
:#tr
p*
strg
E #$ E
$ H,#$ $
F
ff$q
s
H
T.F
"$$$#

,NS tr' sS tu
# &*
s fr"
:ESEss
$
fiTtr$$H
q
F:$ss#
"t
#$ EHq $
e*cH
d
E*8tr;
sss.gH
$e$ $
Eg'E t
l
S
.SE Q to \
gF
*'E $
o
(s
lr'(I} c.) {
3:tr H R *
t]r
'g
$; *
"E
q Ee u? rf{ t 'l -{ {t? c'?
p'
C) (Il r
p
Cl
.(l}
) d) iil .r*
.I I $ I
q ?
'dl
rq ? rq rq rq ?
'q
rq
r
*tl"
F* CF (Y)
{0 A-r d {{} O0 r
TFFF(\I$I\ltYJ
(\lqf,tf,)u)!d.r\'((\l
ci r"i F-
-'rfi
t* ci i r{i r"l ci
rtsts(}.l*I(\l*I['J
iF* {}} Ct
ffis
.+ i t'j
0O Sr
) J

g
&

rif
Estadistica y quimiom etria para quimica analitica
00
$
r
149
Ndtese
que
el mlmero de gradoc de libertad
para iaa fuente* de vartae*n d+ Ia regrwk#t
y residual ha* cambiado ahora de acusrdo con las reglas desffit*c antertorrrentq,
ryrE+te
ia va*aei6n total es naturalment* la misffia cotrno ffi l*
primera tebt AhlsvA, fiIi ff ee
s2.2$/993.509
:
0.99s72, es decir,
gs"87ge-
Eata cilra ee considerasemer*te m*
giran-
de
que elvalsr #
gg.044%
obtsnido delgrfic* linpal,
y elvalcr #s e* Hrhi6n ms
gr@
en
(i
- t0,t0/S$.$51iJ}
:
0,$S8S$* *s dsCIir, 99.8*So Guando s* cdculan fos r+siduw
,g
sus signos
{en
orden oreciente de valores,,r} oon +
* *.+
+
*
+
*
+
*
+. No hay nfu'
guna ienderrcia nbvia aqui, asi
qu$ por encinra de cualqLlier con*ideraci6n se debe
preterk
el ajust* cuadrtico a] lineal.
Por ttirna se repiten lo* cloutas
par qn *juste oubico. Aqui ta ecuacicn
que meiar se
afusta s$ y:
*AO+O
+ 4.I7tx
*
O.ISO/
+ 0.S$5,f. El cneti0ient lhiso es ffiIy p+
quefto,
dsmaner*
que resull* cuestlmabte siegta ecuacln
g$
rt alu$t *ignffimtivamente
mejor que el $redrtics" El valor.* e$, inevitahlsmsnte, ligeram*nte mqs
gpqque cl.de
h
purv
cuadrtiua
{$$.S?9ol*
en s*mparasi6n con 99.8?3"/o},
Fer$
el valor de frz es ligsra"
rncnts inferi*rque el valor cuadrtka sn 99.S2?s6. El orden de lcs signor de los rs$iduot
es el misrno
gCIrn4
en el ajuste cuadr*tico, Ya
que no hay nlngHna venkia efi in*luir t6rmlnqs
inne*esarios, se
puede aceptar
que un eiuste cundrtico as satisfactorio en este caso'
Cuando lgs scr,fficiane$ snterlcres se rf|iegn
pars sstirnr las csfii*r*trdffies eoneryon"
diefiles a sefr*tes del instrurrrffrtc de S,
'lS
y ? unidadss, lo* resdta&*
{v*lor*s're*
unidades arbitrariasi som
Lfnel {.ffi*6{i Ctibiz
127
4"SS
LS
j/-5
!:
1fi
f=27
1.15
4.$$
sst
t"z8
4.51
8-81
(Qr
o
o
(n
o-
o
o
gL
d
Fl
g)
C)
o\
5
o
5
9)
EI
a
(t,
f
a
x
o
f
Fl-
o)
ir
o
co
o
a
o\
T
o
o
o
g)
o
Qr
5
Cor*o se esp+raha, las difere*cia* entre lfi$ csnsntra$isnes ealc*fades de las s*ua$i$}e$
c*adrdthas
y cubhn* aon ineignilicants, de manera
qe $6 utili:a la ecuncidn sil*drtiffi
por
*impticidad.
Se senal al comenzar estaseccin
que las representaciones de calibrado no
lineales son a menudo el resultado de 1a existencia de un nmero de fen6-
menos fisico-quimicos
yf o matemticos, de manera que es sensato suponer
que no pueden ..p.r"ir. funciones matemticas sencillas
que describan 1a
iu*u de calibrado de forma satisfactoria. Parece por tanto lgico intentar
ajustar los puntos a una cula,con varias secciones unidas cuya forma ma-
tmUca pueda ser diferente. Esta es la aproximacidn utilizada con notable
frecuenci-a et Ia actualida d a travls de 1a aplicacin de funciones a trozos
..splines,,. Las
*splines' cribicas son las ms usadas en Ia prctica, es decir,
1a curva fina1 se construye con un conjunto de secciones unidas. Estas sec-
ciones deben format claramente una curva continua en sus uniones
(,,nudos,), de manera que las dos primeras derivadas de cualquier curva en
cualquier nudo deben ser iguales. Se han utilizado varios mdtodos
para esti-
a11ar el nmero de nudos y 1as ecuaciones de 1as curvas
que los unen: estas
tdcnicas son demasiado avanzadas
para considerarse detalladamente en este
momento, pero muchos paquetes estadisticos comerciales
pueden actual-
mente proporcionar tales opciones. La aproximacin de las funciones de
splin rr tr aplicado con 6xito a u.na variedad de m6todos analfticos tales
.o*o la cromatografia,
gas-lfquido, los inmunoensayos de competencia de
:
!
31
rrj
a
oJ
o-
Q
o
Cl)
,o
F{
o
o
;+
ct)
'ru
Cu
o
-o
C
o
9)
gJ
o
C)
0J
150 ligando
y mdtodos similares basados en receptores, y la espectrometria de
emisin at6mica.
Es legitimo preguntar, ert e1 caso de un
Srfico
de calibrado cuya curya-
tura no sea demasiado severa, si se podria aceptar Ia idea de splin en su ms
simple acepciln, y dibujar \a cuwa como una serie de lfneas rectas uniendo
puntos sucesivos. E1 mdtodo, por supuesto, no es totalmente riguroso, y no
proporcionaria informacin sobre 1a precisidn con que pueden determinarse
los valores de x. Sin embargo, su valor como m6todo sencillo de anlisis ini-
cial de datos
(am) (v6ase
el Capitulo 6) es adecuado para aplicarlo a los
datos de1 ejemplo anterior. Este m6todo de interpolacin lineal entre puntos
sucesivos
,
pata valores de g de 5, 16 y 27, proporciona valores de x de 1.36,
4.50 y 8.65 unidades, respectivamente. La comparaciln de estos resultados,
especialmente los dos riltimos, con los de Iatabla anterior muestra que serian
completamente aceptables para muchos propsitos.
5.15. Datos an6malos en la regresin
En esta secci6n se retoma un problerna ya arralizado en el Capitulo 3,\a apa-
ricin de datos anmalos entre nuestras observaciones. Este tipo de resulta-
dos surgen inevitablemente en los experimentos de callbracifn, exactamente
como aparecen en las medidas replicadas, pero resulta ms complicado tratar
con ellos en la estadisticadela regresin. Una dificultad es que, aunque en
un experimento de calibracin se supone que los valores giindividuales son
independientes unos de otros, 1os residuos
(Ui
- U)
no son independientes
unos de otros ya que su. suma es siempre cero. Por tanto, no resulta habitual-
mente aceptable tomar los residuos como si fueran un conjunto convencional
de medidas repetids, y aplicar
(por
ejemplo) un contraste
Q
paru identificar
cualquier observaciln anmala.
(Si
el nrimero de valores de
Ui
es
grande, luna
condicin que no se encuentra por 1o general en el trabajo analftico, esta
prohibicin se puede fl.extbiTizar .)
Bntonces,
le6mo
se identifican las observaciones anmalas en un experi-
mento de calibraciln tipico? En primer fugar, se observa que, en los casos
donde haya ocurrido un error obvio como un error de transcripcin o un
funcionamiento deficiente de1 instrumento, resulta natural y permitido re-
chazar 1a medida resultante
(y,
si es posible, repetirla). Si hay medidas sos-
pechosas pata 1as que no hay ninguna fuente de error obvia, se debe volver
a un estudio de los residuos. Muchos programas de computadora que mane-
jan
datos de regresin proporcionan rutinas de diagnstico de los residuos
(vdase
1o anterior). Algunas de 6stas son simples, incluyendo grficos
de los
residuos frente a los valores yiindividuales (Figura
5.15). Dichos grfi.cos se
esperaria que mostraratT que, si se utilizase el modelo correcto de catibracin,
los residuos permanecerian aproximadamente uniformes en e1 tamaflo atrLe-
dida que ctece yi, distnbuy6ndose normalmente alrededor de cero. La frgura
tambin ilustra casos donde los errores en la direccin de
U
ctecerr corr
Ui
(Seccin
5.10), y donde se ha utiTizadola ecuacin de regresin equivocada
(secciones
5.11 y 5.12). De marTera similar, se pueden representar 1os resi-
duos de y frente al tiempo si se sospecha una deriva de1 instrumento o cual-
F
Figura 5.15. Grficos de residuos en el diagnstico de la regresin: (a) distribucin satisfactoria
de los residuos; (b) los residuos tienden a crecer a medida que crece
4
sugiriendo que seria
adecuado un grfico de regresin ponderado; (c) los residuos muestran una tendencia, primero
resultan ser negativos, luego pasan a travds de cero y, por ltimo, se hacen cada vez ms positivos
a medida que crece
4
sugiriendo que se deberfa representar una curva (diferente); y (d) un grfico
satisfactorio, excepto que podria ser un dato anmalo.
quier otro efecto dependiente del tiempo. Estos
grficos
revelan de manera
muy claravalores sospechosos, pero no proporcionan criterios que se puedan
utrlizar inmediatamente pata rechazarlos o aceptarlos. Adems, resultan de
un valor limitado en muchos experimentos de quimica analitica, donde e1
nmero de puntos de calibrado es a menudo pequeflo.
Para identificar posibles datos andmalos mediante programas de com-
putadora se han utiTizado algunos criterios num6ricos simples. Algunos
paquetes
"resaltan,
los puntos de calibrado donde el residuo de y es ms de
dos veces
(o
algrin otro mriltiplo) el valor de sr1*. Se han desarrollado varios
mdtodos ms avanzados, de los cuales el mejor conocido es la estima-
cin para cada punto de la distancia de Cook, que se propuso por primera
vez ert 7977. Este estadfstico se proporciona en diferentes programas esta-
disticos avanzados, aunque una comprensin completa de su significado
exige un conocimiento del lgebra matricial. La distancia de Cook es un
ejemplo de una
funci1n
de influencia, es decir, mide el efecto que tendria
sobre 1os coeficientes de regresin a y b eI rechazar el citado punto de ca-
libracin.
Por riltimo, se observa que, exactamente como ocurria en el tratamiento
de los datos andmalos en las medidas replicadas, los mdtodos robustos y no
paramltricos pueden resultar rnl;y efectivos al manejar datos anmalos en la
regresin: los m6todos robustos de regresin se han hecho muy populares en
los riltimos afr.os. Estos tdpicos se abordarn en e1 prximo capitulo.
151
o\
o
o-
o
a
o-
o
o
g)
C'
Ft
gJ
o
o\
r
o
J
9)
p
o)\
a
(t)
a
C
o
T
-F
o
:i
ht
o
(o
o
a
o.
D
o
o
o
o
o
o\
f
\.to
rfl
a
o)
o-
a
r+
o
o
c
o
o
Fl
Cl)
E
0)
FJ
o)
,.o
J
c)
o)
o)
r-t
o
o
o
152
Bibliografia
Draper, N. R. and Smith, H. 1998 . Applied. Regression Analysls. 3rd Edn.
Wiley, New York.
(Un
trabajo clsico con extensa cobertura de muchos
u.p.tot de los problemas de la re$resin y coneTacin.)
Edwards.
A. L. 1984. An Introdwction to Linear Regression and Correlation.
Znd.Edn W. H. Freeman, New York.
(Tratado escrito con claridad, con
una buena introducci6n a\ 6l'gebra matricial.)
Kleinbauffi, D. G., Kupper,L.L. and Muller, K. E. 1988. Applied' Regression
Analysis and Other Mwltivariate Methods.2nd Edn. PSW-Kent, Boston.
(Otro
clsico en su campo con un buen tratamiento de la diagnosis de 1a
regresin.)
Mark, H. 1991. Principles and Practice of Spectroscopic Calibration. Wiley,
New York.
(Una
explicacidn clara de los principios. El fuerte dnfasis so-
bre datos espectroscpicos de1 IR-cercano no es una desventaja significa-
tiva.)
Noggle,
J.
H. 1993. Practical. Cwrve-Fitting and Data Analysis. E1lis Hor-
wood-PTR Prentice Hal1, New
Jersey.
(Se proporcionan con este libro
progtarnas y ficheros de datos, y todos los ejemplos son de quimica.)
Orvis, Vf.
J.
1996. Excel
for
Scientists and Engineers. Znd Edfr. Sybex, Ala-
meda, California.
(Uno de los numerosos libros que dan
guias claras so-
bre el uso de Excel en cIcu\os estadisticos.)
Snedecor, G.
'W.
and Cochran, W. G. 1989. Statistical Method.s. 8th Edn.
Iowa State University, USA.
(Aporta una excelente cantidad de procedi-
mientos de regresin y correlacin.)
Ejercicios
1. En un laboratorio provisto de equipamiento
polaro$rfi,co se tomaron
seis muestras de polvo a varias distancias del polarlgrafo y se determind
e1 contenido de mercurio de cada muestra. Se obtuvieron los siguientes
resultados.
Distancia al polardgrafo, m 7.4 3.8 7.5 10.2 77.7 15.0
Concentraciln de mercurio, ng g-1 2.4 2.5 1.3 1.3 0.7 1.2
Examinar la posibilidad de que 1a contaminaciln por mercurio proceda
del polar6grafo.
2. La respuesta de un ensayo colorimdtrico
para glucosa se control con 1a
ayuda de soluciones patrln de
glucosa. Determinar el coeficiente de co-
rre\aciln a parttr de 1os siguientes datos, comentando el resultado.
Glucosa,mM 0 2 4 6 B 10
Absorbancia 0.002 0.150 0.294 0.434 0.570 0.704
F
3.
solu-
153
4.
Se obtuvieron los siguientes resultados al analizar un conjunto
de
ciones patrn de plata por espectrometria de absorcin at6mica.
Concentracin,
ngml-l o 5 10 15 zo zs 30
Absorbancia 0.003 0.727 0.25t 0.390 0.498 0.62s 0.76s
Determin ar \a pendiente y orden ada en el origen de la linea de calibrado,
y sus limites de conftanza.
rJtlTizand,o
los dats d,el ejercicio 3, estimar los limites de confi anzapara
las concentraciones de plat a er7:
(a)
una muestra que proporciona
una
absorbancia de 0.456 en una nica determin acin, y (b)
una muestra
dando valores de absorbancia de 0.308, 0.314, o.JLz y 0.312 en cuatro
anlisis distintos.
Estimar el limite de deteccin del anlisis de plata de los datos del ejer-
cicio 3.
Se determin6 e1 contenido de oro de una muestra concentr ada de agua
de mar por espe ctrometria de absorcin atmica con el mdtodo de las
adiciones estndar. Los resultados obtenidos fueron los siguientes:
Oro afladido, ng por
ml de muestra
concentrada 0 10
Absorbancia 0.257 0.314
<
(!r
o
o-
o
a
o
o
g)
6
Fl
g)
o
o.
o
Fl
o
er
@
a
a
r-|-
o
+
o
(o
FJ
o
a
Qr
Fl
\<
o
o
o
o
c)
Qr
Fl
t.
6.
20 30 40 50 60 70
0.364 0.413 0.468 0.528 0.574 0.635
Estimar 1a concentraciln del oro en el agua de mar concentraday
determinar los limites de confianzapata esta concentracin.
7. La fluorescencia de un conjunto de soluciones cidas de quinin
a fue d,e-
terminada cinco veces. Los resultados se exponen a continuacin:
Concentraciln, ng ml-r 0 10 Z0 30 40 50
Intensidad de fluorescencia 4 22 44 60 T5 I04
(unidades
arbitarias) 3 ZO 4G 63 81 109
4 21 45 60 79 707
s 22 44 63 78 101
4 21, 44 63 77 105
Determinar las pendientes y ordenadas en el origen de las rectas de re-
$resin
no ponderada y ponderada. Calcular, utrlizando ambas rectas de
re$resin, los limites de confianza para la concentraciln de las disolu-
ciones con intensidades de fluorescencia de 15 y
g0
unidades.
8. Una determinacidn de sulfuro procedente de sulfato reducido por bacte-
rias con un electrodo selectivo de iones (ESI)
fue comp arada con una
determinaciln gravimtrica.
Los resultados obtenidos se expresaron en
miligramos de sulfuro.
ql
154 Muestra:
Sulfuro
(vtdtodo
ESI):
Sulfuro
(Gravimetna):
34 5 6
r52 3 106 11
113 0 108 11
Comentar 1a conveniencia del mdtodo ESI pata esta d,eterminacin de
sulfuro.
(Al-Hitti,
I. K., Moody, G.
J.
and Thomas,
J.
D. R. 1983. Analyst
108:43)
9. En 1a determinacin de plomo en solucin acuosa por espectrometria
de absorciln atlmica con atomizacin en cmara de grafito,
se obtuvie-
ron los siguientes resultados.
Concentraci6n de plomo, ng ml-
1
10 25 50 100 200 300
Absorbancia 0.05 0.77 0.32 0.60 7.07 7.40
Examinar el intervalo de caTlbracin lineal de este experimento.
(Basado
en Giri, S. K., Shields, C. K., Littlejohn D. and Ottaway,
J.
M.
1983. Analyst I0B:244)
10. En un estudio del complejo formado entre los iones del europio
(III) y
e1 cido pdin-2.6-dicarboxflico (APDC),
se determinaron los valores
de absorb ancia de disoluciones conteniendo diferentes concentraciones
de APDC-Eu, con los resultados siguientes:
Absorbancia 0.008 0.014 0.024 0.034 0.042 0.050 0.055 0.065
APDC: Eu 0.2 0.4 0.6 0.8 1.0 7.2 1.4 1.6
Absorbancia 0.068 0.076 0.077 0.073 0.066 0.063 0.058
APDC: Bu 1.8 2.0 2.4 2.8 3.2 3.6 4.0
Utllizar estos datos para determinar las pendientes y ordenadas en el
origen de dos rectas diferentes. Estimar su punto de interseccin y su
desviacin estndar, determinando entonces la composicin del com-
plejo DPA-Eu formado.
(Basado
en Arnaud, N., Vaquer, E. and Georges,
J.
1998. Analyst
123:267)
11. En un experimento para determinar taninos hidrolizables en plan-
tas mediante espectroscopfa de absorciln se obtuvieron los datos si-
guientes:
Absorbancia 0.084 0.183 0.326 0.464 0.643
Concentr aci6n, mg ml-
1
0.123 0.288 0.562 0.921 7.420
Uttlizar un programa de hoja de c7ctt7o o de estadistica para calcular
una reLacin cuadrtica entre la absorbancia y la concentraciln Utili-
zando valores de Rz y R'2, comentar si los datos podrian
describirse
mejor mediante utta ecuacin cubica.
(Basado
en W'illis, R. B. and Allen, P. R. 1998. Analgst 723:435)
78910
1.28 12 160 r2B
747 11 782 118
72
108 72
105 16
rrl
a
o)
'
C)
o)
,o
C
5
'
3
o
FJ
9)
rJ
Cu
x
o
a
u
'I
C)
0)
g)
5
O)
= o
D
F
12. Se obtuvieron los resultados siguientes en un experimento para deter-
minar espermina mediante cromatografia de capa fina de alta resolu-
cin de uno de sus derivados fluorescentes.
Intensidad de fluorescencia 36 69 1,84 235 269 301 327
Espermina, ng 6 18 30 45 60 70 90
Determinar 7a mejor cvla de calibracin polinomal a travds de estos
puntos.
(Basado
enLinares, R. M., Ayala,J.H., Afonso, A. M. and Gonzalez,
V. 1998. Analyst 123:725)
155
-l-
(!r
o
o-
o
a
o-
o
o
el-
d
Fl
o
o
Qr
5
o
T
0)
IJ
s
a
v,
a
C
o
5
r+
+
o
(CI
FJ
o
Q
o\
T
\<
c)
o
5
o
o
o
o\
F
E