Tratamiento de Datos

Tratamiento de datos en Química Analítica
Facultad de Química
Cursos de Química Analítica
Índice
Objetivo ........................................................................................................................................................... 4
Alcance y Organización .................................................................................................................................. 4
1 Introducción ............................................................................................................................................... 5
2 Glosario, definiciones ............................................................................................................................... 6
3 Errores en el análisis químico ................................................................................................................. 8
3.1 Concepto de incertidumbre de una medición ..................................................................................... 9
3.2 Tipos de errores ................................................................................................................................10
3.2.1 Error aleatorio o indeterminado....................................................................................................10
3.2.2 Error sistemático o determinado ..................................................................................................11
3.2.3 Error bruto o grueso .....................................................................................................................11
3.3 Estimación del “valor verdadero”. .....................................................................................................11
3.4 Exactitud ............................................................................................................................................12
3.5 Veracidad ..........................................................................................................................................13
3.5.1 Sesgo ...........................................................................................................................................13
3.6 Precisión ............................................................................................................................................13
3.6.1 Desviación estándar (desviación estándar absoluta) σ ...............................................................13
3.6.2 Desviación estándar relativa sr ....................................................................................................14
3.6.3 Varianza .......................................................................................................................................14
3.6.4 Intervalo de repetibilidad (Ir) ........................................................................................................14
4 Cifras significativas.................................................................................................................................18
4.1.1 Notación .......................................................................................................................................19
4.1.2 Reglas de redondeo .....................................................................................................................19
5 Herramientas estadísticas usadas en Química Analítica ....................................................................21
5.1 Distribución normal ("campana de Gauss") ......................................................................................21
5.2 Distribución t de "Student".................................................................................................................22
5.3 Test de hipótesis o de significación ..................................................................................................22
5.4 Relación entre límites de confianza y test de hipótesis ....................................................................26
5.5 Estimación de la incertidumbre .........................................................................................................27
6 Calibración ...............................................................................................................................................30
6.1 Introducción .......................................................................................................................................30
6.2 Diseño de una curva de calibración ..................................................................................................30
6.2.1 Cantidad de puntos ......................................................................................................................31
6.2.2 Rango de concentraciones ..........................................................................................................31
6.2.3 Distribución de los puntos ............................................................................................................31
6.3 Aplicación de métodos estadísticos a la realización de curvas de calibración .................................31
6.3.1 Consideraciones generales ..........................................................................................................31
6.3.2 Análisis de regresión ....................................................................................................................34
6.3.3 Modelos de regresión ...................................................................................................................35
6.3.4 Parámetros estimados para modelos de regresión .....................................................................36
6.4 Selección del modelo ........................................................................................................................37
6.5 Desarrollo de ejemplos: selección de modelo ..................................................................................40
6.5.1 Métodos de calibración directa ....................................................................................................40
6.5.1.1 Estudio de los residuos ................................................................................................................41
6.5.1.2 Pruebas de hipótesis ....................................................................................................................46
6.5.1.2.1 Prueba de Levene para la homogeneidad de las varianzas ................................................47
6.5.1.2.2 Ejemplo de aplicación de la prueba de Homogeneidad de Levene .....................................48
6.5.1.2.3 Evaluación de la bondad del ajuste del modelo ...................................................................50
6.5.2 Discusión sobre la selección de un modelo .................................................................................52
6.6 Ubicación de la muestra en relación con la curva de calibración .....................................................55
6.7 Trazado de una curva de calibración ................................................................................................55
6.8 Interferencias causadas por la matriz ...............................................................................................58
6.8.1 Calibración en presencia de interferencias multiplicativas: estrategias para vencerlas ..............59
Página 2 de 72
6.8.1.1 Método de los patrones igualados ...............................................................................................59

6.8.1.2 Método de saturación por el interferente .....................................................................................59
6.8.1.3 Método de adiciones estándar (SAM) ..........................................................................................59
6.8.1.3.1 Detección de interferencias multiplicativas mediante el método de adiciones estándar .....60
6.8.1.3.2 Calibración mediante el método de adiciones estándar .......................................................61
7 Límite de detección y cuantificación.....................................................................................................63
7.1 Límite de detección (LD) ...................................................................................................................63
7.2 Límite de cuantificación (LC) .............................................................................................................64
8 Pruebas estadísticas - Comparación de medias ..................................................................................65
8.1 Prueba de comparación contra un “valor verdadero” .......................................................................65
8.2 Comparación de las medias de dos conjuntos de datos. .................................................................66
8.2.1 Prueba F de igualdad de varianzas .............................................................................................66
8.2.1.1 Comparación de las medias de dos muestras cuando las varianzas son homogéneas .............67
8.2.1.2 Comparación de las medias de dos muestras cuando las varianzas no son homogéneas ........69
8.3 Prueba t emparejada o apareada .....................................................................................................69
9 Materiales de apoyo ................................................................................................................................71
Página 3 de 72
Prefacio: sobre el material didáctico Tratamiento de datos en

Química Analítica
Objetivo
El objetivo de este material didáctico es reunir conceptos relacionados con el tratamiento de datos y herramientas
estadísticas básicas necesarias para su aplicación en los cursos de Química Analítica I, II y III y otros cursos
relacionados.
El conocimiento de estos conceptos permitirá al estudiante evaluar los datos analíticos en forma crítica, e inferir
a partir de ellos las conclusiones adecuadas.
Alcance y Organización
El material didáctico denominado “Tratamiento de datos en Química Analítica” cuenta con nueve capítulos
dedicados a temas relacionados con el tratamiento de los datos experimentales, expresión de resultados,
herramientas estadísticas de uso común, entre otros. Además, dispone de un Glosario que ayuda a encontrar en
forma rápida la definición de términos que serán utilizados frecuentemente en los cursos de Química Analítica.
El material es de utilidad para todos los cursos dictados por el Área Química Analítica, y así mismo será útil para
su aplicación a lo largo de la carrera del estudiante. En cada curso, de Química Analítica, se le indicará al
estudiante que capítulos serán aplicados y por lo tanto deberán ser estudiados en profundidad. En particular el
Capítulo 8 contiene herramientas estadísticas avanzadas para cursos de segundo nivel (incluye trabajos
experimentales por créditos), investigación y para uso del futuro profesional.
Se recomienda contar con el material didáctico desde que se comienza a cursar Química Analítica.
Este librillo no sustituye la bibliografía que se recomienda en cada práctico de cada curso ni a los
teóricos, sino que complementa dicha literatura con ejemplos concretos y situados en nuestros cursos.
Página 4 de 72
1 Introducción
El análisis químico completo involucra una serie de etapas, entre ellas el muestreo y preparación de la muestra,
eliminación de interferencias, medidas físicas y/o químicas. En la actualidad la medida de propiedades
fisicoquímicas para determinar la naturaleza de una entidad química o su concentración son muy frecuentes.
En las determinaciones de muchas propiedades químicas y fisicoquímicas se requieren medidas físicas, como
por ejemplo masa, volumen, temperatura, corriente, entre otras.
Cada una de las medidas que se realizan está afectada por errores, por ejemplo, si medimos un volumen con
una bureta o una probeta podemos tener diferentes errores al estimar el valor medido. En Química Analítica se
entiende que analito es el componente (elemento, compuesto o ion) de interés analítico de una muestra. Son
especies químicas cuya presencia o concentración se desea conocer. El analito puede ser identificado y
cuantificado, es decir determinar su naturaleza (¿qué es?) y su concentración (¿cuánto hay?), en un proceso de
medición química. En este sentido la concentración de un analito constituye un tipo particular de mensurando en
la metrología química.
El propósito de una medición es determinar el valor de una magnitud, llamada el mensurando, que de acuerdo
con el VIM (Vocabulario Internacional de Metrología), es el atributo sujeto a medición de un fenómeno, cuerpo o
sustancia que puede ser distinguido cualitativamente y determinado cuantitativamente.
Una cuestión que debemos tener presente es que cuando nos referimos al “valor verdadero” de una magnitud
(por ejemplo, la concentración de un analito), en realidad no es posible determinarlo, solo lo podemos estimar.
Una forma de estimar el valor de una magnitud es mediante el valor promedio (media) y a partir de este valor
es posible obtener una conclusión.
Sin embargo, el valor verdadero y el valor promedio pueden diferir, como consecuencia de los errores inherentes
al proceso de medición. Es decir que el valor promedio se conoce, pero puede que no sea completamente certero.
Toda operación, que entraña una medida, ya sea una masa, volumen, temperatura, presión, el uso de un
instrumento de medida tiene asociada una incertidumbre (falta de seguridad, de confianza o de certeza).
Los procesos de medición en Química Analítica están afectados tanto por errores aleatorios como
sistemáticos. Los resultados experimentales cuantitativos carecen de interés si no están acompañados de una
estimación de los errores involucrados en su medida. No existe aún un convenio universal para expresar estos
errores por lo que siempre es importante establecer cuál fue el criterio empleado para la expresión de los
resultados, de esta forma quien recibe esos resultados podrá interpretarlos adecuadamente.
La Estadística proporciona un camino para realizar las estimaciones tanto del valor del mensurando como del
error que lo acompaña.
Debido a las dificultades que se plantean para vincular los conocimientos estadísticos formales con la realidad
experimental, es que se desea plantear una aplicación útil de una herramienta estadística en el campo del análisis
químico. Muchos de quienes utilizan la estadística en general, no son especialistas en estadística, sino
simplemente beneficiarios de esta herramienta.
La estadística se divide, para su estudio y aplicación, en estadística descriptiva y estadística de inferencia, las
cuales son complementarias. La estadística descriptiva se refiere a la parte de la estadística que se relaciona
con la expresión gráfica de lo que se tiene en números o tablas, con el fin de ayudar a visualizar más fácilmente
lo expresado en números. La estadística descriptiva ayuda a comprender mejor la naturaleza de los datos. Si la
interpretación de los datos nos lleva a conclusiones y predicciones, llamamos a este aspecto estadística de
inferencia. A lo largo de la lectura de este material didáctico se irán explicando entonces los conceptos y
herramientas estadísticas básicas para un adecuado tratamiento de datos.
Página 5 de 72
2 Glosario, definiciones
• Analito: especie presente en una muestra de la cual se busca información analítica.
• Calibración: en Química Analítica es la operación que determina la relación funcional entre valores
medidos (respuesta instrumental) y cantidades analíticas (contenido, concentración, masa).
• Desviación estándar de la muestra (s): estimador de la precisión que se basa en las desviaciones de
̅) de una muestra finita,
los datos individuales obtenidos experimentalmente con respecto a la media (𝒙
también se conoce como desviación estándar (s).
• Desviación estándar de la población (σ): parámetro de precisión que, en principio, se basa en una
población que contiene un número infinito de medidas.
• Coeficiente de determinación (R2): el R2 es una herramienta estadística que se utiliza por ejemplo en
una regresión para predecir futuros resultados. El R2 es el porcentaje de variación de la variable de
respuesta que explica su relación con una o más variables predictoras. En general, cuanto mayor sea el
R2, mejor será el ajuste del modelo a sus datos.
• Error: diferencia entre el valor medido de una cantidad y un valor de referencia
• Exactitud: grado de concordancia entre un valor medido y el “valor real” de un mensurando.
• Escala de un instrumento de medición con dispositivo visualizador (escala de un instrumento visualizador
(graduación): parte de un instrumento visualizador, que consiste en un conjunto ordenado de marcas,
eventualmente acompañadas de números o valores de la magnitud.
• Grados de libertad: número de miembros de una muestra estadística que proporciona una medida
independiente de la precisión del conjunto.
•
Histograma: gráfico de barras en el que los resultados de medidas repetidas se agrupan por intervalos
de magnitud a lo largo de un eje horizontal, y por frecuencia, en el eje vertical.
• Incertidumbre: parámetro no negativo que caracteriza la dispersión de los valores atribuidos a un
mensurando, a partir de la información que se utiliza.
• Indicación o lectura: valor proporcionado por un instrumento o sistema de medición
• Interferencias: especies o componentes de la matriz que generan una señal analítica que no
corresponde al analito. En determinación analítica existen interferencias cuando los resultados son
inexactos como consecuencia de algún fenómeno físico o químico cuya influencia no fue prevista.
• Intervalo de confianza: límites definidos para el valor experimental dentro de los cuales, con una
probabilidad dada, deberá encontrarse el valor verdadero.
• Límite de detección: es la concentración más pequeña que se puede detectar con un cierto nivel de
confianza.
• Materiales de referencia estándar: Muestras de varios materiales en los cuales se conoce la
concentración de una o más especies.
• Matriz: medio que contiene al analito
• ̅ : la media de un conjunto finito de medidas.
Media de la muestra, 𝒙
• Media de la población, µ: valor medio de un conjunto infinito de medidas. Se corresponde con el valor
verdadero de una cantidad en el caso de carecer de error sistemático (ausencia de sesgo).
• Media: sinónimo de media aritmética y promedio. Se utiliza para informar el valor más representativo de
un conjunto de medidas.
• Mediana: valor central de un conjunto de medidas repetidas. Para un número impar de datos, existe un
número igual de datos por encima y por debajo de la mediana. Para un número par de datos, la mediana
es la media del par central.
• Medición: acción de medir
Página 6 de 72
• Mensurando: magnitud que se desea medir

• Método: aplicación específica de una técnica a la resolución de un problema.
• Metrología: ciencia de las mediciones y sus aplicaciones.
• Muestras repetidas: porciones de un material de aproximadamente el mismo tamaño que se someten
a un análisis al mismo tiempo y en la misma forma (réplicas).
• Muestreo: procedimiento para obtener una pequeña parte de material y cuya composición es
representativa del total del material del cual se tomó.
• Población: conjunto de mediciones. Dependiendo el contexto puede variar su interpretación. Un estudio
representativo proporciona la información característica de una población o universo a partir de las
observaciones realizadas en un subconjunto o muestra. La población es el conjunto de todas las
medidas de interés que se definan. En algunos casos la población es finita y real, pero en otros es
hipotética o de naturaleza conceptual.
• Precisión: grado de concordancia entre las indicaciones o los valores medidos obtenidos en mediciones
repetidas de un mismo objeto, o de objetos similares, bajo condiciones especificadas.
• Procedimiento: instrucciones escritas para aplicar un método
• Probabilidad: la probabilidad es una medida de la certidumbre asociada a un suceso suele expresarse
como un número entre 0 y 1.
• Proceso analítico: conjunto de etapas sucesivas a partir del cual se obtiene un resultado.
• Protocolo: descripción específica que debe seguirse sin modificaciones.
• Región de rechazo (o región crítica): puede considerarse como el conjunto de valores de
la estadística de prueba que no tienen posibilidad de presentarse si la hipótesis nula es verdadera.
• Resolución de un dispositivo visualizador: es la mínima diferencia entre indicaciones o lecturas
visualizadas, que puede percibirse de forma significativa.
• Resolución: mínima variación de la magnitud medida que da lugar a una variación perceptible de la
indicación o lectura correspondiente.
• Respuesta: indicaciones dadas por un instrumento. Por ejemplo: intensidad de radiación luminosa,
Absorbancia, pH, diferencia de potencial.
• Sensibilidad de calibración: es la pendiente de la curva de calibración.
• Sensibilidad analítica: es la relación entre la pendiente de la curva de calibración respecto a la
desviación estándar respecto a la respuesta analítica a una dada concentración del analito. La
sensibilidad analítica depende de la concentración.
• Señal: forma en que se manifiesta la información. Una señal puede ser procesada por un instrumento
para generar una respuesta.
• Sesgo: efecto de un error sistemático en un conjunto de mediciones. Afecta la veracidad del método.
• Técnica: proceso fundamental útil para proporcionar información analítica.
• Traza: especies presentes en muy baja concentración, en un intervalo de 1ppb (partes por billón - por
ejemplo, µg L-1, µg kg-1) y 100 ppm (partes por millón - por ejemplo, mg L-1, mg kg-1).
• Valor verdadero: el valor verdadero de la magnitud se considera único y, en la práctica, imposible de
conocer.
• Varianza: estimador de la precisión que se calcula como el cuadrado de la desviación estándar
• Veracidad: grado de concordancia entre la media (promedio) obtenido de una larga serie de resultados de
ensayos y un valor de referencia aceptado del mensurando. Se evalúa por medio del sesgo.
Página 7 de 72
3 Errores en el análisis
Los errores en los análisis químicos pueden tener
químico efectos graves. Se mencionan algunos ejemplos:
En Química Analítica se realizan diferentes

-El resultado de un análisis que involucre cambios
tipos de mediciones. El objetivo de estas
en las condiciones ambientales donde hay
mediciones es determinar el valor del
personas realizando tareas específicas, si es
mensurando, esto es, el valor de una cantidad
erróneo puede dar lugar a la toma de decisiones
específica a ser medida, comúnmente es una
con consecuencias para toda una población.
concentración, masa o fracción de masa.
Incluso el resultado incorrecto de un análisis
Las mediciones siempre van acompañadas de puede dar lugar a una contaminación de un curso
errores e incertidumbre. Algunos de estos de agua y dejar a poblaciones sin acceso al agua
errores se deben a equivocaciones por parte potable.
del analista y otros son provocados por fallas
durante el proceso de la calibración y
estandarización, o por variaciones e
incertidumbres aleatorias en los resultados.
-En análisis clínicos, errores en los resultados,
Para disminuir los errores se realizan pueden dar lugar a mala interpretación de un
calibraciones y estandarizaciones frecuentes, tratamiento médico.
así como medidas utilizando patrones o
materiales de referencia de concentraciones
conocidas.
Todas las mediciones involucran errores, cada
medida tiene errores que se van acumulando y
contribuyen al error analítico total. Lo que se
puede hacer es minimizar los errores, estimar la incertidumbre y evaluar si ésta es aceptable para el objetivo o
propósito del analisis realizado.
Si a una serie de porciones de una muestra se le realiza un análisis en las mismas condiciones lo más probable
es que se obtengan varios resultados parecidos entre sí, pero no iguales.
El valor que le asignamos a esa magnitud medida
Datos analíticos obtenidos al realizar la determinación será aquél que se considere que mejor representa
de plomo en una muestra agua potable el valor obtenido. Normalmente este valor se estima
mediante el promedio (también llamado media o
Plomo en agua media aritmética) o mediante la mediana.
10,5 La acumulación de errores da como resultado una

Concentracion de plomo µg L-1
dispersión en los valores obtenidos, como se

muestra en la Figura 3-1.
10,0 10,2
10,1 Como no es posible eliminar todos los errores, los
9,9 datos nos pueden dar solo un estimado del valor
9,5 9,8
“real” o “verdadero” de una medición.
9,0 9,3 La magnitud probable del error en una medición, es
posible estimarla mediante la definición de los
8,5 límites entre los que se encuentra el valor real de
Datos individules de las determinaciones una magnitud medida con un determinado nivel de
probabilidad. Se debe tener en cuenta que los datos
Figura 3-1.- Representación de los datos obtenidos de calidad desconocida carecen de valor, por lo
luego de determinar plomo en forma repetida tanto, es importante estimar la confiabilidad de los
datos experimentales cuando se obtienen
Los valores obtenidos fueron: 10,1; 9,9; 9,8; 9,3 y 10,2 resultados en el laboratorio.
µg L-1 de Pb.
En este caso el promedio fue: 9,86 µg L-1,
Página 8 de 72
En el caso mostrado en la Figura 3-1 tenemos los valores individuales en µg L-1 de Pb:
10,1; 9,9; 9,8; 9,3; 10,2.
El promedio es 9,86 ≈9,9
La mediana se obtiene ordenando todos los valores obtenidos en forma ascendente (o descendente) y
se corresponderá con el valor del medio. Si tomamos el ejemplo anterior
9,3 9,8 9,9 10,1 10,2
La mediana se corresponde con el valor del promedio en este caso
̅ =(10,1 + 9,9 + 9,8 + 9,3 + 10,2) / 5 ≈ 9,9
𝒙
En las hojas de cálculo electrónicas, como Excel, Libre Office, Open Office, es posible estimar tanto el
promedio como la mediana fácilmente.
Hay resultados que parecen poco precisos, pero pueden resultar valiosos si se conoce la incertidumbre del
método.
3.1 Concepto de incertidumbre de una medición

En cada paso de un proceso analítico se van acumulando errores que aumentan la probabilidad de apartamiento
de un resultado respecto al “valor verdadero”. La incertidumbre se puede definir como: “Parámetro, asociado con
el resultado de una medición que caracteriza la dispersión de valores que podrían razonablemente ser atribuidos
al mensurando”. IUPAC, 1998 (IUPAC, Compendium of Analytical Nomenclature, 3rd edition. Blackwell, Oxford,
1998). En Química Analítica, “medición” frecuentemente se refiere a todo el proceso analítico, pero algunas veces
se emplea para referirse sólo a la medición instrumental.
Un resultado acompañado de su incertidumbre da confiabilidad a los resultados. Es posible estimar límites entre
los que se encuentra el valor real de una magnitud medida con un determinado nivel de probabilidad.
La incertidumbre de un resultado es un parámetro que define un intervalo de valores dentro del cual se espera
que se encuentre, con una cierta probabilidad, la
cantidad medida, teniendo en cuenta todas las
posibles fuentes de error.
Entre ellos se deben diferenciar los errores
sistemáticos y los errores aleatorios.
Los errores sistemáticos o determinados son
ocasionados por factores que actúan de manera
absolutamente determinada, y siempre deberían
poder corregirse o se les puede tener en cuenta con
bastante certeza, por ejemplo, inadecuada
calibración de los aparatos o inadecuada
estandarización de los reactivos, entre otros.
Los errores indeterminados o aleatorios se
producen generalmente por un número muy grande
de causas aisladas que actúan en cada medición Figura 3-2.- En el gráfico se representan dos
individual de manera distinta, están en la naturaleza secuencias de datos experimentales.
intrínsecamente incierta de las técnicas de medición,
por ejemplo, errores obtenidos en una interpolación, Los datos mostrados como puntos rojos son más
el analista no conoce su magnitud, ni si son positivos precisos que los datos mostrados como rombos
o negativos. Es imposible eliminar absolutamente azules.
estos errores aleatorios, solo se les puede tener en .
cuenta con prudencia, para lo cual es necesario
conocer las leyes a las que se someten los llamados errores aleatorios.
Página 9 de 72
Para comprender claramente el significado de las medidas es importante conocer qué se entiende por precisión
(Fig. 3.2), veracidad y exactitud. Estos términos tienen significados diferentes y la distinción entre ellos es
importante.
Nota: En el Capítulo 5, sección 5.5, se desarrolla el concepto de incertidumbre con base estadística.
3.2 Tipos de errores

Error es la diferencia entre el valor obtenido en un análisis y el “valor verdadero”.
En términos generales el “valor verdadero” no se puede
conocer, solo se puede estimar. La diferencia entre el Para ejemplificar este tipo de errores se puede
“valor hallado” en un análisis y el “valor verdadero” se considerar el uso de la pipeta aforada. Es claro
denomina error. que, al realizar la descarga de la muestra
contenida en la pipeta, sobre las paredes
3.2.1 Error aleatorio o indeterminado internas de la misma se forma una película de
líquido que variará en los sucesivos usos de la
En el caso de estar frente a errores aleatorios o misma. Por consiguiente, los volúmenes
indeterminado los datos se distribuyen de manera más o vertidos por la pipeta presentarán pequeñas
menos simétrica alrededor de la media, como se variaciones, las cuales no serán constantes y
ejemplifica en Figura 3-3, serían el caso de las series tampoco posibles de eliminar (aunque sí es
Beta y Delta. Pero los datos de Alfa y Épsilon tienen posible limitar dicha fluctuación). En este caso
menos dispersión. se está frente a la presencia de una variable
En este caso, no se puede asignar la presencia de error que genera un error aleatorio.
a una variable determinada, la presencia de estos errores
genera resultados que no son constantes y que fluctúan
Resultados de 4 laboratorios sobre una muestra certificada.

10,40
Resultados obtendios en cada ensayo
Alfa
Beta
10,00
Delta
Épsilon
Medias
9,60
Figura 3-3.- Resultados de análisis realizados por 4 analistas sobre alícuotas de un material de
referencia certificado de agua de río para la determinación de cinc. Concentración (10,000 ± 0,014
mg L-1) analizada por quintuplicado.
Clasificaríamos los diferentes laboratorios como: Alfa: preciso y sesgado; Beta: Impreciso e
insesgado; Delta: Impreciso y sesgado; Épsilon: Preciso e insesgado.
al azar alrededor de un valor medio, no pueden eliminarse y siempre están presentes. De acuerdo a esto, los
mismos afectan la precisión del procedimiento.
Dado que este tipo de errores NO pueden eliminarse totalmente, suelen ser la principal fuente de incertidumbre
en una determinación. No pueden detectarse individualmente. El efecto acumulativo de las incertidumbres
individuales tiene un efecto significativo en la incertidumbre (U) de un resultado analítico.
Página 10 de 72
3.2.2 Error sistemático o determinado

Los errores sistemáticos tienen causas concretas, se puede
asignar el hecho a una variable determinada, tienen valor
definido, afectan al resultado con magnitud y signo constante y Como ejemplo supóngase que, al realizar
muchas veces pueden eliminarse. Por consiguiente, estos la determinación de un analito en una
errores afectan la veracidad y, por tanto, también la exactitud del muestra, se utiliza para la toma de la
procedimiento analítico. misma una pipeta aforada de 10 mL no
calibrada. Al no estar calibrada, el
El error sistemático o determinado provoca que el promedio de analista tomará como volumen vertido
los resultados en un conjunto de datos adquiera un valor por la misma 10,00 mL, que es el
diferente del valor aceptado como “valor verdadero”, puede ser volumen nominal. Ahora bien,
en más o en menos. Se ejemplifica en la Figura 3-3 con el caso suponiendo que hubiese sido calibrada y
de Alfa y Delta. Un ejemplo de error sistemático es la pérdida del que su volumen de calibración fuera 9,98
contenido de un analito que puede volatilizarse mientras se mL, habría una diferencia de 0,02 mL
calienta por error una muestra en un recipiente abierto. cada vez que se utilice la misma para
Los errores sistemáticos tienen un valor definido y una causa realizar una toma de la muestra. Por
asignable, y son de la misma magnitud para mediciones consiguiente, tendríamos un corrimiento
repetidas realizadas de la misma manera. Este tipo de errores de los resultados analíticos respecto al
llevan a apartamientos repetitivos en los resultados de medición “valor real”. Este es un ejemplo claro de
llamados sesgo. El sesgo estima el error sistemático asociado una variable que genera un error
a un análisis. sistemático que afecta la veracidad y, por
tanto, también la exactitud de los
Las fuentes de los errores sistemáticos pueden ser errores resultados tiene causa asignable y puede
instrumentales, errores de diseño del método o errores eliminarse.
personales y ellos pueden provocar errores que sean constantes
o proporcionales en los resultados analíticos. Este tipo de errores
puede minimizarse con ciertos cuidados en el proceso analítico
como mantener las calibraciones actualizadas y bajo control, ser cuidadoso y tener disciplina en el laboratorio,
realizar las determinaciones de blancos, realizar análisis de materiales de referencia certificados, realizar análisis
Interlaboratorio, etc.
3.2.3 Error bruto o grueso

Un error bruto o grueso ocurre cuando se obtiene un valor muy
alejado del “valor verdadero”. Este tipo de error provoca la El origen de los errores gruesos resulta
aparición de datos atípicos llamados “outliers” o anómalos y del descuido, la falta de atención o
generan que el promedio varíe sustancialmente. En general se inadecuada manipulación del operador.
puede atribuir a un error operativo y en ese caso se puede El valor obtenido en estas circunstancias
analizar la posibilidad de descartar ese dato o repetir la no es considerado para el cálculo del
determinación completa resultado
El efecto acumulativo de todos los errores tiene un efecto
significativo en la incertidumbre (U) de un resultado analítico.
El error total por lo tanto es la suma de los errores sistemáticos y aleatorios.
3.3 Estimación del “valor verdadero”.

Para aumentar la confiabilidad de los resultados de un procedimiento analítico es común someter entre 2 y 5
porciones de una muestra al procedimiento analítico completo (réplicas).
La media de la población, µ, es el valor medio de un conjunto infinito de medidas. En general los datos obtenidos
de las réplicas son similares, se considera en general el valor medio (µ) del conjunto como la mejor estimación
del valor verdadero.
La media es una medida de tendencia central. Resulta al efectuar una serie determinada de operaciones con un
conjunto de números y que, en determinadas condiciones, puede representar por sí solo a todo el conjunto.
Página 11 de 72
El valor medio es más confiable que cualquiera de los datos individuales. Cuando se trata de un conjunto pequeño
de datos es necesario usar estimadores para determinar el valor medio, los que tendrán una incertidumbre
asociada. Las variaciones obtenidas de los datos permiten estimar la incertidumbre asociada al valor medio.
• Promedio (media o media aritmética) y mediana
La medida más utilizada para definir un valor medio es el promedio 𝐱̅, que se obtiene dividiendo la suma de las
mediciones de las réplicas entre el número de réplicas:
∑𝑛𝑖=1 𝑥𝑖
𝑥̅ = (3-1)
𝑛
xi: es el valor individual de cada réplica

n: es el número total de réplicas (número de veces que se repitió el experimento para obtener un resultado
individual)
Si los valores obtenidos se ordenan en forma creciente o decreciente el resultado central es la mediana,
quedando igual cantidad de resultados mayores y menores, en torno a la mediana.
En el caso de que el número de medidas es par se promedian los dos del centro.
En casos ideales, la media y la mediana deben ser idénticas. Sin embargo, cuando el número de mediciones en
un conjunto es pequeño, estos valores tienden a ser diferentes.
En general se considera que el promedio es un buen estimador del valor medio poblacional (μ), cuando hay un
número muy grande de datos y éstos tienen una distribución normal. En los casos que existan valores extremos
que se separan del valor central, la mediana es una mejor opción para estimar el valor medio.
Ejemplo: Se realizan nueve determinaciones analíticas que arrojan los siguientes resultados.
Se muestra en la tabla de resultados el valor calculado del promedio o media y de la mediana.
Datos originales Datos reordenados

1 9,802 8,205
2 9,146 9,146
3 9,793 9,385
4 9,502 9,502
5 9,731 9,516
6 9,772 9,731
7 9,516 9,772
8 8,205 9,793
9 9,385 9,802
Promedio (media) 9,428 9,428
Mediana 9,516 9,516
3.4 Exactitud
El término exactitud en la actualidad se define como una descripción del apartamiento entre el resultado de una
medida y el “valor verdadero” del mensurando. Las fuentes de inexactitud de una medida pueden ser tanto
sistemáticas como aleatorias. Los errores sistemáticos en general tienen mayor incidencia sobre la veracidad de
Página 12 de 72
un método (causan sesgos), mientras que los aleatorios inciden mayoritariamente en la precisión de un conjunto
de datos (aumentan la dispersión).
La exactitud se define como el grado de concordancia entre el resultado obtenido para una magnitud y el “valor
verdadero” o valor de referencia que se le ha atribuido al mensurando como resultado de distintos
procedimientos. Esos resultados considerados como “verdaderos” son resultados de certificados de análisis
emitidos por organismos acreditados, o resultados obtenidos por técnicas analíticas basadas en consideraciones
teóricas con medidas directas, entre otros. Muchas veces no se dispone de un valor de referencia, por lo que la
exactitud no siempre podrá cuantificarse.
Difícilmente se consigue buena exactitud si la precisión no es buena, sin embargo, un alto grado de precisión no
es suficiente para garantizar una buena exactitud.
3.5 Veracidad
El término veracidad se refiere al grado en que difieren los resultados que proporciona un método con respecto
al valor considerado como verdadero o de referencia. Anteriormente en libros de texto se le llamaba exactitud.
Es el grado de concordancia entre los resultados que proporciona un método, luego de una serie de medidas y
el “valor verdadero”.
Veracidad (del inglés trueness) es parecido, pero no es lo mismo que exactitud. Veracidad se emplea cuando se
describe un método, en cambio exactitud se emplea cuando se refiere a un resultado individual.
Una definición formal de veracidad es: el grado de concordancia entre el promedio obtenido de una larga serie
de ensayos y un valor de referencia aceptado. (IUPAC Chemical Nomenclature 18.6.1).
3.5.1 Sesgo
El sesgo es la diferencia entre el valor hallado mediante el método y el valor verdadero o de referencia. La
veracidad se evalúa mediante el sesgo y se asocia con los errores sistemáticos.
3.6 Precisión
El término precisión se define en base a la variabilidad
de los resultados obtenidos cuando se aplica un Evaluar la repetibilidad es una estrategia que
procedimiento repetidamente a una misma muestra. permite estimar la precisión basada en la
desviación estándar de resultados obtenidos en
La precisión describe cuán repetibles son las
iguales condiciones experimentales (réplicas
mediciones de un análisis cuando dichas mediciones
realizadas en un mismo laboratorio, con la
han sido llevadas a cabo exactamente de la misma
misma técnica analítica, el mismo operador,
manera. Se asocia con los errores aleatorios.
etc.).
Para estimar la precisión se puede usar la desviación
Cuando los resultados provienen de distintos
estándar, la varianza y la desviación estándar
laboratorios (y por ello también distintas
relativa. Estas son una medida de cuánto se alejan los
condiciones experimentales) se utiliza el término
resultados individuales entre sí.
reproducibilidad para expresar la precisión de
3.6.1 Desviación estándar (desviación estándar los resultados.
absoluta) σ
∑𝑛1(𝑥𝑖 − 𝜇)2 (3-2)

σ=√
𝑛
donde μ: es el valor medio de la población (población completa)

σ: desviación estándar (población completa)
xi: representa cada medida individual.
n: número de medidas realizadas.
Los valores de µ se estiman en general mediante el promedio 𝒙 ̅ y el valor de σ (la desviación estándar
poblacional) se estima por medio de s (estimador de la desviación estándar de las muestras analizadas)
de la siguiente manera.
Página 13 de 72
∑𝑛1(𝑥𝑖 − 𝑥̅ )2 (3-3)
s=√
𝑛−1
̅ el estimador de µ, y n el
Dónde: s es el estimador de la desviación estándar (muestra de una población), 𝒙
número de medidas realizadas.
3.6.2 Desviación estándar relativa sr
𝒔
𝒔𝒓 = (3-4)
̅
𝒙
• Desviación estándar relativa porcentual sr(%) (llamada también coeficiente de variación, CV % o muy
frecuentemente RSD % del inglés Relative Standard Deviation)
𝒔
𝒔𝒓 (%) = 𝟏𝟎𝟎 × (3-5)
̅
𝒙
3.6.3 Varianza
Casi de igual importancia cuando se evalúa la precisión es el cuadrado de la desviación estándar conocida como
la varianza, σ2.
Para determinar σ o σ2 sería necesario repetir infinitas veces el procedimiento. El estimador de la varianza
muestral es la desviación estándar al cuadrado
 (x − x)
2
2 i (3-6)
s =
n -1
̅ el estimador de µ, n
Dónde: s es el estimador de la desviación estándar, s2 es el estimador de la varianza y 𝒙
número de medidas realizadas.
En el caso de referirse a un número acotado de valores (muestra) del total de la población el divisor que se usa
es (n - 1). Si se tuviera la población total de datos el denominador debería ser n, es decir, el total de los datos.
Obsérvese que cuanto más grande sea la muestra el denominador tiende a n. A su vez (n-1) son los grados de
libertad asociados a la varianza de la muestra.
3.6.4 Intervalo de repetibilidad (Ir)

Es la máxima diferencia admisible entre dos valores obtenidos por el mismo operador con el mismo material
sobre una misma muestra en un breve período de tiempo. Sirve para evaluar si los valores obtenidos al realizar
el procedimiento analítico son concordantes para poder promediarlos. Se considera que los valores son
concordantes cuando la diferencia entre ellos sólo es atribuible a los errores aleatorios propios del procedimiento.
Página 14 de 72
Matemáticamente el intervalo de repetibilidad se define como:
Ir = Z 2 r (3-7)
Siendo:
r: Sigma de repetibilidad (n > 30)
Z: Parámetro estadístico que depende del nivel de significancia utilizado. En Química Analítica se acostumbra a
trabajar a un nivel de confianza del 95%, es decir nivel de significancia 5%  Z = 1,96.
Para ejemplificar supóngase que durante

Dados dos resultados analíticos, obtenidos por repetición sobre
la verificación de una pipeta aforada el
una misma muestra, por un mismo operador y con el mismo
operador se olvida de enrasar la misma
material, si su diferencia es menor o igual al Ir, serán valores
antes de descargar la masa de agua
concordantes, pues dicha diferencia sólo es atribuible a los
contenida por ésta. El resultado obtenido
errores aleatorios propios del procedimiento en estudio. Dichos
de realizar la operación en estas
valores serán utilizados para el cálculo del promedio.
condiciones diferirá en forma significativa
Por el contrario, si la diferencia es mayor al Ir se estará en de aquellos donde este error no esté
presencia de valores no concordantes, lo cual alerta que presente. Si el operador no percibió el
probablemente alguno de los resultados bajo estudio esté error cometido entonces el intervalo de
afectado por errores no contemplados dentro del intervalo de repetibilidad será el responsable de
repetibilidad. alertarlo de la presencia del mismo y
como consecuencia da una herramienta
Cuando se cuenta con información histórica sobre el Ir, el
que ayuda a decidir si ese dato debe o no
analista puede realizar la determinación por duplicado y evaluar
ser descartado
si los resultados obtenidos son concordantes. Esto es válido
siempre y cuando las determinaciones se hayan realizado
todas en iguales condiciones. Si no se cuenta con información histórica (con n > 30) deberá evaluarse la precisión
del método mediante otras herramientas estadísticas.
En la Figura 3-4 se presenta un esquema que tiene como fin establecer la interrelación entre los conceptos de
exactitud, precisión, veracidad, sesgo, error e incertidumbre. La expresión cuantitativa de las características
veracidad y precisión da lugar a lo que se conoce como cifras mérito (o parámetros de desempeño) de un método
analítico.
Las diferentes fuentes de error deben ser estimadas con el fin de saber dónde poner los esfuerzos para disminuir
la incertidumbre de nuestros análisis.
Página 15 de 72
Figura 3-4.- Exactitud, precisión, veracidad, sesgo, error, incertidumbre
Bibliografía básica sugerida

Además del material del teórico del curso de Química Analítica I se debe complementar con:
• D. A. Skoog, D. M. West, F. J. Holler, S. R. Crouch, “Fundamentos de Química Analítica”, 8ª edición.
Cengage Learning, Mexico, 2005. PARTE I - Capítulo 3, 5, 6, 7.
(también se puede utilizar la 9ª edición del mismo libro)
Página 16 de 72
• Resolución
La resolución de un instrumento es el menor valor que puede medirse directamente en la escala de dicho
instrumento, se corresponde con el intervalo entre dos divisiones consecutivas de la escala si la misma es una
escala graduada. Ejemplo pipetas graduadas. En el caso de instrumentos digitales la resolución está dada por el
valor de una unidad en la última cifra que se puede leer en la pantalla del instrumento.
Ejemplo: pipeta graduada de 10 mL de volumen total con graduaciones de 0,1 mL
Figura 3-5.- Pipeta graduada
Entre dos unidades graduadas consecutivas un operador puede subdividir mentalmente, para expresar el
resultado medido con mayor número de cifras. Estas cifras son entonces estimadas por el observador. Un
ejemplo de esto se tiene en la Figura 3-6. La estimación de cifras depende de la confianza y destreza del
observador, por lo que, una misma medida realizada por un mismo instrumento puede ser expresada con más o
menos cifras según el criterio del operador.
Figura 3-6.- Relojes con diferentes graduaciones, pero el usuario puede estimar la hora en el
caso B a pesar de que el reloj no está graduado con los valores intermedios
Página 17 de 72
4 Cifras significativas
El número de cifras significativas con las que se informe un resultado indica la precisión del experimento. Esto
dependerá del número de cifras significativas de los datos originales y del límite de confianza.
Cifras significativas se refiere a todos los dígitos que sean seguros, más el primero incierto. Es decir, se espera
que el último dígito sea el único que esté sujeto a cambios en repeticiones del experimento. Cuando se cuentan
las cifras significativas, ningún cero localizado a la izquierda de un dígito se considera significativo. Por tanto,
0,0030 tiene solo 2 cifras significativas, pero 3000 tiene 4 cifras significativas.
Los ceros no deben ser añadidos a la derecha de los dígitos significativos para definir magnitudes de un valor, a
no ser que verdaderamente sean significativos, pues sino lleva a confusión. Por ejemplo, no se debe dar un
resultado de 2500 ng si el resultado confiable sólo tuviere 2 cifras significativas; en dicho caso se ha de presentar
el resultado como 2,5 µg o 2,5 x 103 ng.
Durante el proceso de cálculo, se debe trabajar siempre con
todas las cifras. El redondeo a las cifras significativas debe ser Ejemplo de errores generados por no
el último paso, para evitar errores de truncamiento. considerar todas las cifras mientras se
realizan los cálculos: en una serie de
El resultado final se debe presentar con el número de cifras operaciones intermedias se obtienen
significativas que refleje la confianza del método en el los resultados parciales
resultado.
A = 3,14159265358979...
Cuando no se dispone de la incertidumbre calculada de una
B = 32,438191288
magnitud (concentración o señal), se deben evaluar las cifras
en base a los instrumentos (balanzas, espectrómetros) y C = 6,3444444444444
materiales usados. D = 3,23456789
En el caso de una señal instrumental (también denominada Llevemos todos a 3 cifras significativas
respuesta), se debe siempre registrar la misma cantidad de A = 3,14; B = 32,4;
cifras que entrega el instrumento. Si dos o más señales
instrumentales deben promediarse, este promedio se expresará
C = 6,34; D = 3,23;
con las cifras ciertas más la primera afectada de error (en general Si se realiza la operación A/(B*C*D)
se agrega una cifra más que las que se obtienen en el
instrumento). Los resultados de los datos serían:
En el caso de la concentración de una disolución stock, es 0,004719363 ≈ 4,72 x10-3 y

necesario tener en cuenta las cifras que muestra la balanza que 0,004732524 ≈ 4,73 x10-3
se utilizó para realizar la pesada del sólido patrón.
Posteriormente, cuando se calcula la concentración de Pero si en el desarrollo, cada
sucesivas disoluciones, se deben utilizar para estos cálculos operación se restringe a 3 cifras
todas las cifras, pero debe considerase que a la hora de mostrar significativas, el resultado será
resultados en un informe o una presentación se debe considerar 0,00474 ≈ 4,74 x10-3
la propagación del error y mostrar los valores de una forma
adecuada.
A modo de ejemplo, si se pesaron 100,2 mg de un patrón en balanza analítica (0,1002 g) se colocó dicha masa
en un matraz aforado de 100,00 mL y se llevó a volumen, la concentración final podrá ser expresada como 1002,0
respectivamente
mg L-1. Una dilución al décimo de dicha disolución stock se podrá expresar como 100,2 mg L-1. Una nueva dilución
al décimo sobre la disolución anterior quedaría expresada como 10,02 mgL-1 .
Página 18 de 72
4.1.1 Notación
La incertidumbre asociada al
resultado analítico se expresa por Por ejemplo, si luego de realizar las determinaciones analíticas
convención con dos dígitos: la y los cálculos correspondientes, se llegara al siguiente
primera cifra distinta de cero y la que resultado: (1100 ± 113) mg kg-1, la incertidumbre se estaría
le sigue, pudiendo ser ésta igual o expresando con una cifra más de las recomendadas. Una
distinta de cero. Esto es una alternativa para expresarla siguiendo el criterio mencionado
convención que usaremos en todos los sería cambiar las unidades y escribir (1,10 ± 0,11) g kg-1. Si bien
cursos de Química Analítica. en los ámbitos académicos también se podría usar notación
exponencial, los profesionales de la Química no suelen utilizar
En algunos casos, puede surgir la duda
esta forma de expresión de resultados en los informes de
de cómo expresar una incertidumbre
análisis.
cuyo cálculo arroje 3 cifras significativas.
4.1.2 Reglas de redondeo

Una vez definida la incertidumbre, se debe redondear el resultado analítico. Es importante recordar que el
redondeo debe aplazarse hasta que el resultado final haya sido calculado.
Para expresar correctamente el resultado de un análisis, la regla a utilizar es la siguiente:
Si la cifra siguiente es menor de
5, la cifra a redondear se deja  0,002584325 (por ej. si se informa con 3 cifras significativas) =
como está. 0,00258
 18935,8 (por ej. si se informa con 3 cifras significativas) = 1,89
*104
Si la cifra siguiente es mayor de  0,002583625 (por ej. si se informa con 4 cifras significativas) =
5, la cifra a redondear se 0,002584
aumenta en una unidad.
 2935,728 (por ej. si se informa con 4 cifras significativas) = 2936
Si la cifra siguiente es exactamente 5:

 la cifra a redondear se
deja como tal si es par. • 0,01234500 (por ej. si se informa con 4 cifras significativas) =
0,01234
 la cifra a redondear
aumenta en una unidad • 0,03727500 (por ej. si se informa con 4 cifras significativas) = 0,03728
si es impar.
Si la cifra siguiente es 5 y sigue

otra distinta de cero, la cifra a  0,0372575 (por ej. si se informa con 3 cifras significativas) =
redondear se aumenta en una 0,0373
unidad.  0,037251 (por ej. si se informa con 3 cifras significativas) = 0,0373
 0,0372508 (por ej. si se informa con 3 cifras significativas) =
0,0373
Página 19 de 72
Datos anómalos: Descartar datos que nos parecen anómalos puede realizarse utilizando herramientas
estadísticas. Debe tenerse especial cuidado con esta práctica, un descarte inadecuado de datos puede dar lugar
a conclusiones inadecuadas. A modo de ejemplo, en el pasado el adelgazamiento de la concentración de ozono
en la atmosfera fue demorada porque en las primeras etapas se consideraron valores anómalos, por lo tanto, es
importante conservar los valores originales para reconstruir y asignar causas a errores. En principio se
desaconseja esta práctica a menos que pueda demostrarse, con razonable certeza, que un dato es anómalo.

Cengage Learning, Mexico, 2005. PARTE I - Capítulo 7D1.
(también se puede utilizar la 9ª edición del mismo libro)
Página 20 de 72
5 Herramientas estadísticas usadas en Química Analítica

Se pueden utilizar métodos estadísticos para evaluar los errores aleatorios. El análisis estadístico se basa
comúnmente en la suposición de que los errores aleatorios siguen una distribución gaussiana o normal.
5.1 Distribución normal ("campana de Gauss")

La representación gráfica del modelo f(x)
matemático de la distribución normal es
una curva simétrica en forma de
campana que se extiende hasta el
infinito, asintóticamente en ambas
direcciones, positiva y negativamente de
las abscisas (Fig. 5-1).
Como se observa, la ecuación de la 2
distribución normal tiene dos
parámetros, µ y . La curva queda
determinada por estos dos únicos
parámetros y se la designa simplemente
N(µ,), siendo:
 µ: el centro de la distribución (la
m x
media)
 : la dispersión de la distribución Figura 5-1.- Forma de la distribución normal
(la desviación estándar).
La teoría de distribución normal se desarrolla a partir de gran
La frecuencia relativa con la cual una cantidad de datos y no necesariamente se ajusta si se aplica a
variable tomará valores entre dos puntos un pequeño número de observaciones. Para fines prácticos se
es el área bajo la curva entre dichos usa corrientemente, la distribución normal con muestras de
puntos, sobre el eje horizontal. El área tamaño mayor que 30. Para un tamaño de muestra menor se usa
bajo la curva representa la probabilidad otra distribución denominada distribución t.
de distribución normal. El área total bajo
la curva normal es igual a 1 y, por lo
tanto, las áreas bajo la curva pueden
considerarse como proporciones, probabilidades o, cuando se multiplican por 100, como porcentajes.
Las probabilidades se expresan, por lo general en una escala de 0 a 1. El 1 representa la certeza de que el
evento ocurrirá, mientras que el 0 representa la imposibilidad total. Los grados intermedios de probabilidad son
comúnmente expresados con valores decimales entre 0 y 1 (por ejemplo, p = 0,5).
La distribución de Gauss está definida por la función:
1 1 𝑥−𝜇 2
𝑒 −2 ( )
f(x)= 𝜎 (5-1)
𝜎√2𝜋
• x va desde -∞, a +∞, en el dominio de los reales.

• Es simétrica y tiene el máximo en la media µ.
• En los puntos µ − σ y µ + σ presenta puntos de inflexión.
• El eje de abscisas es una asíntota de la curva.
• El área debajo de la curva y el eje de abscisas es igual a la unidad (por convención).
Página 21 de 72
• La probabilidad equivale al área encerrada bajo la

curva. Ver Figura 5-2
• p(μ - σ < X ≤ μ + σ) = 0,6826 = 68,26 %
• p(μ - 2σ < X ≤ μ + 2σ) = 0,954 = 95,4 %
• p(μ - 3σ < X ≤ μ + 3σ) = 0,997 = 99,7 %
Figura 5-2.- Distribución de

probabilidad alrededor de la media en
una distribución N (μ, σ2).
5.2 Distribución t de "Student"

Llamada así por el seudónimo usado por Gosset, quien la desarrolló, a principios de siglo XX. Cuando las
muestras son pequeñas (n menor de 30), las distribuciones no siguen una forma de curva normal. Por lo tanto,
con las llamadas muestras pequeñas o chicas es recomendable usar la distribución t de "Student".
El concepto de grados de libertad es necesario para el uso de esta distribución. Por lo tanto, el número de grados
de libertad de un estadístico (se conoce como g.l.), y se define como el número n de observaciones en la muestra
menos el número k de parámetros que intervienen en la población, a partir de las observaciones de una muestra.
5.3 Test de hipótesis o de significación

Test de hipótesis (o contraste de hipótesis o
prueba de significación) es un procedimiento
que se usa para juzgar estadísticamente si una
propiedad que se supone en una población es 1
concordante con lo observado en una muestra
de dicha población.
Se denomina hipótesis nula H0 a la hipótesis
que se desea contrastar. El nombre de "nula"
significa “sin valor, efecto o consecuencia”, lo
cual sugiere que H0 debe identificarse con la
hipótesis de no cambio, no diferencia, no
mejora, etc. H0 representa la hipótesis que
mantendremos a no ser que los datos indiquen -1,96 0 1,96
su falsedad, y puede entenderse, por tanto, en Región de Región de Región de
el sentido de “neutra”. La hipótesis H0 nunca se rechazo aceptación rechazo
considera probada, aunque puede ser
rechazada por los datos.
Figura 5-3.- Regiones de aceptación y rechazo
Por otro lado, se considera siempre una
hipótesis alternativa a la hipótesis nula que se
denomina HA. En los casos en los que no se especifica H A de manera explícita, podemos considerar que ha
quedado definida implícitamente como “H0 es falsa”.
Entonces, se considera una hipótesis (aseveración) hecha acerca de una población denominada H0 (hipótesis
nula) y una hipótesis alternativa HA. Se intenta esclarecer cuál de las dos es la verdadera.
Un resultado es estadísticamente significativo cuando es poco probable que haya sido debido al azar. Una
"diferencia estadísticamente significativa" significa que hay evidencias estadísticas de que hay una diferencia;
esta diferencia no necesariamente tiene que ser grande, importante o radicalmente diferente.
El nivel de significación se define como la probabilidad de tomar la decisión de rechazar la hipótesis nula cuando
ésta es verdadera (decisión conocida como error de tipo I, o "falso positivo"). La probabilidad de que ocurra un
evento más la probabilidad de que no ocurra se considera igual a 1. La región de rechazo más la región de
Página 22 de 72
aceptación es igual a 1 y se corresponden con las áreas bajo la curva como las que se muestran en la Figura 5-
3.
La hipótesis planteada se relaciona generalmente con un valor numérico de algún parámetro de la población.
Por ejemplo, una hipótesis puede establecer que la vida media de la población de baterías es igual a 30,0 horas,
y se escribiría H0: µ0 = 30,0 h. Esta aseveración (hipótesis nula) puede o no ser correcta.
Un "test de hipótesis" es un ensayo para la validación de esa aseveración, y es llevado a cabo mediante el
análisis de una serie de datos que represente la población estudiada (muestra). Sería imposible analizar todo el
lote de baterías, se perdería toda la producción, por lo que se hará en una determinada parte de la población
(muestra) que debe ser representativa de toda la población.
Al evaluar una hipótesis se reconoce la posibilidad de cometer dos tipos de errores:
 Rechazar la hipótesis cuando en realidad es cierta, y se llama "error tipo I". La probabilidad de cometer
un error de tipo I es α. Un α de 0,05 indica que se está dispuesto a aceptar una probabilidad de 5% de
estar equivocado al rechazar la hipótesis nula.
 Aceptar la hipótesis cuando es falsa y se llama "error tipo II". La probabilidad de cometer un error de tipo
I es β. Cuando la hipótesis nula es falsa y no se la rechaza, se comete un error de tipo II.
Estos errores están definidos en términos de probabilidad y pueden permanecer bajo control dentro de ciertos
parámetros establecidos.
El error de tipo I se muestra gráficamente en la Figura 5-4 para la hipótesis H: µ0 = 0. El área entre las líneas
verticales representa la "región de aceptación" para la prueba de hipótesis. Si la muestra cae dentro de la región
de aceptación, la hipótesis es aceptada. De otro modo, es rechazada.
La pequeña porción de la curva que cae fuera de la región de aceptación (α), representa la probabilidad de
obtener un resultado de una muestra fuera de la región de aceptación, aun cuando la hipótesis es correcta.
El error de tipo II o β (o falso negativo) que es la probabilidad de aceptar la hipótesis cuando es falsa, se muestra
en la Figura 5-4 como el área sombreada con raya inclinada.
Es posible obtener un resultado muestral dentro de la región de aceptación, aun cuando la población a la cual
pertenece la muestra tiene un promedio verdadero que no es igual al promedio establecido en la hipótesis.
El valor numérico de β depende del valor verdadero, del promedio de la población, de n, α y .
Siendo:
 n, el tamaño de muestra (cantidad de datos)
 α, el error de tipo I deseado (aceptable)
 , la desviación estándar poblacional
Página 23 de 72
Si el tamaño de muestra se fija antes debido al costo o limitaciones de tiempo, se sigue el siguiente ejemplo para
ensayar una hipótesis:
 Se plantea la hipótesis nula H0 (la vida
media de las baterías es 30,0hs H0: µ0 = Distribución de µ0
30,0) Distribución de µ1
ᵦ
 Se plantea la hipótesis alternativa HA (la
vida media de las baterías es diferente a
30,0 hs, HA: µ1 ≠ 30,0) α
 Se elige el valor del error tipo I aceptable,

dependiendo del riesgo que se quiera
asumir. Valores comunes son 0,01; 0,05 o
0,10 (en Química Analítica se utiliza
generalmente α = 0,05). Se decide el
estadístico adecuado para ensayar la Región de Región de Región de
hipótesis, lo cual depende de lo que el rechazo aceptación rechazo
analista está comparando y de lo que
desee conocer. Figura 5-4.- Se ejemplifican los errores
 Se determina la región de aceptación para
el test, o sea, el rango de valores del
estadístico que resultarán en una decisión de aceptar dicha hipótesis.
 Se obtiene la muestra que será sometida a análisis (representativa de la población),
 Se calcula el estadístico y se compara el valor obtenido. Se tienen dos posibles situaciones, aquellos
valores del estadístico que permiten Aceptar H0 y aquellos valores que me permiten Rechazar H0
 Finalmente pueden ocurrir dos casos:
o Si el valor del estadístico cae dentro de la región de aceptación se acepta H0 (para este ejemplo
“las baterías tienen una vida media de 30,0 hs)
o Si el valor del estadístico cae fuera de la región de aceptación se rechaza H0
Otra forma de interpretación es mediante el concepto de “Región Crítica o de rechazo” que corresponde al
conjunto de valores que permiten rechazar H0 como se ilustran en la Figuras 5-3 y 5-4. Esta postura es más
aceptada por los estadísticos, que considerar la región de aceptación, porque en general lo que se indica es
que no hay evidencia para rechazar H0 más que aceptar H0.
Muchas veces, el analista no sabe si la diferencia entre el promedio obtenido en sus análisis y el valor de
referencia (“verdadero”) será positiva o negativa. Por esto es necesario utilizar una prueba estadística que
contemple las dos posibilidades: se denominan pruebas de dos colas o bilaterales.
Otras veces, se espera que la diferencia tenga un signo determinado (positivo o negativo). Por ejemplo, si se
agrega un catalizador a una reacción, se espera que la velocidad de reacción aumente, y solamente es necesario
probar este aumento. En este caso se utiliza una prueba estadística de una cola o unilateral.
Dados el valor de n datos de la muestra y el nivel de probabilidad, (llamado nivel de confianza 1- α) el valor crítico
para una prueba de una cola es distinto al de una prueba de dos colas.
En resumen, se tienen dos hipótesis, la hipótesis nula H0 la hipótesis alternativa HA, y la decisión escogida
coincidirá o no con la que en realidad es cierta. Se pueden dar los cuatro casos que se exponen en el siguiente
cuadro:
H0 es cierta HA es cierta
Se escogió No hay error (probabilidad=1-α) o verdadero Error de tipo II (probabilidad=β) o falso
H0 positivo) negativo)
Se escogió Error de tipo I (probabilidad=α) o falso No hay error (probabilidad=1-β) o verdadero
HA positivo) negativo)
Página 24 de 72
Tabla 5.1.- La distribución t (Extraído de Miller, J.N. y Miller, J.C. Estadística y Quimiometría para Química
Analítica. 4ª Ed. (2002))
Nota: En los experimentos propuestos en los cursos de Química Analítica, la diferencia entre la
media y el valor de referencia tiene la misma probabilidad de ser positiva que negativa, por lo que
utilizará una prueba bilateral.
Ejemplo (Extraído de Miller, J.N. y Miller, J.C. Estadística y Quimiometría para Química Analítica. 4ª Ed.
(2002))
Se ejemplifica como no es lo mismo usar una u otra prueba
Se sospecha que una valoración ácido-base tiene un error de indicador significativo y, por lo tanto,
tiende a dar resultados con un error sistemático positivo (es decir un sesgo positivo). Para comprobar
esto, se utiliza una disolución de ácido 0,1000 mol L-1 para valorar 25,00 mL de otra disolución de una
base, 0,1000 mol L-1 con los siguientes resultados (en mL):
25,06 25,18 24,87 25,51 25,34 25,41
Pruebe la existencia de sesgo positivo en estos resultados.

De estos datos se tiene
Promedio 25,228 mL Desviación estándar 0,238 mL
Página 25 de 72
Si adoptamos la hipótesis nula de que no hay ningún sesgo, H0: µ=25,00 mL, y por lo tanto HA: µ≠25,00
mL
Resulta:
t=
(X − m ) n
=
(25,228 - 25,00 ) x 6
= 2,35
s 0,238
De la Tabla 5.1, el valor de t de tabla para 5 grados de libertad (n-1 medidas) es 2,02 (P=0,05, prueba
de una sola cola). Puesto que el valor obtenido de t NO se encuentra en el intervalo -2,02 y 2,02, se
rechaza la hipótesis nula, y hay evidencia de sesgo positivo.
En este ejemplo, si se hubiera realizado una prueba de dos colas, se habría aceptado la hipótesis nula,
ya que el t de tabla sería 2,57.
La decisión de efectuar una prueba de una o dos colas debe tomarse antes de realizar el experimento,
ya que de lo contrario se podría tender a elegir la prueba conociendo ya los resultados.
Es más común encontrar casos en los que se utiliza una prueba bilateral que unilateral, y los casos en
que se utiliza esta última son detectados con facilidad.
5.4 Relación entre límites de confianza y test de hipótesis

Los límites de confianza proveen un par de
límites dentro del cual cae un parámetro de la Ejemplo
población (con una probabilidad dada).
Supongamos que, en un experimento de cromatografía de
El test de hipótesis evalúa una aseveración gases, se determinó el contenido de etanol en una muestra
específica acerca de un parámetro de la de Thinner obteniendo el siguiente resultado:
población.
63,2%; 62,5%; 63,9% y se desea clasificar la muestra
Los conceptos de límites de confianza y test de dentro de una de las tres categorías:
hipótesis son acercamientos alternativos para
evaluar una hipótesis a la cual debe recurrir el Categoría A: conteniendo menos de 65% de etanol
Químico Analítico continuamente. Categoría B: conteniendo entre 65% y 75% de etanol
Cuando los errores sistemáticos se Categoría C: conteniendo más de 75% de etanol
consideran despreciables, la media de una
muestra de medidas proporciona una Promedio = 63,2 %
estimación del valor verdadero, µ, de la s = 0,7 %
magnitud que se quiere medir. Sin embargo,
aún en ausencia de errores sistemáticos, las ▪ H0: µ < 65%
medidas individuales varían debido a los ▪ HA: µ > 65%
errores aleatorios, por lo tanto, es poco
probable que la media de la muestra sea El valor crítico de t (una cola) obtenido de tablas para los
exactamente igual al valor verdadero. grados de libertad (3 - 1 = 2) es 2,92
Es útil proporcionar un intervalo de valores que Cálculo de t = (65 - 63,2) / 0,7 = 2,57
incluya al valor verdadero con cierto grado de Puesto que el valor calculado de t es menor que el valor
certeza. La amplitud de este intervalo crítico para un nivel α=0,05 no hay evidencia para rechazar
dependerá de la precisión de las medidas la hipótesis nula y por tanto para descartar que la muestra
individuales (asociadas a la desviación de Thinner pertenece a la categoría A.
estándar de la población) y del número de
medidas de la muestra. Este intervalo es
conocido como intervalo de confianza y los
límites extremos se denominan límites de
confianza.
Página 26 de 72
En el caso de límites de confianza para muestras grandes (n>30), y suponiendo una distribución normal,
entonces el 95% de las medias muestrales se encontrarán en el intervalo dado por:
𝜎 𝜎
𝜇-1,96 ( ) < 𝑥̅ < 𝜇 + 1,96 ( )
√𝑛 √𝑛
que también se puede expresar como (ya que para  = 5%  Z = 1,96)
(5-2)
En la práctica es poco probable conocer el valor de  (desviación estándar poblacional) exactamente, sin
embargo, siempre que la muestra sea grande puede ser sustituida por su estimador s. Observe que las
dimensiones (unidades) de s son las mismas que las correspondientes a la magnitud que se está informando.
Por lo tanto, en el caso de tener que informar un valor de concentración en mg L-1, s deberá corresponder al
estimador de la desviación estándar para n determinaciones de concentración.
Es usual que en las determinaciones de rutina se realicen pocas repeticiones y muchas veces el número de
muestras es pequeño (n=5 o menor). En el caso de muestras pequeñas, s ya no es tan buen estimador de .
Por lo tanto, para muestras pequeñas, como sucede en la mayoría de los casos, los límites de confianza vienen
dados por:
s
x  t n−1 (5-3)
n
El subíndice (n-1) indica que t depende de esta cantidad, que se conoce como número de grados de libertad. El
valor de t depende también del grado de confianza requerido y se obtiene de las tablas de distribución t de
Student. Cabe destacar que para valores de n grandes los valores de tn-1 para intervalos de confianza del 95% y
del 99%, respectivamente están muy próximos al valor 1,96 y 2,58. Para cada valor de n correspondiente se
deberá buscar el valor de tn-1 correspondiente en la Tabla 5.1.
5.5 Estimación de la incertidumbre

En los últimos años las normas relacionadas a la gestión de calidad de los laboratorios han incorporado el
concepto de estimación de la incertidumbre de las medidas analíticas como un valor que describa el efecto
combinado de los errores aleatorios y sistemáticos.
La estimación de la incertidumbre involucra que el analista conozca en detalle el proceso analítico y sea capaz
de identificar inequívocamente todas las posibles fuentes de incertidumbre asociadas al mismo. Para referirse a
las contribuciones individuales de las posibles fuentes de error (por ejemplo: errores en la pesada, errores por
uso de material volumétrico, cambios en la
temperatura, errores de manipulación, cambio
de operador, errores instrumentales, entre otros)
debe conocerse su distribución y estimarse la
incertidumbre estándar, ui, siendo i cada variable
que contribuye a la incertidumbre.
En la Figura 5-5 se muestra una representación
esquemática de las diferentes fuentes de
incertidumbre en la preparación de una
disolución de cadmio) extraída de la guía
EURACHEM-CITAC (Cuantificación de la
Incertidumbre en las Medidas Analíticas, 2012).
Estos diagramas son útiles para identificar las
fuentes de incertidumbre (diagrama de Ishikawa
o de espina de pescado).
Figura 5-5.- Incertidumbre en la preparación del estándar de cadmio (extraída de la guía EURACHEM)
Página 27 de 72
Una vez estimadas las incertidumbres estándar para cada componente de la incertidumbre se calcula la
incertidumbre estándar combinada (uc). Para ello se utilizan las reglas de propagación de incertidumbre
(análogas a las de propagación de errores). Finalmente se multiplica la incertidumbre combinada (uc) por un
factor de cobertura y se obtiene la incertidumbre expandida asociada al resultado analítico (U).
La incertidumbre expandida (U) define un intervalo que abarca una fracción grande de valores dentro de los
cuales se encontrará con una probabilidad dada el valor que se está midiendo. Se obtiene multiplicando la
incertidumbre estándar combinada uc por un factor de cobertura (k) seleccionado según el grado de confianza
exigido (U = k.uc). Para un 95% de confianza k=2 (este valor de k=2 no debe confundirse con el valor de t,
obtenido de las tablas de distribución t de Student para un número de muestras grande cuando se estima el
intervalo de confianza).
De esta forma el resultado se expresa como:
x U (5-4)
Si bien no hay una convención universal establecida, es usual informar los resultados acompañados de su
incertidumbre expandida expresada con dos dígitos, la primera cifra distinta de cero y la que le sigue, pudiendo
ser ésta cero o distinta de cero.
Las estimaciones de la incertidumbre son importantes no sólo para cualquiera que haya suministrado una
muestra para su análisis y exija un intervalo de valores donde debería encontrarse el valor verdadero, sino que
también son valiosas para demostrar que un laboratorio tiene la capacidad para realizar análisis de forma
confiable y comparar su desempeño con respecto al de otros laboratorios. Además, conocidas las fuentes de
incertidumbre y su contribución en el resultado final es importante tener como meta disminuir en lo posible dichas
contribuciones para mejorar la calidad de los resultados.
En algunos casos se suele informar los resultados acompañados de expresiones de incertidumbre simplificadas.
Esto es válido siempre y cuando se conozca y se haya evaluado al menos una vez la incertidumbre estándar
relativa de cada componente que contribuye a errores en la medida (sistemáticos y aleatorios) y se haya
encontrado cual o cuales de las contribuciones individuales tiene un peso preponderante sobre el resto.
En la literatura se pueden encontrar diversas formas de expresar los resultados. Es usual informar la media de n
medidas como la estimación de la magnitud medida y la desviación estándar como estimación de la precisión.
También se puede encontrar el resultado estimado como la media de la cantidad medida acompañado de su
intervalo de confianza. Hoy en día la tendencia es expresar el resultado acompañado de la incertidumbre
expandida (U), ya que la estimación de la incertidumbre involucra todas las fuentes que contribuyen al error en
una determinación analítica.
Sin embargo, como ya se ha indicado no existe aún una convención universal respecto a este tema por lo que
en cada caso debe especificarse cómo se estimó el intervalo del que va acompañado el resultado informado
junto con el valor de n.
Nota: Muchas veces en los laboratorios de análisis, por razones económicas y de tiempo se trabaja con
2 o 3 réplicas solamente. En esos casos se establecen especificaciones según las normas que se estén
utilizando. Las mismas no son arbitrarias, sino que se obtienen luego de validar las metodologías.
En estos cursos se indica en cada caso las especificaciones a cumplir y además para completar los experimentos
y ejercitar el uso de las tablas t. Cuando se trabaja con n=3, se consideran que son pocos datos, acá se ha
indicado a modo de ejemplo. No es recomendable utilizar el valor t cuando solo se cuenta con solo con dos
valores ya que el valor de tabla es 12,7, este valor hace que la incertidumbre resulte en valores poco coherentes
con la expresión del resultado. En estos casos se puede consultar sobre especificaciones, basadas en la
validación de los métodos, para evaluar si dos valores son promediables o no.
Los resultados se expresan como: (promedio ± intervalo de confianza) unidades (con n mínimo = 3)
Ejemplo: Concentración de ibuprofeno en solución pediátrica (32,25 ± 0,22) mg L-1
En el futuro el profesional en función de cada ámbito de trabajo determinará la forma de expresar la incertidumbre
de los resultados, esta puede variar según el campo de la Química donde se desempeñe el analista.
Página 28 de 72
Nota:
En los cursos de Química Analítica, de acuerdo con los datos suministrados, utilizaremos la forma
simplificada de expresión de incertidumbre según la Ecuación (5-3) o de la forma según la Ecuación (5.2),
dependiendo del contexto del análisis. En la expresión final del resultado, en estos cursos, no usaremos
incertidumbre expandida.
La Ecuación 5.2 se utilizará en aquellos casos en los que se cuente con datos históricos que representen
n>30 (aunque el estudiante solo realice dos determinaciones se cuenta con este dato histórico para
suministrarles). En todos los casos en los que se realicen pocas determinaciones y no se cuente con
este dato histórico se recurrirá a la Ecuación 5.3 (con un mínimo de n al menos 3 valores promediables).
Los criterios particulares serán descriptos en los correspondientes prácticos de los cursos.
Página 29 de 72
6 Calibración
6.1 Introducción
En las ciencias experimentales es muy frecuente la necesidad de averiguar cuál es la relación entre dos variables.
Esa situación se resuelve mediante un modelo matemático, el cual tiene asociado una representación gráfica.
En Química Analítica se plantea la necesidad de determinar la concentración de una sustancia de interés -
denominada genéricamente analito - presente en una cierta muestra, donde a todos los demás constituyentes
de esta se les denomina conjuntamente "matriz". En la mayoría de las técnicas llamadas clásicas, como
gravimetría y volumetría, la relación cuantitativa entre la medida y la cantidad de analito está determinada por
alguna relación fundamental, como la estequiometría de una reacción química (cocientes entre masas atómicas
y molares). En cambio, en la mayoría de las técnicas instrumentales de análisis se relaciona un valor suministrado
por el instrumento, al que llamaremos respuesta (R), con la cantidad de analito (concentración o masa). La señal
suministrada por el método dependerá de la naturaleza de la técnica analítica empleada, y puede ser, por
ejemplo, absorbancia, fluorescencia o emisión, etc.
Generalmente la “cantidad de analito” se mide como una concentración, sin embargo, debemos señalar que en
algunas técnicas analíticas la señal (también denominada respuesta en la literatura) es función de la masa de
analito presente.
Al proceso de establecer la relación funcional entre la respuesta y la “cantidad de sustancia le llamaremos
calibración. La relación entre esa respuesta y la cantidad de analito que denotaremos C será:
𝑅 = 𝑓(𝐶) (6-1)
La función f(C) se denomina función de calibración y su determinación constituye el proceso de calibración

(obtenemos una curva de calibración). Para determinar esta función se mide la respuesta del método a una serie
de patrones del analito de concentración exactamente conocida. Para conocer esa función se recurre a un
modelo matemático de la misma mediante análisis de regresión, empleando generalmente el método de los
mínimos cuadrados.
Una vez obtenido el modelo es posible estimar la concentración del analito en la muestra a partir de la
correspondiente respuesta aplicando la función inversa:
𝐶 = 𝑓 −1 (𝑅) (6-2)
Conocida con el nombre de función de evaluación.

Una forma especialmente conveniente de esa relación es la lineal. Cuando ella se cumple la función adopta la
forma:
𝑅 = 𝑎 + 𝑏𝐶 (6-3)
Aparecen aquí los dos parámetros de la recta, su pendiente b, y su ordenada en el origen a. La pendiente se
denomina sensibilidad de calibración o simplemente sensibilidad, denominación que no debe confundirse con la
de límite de detección, que tiene un significado totalmente diferente. Habitualmente las metodologías analíticas
proporcionan una respuesta directamente proporcional a la concentración, es decir que la ordenada en el
origen vale 0 (se le denomina modelo sin ordenada en el origen):
𝑅 = 𝑏𝐶 (6-4)
6.2 Diseño de una curva de calibración

El diseño y construcción de una curva de calibración apropiada es un tema de máxima importancia, ya que de
ello depende la calidad de los resultados obtenidos. Cuando se enfrenta esta situación se debe definir lo
siguiente:
 ¿Cuántos puntos deberá tener la curva?
 ¿Qué rango de concentraciones (o de masas) debe abarcar?
 ¿Deben distribuirse uniformemente los puntos?
Página 30 de 72
 ¿Cómo elegir el modelo de mejor ajuste a los puntos experimentales?

 ¿Debe la concentración de la muestra caer en la mitad de la curva o en algún otro lugar?
Es oportuno señalar que no todas estas preguntas tienen una respuesta única, ya que la misma dependerá de
la situación y de la aplicación de los resultados. De todos modos, se discutirán a continuación algunas de ellas.
6.2.1 Cantidad de puntos

Deberá ser seleccionada dependiendo de la calidad de ajuste que se pretenda. Cuantos más puntos contenga
la curva (gráfico de calibración), se puede esperar un mejor ajuste; sin embargo, aumenta considerablemente la
cantidad de trabajo experimental en virtud de la cantidad de disoluciones a preparar y de medidas a efectuar.
Existe una cantidad mínima de puntos que depende de la función de calibración empleada. Por ejemplo, si la
misma es una recta se necesitarán apenas dos puntos, si es un polinomio de grado 2 se requerirán 3 puntos,
etc.
De todos modos, se suele emplear una cantidad superior al mínimo cuando se encara un problema por primera
vez y no se tiene idea del comportamiento del sistema. En general se comienza trabajando con 5 puntos durante
la etapa de desarrollo de la metodología y posteriormente para el trabajo de rutina se disminuye o no esta
cantidad dependiendo de los resultados obtenidos. Si se halla que la mejor función de calibración es una recta,
y que esta relación es estable y reproducible día a día, se suele emplear en el trabajo de rutina una calibración
por dos puntos, de los cuales uno corresponde a 0. Así, en muchas técnicas como espectrofotometría de
absorción es posible efectuar la calibración con apenas un blanco (C = 0) y un patrón, bajo determinadas
condiciones.
6.2.2 Rango de concentraciones

Está determinado en primer lugar por la técnica analítica seleccionada, por el instrumento empleado y también
por el analito y la muestra. Por ejemplo, en el caso de la espectrofotometría de absorción se sabe que existe un
rango óptimo de absorbancias dentro de los cuales debe encontrarse la medida. Si la misma está fuera de dicho
rango la precisión desmejora sensiblemente. Entonces, para un cierto analito, dada su absortividad, que es
conocida, es posible fijar rangos de concentración que no conviene exceder si se desea mantener una precisión
aceptable. Esto está también determinado por la calidad del instrumento empleado. Es absurdo por ejemplo crear
una curva de calibración donde los puntos extremos arrojen absorbancias tan bajas como 0,01 o tan altas como
4 si el instrumento no permite obtener datos útiles a esos valores extremos.
En muchas situaciones, la concentración del analito en la muestra es tal que se requieren uno o más pasos de
dilución para llevarlo a un valor adecuado para la medida. Sin embargo, existen situaciones (análisis de trazas)
donde la concentración en la muestra se mide sin dilución. En este caso la curva de calibración deberá diseñarse
para abarcar la concentración estimada de analito en la muestra, y el criterio mencionado en primer lugar (rangos
óptimos) puede pasar a segundo plano.
6.2.3 Distribución de los puntos

Si bien no existen argumentos de peso desde el punto de vista matemático, es frecuente por motivos de prolijidad
en la presentación seleccionar las concentraciones de modo que los puntos de la curva se distribuyan
uniformemente. También se trata de que los valores de concentración correspondan a números "redondos",
aunque, repetimos, no existen razones científicas para ello.
6.3 Aplicación de métodos estadísticos a la realización de curvas de

calibración
6.3.1 Consideraciones generales
Las gráficas de calibración usualmente empleadas en las determinaciones analíticas, como por ejemplo en
espectrometría, se obtienen representando los valores de la respuesta (por ejemplo: absorbancia) en función de
concentraciones (o masas) conocidas y ajustando una función a los puntos así obtenidos: en el caso de
cumplimiento de una relación lineal (por ej. la ley de Bouguer-Beer) se obtendrá una línea recta que pasa por el
origen de coordenadas (modelo lineal sin ordenada, o sea la ordenada vale cero). Sin embargo, existen casos
de ligeras desviaciones que pueden pasar desapercibidas en una observación superficial de los puntos obtenidos
en la gráfica, disimulándose una desviación de la linealidad bajo la apariencia de simples fluctuaciones debidas
Página 31 de 72
a la precisión del método utilizado. Así por ejemplo en la Figura 6-1 puede dudarse entre las dos curvas indicadas,
una con trazo lleno y otra punteada. ¿Cuál ajusta mejor a los datos experimentales?
El problema de la selección
de la curva de mejor ajuste
1,200 puede ser superado si se
efectúa un análisis
estadístico de la información
1,000 disponible para la
construcción de la gráfica.
0,800 El método habitual de
obtener una curva de
calibración consiste en
Señal
0,600 preparar una serie de

disoluciones de
concentraciones conocidas
0,400 de la sustancia a determinar
(patrones).
0,200 Las concentraciones de
dichas disoluciones las
designaremos C1, C2, ..., Cm,
0,000 y cubrirán el rango de interés
0 20 40 60 80 analítico. En el caso de que
el método analítico utilizado
Concentración (mg L-1) implique la transformación
previa, a través de una o
más reacciones químicas,
Figura 6-1.- Representación gráfica S en función de C del compuesto de interés en
otro cuya señal (por ejemplo,
absorbancia) es la que
realmente se medirá, todos
los patrones y todas las muestras serán sometidas a idéntico tratamiento (que por supuesto será el mismo al que
luego se someterán las muestras de la rutina analítica a menos que se demuestre que el método puede utilizarse
sin que los patrones sean sometidos a todo el proceso). Además, deberá prepararse un “blanco” adecuado con
los mismos reactivos y sometido al mismo proceso, el cual deberá medirse como un patrón más, adjudicándole
el valor nominal de concentración ‘0’.
A partir de aquí, se tienen dos opciones:
La primera es restar la respuesta del blanco de todos los valores obtenidos para patrones y muestras, incluido el
mismo blanco. En este caso, el ajuste del “cero” de absorbancia, en el instrumento, se deberá realizar con el
disolvente.
La segunda opción es realizar el ajuste del “cero” de absorbancia utilizando el blanco como referencia.
Ambas opciones tienen ventajas y desventajas. En el primer caso es más adecuado cuando se analizan muchas
muestras diferentes con sus correspondientes blancos, pero cuando un mismo blanco puede usarse para un
conjunto de análisis en este caso es mejor hacer el ajuste con el blanco. La ventaja de realizar medidas analíticas
del blanco es que al tener un valor de respuesta se puede evaluar si los reactivos que componen el blanco o el
instrumento están en condiciones adecuadas para continuar el trabajo. Si en cambio se utiliza el blanco para
ajustar el cero instrumental no se contará con esta información.
La preparación de la curva de calibración constituye una etapa de fundamental importancia en la puesta a punto
de un método analítico, ya que los errores cometidos en ella repercutirán luego sobre las determinaciones de
rutina que se realicen utilizando dicha curva. Por lo tanto, no nos contentaremos con una sola medida de la
respuesta (por ejemplo, absorbancia) a cada nivel de concentración, sino que efectuaremos varias repeticiones
de ella, digamos n repeticiones. En el caso de que se trate de un método que involucra transformación química
del compuesto de interés, cada repetición deberá involucrar todo el proceso analítico al que se someterán luego
las muestras.
Página 32 de 72
Al final del trabajo experimental obtendremos un cuadro de valores (donde se ha tomado la absorbancia (A) como
respuesta, pero puede ser otra dependiendo de la técnica analítica usada) del siguiente tipo:
Tabla 6.1.-
Niveles de
Concentración (m) Repeticiones (n)
1 2 3 ... n PROM.
C1 A11 A12 A13 ... A1n A1
C2 A21 A22 A23 ... A2n A2
C3 A31 A32 A33 ... A3n A3
... ... ... ... ... ... ...
Cm Am1 Am2 Am3 ... Amn Am
Así, por ejemplo, la cantidad A23 corresponde a la absorbancia obtenida en la tercera repetición de la medida de
absorbancia de la concentración C2. En la última columna se indican las absorbancias promedio para cada valor
de C, es decir:
n
 A ij
j =1 6-5
Ai =
n
Página 33 de 72
6.3.2 Análisis de regresión

Obtenidos los resultados experimentales resumidos en la Tabla 6.1 debemos intentar sacar el mayor provecho
posible de la información con la que se cuenta. En particular, más que llevar los puntos a una gráfica y trazar "a
ojo" la curva que mejor se adapte a dichos puntos, convendrá hallar el modelo matemático para dicha curva. Nos
encontramos frente a un caso que en estadística se conoce como problema de regresión, es decir, el estudio de
las distribuciones de frecuencia de
una variable cuando otra permanece
constante en cada uno de varios
niveles.
En nuestro caso tenemos la variable
concentración, a la que pertenecen
los diversos niveles seleccionados
C1, C2, ...,Cm (que consideraremos
Absorbancia (=y)
variable independiente y llamaremos

"x").
Para cada nivel de la variable
independiente "x" tenemos una serie
de valores, o una "distribución de
respuestas" (por ejemplo, la
absorbancia será la variable
dependiente, que podremos llamar
"y"). Supongamos que al representar
A en función de la C
Concentración (=x)
[y = f(x)] los datos de la Tabla 6.1 nos
Figura 6-1.- Gráfico de los promedios de la respuesta en función conducen a la gráfica de la Figura 6-
de la concentración 3 (para simplificar consideramos el
caso de sólo 4 niveles de
concentración, m = 4, y 3
repeticiones de las medidas a cada nivel, es decir n = 3). La gráfica de la Figura 6-3 (es una gráfica de dispersión
no tiene representada aún una línea de tendencia).
En la Figura 6-2 hemos representado los promedios de los valores de A para cada valor de C y trazado la curva
de regresión, en este caso una línea recta.
Página 34 de 72
6.3.3 Modelos de regresión

En el caso de la Figuras 6-2 y
6-3 hemos supuesto que la
línea de regresión es una recta,
lo cual parece bastante
justificado por la naturaleza de
los resultados experimentales.
Absorbancia (=y)
Es decir, hemos adoptado el
modelo de regresión lineal:
Concentración (=x)
Figura 6-3.- Gráfico de dispersión de las respuestas obtenidas para

cada nivel de concentración
Modelo lineal: y = a + bx (6-6)

En muchas aplicaciones importantes de la teoría de regresión la curva (función) de regresión es una línea recta
o aproximadamente recta. Así en el caso particular de una curva de calibración para espectrofotometría, siempre
que se cumpla la ley de Bouguer-Beer (ley de B.B.) tendremos una relación lineal entre A y C.
En el caso de desviaciones de dicha ley (como podría ser el caso del ejemplo de la Figura 6-1) podrá ser más
conveniente el modelo cuadrático:
Modelo cuadrático con ordenada

en el origen (6-7)
y = a + bx + cx 2
Para las aplicaciones usuales en espectrometría los dos modelos citados son suficientes. Además, es habitual
al discutir este tema, suponer que las curvas pasan siempre por el origen (o sea la ordenada en el origen vale
cero); esto se justifica si el método está adecuadamente diseñado y se opera correctamente (recuérdese que las
medidas se efectúan contra una referencia o un "blanco" que contiene todos los reactivos, disolventes, etc. de la
muestra menos el componente de interés y que tanto el blanco como la muestra se ubican, en el caso de
espectrofotometría, en cubetas idénticas).
Por tal motivo nuestra discusión se centrará fundamentalmente en los modelos lineales y cuadráticos
y = bx + cx2 (6-8)
y = bx (6-9)
Sin embargo, cabe señalar, que en ciertos casos la distribución de los puntos experimentales en la gráfica nos
podría inclinar a suponer un modelo con ordenada en el origen (ordenada distinta de cero) y, si realmente ofrecen
un mejor ajuste a los datos experimentales se podrá investigar la razón de dicho comportamiento.
Eventualmente la existencia de una ordenada en el origen distinta de cero puede poner en evidencia falla
en el diseño del método o en los procedimientos operacionales que sean los causantes de un valor no
nulo para dicho parámetro. Para el cálculo de los mejores valores de los parámetros a, b y c de las ecuaciones
(6-6), (6-7), (6-8) y (6-9) en base a la información experimental disponible se recurrirá al método de los mínimos
Página 35 de 72
cuadrados. El método de los mínimos cuadrados permite hallar los valores de los parámetros que hacen mínima
la suma de los cuadrados de las diferencias de las ordenadas estimadas respecto a las experimentales.
6.3.4 Parámetros estimados para modelos de regresión

Es útil disponer de modelos de regresión que permitan estimar la existencia de ordenada en el origen en los
modelos cuadráticos y lineales, así como estimar los parámetros correspondientes a los modelos.
Los modelos considerados son:
Lineal sin ordenada: y = b1x (6-10)

Lineal con ordenada y = a2 + b2 x (6-11)
Cuadrático sin ordenada:
(6-12)
y = b3 x + c 3 x 2
Cuadrático sin ordenada:
(6-13)
y = a4 + b4 x + c 4 x 2
Los parámetros estimados para los modelos propuestos se calculan por el método de los mínimos cuadrados.
Modelo lineal sin ordenada en el origen.
Ecuación (6-14)
b1 =
 xy
(6-14)
 x2
Modelo lineal con ordenada en el origen.

Ecuaciones (6-15) y (6-16)
a2 =
 y  x 2 −  x  xy
(6-15)
m x 2 − ( x )2
m xy −  x  y
b2 = (6-16)
m x 2 − ( x )2
Modelo cuadrático sin ordenada en el origen.

Ecuaciones (6-17) y (6-18)
a3 =
 x 4  xy −  x 3  x 2 y
( ) 2 (6-17)
 x 4  x2 −  x3
b3 =
 x 2  x 2 y −  x 3  xy
( ) 2 (6-18)
 x 4  x2 −  x3
Página 36 de 72
Modelo cuadrático con ordenada en el origen

Ecuaciones (6-19), (6-20) y (6-21)
 3 2
(
 x  x −  x   y −
2 4
)  x x4
−  x2  x3  xy +  x x − ( x )  x y
3 2 2 2
a4 =  
( )  x x  x  x +  x  x − ( x )   x
(6-19)
 3 2   2 2
 x  x −  x m − −  x2
2 4 4 3 3 2
   
 x 2
 x 3 −  x  x 4  y − ( x 2 )
2
− m x 4   xy +

 x x 2
− m x 3  x 2
y
b4 =
( x ) m −  x x  x +  x x − ( x )  x
(6-20)
 x2 x4 − 3 2 2 2
 
4
−  x2  x3 3 2

 x  x −

3
( x )  y − m x −  x x  xy + m x − ( x )  x y
2 2 3 2 2 2 2
c4 =
− ( x ) m −  x  x −  x  x  x +  x  x − ( x )   x
(6-21)
 
3 2   2 2
 x  x
2 4 4 2 3 3 2
   
6.4 Selección del modelo

La curva de calibración es aquella que mejor representa la relación funcional existente entre las respuestas
instrumentales (Ri) medidas a partir de disoluciones de un analito y las concentraciones (Ci) del mismo en dichas
disoluciones. Para conocer la función se recurre a modelos matemáticos como se explicó en la sección anterior.
Posteriormente, es necesario seleccionar la curva de mejor ajuste, para lo cual existen diversos criterios:
a- Inspección visual.
b- Estudio de los residuos. A la diferencia entre la ordenada estimada por regresión y el valor experimental se
le llama residuo. En alguna literatura se distingue residuos de residuales, y en general se usan indistintamente.
c- Estudio de la varianza respecto a la regresión.
d- Uso del coeficiente de determinación (R2): medida de la fracción de la variación total en y que puede
explicarse por la relación lineal entre x e y.
e- Pruebas de hipótesis (prueba de lack of fit o también llamada LOF, falta de ajuste).
Como se dijo anteriormente, el modelo matemático se obtiene habitualmente mediante regresión, la cual se
realiza mediante el método de los mínimos cuadrados. Sin embargo, es posible, para un mismo conjunto de
datos, lograr diferentes modelos. Se plantea entonces la necesidad de elegir el modelo de mejor ajuste. Una
situación levemente diferente es la de averiguar si un dado modelo matemático representa adecuadamente los
puntos experimentales.
En términos sencillos, lo que se hace mediante procesos rigurosos es determinar que la variabilidad de los datos
no tenga causa asignable. Por lo tanto, primero se hacen verificaciones objetivas de que los valores de las
varianzas sean similares. Cuando se comparan las varianzas de las respuestas analíticas para diferentes niveles
de concentración se hacen pruebas estadísticas denominadas de homogeneidad de varianza.
Sin embargo, al aplicar métodos basados en ensayos de hipótesis, es conveniente tener presente que los mismos
suelen ser muy exigentes en lo referente a condiciones cuyo cumplimiento se debe verificar previamente, como
ser que los datos sigan una distribución normal, homogeneidad de varianzas, etc. La falta de cumplimiento de
alguna de éstas invalida las conclusiones que se puedan extraer. Por tanto, antes de encarar un ensayo de
hipótesis se debe considerar si el tipo de trabajo a efectuar justifica el uso de este.
Página 37 de 72
Cabe destacar que la inspección visual de la representación de la curva de calibración es muy importante. El
cerebro humano es un excelente reconocedor de patrones y no se debe soslayar la etapa de observación visual
y el juicio que surge de la misma. La conclusión que se obtenga de los tratamientos estadísticos debería entonces
acompañar lo observado (Fig. 6-4 muestra un diseño adecuado).
Prueba de lack of fit o Prueba de
LOF. Es una prueba de base Calibración
1,400
estadística. La discusión de esta
se encuentra en esta misma
publicación bajo el título “6.5.1.2 1,200
Pruebas de hipótesis”. En esta
prueba se comparan dos 1,000
varianzas: la varianza respecto a la Absorbancia
regresión (s2R) y la varianza por 0,800
repetibilidad (s2rep).
0,600
• La varianza respecto a la
regresión
0,400
La varianza respecto a la
regresión mide el apartamiento de 0,200
la ordenada de los puntos
experimentales (yi) respecto al 0,000
modelo de regresión ŷi. Para 0,0 2,0 4,0 6,0 8,0 10,0 12,0
estimar este apartamiento se usan Concentración en mg L-1
los residuales, esto es la distancia
(en el eje de ordenadas) entre Figura 6-4.- Ajuste de puntos experimentales a un modelo
cada punto experimental (yi) y el lineal sin ordenada en el origen (el punto C=0; A=0 es un punto
correspondiente estimado del del gráfico)
modelo de regresión (ŷi), siendo
este último el valor de y que
corresponde, según el modelo de regresión, para el valor de x considerado.
• La varianza por repetibilidad
La varianza por repetibilidad s2rep mide la dispersión existente entre medidas repetidas correspondientes al
mismo valor de x, es decir al mismo nivel de concentración. Se asocia al concepto de precisión.
La esencia de la prueba de hipótesis es evaluar si ambas varianzas, s2R y s2rep son similares, es decir,
estadísticamente iguales. Esto se estudia mediante una prueba F. Si se concluyera que son estadísticamente
iguales (s2R = s2rep) se concluiría que el apartamiento de los puntos experimentales puede ser explicado
puramente en base a la dispersión (imprecisión) de las medidas experimentales. Si la prueba F resultara fallida,
entonces diríamos que el apartamiento de los puntos experimentales respecto al modelo de regresión no puede
explicarse completamente en base a la dispersión de las medidas, y entonces se lo atribuye a un mal ajuste del
modelo.
La esencia de la prueba hace que la misma falle cuando la precisión de las medidas es muy buena, ya que
entonces s2R> s2rep o incluso s2R>> s2rep. En estos casos puede ocurrir que ninguno de los modelos ensayados
sea significativo estadísticamente. A medida que avanza la tecnología y la precisión de las repeticiones
instrumentales es mejor, es que estas pruebas estadísticas fallan, es decir se observa un muy buen ajuste a un
modelo mediante inspección visual, la varianza de regresión es muy pequeña y aun así la prueba da que el
modelo no es el adecuado.
¿Qué hacer entonces?
Existen como se mencionó otros criterios que se pueden emplear.
 Evaluación de la varianza de regresión
 Estudio de los residuales
Estos dos criterios están muy ligados entre sí y miden básicamente lo mismo. Como se indicó antes, los residuos
son la distancia entre el punto experimental y el estimado de regresión correspondiente a ese valor de la variable
independiente, o sea (yi – ŷi). Pueden ser positivos o negativos como se muestra en la Figura 6.5). Si se elevan
Página 38 de 72
al cuadrado cada una de estas diferencias se obtiene una cantidad siempre positiva, y a partir de ella se calcula
la varianza respecto a la regresión s2R. Ésta es entonces una medida de los residuos, siempre positiva. Si
estamos estudiando varios modelos de regresión, y deseamos seleccionar un modelo, será aquel que tenga el
menor valor de s2R.
Pero un valor de s2R aislado, no nos indica si es posible aceptar o rechazar un cierto modelo. Podemos sí,
comparar los valores de s2R correspondientes a distintos modelos de regresión. Para aceptar un modelo se debe
tener un criterio de aceptación, ya sea arbitrario o de base estadística.
Los residuos también
pueden ser usados de 0,600
otro modo, por medio
de su representación
gráfica. Si 0,500
representamos
gráficamente los
puntos experimentales 0,400
(o los promedios si
Absorbancia
fueran repetidos)
superpuestos con la 0,300
curva de regresión,
podremos observar
cómo se distribuyen 0,200
los puntos alrededor
de la curva. Si la
dispersión fuera al 0,100
azar, tendríamos
aproximadamente la
misma cantidad de 0,000
puntos experimentales 0,0 2,0 4,0 6,0 8,0 10,0 12,0
por encima y por Concentración en mg L-1
debajo de la curva de
regresión distribuidos Figura 6-5.- Curva de calibración y residuos
aleatoriamente
(incluyendo la
posibilidad de que
algunos caigan
exactamente sobre la 0,050
curva). Si
encontramos que hay 0,040
una mayoría de puntos
0,030
por encima o por
debajo de la curva de
0,020
regresión, dicho de
otra forma, que hay 0,010
mayoría de residuales
Residuales
positivos (o negativos), 0,000

no parece probable 1 2 3 4 5 6 7 8 9 10
que la curva de -0,010
regresión sea una
-0,020
buena representación
de los puntos
-0,030
experimentales.
Sin embargo, no -0,040
alcanza con que se

-0,050
encuentren similar Concentración en mg L -1
cantidad de residuales
positivos y negativos. Figura 6-6.- Gráfico de residuales en función de la concentración
Podría ser, como en el
Página 39 de 72
ejemplo de la Figura 6-5, en la que se observan 5 valores negativos y 5 valores positivos, pero no distribuidos
aleatoriamente. En esta situación se verifica la existencia de tendencias y la distribución de los residuales no es
al azar. Un caso así puede implicar que el modelo que se está probando no es una buena representación de los
puntos experimentales. La Figura 6-6 representa los residuos para cada punto en función de la variable
independiente (concentración). Se observan dos rachas de residuos negativos, una al principio y otra al final, y
una racha de residuos positivos en el medio. Esa evidencia permite concluir que el modelo lineal empleado no
es un buen modelo de los puntos experimentales. De hecho, estos ajustan a un modelo de segundo orden
(cuadrático).
Cuando se debe seleccionar un rango de trabajo es más simple trabajar con modelos lineales, por este motivo
se busca un rango de concentraciones que ajuste adecuadamente a un modelo lineal. Para ello se siguen los
criterios antes mencionados según el caso siempre acompañado de la inspección visual.
En la siguiente sección se desarrollan algunos ejemplos de aplicación.
Este tema se dicta en profundidad en el teórico del curso de Química Analítica II, se recomienda su lectura junto
con el material de dichas clases.
6.5 Desarrollo de ejemplos: selección de modelo

6.5.1 Métodos de calibración directa
Según este método las disoluciones de analito se preparan utilizando un patrón de pureza conocida del mismo.
El rango que abarcan estas concentraciones se denomina rango de trabajo. La concentración del analito en la
disolución muestra medida (Cm) debe encontrarse dentro del rango de trabajo, preferentemente en el punto
medio de éste.
Se calculan los parámetros (a, b y c) de las curvas que podrían tener un mejor ajuste a los puntos experimentales
(Yi, Xi). Los modelos que se utilizan generalmente son:
(1) Lineal sin ordenada en el origen: Y = b.X

(2) Lineal con ordenada en el origen: Y = a + b.X
(3) Cuadrática sin ordenada en el origen: Y = b.X + c.X2
(4) Cuadrática con ordenada en el origen: Y = a + b.X + c.X2
Se obtiene la respuesta instrumental de la disolución muestra medida (Ym).
Interpolando el valor de Ym en la curva de mejor ajuste para cada modelo, se obtiene el valor de Xm según cada
modelo. Si la disolución muestra medida proviene de diluir la muestra original deben realizarse los cálculos
correspondientes para obtener la concentración del analito en dicha muestra.
Considérense, por ejemplo, los siguientes valores experimentales:
Concentración de Respuesta instrumental

Patrón Nº
patrón Xi (mg L-1) Yi
1 (blanco) 0,000 0,0084

2 0,200 0,1345
3 0,400 0,2699
4 0,600 0,3913
Primeramente, se obtienen las curvas de mejor ajuste para cada modelo, utilizando el método de mínimos
cuadrados:
Página 40 de 72
(1) Lineal sin ordenada en el origen: Y = 0,6601 x

(2) Lineal con ordenada en el origen: Y = 0,0084 + 0,6421 x
(3) Cuadrática sin ordenada en el origen: Y = 0,6997 x - 0,077 x2
(4) Cuadrática con ordenada en el origen: Y = 0,0072 + 0,6597x - 0,0294x2
Supóngase que se obtuvo un valor para la muestra de Ym de 0,2550.
Entonces se procede a interpolar en cada caso. Para el modelo (1) (b = 0,6601) el valor de Xm calculado es
0,386 mg L-1; en cambio para el modelo (2) (a = 0,0084; b = 0,642) el valor de Xm es 0,384 mg L-1. En la siguiente
figura se muestran las representaciones gráficas de ambos modelos.
Una vez obtenidos los parámetros de las cuatro curvas (una correspondiente a cada modelo) por el método de
los mínimos cuadrados y dado que cada una de ellas produce (luego de la interpolación) un valor distinto de Xm,
es necesario elegir cuál de estas será la curva de mejor ajuste para usar como calibración.
Representación gráfica de los modelos (1) y (2)
6.5.1.1 Estudio de los residuos

Una de las formas de realizar la elección del mejor modelo de ajuste es utilizando el método de las sumatorias
de los residuos al cuadrado, procediendo de la siguiente manera:
Tomando cada curva por separado, se sustituye el valor de cada Xi en la misma, obteniéndose el valor de cada
respuesta correspondiente (Yc,i), según esa curva.
Se calcula la diferencia entre los valores de Yc,i e Yi. Cada una de esas diferencias se elevan al cuadrado y
luego se suman, obteniéndose los residuos (e).
La función cuyos residuos sea menor es aquella que presenta mayor “coincidencia”, menor apartamiento entre
los puntos (Yi, Xi) y (Yci, Xi) y es la que se utilizará como curva de calibración.
Calculando los residuos para el modelo (1) del ejemplo del método de calibración directa:
e = (0,0000-0,0084)2 + (0,1320 – 0,1345)2 + (0,2640 – 0,2699)2 + (0,3961 – 0,3913)2 = 1,35 x 10-4
Los valores obtenidos para los diferentes modelos:
• Lineal sin ordenada en el origen e = 1,35 x 10-4
• Lineal con ordenada en el origen e = 3,27 x 10-5
• Cuadrática sin ordenada en el origen e = 8,22 x 10-5
Página 41 de 72
• Cuadrática con ordenada en el origen e= 2,71 x 10-5

Entonces, según este razonamiento, la curva que mejor se ajustaría a los datos experimentales es la que
corresponde al modelo cuadrático con ordenada en el origen (4). Con la ecuación de dicha curva y con el valor
de absorbancia para la disolución muestra, se despeja la concentración de esta y se informará el resultado de
acuerdo con este modelo seleccionado.
Esta forma de proceder tiene como inconveniente que no puede discriminar entre los valores que se alejan en
sentido positivo y negativo de la línea de tendencia (ya que se trabaja con valores al cuadrado), por lo tanto, es
necesario hacer también el estudio de los residuos individuales en cada uno de los modelos (y es conveniente
graficar como se mostró en la Figura 6.6).
Cuando los datos provienen de una población con distribución normal, la media de los residuos debería ser cero,
y presentar homogeneidad de varianzas (homogeneidad en los residuos al cuadrado). En estas condiciones, si
graficáramos los residuos, éstos deberían estar aleatoriamente distribuidos, algunos con signo positivo y otros
con signo negativo.
Se debe considerar además que, a medida que aumenta el orden de la polinomial seleccionada, disminuyen los
grados de libertad y por lo tanto los ajustes son aparentemente mejores hasta llegar al límite en que todos los
puntos pasan por el modelo.
Se presentan algunos ejemplos:
Residuos al
Residuos Residuos Residuos al
Concentración cuadrado
Respuesta modelo modelo cuadrado
(mg L-1) modelo
lineal cuadrático modelo lineal
cuadrático
0,0 15 7,00 -3,21 49,00 10,29
1,0 25 4,39 2,93 19,30 8,61
2,0 32 -1,21 3,16 1,47 9,99
3,0 38 -7,82 -0,53 61,17 0,28
4,0 49 -9,43 -2,14 88,90 4,57
5,0 68 -3,04 1,34 9,22 1,79
6,0 80 -3,64 -5,10 13,27 26,02
7,0 110 13,75 3,54 189,06 12,54
 -1,42E-14 0,00  431,39 74,10
Las funciones tienen como parámetros:
Modelo lineal Modelo cuadrático

Pendiente 12,6071 Coeficiente cuadrático 1,4583
Ordenada en el origen 8,0000 Coeficiente lineal 2,3988
Ordenada en el origen 18,2083
R2 0,9393 R2 0,9896
g.l. 6 g.l. 5
g.l.: grados de libertad
En este caso, en la comparación visual de los modelos y en las sumatorias de los residuos al cuadrado hay una
diferencia notoria, así como en el coeficiente de determinación (R2).
Página 42 de 72
Esto lo podemos ver además gráficamente por medio de las siguientes figuras donde se muestran graficados la
respuesta instrumental en el primer caso, y los residuos para los modelos en el segundo.
Señal instrumental en función de la concentración los parámetros de pendientes y ordenadas
15,00
10,00
5,00
Residuos
0,00
-5,00
-10,00
-15,00
0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0
Concentracion (mg L-1)
Residuos lineal Residuos cuadrático
Gráfico de residuos para la respuesta instrumental para el modelo cuadrático y lineal

Página 43 de 72
En estos casos es fácil discriminar y decidir que el modelo cuadrático es una mejor representación. En el gráfico
de residuos correspondientes al modelo lineal vemos que no hay una distribución aleatoria de los residuos
respecto al cero.
Por el contrario, si comparamos mediante este otro ejemplo las respuestas que se obtienen:
Residuos al
Residuos Residuos Residuos al
Concentración cuadrado
Respuesta modelo modelo cuadrado
(mg L-1) modelo
lineal cuadrático modelo lineal
cuadrático
0,0 0 -3,42 -6,71 11,70 45,00
1,0 15 -3,48 -3,95 12,08 15,57
2,0 39 5,46 6,88 29,86 47,27
3,0 45 -3,60 -1,24 12,93 1,55
4,0 56 -7,65 -5,30 58,60 28,13
5,0 85 6,29 7,70 39,51 59,24
6,0 87 -6,77 -7,24 45,88 52,48
7,0 115 6,17 2,87 38,03 8,27
 -7,00 -7,00  248,56 257,49
Nota: obsérvese que se realiza la sumatoria de los residuos que previamente en forma individual han sido elevados al
cuadrado para cada nivel de concentración. Un error común que comenten los estudiantes es sumar los residuos de cada
nivel y luego elevar el valor de la suma al cuadrado, lo cual da un resultado diferente y es incorrecto.
Las funciones tienen como parámetros:
Modelo lineal Modelo cuadrático

Pendiente 15,0595 Coeficiente cuadrático 0,4702
Ordenada en el origen 3,4167 Coeficiente lineal 11,7679
Ordenada en el origen 6,7083
R2 0,9745 R2 0,9783
g.l. 6 g.l. 5
En este caso la diferencia entre los coeficientes de determinación (R2) es mínima, así como en la sumatoria de
los residuos al cuadrado. Los residuos se encuentran aleatoriamente distribuidos, y observando las gráficas se
encuentra que no hay una gran mejora entre la selección de un modelo cuadrático respecto al modelo lineal, por
lo que se considerará el modelo lineal como la función entre la respuesta y la concentración (debido también a
su simplicidad para los cálculos). El modelo de regresión adoptado debe ser el más simple que dé resultados
satisfactorios. Deben tenerse presente los fundamentos fisicoquímicos de la técnica empleada. No tiene sentido
adoptar un modelo de regresión complejo simplemente porque parece tener mejor ajuste. En resumen, si los
residuos son del mismo orden, se debe seleccionar el modelo más simple siempre que se ajuste a los principios
fisicoquímicos del método analítico.
Página 44 de 72
Gráficamente podemos ver dicho comportamiento para este ejemplo en las siguientes figuras.
Señal instrumental en función de la concentración y representación de los modelos lineal y cuadrático

NOTA: En los gráficos, según como se definan las magnitudes X e Y debe editarse la ecuación de forma de que
aparezcan dichas magnitudes. Por ejemplo, si X es concentración en mg L-1 e Y es una señal de Absorbancia y
la ecuación de mejor ajuste es lineal con ordenada en el origen tomando el ejemplo de la figura quedaría: A=15,06
C (mg L-1) + 3,4167
10,00
8,00
6,00
4,00
2,00
Residuos
0,00
-2,00
-4,00
-6,00
-8,00
-10,00
0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0
Concentracion (mg L-1)
Residuos lineal Residuos cuadrático
Residuos en función de la concentración para los modelos lineal y cuadrático.

Página 45 de 72
Si se continuara aumentando el grado de la polinomial podemos llegar a tener la curva como la figura de abajo
-que pasa por todos los puntos- lo que no es representativo de una función que nos permita predecir lo que
pasará con los valores intermedios, ni es adecuada para los fines analíticos.
A medida que siga de esta manera podemos llegar a tener un R 2=1, por lo tanto, no necesariamente un mejor R2
nos está indicando un mejor modelo para usar como función de ajuste al comportamiento experimental.
6.5.1.2 Pruebas de hipótesis

En estos casos se realizará la comprobación de la bondad de ajuste de los datos experimentales a un cierto
modelo mediante pruebas estadísticas. Como ya ha mencionado, es común en Química Analítica, que se estén
evaluando varios posibles modelos de regresión y en estas situaciones se desea decidir si alguno de ellos no es
una representación aceptable de los datos experimentales (descartar modelos).
Entre las varias formas posibles de efectuar esa comprobación, una de las más rigurosas es el uso de una prueba
estadística de hipótesis, como la Prueba de Falta de Ajuste, generalmente conocida como “Prueba de LOF”, del
inglés “lack of fit”. Esta prueba se describe en detalle más abajo.
Una de las características de las pruebas de hipótesis empleadas en estadística es que frecuentemente se basan
en ciertas suposiciones que deben ser demostradas previamente. Por ejemplo, es frecuente suponer que, al
repetir varias veces una medida, los datos se ajustan a una distribución normal. En el caso de la Prueba de LOF
además se supone la homogeneidad de las varianzas, lo cual deberá ser demostrado antes de encarar la Prueba
de LOF propiamente dicha, para que ésta no pierda validez.
El concepto estadístico de “homogeneidad de varianzas” se refiere al grado de similitud entre varias varianzas.
En nuestro caso se refiere a las varianzas obtenidas para medidas correspondientes a las n repeticiones para
cada uno de los m niveles de concentración (siendo n y m  2).
La homogeneidad de varianzas puede comprobarse a su vez mediante distintas pruebas de hipótesis, (existen
varias que pueden emplearse con este fin: prueba de Cochran, prueba de Bartlett, prueba de Levene). A
continuación, se explica una de ellas.
Página 46 de 72
6.5.1.2.1 Prueba de Levene para la homogeneidad de las varianzas

Referencia: G. Ramis Ramos y Ma C. García Álvarez-Coue“Quimiometría” Editorial Síntesis Madrid 2001
Algunas pruebas de hipótesis son muy sensibles a la falta de normalidad de las series, esto es, tienden a rechazar
la hipótesis de que las varianzas sean homogéneas un número excesivo de veces si alguna de las series se aleja
de la distribución normal. En tal caso, es recomendable utilizar un ensayo de homogeneidad de varianzas como
por ejemplo la prueba de Levene, que es a la vez robusta y potente. En este caso, el término "robustez" indica la
capacidad del ensayo para no detectar incorrectamente muestras heterogéneas por el hecho de que su
distribución no sea normal, cuando tales muestras son realmente homogéneas. Por otra parte, "potencia" es la
capacidad del ensayo para detectar muestras heterogéneas cuando las muestras son realmente heterogéneas.
La prueba de Levene es mucho más robusta que otras, sin perder por ello mucha potencia.
En su versión más habitual, el ensayo de Levene hace uso de las medianas de las series, xmj. Para cada serie,
se hallan los valores absolutos de los residuos de los datos respecto a su mediana.
Tabla 6.2.-
Serie 1 Serie 2, ... Serie j, ... Serie h, ...
x11 x12 x1j x1h

x21 x22 x2j x2h
… … … …
xi1 xi2 xij xih
… … … …
hasta n1 réplicas hasta n2 réplicas hasta nj réplicas hasta nh réplicas
w i j = xi j − xm j
A continuación, se calculan las medias de estos residuos para cada serie:
nj
 w ij
i =1
wj =
nj
Luego se calcula la media global de los valores absolutos de todos los residuos, w. Finalmente, se calcula el
estadístico W:
(N - h)  n j (w j − w )2
h
j =1
W =
(h − 1)   (w ij − w j )2
h N
j =1 i =1
Siendo N el número total de datos
N =  nj
La hipótesis nula (H0) se rechaza si W > F para 1= (h - 1) y 2 = (N - h), y para el nivel de significación deseado
( = grados de libertad). El F crítico para un valor de significación α0,05 (que corresponde a un nivel de probabilidad
elegido, usualmente 95%) se obtiene de las correspondientes tablas (ver Tabla 6.4).
Página 47 de 72
6.5.1.2.2 Ejemplo de aplicación de la prueba de Homogeneidad de Levene

De G. Ramis Ramos y Ma C. García Álvarez-Coue “Quimiometría” Editorial Síntesis Madrid 2001
Tabla 6.3.- Ejemplo

Serie 1 Serie 2, ... Serie j, ... Serie h,
... blanco Conc. 1 Conc. 2 Conc. 3 Conc. 4
x11 x12 x1j x1h Respuesta 1 0,028 0,133 0,261 0,332 0,374
x21 x22 x2j x2h Respuesta 2 0,030 0,135 0,259 0,335 0,374
… … … …
Respuesta 3 0,031 0,132 0,263 0,333 0,376
xi1 xi2 xij xih
… … … … Respuesta 4 0,031 0,136 0,263 0,335 0,375
hasta n1 hasta n2 hasta nj hasta nh Respuesta 5 0,030 0,136 0,263 0,337 0,375
réplicas réplicas réplicas réplicas
xm1 0,030 n1 5
xm2 0,135 n2 5 N 25
Estimación de las medianas y datos
totales para el cálculo de los grados de xm3 0,263 n3 5
libertad
xm4 0,335 n4 5 h 5
xm5 0,375 n5 5
Valores de Wij
0,002 0,002 0,002 0,003 0,001
0,000 0,000 0,004 0,000 0,001
Valores de Wij
0,001 0,003 0,000 0,002 0,001
diferencias y promedio de las diferencias
0,001 0,001 0,000 0,000 0,000
0,000 0,001 0,000 0,002 0,000
Wj 0,0008 0,0014 0,0012 0,0014 0,0006
W es el promedio de Wij W = 0,001060 ̴ 0,0011
(Wij - Wprom. j)2 nj x (Wj - W)2
w ij = x ij − x mj 1,44x10-6 6,40x10-7 4,00x10-8 4,00x10-8 6,40x10-7 3,92x10-7

3,60x10-7 1,96x10-6 2,56x10-6 1,60x10-7 1,60x10-7 5,12 x10-7
6,40x10-7 7,84x10-6 1,44x10-6 1,44x10-6 1,44x10-6 7,20 x10-8
2,56x10-6 1,96x10-6 3,60x10-7 1,96x10-6 3,60x10-7 5,12 x10-7
1,60x10-7 1,60x10-7 1,60x10-7 3,60x10-7 3,60x10-7 1,15 x10-6
nj
 w ij   (w ij − w j ) es la suma de todos los anteriores = 2,92x10-5

h N
2
i =1
wj = j=1 i=1
nj
Luego se calcula la media global de los valores absolutos de todas las

diferencias, w. Finalmente, se calcula el estadístico W:
Página 48 de 72
W parcial
(N - h)  n j (w j )2
h
−w
j=1 0,06712
W =
(h − 1)   (w ij − w j )2
h N 0,08767
j=1 i=1 0,01233
0,08767
0,19726
W= 0,45205479
para los grados de libertad 1 = (h - 1) 4
los grados de libertad 2 = (N - h) 20
La hipótesis (H0) se rechaza si W > F Ftabla= 5,803
El F crítico para un valor de significación α0,05(que corresponde a un nivel de probabilidad elegido usualmente 95%)
se obtiene de las correspondientes tablas en la página 52 de esta publicación (Tabla 6.4- F, prueba unilateral)
Dado que W F, se acepta H0 y por lo tanto las varianzas de los datos son homogéneas
Página 49 de 72
6.5.1.2.3 Evaluación de la bondad del ajuste del modelo

Volvamos al caso del ejemplo representado en la Figura 6-1 por ser un caso frecuente en la puesta a punto de
un método analítico.
Los dos modelos, lineal y cuadrático, parecen igualmente satisfactorios. Un criterio de practicidad nos inclinaría
a seleccionar el lineal, por su mayor simplicidad. Sin embargo, una selección errada condenaría el método a
estar afectado de errores sistemáticos en su aplicación al análisis rutinario de muestras. Convendría, por lo tanto,
recurrir a un criterio estadístico para efectuar esta selección. Para ello comenzaremos por aceptar la hipótesis
de linealidad. En tal caso, si realmente existe una estricta relación lineal entre la respuesta y la concentración (de
ahora en más se ejemplificará la respuesta con la magnitud absorbancia (A)) , la varianza debida a la dispersión
de los puntos respecto a la línea de regresión (en este caso una recta), quedará determinada enteramente por
los errores en la determinación de los Aij.
El fundamento del procedimiento a seguir consiste esencialmente en la comparación de dos varianzas. (En los
sucesivos desarrollos el símbolo s 2 se utilizará para designar la varianza muestral que es una estimación de la
varianza (2) de la población).
La varianza correspondiente a la dispersión de los valores medios A i respecto a la recta de regresión se
simbolizará como (s2R).
Para cada nivel Ci existirá un valor experimental A i y un valor Ai,R calculado mediante la ecuación de regresión
y que puede representarse como se observa en la Figura 6-.
Figura 6-7.- Valor estimado y valor promedio de respuestas
La estimación s2R de la varianza respecto a la regresión vendrá dada por la expresión:
sR2 =
n m
(
 A i − A i,R
f i =1
)2 (6-22)
donde f es el número de grados de libertad:

f = Nº de niveles de concentración - Nº de parámetros de la curva de la que se determina la varianza de regresión
(1 para lineal sin ordenada, 2 para lineal con ordenada y cuadrática sin ordenada y 3 para cuadrática con
ordenada). Por lo tanto los grados de libertad dependen de los parámetros de cada modelo y en consecuencia
su valor de Ftabla será diferente.
La varianza debida al error de repetibilidad (s2rep) se calcula como:
  (A ij − A i )
m n
2
i =1 j =1 (6-23)
2
srep =
m(n − 1)
Página 50 de 72
Donde m es el número de niveles de concentración y n es el número de repeticiones de las determinaciones de

cada concentración y m(n-1) corresponde a los grados de libertad de la varianza de reproducibilidad.
La Prueba de LOF se basa en el estadístico F, que es un cociente de esas dos varianzas:
2
sR
F= 2 (6-24)
srep
El estadístico F tiene distribución F si se cumple que los valores medidos para cada nivel tienen distribución
normal y las varianzas son homogéneas (verificado previamente mediante por ej. la prueba de Levene). Para
verificar esa suposición el valor de F así obtenido se compara con el F crítico de la tabla la distribución para un
nivel de confianza establecido (valor de significación α0,05 que corresponde a un nivel de probabilidad elegido
usualmente 95%). En este caso se trata de una prueba unilateral (s2R / s2rep mayor a 1).
Si el cociente de varianzas s2R / s2rep supera el valor crítico de Ftabla para el nivel de significación elegido, el modelo
lineal no se puede considerar una representación aceptable de la curva de calibración. Deberá entonces
recurrirse al modelo cuadrático para representar más adecuadamente los resultados experimentales. Si por el
contrario el modelo más simple pasa la prueba, no es necesario continuar evaluando otros modelos, se trabajará
con el más simple que pase la prueba de LOF.
Si bien aquí se han utilizado las técnicas de espectrometría de absorción como modelo para ejemplificar,
debe tenerse presente que este mismo razonamiento se sigue para otras técnicas como ser la
luminiscencia, espectrometría atómica, técnicas electroanalíticas, cromatografía de gases y cromatografía
líquida, entre otras.
Tabla 6.4.- Valores críticos de F para α=0,05 (prueba unilateral)

2
1 2 3 4 5 6 7 8 9 10 12 15 20
1
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9 243,9 245,9 248,0
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,41 19,43 19,45
3 10,13 9,552 9,277 9,117 9,013 8,941 8,887 8,845 8,812 8,786 8,745 8,703 8,660
4 7,709 6,944 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964 5,912 5,858 5,803
5 6,608 5,786 5,409 5,192 5,050 4,950 4,876 4,818 4,772 4,735 4,678 4,619 4,558
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207 4,147 4,099 4,060 4,000 3,938 3,874
7 5,591 4,737 4,347 4,120 3,972 3,866 3,787 3,726 3,677 3,637 3,575 3,511 3,445
8 5,318 4,459 4,066 3,838 3,687 3,581 3,500 3,438 3,388 3,347 3,284 3,218 3,150
9 5,117 4,256 3,863 3,633 3,482 3,374 3,293 3,230 3,179 3,137 3,073 3,006 2,936
10 4,965 4,103 3,708 3,478 3,326 3,217 3,135 3,072 3,020 2,978 2,913 2,845 2,774
11 4,844 3,982 3,587 3,357 3,204 3,095 3,012 2,948 2,896 2,854 2,788 2,719 2,646
12 4,747 3,885 3,490 3,259 3,106 2,996 2,913 2,849 2,796 2,753 2,687 2,617 2,544
13 4,667 3,806 3,411 3,179 3,025 2,915 2,832 2,767 2,714 2,671 2,604 2,533 2,459
14 4,600 3,739 3,344 3,112 2,958 2,848 2,764 2,699 2,646 2,602 2,534 2,463 2,388
15 4,543 3,682 3,287 3,056 2,901 2,790 2,707 2,641 2,588 2,544 2,475 2,403 2,328
16 4,494 3,634 3,239 3,007 2,852 2,741 2,657 2,591 2,538 2,494 2,425 2,352 2,276
17 4,451 3,592 3,197 2,965 2,810 2,699 2,614 2,548 2,494 2,450 2,381 2,308 2,230
18 4,414 3,555 3,160 2,928 2,773 2,661 2,577 2,510 2,456 2,412 2,342 2,269 2,191
19 4,381 3,522 3,127 2,895 2,740 2,628 2,544 2,477 2,423 2,378 2,308 2,234 2,155
20 4,351 3,493 3,098 2,866 2,711 2,599 2,514 2,447 2,393 2,348 2,278 2,203 2,124
Página 51 de 72
6.5.2 Discusión sobre la selección de un modelo
El uso de la Prueba de LOF (que se basa en el estadístico F), es un proceso muy exigente que requiere que los
valores de la variable independiente tengan un valor de certeza muy fuerte. Los métodos modernos de análisis
acoplados a las técnicas mucho más precisas pueden hacer que sea difícil discriminar correctamente en qué
situación se encuentran los datos.
No se debe perder de vista que el primer enfoque es la inspección visual de los datos.
Cuando la precisión obtenida entre las réplicas es muy alta, la tendencia que se presenta es a aumentar el grado
del polinomio, pero el aumento del grado del polinomio lleva consigo siempre un mejor ajuste y a obtener un R2
más próximos a uno. Esto no necesariamente es una mejor representación de la situación, dado que a medida
que aumenta el grado del polinomio el sistema se vuelve más complejo y no representa los principios
fisicoquímicos que se están estudiando.
Ejemplo: sean los resultados de un análisis obtenido los siguientes (señal medida =Absorbancia)
intervalo
Concentración 1er 2da 3era 4ta desviación
A promedio n de
mg L-1 medida medida medida medida estándar
confianza
0 (blanco) 0,0982 0,0961 0,0924 0,0838 0,0926 0,00635 4 0,0101
5,5 0,1767 0,1851 0,1999 0,1855 0,1868 0,00963 4 0,0153
9,5 0,2635 0,2801 0,2751 0,2885 0,2768 0,01045 4 0,0166
14 0,3525 0,3594 0,3632 0,3645 0,3599 0,00539 4 0,0086
20 0,4251 0,4389 0,4265 0,4278 0,4296 0,00631 4 0,0100
23 0,4985 0,4795 0,4915 0,4905 0,4900 0,00785 4 0,0125
Estos resultados se pueden representar mediante el gráfico de calibración con los diferentes modelos
Calculando los parámetros de los diferentes modelos polinómicos por mínimos cuadrados se pueden analizar los
resultados que se muestran en la tabla siguiente:
y = 1,7113E-02x + 1,0059E-01
R² = 0,9921
y = -1,5751E-04x2 + 2,0825E-02x + 8,8753E-02
R² = 0,9958
y = -4,6526E-06x3 - 4,1497E-07x2 + 1,9563E-02x + 8,9836E-02
R² = 0,9959
y = 5,2799E-06x4 - 2,4899E-04x3 + 3,4960E-03x2 + 4,3256E-03x + 9,2777E-02
R² = 0,9999
y = 1,902E-07x5 - 6,220E-06x4 - 4,039E-06x3 + 1,357E-03x2 + 1,064E-02x + 9,263E-02
R² = 1
Página 52 de 72
Datos experimentales y modelos polinómicos

0,600
0,500
0,400
Abosorbancia
y = 1,71E-02x + 1,006E-01
0,300
y = -1,58E-04x2 + 2,08E-02x + 8,88E-02
0,200 y = -4,65E-06x3 - 4,15E-07x2 + 1,96E-02x + 8,98E-02
0,100 y = 5,28E-06x4 - 2,49E-04x3 + 3,50E-03x2 + 4,33E-03x + 9,28E-02
y = 1,90E-07x5 - 6,22E-06x4 - 4,04E-06x3 + 1,36E-03x2 + 1,06E-02x + 9,26E-02

0,000
0,00 5,00 10,00 15,00 20,00 25,00
Concentración (mg L-1)
Figura 6-8.- Representación de los datos experimentales con sus intervalos de confianza y
los modelos polinómicos
Página 53 de 72
Residuos para diferentes modelos

2,50E-02
1,50E-02
5,00E-03
Residuos
-5,00E-03
-1,50E-02
-2,50E-02
0 5,5 9,5 14 20 23
Concentración mg L-1
Figura 6-9.- Representación de los residuos para los diferentes modelos polinómicos y = bx + a,
y= cx2 + bx + a, y= dx3 + cx2 + bx + a, ■ y = ex4 + dx3 + cx2 + bx + a,
Si bien se observa una mejora en el R2 a medida que aumenta el grado del polinomio, los gráficos de la Figura
6-8 no presentan una diferencia significativa y el modelo cuadrático lleva consigo una mayor complejidad al
momento de hacer la concentración a partir de la respuesta analítica (absorbancia). En general valores de R2
mayores a 0,99 suelen ajustar adecuadamente.
Lo que ocurre es que al ir aumentando el número de grados de libertad, a medida que aumenta el grado de la
polinomial, el R2 se aproxima más a la unidad hasta llegar al valor uno que se corresponde con la polinomial en
la que se exige que todos los puntos de la línea de tendencia pasen por los valores experimentales. En este caso
daría una polinomial de grado 5.
Sin embargo, a medida que se aumenta el grado de la polinomial los sistemas se transforman en más inestables,
por lo que las interpolaciones o las extrapolaciones no se ajustan a valores justificables, aunque se hagan pasar
todos los puntos por una función matemática.
En el caso del ejemplo no hay evidencia que justifique que el modelo cuadrático tenga una mejor representación,
los residuos parecen distribuidos al azar y no parecen responder a una representación de cuadrática. Aumentar
el grado del polinomio no tiene sentido analítico alguno.
Similares consideraciones deben hacerse en relación con la eliminación de puntos para ser considerados de una
curva que represente la relación entre la concentración y la respuesta. Hay que ser muy cuidadoso y tener
justificación para desechar un punto experimental. Cuando se cuentan con pocos niveles de concentración para
construir una curva de calibración y seleccionar el modelo de mejor ajuste, es muy riesgoso eliminar puntos si no
hay una razón que lo justifique.
Página 54 de 72
6.6 Ubicación de la muestra en relación con la curva de calibración

La primera consideración que debemos realizar es que la concentración de la muestra esté comprendida en el
rango de concentraciones abarcado por la curva de calibración. Esto es así porque la calibración se basa en una
interpolación. Si la respuesta obtenida para la muestra excediese el valor de la respuesta del punto de
concentración del patrón más alto de la curva deberíamos recurrir, para hallar dicha concentración, a una
extrapolación lo cual es muy riesgoso ya que presupone que el comportamiento de la función de calibración
seleccionada se mantendrá fuera de esa zona. Por este motivo en general no se admite la extrapolación.
Es práctica frecuente dimensionar la curva de calibración de modo que la concentración estimada de la muestra
quede aproximadamente a la mitad de esta, en los casos en que esto sea posible. En el caso de tener
determinado el rango lineal de un método, y haya que realizar diluciones a las muestras, se trata de que la
concentración de éstas esté en la mitad de la curva. Esta conducta es conveniente en aquellos casos en que
existe variabilidad importante en los valores de concentración, como es el caso de muchos sistemas naturales
(por ejemplo, metales en aguas naturales, metabolitos en seres vivos, etc.). De este modo se asegura que aún
grandes variaciones de la concentración del analito en la muestra no harán que la misma salga del rango
abarcado por la curva de calibración.
Sin embargo, cuando la experiencia demuestra que la concentración del analito varía poco de una a otra muestra,
es posible prescindir de ese criterio. En particular en aquellos casos en que se trabaja con un solo estándar
(suponiendo que la curva de calibración es un modelo lineal sin ordenada), es conveniente en estos casos que
la concentración del estándar sea muy próxima a la concentración esperada de la muestra, ya que en esas
condiciones se minimiza el efecto de cualquier posible falta de linealidad de la función de calibración. En particular
cuando ambas concentraciones son idénticas, ese efecto se anularía.
Otra ventaja de trabajar de esta forma es que se aprovecha al máximo el rango posible de trabajo, ya que tanto
el patrón como la muestra podrán tener concentraciones cercanas al límite superior del rango lineal y por tanto
se generarán lecturas instrumentales con señales altas.
6.7 Trazado de una curva de calibración

Cuando se realiza un proceso de calibración, siempre es conveniente representar gráficamente la curva de
calibración de una forma que permita una correcta visualización de los datos experimentales y la información
gráfica se presente prolija. Esto permite utilizar el criterio de la evaluación visual en mejores condiciones lo cual
cómo ya se ha discutido ayuda mucho en la selección de un modelo de ajuste apropiado. Una curva bien dibujada
nos permitirá realizar esta evaluación fácilmente.
Algunas reglas mínimas para el trazado de la curva de calibración:

 La curva de calibración se representa siempre con la respuesta analítica en el eje vertical u ordenada
(y) y el parámetro independiente, la concentración o masa estándar, sobre el eje horizontal o abscisa
(x).
 Se presentan hechas en computadora.
 La gráfica debe ser proporcional, o sea que ambos ejes tienen el mismo largo (esto es favorable para
el mejor uso del criterio de inspección visual).
 Para los informes de los cursos de Química Analítica, los ejes de las gráficas deben ser de 15 ± 1 cm
x 15 ± 1 cm.
 Ambos ejes deben estar perfectamente identificados (magnitud con sus unidades).
 En los ejes se marca la escala, señalando de 3 a 10 puntos de esta. El número de cifras significativas
debe estar adecuado a la precisión de los datos.
 La escala se diseña de manera que el valor mínimo y máximo a graficar queden cerca del inicio y del
final del eje.
Página 55 de 72
 Se traza la curva que mejor represente el modelo seleccionado y se señalan los puntos experimentales.
 Se debe incluir la ecuación de la línea de tendencia del modelo graficado sustituyendo las variables x
e y por las magnitudes que se graficaron en cada eje con sus respectivas unidades (ver Figura 6-10).
No es conveniente dibujar varias líneas de tendencia en un mismo gráfico ya que dificulta la inspección
visual de cada uno. Se recomienda realizar un gráfico para mostrar la tendencia de cada modelo.
 El espesor de las líneas y el tamaño de los puntos debe ser tal que permita ver la dispersión de los
datos.
 Se debe agregar la ecuación de la línea de tendencia con las cifras significativas adecuadas.
 Se debe agregar un título adecuado: por ejemplo “curva de calibración: determinación de paracetamol”
Calibración
1,400
A = 0,1206C + 0,0021
1,200 R² = 0,9992
1,000
0,800
Absorbancia
0,600
0,400
0,200
0,000
0,0 2,0 4,0 6,0 8,0 10,0 12,0
Concentración (mg L -1)
Figura 6-10.- Ejemplo de curva de calibración correctamente diseñada en el caso de un ajuste lineal
con ordenada
Página 56 de 72
En la Figura 6-11 se ilustran algunos errores frecuentes cometidos en la representación gráfica de curvas de
calibración. Dada la importancia de la representación de las curvas de calibración para los cursos de Química
Analítica, el incorrecto diseño de las mismas conlleva descuento de puntaje en las evaluaciones.
Figura 6-11.- Ejemplos de curvas de calibración mal presentadas
Página 57 de 72
6.8 Interferencias causadas por la matriz

Toda metodología analítica debe reunir una serie de requisitos a fin de resultar confiable. Entre ellos podemos
mencionar: linealidad, selectividad, veracidad y precisión. El proceso de verificación del cumplimiento de esos
requisitos se denomina validación y es una etapa posterior al desarrollo y puesta a punto de esta.
Desde el punto de vista del análisis cuantitativo, el proceso de calibración ya mencionado permite relacionar la
respuesta instrumental con la cantidad (concentración o masa) de analito. Sin embargo, debe señalarse que una
calibración simple o directa, como la descripta anteriormente sólo puede ser eficaz si la respuesta proporcionada
por el analito es independiente del medio que lo rodea (matriz). Es decir, si para una dada cantidad (concentración
o masa) del analito la respuesta es siempre la misma ya sea que esa cantidad se encuentre en una disolución
patrón (que contiene sólo analito y un disolvente) o en una muestra de matriz compleja.
Una situación que puede plantearse es que la composición de las muestras reales no se asemeje a la de los
patrones usados para la calibración. En tal situación es posible que, aunque la función de calibración obtenida a
partir de los patrones sea de la forma R = bC, la presencia de una o más sustancias extrañas en las muestras
reales (que no están presentes en las disoluciones de los patrones) altere la respuesta.
Se puede dar entonces alguna de las siguientes situaciones:
 Aparición de un error aditivo
Un ejemplo de este caso lo tenemos cuando se intenta
𝑅 = 𝑎 + bC determinar la concentración de un cierto analito (X) en una
(6-25) muestra mediante medidas de absorción de radiación,
(a  0) cuando hay presente otra sustancia (Y) que también
absorbe radiación a la misma longitud de onda y cuya
Las interferencias aditivas se pueden presencia fue ignorada. A la absorbancia propia del analito
detectar y corregir. Existen distintos (X) se sumará la de la otra sustancia (Y) dando lugar a una
métodos, que no expondremos aquí, por interferencia aditiva (propiedad aditiva de la A). O sea que
ejemplo, en el caso de espectrofotometría de la respuesta medida está alterada por una constante aditiva,
absorción, mediante substracción de línea de que se suma algebraicamente a la respuesta verdadera.
base, derivación, etc. o incluso métodos Esta situación no cambia la pendiente de la curva de
separativos. Este tipo de interferencias se calibración.
estudiarán con ejemplos prácticos en los
curos de Q. Analítica II y III.
 Cambio en la pendiente
(interferencias multiplicativas)
En principio, cualquier técnica analítica es susceptible de
este tipo de interferencias, pero algunas de ellas lo son con
S = kbC mayor frecuencia, por ejemplo, la espectrometría de
(6-26)
(k  1) fluorescencia molecular, la espectrometría de absorción o
de emisión atómica, etc.
Las interferencias químicas de tipo multiplicativas ocasionan un cambio de la pendiente de la curva de calibración
si se compara una curva realizada con patrones puros con una realizada en la propia matriz por lo cual los
métodos de calibración directa ya no son apropiados.
Pueden presentarse como consecuencia de las diferentes propiedades de los patrones puros en un determinado
disolvente y el analito en una muestra compleja. Su efecto es análogo al de multiplicar la pendiente por un factor
distinto de 1.
Las fuentes de estas interferencias multiplicativas, también conocidas con el nombre de “efecto matriz” son
variadas y dependerán de la técnica y el método en cuestión y de las circunstancias que rodean su ejecución, en
especial cuáles son las características de la matriz que rodea al analito.
Página 58 de 72
En los procesos analíticos se pueden obtener medidas interferidas, algunas de estas interferencias
cambian con el valor de la concentración y por lo tanto llevan a resultados erróneos.
Las causas de interferencia multiplicativa pueden ser de origen tanto químico como físico. Entre las
primeras se suele citar a modo de ejemplo la reacción del calcio con fosfatos en técnicas de absorción
atómica. En este caso el analito (calcio) reacciona con un componente de la matriz (fosfato) dando lugar
a un compuesto termoestable que no produce respuesta (absorción). Como consecuencia de la reacción
puede ocurrir que sólo una fracción de los átomos de Ca introducidos a la llama (donde se producen los
procesos que dan lugar a las señales) estará disponible en un momento dado para absorber, o sea que
hemos multiplicado la concentración de átomos libres presentes en la llama por un factor distinto de uno,
en este caso, menor que uno. Si nuestra calibración se hace con patrones de calcio en disolución acuosa,
libre de fosfatos, los patrones tendrán un comportamiento diferente y el proceso analítico conducirá a
errores en la determinación de calcio en la muestra real.
Como ejemplo de interferencia física podemos considerar la diferencia en viscosidad que puede darse
entre la muestra compleja y los patrones de calibración. Por ejemplo, cuando se trabaja con muestras de
origen biológico (como suero sanguíneo), etc. En espectrometría de absorción atómica de llama, la
velocidad de succión de la muestra varía inversamente con la viscosidad del medio que se succiona. En
este caso será menor que en el caso de los patrones y como consecuencia la concentración de los átomos
libres en la llama, y por tanto la respuesta, es multiplicada por un factor distinto de uno.
Algunas veces, la existencia de interferencias puede hacernos preferir el uso de técnicas analíticas separativas
(como la cromatografía). En los casos en que esta alternativa no sea la elegida, se deberá considerar la existencia
de las interferencias en el momento de diseñar el proceso de calibración.
6.8.1 Calibración en presencia de interferencias multiplicativas: estrategias para vencerlas
6.8.1.1 Método de los patrones igualados

En este método se preparan patrones que tengan igual constitución que la muestra en lo que a matriz se refiere.
La filosofía subyacente es que, si patrones y muestras presentan iguales constitución y propiedades, serán
afectados de la misma manera por las interferencias multiplicativas y el efecto de éstas se cancelará.
Rigurosamente, sólo es aplicable cuando se conoce exactamente la constitución de la matriz y es posible
obtenerla. Sin embargo, en la vida real muchas veces ocurre que no es posible obtener ni reproducir exactamente
muchas de las matrices, pero sí es posible reproducirlas al menos parcialmente, en aquellos aspectos relevantes.
El éxito de este enfoque depende del conocimiento que se tenga de la composición de la muestra y de las
posibilidades de igual esa matriz.
6.8.1.2 Método de saturación por el interferente

Constituye una variante del anterior. Es aplicable en aquellos casos en que es posible discriminar cuál de los
componentes de la matriz es el responsable de la interferencia multiplicativa. En tal caso es posible agregar un
exceso de este tanto a los patrones como a la muestra, de modo de igualar la interferencia provocada.
6.8.1.3 Método de adiciones estándar (SAM)

En los métodos anteriores, la idea directriz es igualar exactamente la matriz de patrones y muestras de modo de
igualar las interferencias logrando así cancelar su efecto. El modo más perfecto de llevar a cabo esa idea sería
si pudiéramos realizar la curva de calibración dentro de la misma muestra, ya que en ese caso la igualación de
condiciones sería total.
En el Método de Adiciones Estándar o de Adiciones Patrón (Standard Additions Method, SAM), se agregan a la
muestra cantidades conocidas del patrón, y la respuesta se mide en función de la cantidad de patrón agregada
(en vez de C se grafica C ya que la muestra de por sí ya contiene una cierta cantidad del analito que queremos
averiguar). Se puede decir que la curva de calibración es realizada exactamente en la misma matriz de la
muestra. Para poder realizar este método es necesario contar con una cierta cantidad de la o las muestras, esto
a veces no es tan simple. Por ejemplo, si se trata de muestras de suero humano en un análisis clínico, no siempre
hay una cantidad suficiente como para llevar adelante este método.
Página 59 de 72
Este método permite detectar y corregir interferencias de tipo multiplicativo, siempre que se cumplan ciertas
condiciones.
Para aplicarlo se toman varias alícuotas exactas de la muestra, y a cada una de ellas se le agrega una cantidad
distinta y exactamente conocida del patrón, de allí el nombre del método. Por ejemplo, si fueran disoluciones, se
tomarían alícuotas en volumen de la muestra a un matraz y se agregarían volúmenes diferentes pero conocidos
de patrón, llevándose en todos los casos al mismo volumen final. Posteriormente se registraría la señal
instrumental y se la graficaría en función de las adiciones (C) expresadas en concentración o masa, según
correspondiera.
En la mayor parte de las versiones de este método, la matriz de la muestra es casi idéntica después de cada
adición, y la única diferencia es la concentración del analito. Todos los otros constituyentes de la mezcla de
reacción deben ser idénticos porque los patrones están preparados en alícuotas de la muestra. Esto implica que
las adiciones que se realizan sean de pequeños volúmenes para alterar poco la matriz (no diluirla demasiado).
Si R es la señal proporcionada por una disolución, para el caso de la muestra tenemos:
𝑛0
𝑅0 = 𝑏′𝐶0 = 𝑏′ (6-27)
𝑉0
que representa la señal proporcionada por una alícuota de la muestra de volumen V0, que contiene n0 moles del
analito, siendo b' la pendiente de esa curva de calibración en presencia de interferencia (en general b ≠ b').
Si Ri es la señal proporcionada por la i-ésima disolución,
𝑛0 + 𝑛𝑖
𝑅𝑖 = 𝑏′ (6-28)
𝑉𝑇
donde Ri es la señal después de la i-ésima adición, ni el número total de moles agregados a la i-ésima adición y
VT el volumen total final de la i-ésima disolución.
Expresando en función de concentraciones tenemos:
𝑅𝑖 = 𝑏′𝐶0 + 𝑏′𝛥𝐶𝑖 (6-29)
Hay que recordar que la matriz original contiene una cierta cantidad inicial de analito C0 (que justamente es la
que deseamos determinar). Para poder aplicar con éxito el Método de las Adiciones Estándar se deben cumplir
los siguientes requisitos:
1) La curva de calibración debe ser lineal en el intervalo de concentraciones considerado. Esto es así porque en
este método, se recurre a una extrapolación (lo que no se debe hacer en las calibraciones directas como ya se
explicó).
2) El patrón (o estándar) agregado debe estar en la misma forma química (en lo referente a estado de oxidación,
complejación, etc.) que el analito en la muestra. De esta manera nos aseguramos que tenga el mismo
comportamiento.
3) Las interferencias multiplicativas deben ser constantes en el rango de concentraciones de las muestras y
adiciones estándar (es decir afectan con un mismo factor en todo el rango de concentraciones en el rango lineal).
4) Las interferencias aditivas deben estar ausentes o ser corregidas, o sea, la señal analítica debe originarse
solamente en el analito. El método de adiciones estándar no detecta ni corrige interferencias aditivas.
En el teórico de Q. Analítica II se cuenta con ejemplos de aplicación y cálculo así como en los libros de Química
Analítica y Análisis Instrumental recomendados en nuestros cursos.
6.8.1.3.1 Detección de interferencias multiplicativas mediante el método de adiciones estándar

Cuando se desea detectar interferencias multiplicativas, es preciso comparar las pendientes de la curva de
calibración obtenida con patrones puros -o sea sin interferencia- con la de la curva de adiciones estándar. Esto
se puede realizar estadísticamente mediante algún ensayo de hipótesis adecuado. Si las pendientes son
significativamente diferentes se puede concluir que para el nivel de confianza fijado existe efecto matriz. En este
caso el propio método SAM permite hallar la concentración verdadera.
Los ensayos de hipótesis pueden ser dos:
Página 60 de 72
Recordando que hipótesis nula (H0) se corresponde con la afirmación sobre alguna característica de la población
de interés y que queremos comprobar si es verdadera o falsa. Y hipótesis alternativa (H A): hipótesis que en caso
de ser falsa H0, se toma como verdadera. (Capítulo 5.3 Test de hipótesis o de significación)
Si se comprueba mediante alguno de estos dos métodos que b ≠ b' entonces existen interferencia multiplicativas.
1) Cuando el valor de la pendiente en ausencia de interferencia es conocido, b 0, (caso que se puede dar por
ejemplo en espectrofotometría molecular).
H0 : b' = b0
(6-30)
HA : b'  b0
2) Cuando se comparan pendientes de curvas realizadas con patrones puros (sin interferencia), b, y de patrones
agregados a la matriz, b'.
H0 : b' = b
HA : b'  b (6-31)
6.8.1.3.2 Calibración mediante el método de adiciones estándar

Si la existencia de interferencia multiplicativa es fue comprobada o es ya conocida por experimentos previos,
como es el caso de un método de rutina, no es necesario efectuar la curva de calibración con patrones puros,
cada vez, sino que se puede utilizar directamente el método de adiciones estándar para hallar la concentración.
Entonces, habiendo graficado la señal S en función del incremento en concentración (o masa) C, se extrapola
la recta así obtenida hasta su corte con el eje de las abscisas. El punto así determinado corresponde a la
concentración (o masa) del analito contenido originalmente en la muestra (diluida), con signo negativo. La
demostración de esto es sencilla en base a las propiedades de los triángulos semejantes o de la ecuación de la
recta (ver Figura 6-12).
Figura 6-12.- Curva de adiciones.
Debe tenerse en cuenta que la concentración (o masa) C 0 a la que se hace referencia, es la del analito en la
muestra diluida, ya que se tomaron alícuotas de la muestra que fueron diluidas a un cierto volumen final.
Página 61 de 72
Una variante del método de adiciones estándar lo constituye el Método de Adición Única, en el cual la recta se
determina con sólo dos puntos: a una alícuota de la muestra no se le agrega estándar y a la otra sí. En este caso
la concentración del analito en la muestra se puede calcular mediante la fórmula:
S 2V2 C s
CX =
(S1 − S 2 )V X (6-32)
donde S1 y S2 son las respuestas obtenidas para ambas disoluciones (corregidas de toda interferencia aditiva),
Vx el volumen de las alícuotas de la muestra, Vs el de la disolución patrón de concentración Cs. La deducción
de esta a partir de la ecuación de una recta que pasa por 2 puntos conocidos es inmediata. Demás está decir
que la aplicación de esta variante parte del presupuesto de linealidad, que se supone verificado previamente.
La popularidad del Método de las Adiciones Estándar, especialmente en el campo del análisis de trazas, hace
que frecuentemente se pierdan de vista sus limitaciones. Aparte del cumplimiento de los requisitos mencionados
anteriormente, se debe tener en cuenta que se trata de un método intrínsecamente más veraz, pero menos
preciso, ya que se basa en una extrapolación, a diferencia de la calibración directa, que se basa en la
interpolación. Además, requiere tener cantidad suficiente de cada muestra y lleva mucho más tiempo realizarlo.
Figura 6-13.- Curva de adiciones estándar con su corredor de confianza.
En la Figura 6-13 se puede observar cómo aumenta la incertidumbre hacia los extremos de la curva de
calibración.
Por este motivo es de suma importancia el correcto diseño de la curva, es decir, la elección de los valores de
Ci, a efectos de minimizar la incertidumbre en la pendiente de la curva y por tanto la incertidumbre en C 0.
Como ya se mencionó para aplicar este método antes debió evaluarse cuál es el rango de concentraciones para
el cual el modelo de mejor ajuste es lineal.
Nota: Se recomienda acompañar la lectura de este tema con el material del teórico de los cursos de Q. Analítica
II, donde se resuelven ejemplos numéricos y la bibliografía allí recomendada.
Cengage Learning, Mexico, 2005. PARTE I - Capítulo 7, 8A y 8C.
Página 62 de 72
7 Límite de detección y cuantificación

7.1 Límite de detección (LD)
Cuando un analista estudia concentraciones a niveles de traza, las señales son bajas, por tanto, la dispersión
(imprecisión) es alta y la precisión relativa es baja. Si la imprecisión fuera muy grande la tarea de informar un
resultado cuantitativo con baja incertidumbre se vuelve imposible, y sólo se puede aspirar a informar si el analito
está presente o ausente en la muestra. Esto es denominado a veces como problema de la detección. En estas
condiciones la afirmación de que el analito está presente o está ausente lleva asociados dos tipos de errores,
uno es informar la presencia de un analito cuando éste está realmente ausente, y otro es afirmar que está ausente
cuando de hecho está presente. La probabilidad de que ocurra cada uno de estos errores debe minimizarse bajo
una definición lógica y científica de qué es y cómo estimar el límite de detección.
Siguiendo los criterios más aceptables definiremos al límite de detección de una sustancia según un
procedimiento analítico completo dado, como la menor concentración (o cantidad) de dicha sustancia que puede
ser cualitativamente detectada con un nivel de confianza especificado.
Es importante evitar la confusión de límite de detección de un método analítico con su sensibilidad. La palabra
“sensible” se utiliza generalmente cuando se habla de un “límite de detección bajo” dando lugar a una
ambigüedad. La sensibilidad de un método se define correctamente como la pendiente de la recta de calibración
siempre que la representación sea lineal, puede ser medida en cualquier punto de ella. Por el contrario, el límite
de detección de un método se calcula utilizando otros parámetros además de la pendiente (Miller y Miller, 2002).
Básicamente el límite de detección es la mínima concentración de analito que proporciona una respuesta
significativamente distinta de la respuesta del blanco a un nivel de confianza estipulado. Esta cifra de mérito o
parámetro de desempeño de un método analítico es muy importante ya que permite decidir si éste es adecuado
o no para el analito a determinar y a su vez permite interpretar correctamente un resultado de ausencia de analito.
La forma de estimar el límite de detección es muy variada, por lo que es necesario indicar la forma de cálculo o
indicar la fuente de referencia. La IUPAC en 1978 propuso la adopción de lo que se conoce como el “criterio 3s”
para estimar el límite de detección (ks siendo k=3); un criterio ampliamente utilizado hasta el día de hoy es el que
utilizaremos en este curso:
3s
LD = (7-1)
m
Donde “m” es la pendiente de la curva de calibración y “s” es la desviación estándar de una serie de medidas de
la respuesta del blanco (cuando esto es posible) o de una disolución de baja concentración del analito en estudio;
de esta manera se obtiene el valor del LD. La ecuación aplica considerando que se trabaje con un modelo lineal
sin ordenada (o con una ordenada con valor despreciable en el contexto del método analítico).
Cuando en un proceso analítico la concentración hallada es inferior al LD, se debe informar NO DETECTADO y
acompañar el informe del valor del LD estimado para el método analítico en unidades adecuadas.
Lógicamente, la afirmación de que un analito está “ausente” sólo tendría sentido si la capacidad de detección del
método es conocida. En efecto, basta que en la muestra esté presente una sola unidad del analito (sea ésta una
molécula, un ion o un átomo) para que estrictamente el mismo esté “presente” aunque no sea detectado.
Cabe mencionar que en algunos ámbitos se utilizan también otros valores de cobertura (k) como por ejemplo los
valores 3,29 o 3,3 entre otros dependiendo del contexto, pero la IUPAC y la Guía Europea de validación
(Eurachem-CITAC) explican en sus publicaciones que la aproximación a k=3 es válida para estimar el LD (ver
bibliografía al final de este apartado).
Cuando se informa un resultado como no detectado, no se está diciendo que el analito no se encuentra en la
muestra, sino que está en una concentración inferior al límite de detección. El informe no debe decir “no
existe”, sino que se debe informar < LD (menor al límite de detección).
El límite de detección, la relación señal - ruido y la sensibilidad son parámetros de calidad. Estos son útiles para
evaluar la calidad de los instrumentos.
Página 63 de 72
Sin embargo, para análisis químicos, la determinación experimental del límite de detección es probablemente el
mejor parámetro de calidad porque se basa en los tres criterios siguientes:
 Es un número único.
 Se puede usar para comparar datos de diferentes laboratorios.
 Cuanto menor es el valor de dicho límite más eficaz es el método en cuestión para detectar la presencia
del analito.
7.2 Límite de cuantificación (LC)
Es la concentración mínima que puede determinarse con un nivel aceptable de exactitud. Debido a lo anterior,
valores de concentración de analito inferiores al LC y superiores al LD se informan como menor que el LC; que
significa detectado, pero no cuantificado. Para su estimación se utiliza el “criterio 10 s”:
10s
LC = (7-2)
m
Una vez más, “m” es la pendiente de la curva de calibración y “s” es la desviación estándar de una serie de
medidas de la respuesta del blanco (cuando esto es posible) o de una disolución de baja concentración. La
ecuación aplica considerando que se trabaje con un modelo lineal sin ordenada (o con una ordenada con valor
despreciable en el contexto del método analítico).
Si el valor de la concentración del analito se encuentra entre el LD y el LC, el informe debe decir < LC (menor al
límite de cuantificación indicando el valor de éste).
Si el valor de la concentración del analito supera el LC se podrá informar su valor numérico acompañado de su
correspondiente incertidumbre.
NOTA: Este tema se desarrolla en extenso en el curso teórico de Química Analítica II. Se recomienda repasar el
tema acompañando con el material del teórico de esas clases.
Bibliografía recomendada
 Skoog, D.A., Holler, F.J., y Crouch, S.R. (2008) Principios de análisis instrumental. 6ª edición. Cengage
Learning Editores. México, México. Capítulo 1E.
 Magnusson, B., Örnemark, U. (eds.) (2014). Eurachem Guide: The Fitness for Purpose of Analytical
Methods – A Laboratory Guide to Method Validation and Related Topics. 2a edición.
https://www.eurachem.org/index.php/publications/guides/mv. Acceso el 03/01/2020.
 International Conference on Harmonisation of Technical Requirements for Registration of Pharmaceuticals
for Human Use. ICH: Harmonised tripartite guideline. Validation of analytical procedures.
https://www.ich.org/page/quality-guidelines. https://www.ich.org/page/quality-guidelines Acceso el
03/01/2020.
Página 64 de 72
8 Pruebas estadísticas - Comparación de medias
Este capítulo contiene material que podrá utilizarse en los cursos de segundo nivel, según
las diferentes carreras. También es un material útil para investigación, realización de trabajos
experimentales creditizables en el Área de Q. Analítica y para el futuro profesional.
Es frecuente que en los trabajos relacionadas a la Química Analítica sea necesario estimar si los resultados
obtenidos de una muestra se corresponden con el valor certificado, establecer si los resultados obtenidos por
dos analistas son equivalentes, cuando se desarrolla un nuevo método para evaluar si este arroja valores
significativamente diferentes a los de un método considerado de referencia. Para llevar adelante esta
comparación en forma objetiva se puede recurrir al uso de la estadística, realizando pruebas de hipótesis, en
este caso particular se realiza una prueba t para hacer comparaciones.
Para ello es necesario comparar resultados obtenidos al realizar réplicas con dos métodos diferentes, uno de los
cuales debe ser el método de referencia y el otro el método propuesto.
Se calcula el valor del estadístico t y se compara con los valores tabulados para un número de réplicas y para un
dado nivel de confianza especificado (en Química Analítica usualmente consideramos P=0,95 o sea α=0,05). Si
el valor calculado de t en valor absoluto es superior al valor de tabla entonces hay diferencia significativa entre
los métodos a ese nivel de confianza, si por el contrario es menor entonces no hay diferencia significativa.
• En la práctica el analista se puede encontrar con diferentes
situaciones según la disponibilidad de datos provenientes Esquemáticamente se puede
de un análisis y la disponibilidad de un valor µ de referencia simplificar como:
proveniente de otras mediciones para la media. Se plantea
a.- comparación con un valor de
la hipótesis de si un método dado da resultados
referencia (“comparación contra un
estadísticamente iguales a µ, a un dado nivel de confianza valor verdadero”).
α establecido.
• Si no hay un valor µ aceptado como de referencia se puede b.- comparación de dos medias de
realizar una serie de análisis de réplicas de una misma valores experimentales obtenidos a
partir de una muestra.
muestra usando los dos métodos, donde uno de ellos es
usado como método de referencia. c.- comparación de varios valores
• Se puede hacer una serie de análisis en un conjunto de experimentales a partir de un
muestras diferentes por los dos métodos y estimar si los conjunto de muestras analizadas
resultados son estadísticamente iguales. cada una por los dos métodos
(“muestras apareadas”)
En todos los casos anteriores se utiliza la prueba t que se
describe a continuación
8.1 Prueba de comparación contra un “valor verdadero”

Es el caso en que realiza varias veces el análisis, se obtiene el valor medio y la desviación estándar de la muestra,
a partir esos datos se lo compara con el valor de referencia. La media se puede escribir mediante la ecuación (8-
1)
𝑡𝑠
𝜇 = 𝑥̅ ± (8-1)
√𝒏
Por lo que el estadístico será
√𝑛 (8-2)
±𝑡 = (𝑥̅ − 𝜇)
𝑠
Página 65 de 72
Si se dispone de un buen
estimador del valor Ejemplo 1
“verdadero” de otros
análisis, o por ser un Se está desarrollando un procedimiento para determinar cinc a nivel de
material de referencia trazas en sedimentos marinos utilizando una digestión asistida por
certificado procedente de microondas seguida de medición por espectrometría de absorción atómica.
un centro de referencia Se analiza el material de referencia certificado NIST de sedimentos marinos
como el Nacional Institute n veces para hacer la validación del método (n=5). Se obtienen los
of Standards and siguientes datos:
Technology (NIST) • media de 10,8 mg L-1.
entonces la ecuación (8-2) • desviación estándar de 0,7 mg L-1.
se puede usar para
• el valor certificado es 11,7 mg L-1.
determinar si el valor
• nivel de confianza de 95%, α=0,05.
obtenido de un método de
• n=5, por lo que son 4 grados de libertad (gl).
ensayo es
estadísticamente igual al • el valor tabulado de t al nivel de confianza de 95% es 2,776. (se
valor aceptado. puede obtener del Excel mediante
=INV.T.2C(α;gl))=INV.T.2C(0,05;4)).
A partir de la ecuación
(8-2), se puede notar que, √𝑁
•
al mejorar la precisión, (al
Respuesta: ±𝑡 = (𝑥̅ − 𝜇) 𝑠
ser más pequeño s) el valor
calculado de t se hace
√5
±𝑡 = (10,8 − 11,7) = −2,87
mayor. Al mejorar la 0,7
precisión es más fácil tcal>ttabla por lo que hay diferencia significativa entre los métodos al
distinguir diferencias no
nivel de confianza del 95%
aleatorias.
También se puede ver para esos grados de libertad que probabilidad le
Si se comparan conjuntos
corresponde a ese t
muy grandes de muestras,
con una mayor precisión (s (Usando una planilla de cálculo como Excel se puede mediante
más pequeño), el intervalo =DISTR.T.2C(tcal;gl) =DISTR.T.2C(2,87;4) = 0,045 <0,05,
de aceptación se vuelve P = 1-α = 0,955 > 0,95
muy pequeño por lo que la
En este caso el valor de t está dentro de la región de rechazo, por lo que hay
decisión del número de
diferencia entre los dos métodos.
medidas a realizar debe
adecuarse al experimento.
8.2 Comparación de las medias de dos conjuntos de datos.

En este caso se estudia si los resultados de dos procesos analíticos son estadísticamente iguales. Por ejemplo,
un conjunto de datos puede provenir de un método de referencia y otro de un conjunto de datos de un método
alternativo o desarrollado en una investigación, o se pueden comparar los resultados de dos analistas que hacen
los análisis en forma independiente.
Para el estudio de esta prueba se requiere que primero se determine si las varianzas de los dos conjuntos de
datos son estadísticamente iguales.
8.2.1 Prueba F de igualdad de varianzas

Para hacer primero esta prueba consideramos que ̅̅̅ 𝑥1 y ̅̅̅,
𝑥2 son las medias de cada conjunto de análisis, y x y
i1
x , son los valores individuales en cada conjunto. n1 y n2 son número de mediciones de cada conjunto, s1 y s2 son
i2
los estimadores de las desviaciones estándar.
Página 66 de 72
𝑠12
𝐹= (8-3)
𝑠22
Se define F con la varianza mayor en el numerador y la menor en el denominador.

Con los grados de libertad (n1 - 1) y (n2 - 1) correspondientes al numerador y denominador respectivamente.
Ejemplo: 2
Se analizó una muestra de leche para la determinación de calcio por un método desarrollado en el laboratorio
(1) y se comparó con los análisis realizados por de un método de referencia (2). Los resultados fueron
(mg/100g)
Método desarrollado Método de referencia
20,10 18,89
20,50 19,20
18,65 19,00
19,25 19,70
19,40
Media 19,58 19,20
n 5 4
GL 4 3
s 0,72853 0,35874
s2 0,53075 0,12869
Fcalculado 4,12
Probabilidad para F 0,95
F tabla (GL1, GL2) 9,12
F (α=0,05) (4;3) Las varianzas son iguales
El valor de tabla se puede obtener de hojas de cálculo como Excel mediante la función
=DISTR.F.INV(alfa;F12; grados_de_libertad1; grados_de_libertad2)
• Alfa = 1- probabilidad asociada a la distribución acumulativa F.
• grados_de_libertad1: El número de grados de libertad del numerador.
• grados_de_libertad2: El número de grados de libertad del denominador.
Ejemplo = DISTR.F.INV0,05;4;3) =9,11718225≈ 9,12
8.2.1.1 Comparación de las medias de dos muestras cuando las varianzas son homogéneas
Cuando se aplica la prueba t a dos conjuntos de datos, en la ecuación se reemplaza por la media del segundo
𝑛1 𝑛2
conjunto √𝑛 ⁄ 𝑠 se reemplaza por√ ⁄𝑠𝑝 donde sp es la desviación estándar combinada de las mediciones
𝑛1 +𝑛2
individuales de dos conjuntos:
𝑥1 − ̅̅̅
̅̅̅ 𝑥2 𝑛1 𝑛2
±𝑡 = ( )√ (8-4)
𝑠𝑝 𝑛1 + 𝑛2
Página 67 de 72
La desviación estándar combinada se usa para obtener una estimación mejorada de la precisión de un método,
y se usa para calcular la precisión de los dos conjuntos de datos en una prueba t apareada. Es decir, más que
confiar en un solo conjunto de datos para describir la precisión de un método, en ocasiones es preferible realizar
varios conjuntos de análisis, por ejemplo, en días diferentes o con distintas muestras, con composiciones
ligeramente variadas. Teniendo en cuenta que el error indeterminado (aleatorio) se supone igual para cada
conjunto.
La desviación estándar combinada sp está dada por (8-5)
𝑥1 2 + ∑(𝑥𝑖2 − ̅̅̅)
∑(𝑥𝑖1 − ̅̅̅) 𝑥2 2
𝑠𝑝 = √
𝒏𝟏 + 𝒏𝟐 − 𝟐
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22 (8-5)

𝑠𝑝 = √
𝑛1 + 𝑛2 − 1
Donde ̅̅̅ 𝑥1 y𝑥̅̅̅,

2 son las medias de cada
conjunto de análisis, xi1 y xi2, son los valores
individuales en cada conjunto. n1 y n2 son Aplicando el test t a los datos del ejemplo 2 se obtiene el
número de mediciones de cada conjunto, y valor de t de desviación estándar combinada es 0,5987,
(n1 - 1) + (n2 - 1) = n1 + n2 - 2 los grados de aplicando la ecuación (8-5) el valor de t calculado a partir de
libertad. la ecuación (8-4) es por lo tanto t = 0,9524 y el valor de tabla
es tα,N1+N2-2 = 2,365 (para α=0,05 y 7 grados de libertad a dos
Se estima entonces a una probabilidad
colas)
especificada (en general de 95%) si la
diferencia entre el valor de referencia y el Este valor se puede obtener de planillas de cálculo como
valor medido es significativa. Excel mediante la función =DISTR.T.INV(alfa;grados de
libertad)=DISTR.T.INV(0,05;7) = 2,36462425 ≈ 2,365.
Hay que aplicar una prueba F para saber si
las varianzas son estadísticamente iguales Por lo que podemos concluir que no hay evidencia de que
antes de aplicar la prueba t, como se exista diferencia significativa desde el punto de vistas
describió anteriormente. estadístico entre las medias
Ejemplo 3 - Comparación de las medias de dos muestras cuando las varianzas son homogéneas
En una serie de experimentos en el desarrollo de un procedimiento para la determinación de calcio en
alimentos, las muestras se tratan con ácido nítrico (en un proceso asistido por microondas) 50% y 30% (v/v).
Los resultados se muestran a continuación:
HNO3 Calcio encontrado (mg kg-1) ¿La cantidad media de calcio

difiere significativamente para
50% 55 57 59 56 59 56
los dos niveles de
30% 57 55 58 59 59 59 concentración de ácido nítrico?
La media y la varianza (desviación estándar al cuadrado) para las dos situaciones son:
HNO3 Media Desviación Varianza Fcal Ftabla desviación estándar combinada
estándar aplicando la ecuación (8-5) es 1,638 y el
valor de t calculado a partir de la ecuación
30% 57,00 1,6733 2,8000 Ec (8-3) α=0,02
(8-4) -0.881, el valor t de tabla para 10
50% 57,83 1,6021 2,5667 1,091 5,050 grados de libertad, α = 0,05 a 2 colas es
2,228
Página 68 de 72
8.2.1.2 Comparación de las medias de dos muestras cuando las varianzas no son homogéneas
Si luego de aplicar una prueba F se obtiene que las mismas no son iguales se debe recurrir a otra forma de
cálculo para la estimación de la desviación estándar combinada.
Para contrastar si las medias son iguales, cuando las varianzas de las poblaciones son diferentes se usan las
ecuaciones siguientes
𝑥1 − ̅̅̅
̅̅̅ 𝑥2
±𝑡 = (8-6)
𝑠12 𝑠22
√ +
( 𝑛1 𝑛2 )
2
𝑠12 𝑠22
Con los grados de libertad ( + )
𝑛1 𝑛2
𝐺𝐿 = (8-7)
(redondeado a un número entero) 𝑠12 𝑠22
( 2 + 2 )
𝑛1 (𝑛1 −1) 𝑛2 (𝑛2 −1)
Ejemplo 4- Comparación de las medias de dos muestras cuando las varianzas no son homogéneas
En un estudio de investigación clínica se estudia la concentración en suero sanguíneo de una molécula
que se le suministra a pacientes que tienen una enfermedad y a un grupo control. Se quiere saber si la
concentración del medicamento es efectiva.
Concentración nM de la molécula en estudio Ho es que en los dos grupos la

concentración media es la misma
Población Normal Población Enferma Fcalculada 33,96
1,84 2,81 F de tabla α=0,05 6 ,5 4,95
1,92 4,06 Las varianzas no son
1,94 3,62 homogéneas.
1,92 3,27 Aplicando la ecuación (8-6)
t = -8,477
1,85 3,27
y (8 7(8-7) los GL= 7,35 n = 7
1,91 3,76
tde tabla α = 0,05 2,571
2,07
Por lo que existe suficiente
Media 1,9214 3,4650 evidencia para indicar que la
n 7 6 concentración de la molécula es
diferente en los dos grupos
Desv. estándar 0,0756 0,4405
estudiados.
varianza 0,0057 0,1940
8.3 Prueba t emparejada o apareada

Con frecuencia sucede que se comparan dos métodos de análisis aplicando ambos de ellos al mismo conjunto
de materiales de prueba, que contienen diferentes cantidades de analito.
Aquí deseamos saber si los métodos producen resultados significativamente diferentes.
La prueba t para comparar dos medias no es apropiada en este caso porque no separa la variación debida al
método de la ocasionada por la variación entre muestras. Esta dificultad se supera al observar la diferencia, d,
entre cada par de resultados dados por los dos métodos
Página 69 de 72
Si no hay diferencia entre los dos métodos, entonces estas diferencias entre las medias de las poblaciones debe
ser cero.
La hipótesis a probar es si la diferencia d difiere significativamente de 0 utilizando la estadística t en este caso si

la media de las diferencias es cero o no.
Se aplica entonces como se mostró en la ecuación (8-1) considerando como la prueba la verificación si la media
de la diferencia µ d=0. Aplicando la ecuación (8-2) queda como
√𝑛 (8-8)
±𝑡 = (𝜇𝑑 )
𝑠
Donde µd es la media de la diferencia y s la desviación estándar de las diferencias d para cada par de valores
obtenidos por los dos métodos analíticos.
Ejemplo 5 - Prueba t emparejada o apareada

El desgaste de un motor se puede evaluar a partir del análisis del aceite lubricante, ya que éste se va
enriqueciendo en ciertos metales. Se realiza un ensayo de comparación de muestras del aceite lubricante de
dos motores a distintos tiempos de funcionamiento. Las concentraciones de estaño encontradas se muestran
en la Tabla 8 1. Se desea saber si uno de los dos motores se desgasta más rápidamente que el otro.
Tabla 8-1 Concentración de estaño en un aceite lubricante
Horas Motor 1 concentración de Sn mg kg -1 Motor 2 concentración de Sn mg kg -1 Diferencia

100 0,218 0,244 -0,026
200 0,312 0,299 0,013
300 0,365 0,353 0,012
500 0,373 0,379 -0,006
750 0,379 0,388 -0,009
1000 0,383 0,394 -0,011
media -0,0045
s 0,0149
n 6
el desgaste es el mismo por tanto no se ha demostrado que un motor se desgaste más que el otro.
Diferencia teórica es cero, por lo tanto aplicando la (8-2) 𝑡 = (𝑥 ̅ − 𝜇) √𝑁/𝑠
±𝑡 = (−0,0045) √6/0,0149 = t = -0,741 mientras que el t de tabla 2,57 para 5 GL y α = 0,05 (o del Excel
=DISTR.T.INV(0,05;5)
Página 70 de 72
9 Materiales de apoyo
Bibliografía general
D. A. Skoog, D. M. West, F. J. Holler, S. R. Crouch, “Fundamentos de Química Analítica”, 8ª edición. Cengage
Learning, Mexico, 2005. PARTE I.
J.C. Miller y J.N. Miller, “Estadística y Quimiometría para Química Analítica” (4ª edición). Pearson, Madrid, 2002.
IUPAC, “Guideline for calibration in analytical chemistry. Part 1. Fundamentals and single component calibration”.
K. Danzer, L. A. Currie, Pure & Appl. Chem., 70(4), 993-1014 (1998).
VIM, Vocabulario Internacional de Metrología Conceptos fundamentales y generales, y términos asociados (VIM).
3ª Edición en español 2012. Traducción de la 3ª edición del VIM 2008. Disponible en línea para descargar en:
https://www.cem.es/sites/default/files/vim-cem-2012web.pdf Acceso 02/01/2020
Magnusson, B., Örnemark, U. (eds.) (2014). Eurachem Guide: The Fitness for Purpose of Analytical Methods –
A Laboratory Guide to Method Validation and Related Topics. 2a edición.
https://www.eurachem.org/index.php/publications/guides/mv . Acceso el 02/01/2020.
Página 71 de 72
Terminado de compaginar el 25 de febrero de 2020

Isabel Dol, Moisés Knochen, Mariela Pistón, Mariela Medina, Ignacio Machado, Alicia Mollo,
Valery Bühl, Alexandra Sixto, Florencia Tissot, Javier Silva, Fiorella Iaquinta, Marcelo
Belluzzi, Mónica Martínez, Henry Moresco y Lucía Falchi.
Área Química Analítica
Departamento “Estrella Campos”
Universidad de la República
Av. General Flores 2124
Montevideo – Uruguay
Página 72 de 72

Tratamiento de Datos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tratamiento de Datos

Cargado por

Copyright:

Formatos disponibles

Tratamiento de datos en Química Analítica

6.8.1.1 Método de los patrones igualados ...............................................................................................59

Prefacio: sobre el material didáctico Tratamiento de datos en

• Mensurando: magnitud que se desea medir

En Química Analítica se realizan diferentes

10,5 La acumulación de errores da como resultado una

dispersión en los valores obtenidos, como se

3.1 Concepto de incertidumbre de una medición

3.2 Tipos de errores

Resultados de 4 laboratorios sobre una muestra certificada.

3.2.2 Error sistemático o determinado

3.2.3 Error bruto o grueso

3.3 Estimación del “valor verdadero”.

xi: es el valor individual de cada réplica

Datos originales Datos reordenados

∑𝑛1(𝑥𝑖 − 𝜇)2 (3-2)

donde μ: es el valor medio de la población (población completa)

3.6.2 Desviación estándar relativa sr

3.6.4 Intervalo de repetibilidad (Ir)

Matemáticamente el intervalo de repetibilidad se define como:

Para ejemplificar supóngase que durante

Figura 3-4.- Exactitud, precisión, veracidad, sesgo, error, incertidumbre

Bibliografía básica sugerida

Ejemplo: pipeta graduada de 10 mL de volumen total con graduaciones de 0,1 mL

Figura 3-5.- Pipeta graduada

En el caso de la concentración de una disolución stock, es 0,004719363 ≈ 4,72 x10-3 y

4.1.2 Reglas de redondeo

Si la cifra siguiente es exactamente 5:

Si la cifra siguiente es 5 y sigue

Bibliografía básica sugerida

5 Herramientas estadísticas usadas en Química Analítica

5.1 Distribución normal ("campana de Gauss")

La distribución de Gauss está definida por la función:

• x va desde -∞, a +∞, en el dominio de los reales.

• La probabilidad equivale al área encerrada bajo la

Figura 5-2.- Distribución de

5.2 Distribución t de "Student"

5.3 Test de hipótesis o de significación

 Se elige el valor del error tipo I aceptable,

Se ejemplifica como no es lo mismo usar una u otra prueba

25,06 25,18 24,87 25,51 25,34 25,41

Pruebe la existencia de sesgo positivo en estos resultados.

Promedio 25,228 mL Desviación estándar 0,238 mL

5.4 Relación entre límites de confianza y test de hipótesis

5.5 Estimación de la incertidumbre

La función f(C) se denomina función de calibración y su determinación constituye el proceso de calibración

Conocida con el nombre de función de evaluación.

6.2 Diseño de una curva de calibración

 ¿Cómo elegir el modelo de mejor ajuste a los puntos experimentales?

6.2.1 Cantidad de puntos

6.2.2 Rango de concentraciones

6.2.3 Distribución de los puntos

6.3 Aplicación de métodos estadísticos a la realización de curvas de

0,600 preparar una serie de

6.3.2 Análisis de regresión

variable independiente y llamaremos

6.3.3 Modelos de regresión

Figura 6-3.- Gráfico de dispersión de las respuestas obtenidas para

Modelo lineal: y = a + bx (6-6)

Modelo cuadrático con ordenada

6.3.4 Parámetros estimados para modelos de regresión

Lineal sin ordenada: y = b1x (6-10)

Modelo lineal con ordenada en el origen.