Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Módulo:
Calidad y Seguridad
Departamento
de FP Química
Tratamiento de los resultados analíticos
1
Tratamiento de los resultados analíticos
7. Ensayos de significación
A. Rechazo de resultados dudosos
B. Comparación de dos varianzas
C. Comparación de un resultado con un valor de referencia
D. Comparación de las medias de dos series de medidas
E. Comparación de dos series de medidas emparejadas
F. Análisis de la varianza (ANOVA)
2
Bibliografía
3
1. QUIMIOMETRÍA Y CUALIMETRÍA
4
Quimiometría y Cualimetría
Al mejorar la calidad:
● Se reduce el número de unidades defectuosas que deben
reprocesarse.
● Se elimininan tests, análisis e inspecciones.
● Se evita el rechazo de un producto o lote de producto.
● Se producen menos retrasos.
● Se aprovecha mejor el tiempo de máquinas y operarios.
● Se utilizan mejor los materiales.
5
Etapas básicas del proceso analítico
Muestreo
Medida Errores
Operaciones
previas • Magnitud
Determinación • Mensurando
analítica • Resultado: M±U
Tratamiento
de datos
Resultados Incertidumbre
6
2. CALIDAD DE LAS MEDIDAS. ERRORES.
7
Calidad de las medidas
8
Errores en el proceso de medida
9
Tipos de errores sistemáticos
10
Errores sistemáticos según su efecto
* Errores proporcionales: la
magnitud medida aumenta o
disminuye conforme al tamaño
de la muestra (presencia de
interferencias).
11
Errores en el proceso de medida
C. Errores aleatorios
Causa no asignable. Están presentes, en mayor o menor medida, en todas
las medidas que se realizan. Impredecibles.
Afectan a la precisión.
Son inherentes al proceso por lo que no se pueden eliminar. Se pueden
minimizar usando materiales y métodos de trabajo más precisos.
Se manifiestan mediante la dispersión de los resultados obtenidos en una
serie de medidas repetidas.
El efecto acumulativo de cada factor ocasiona que los datos de una serie
de mediciones repetidas fluctúen al azar alrededor de la media
distribuyéndose en forma de curva gaussiana, es decir siguen una
distribución normal.
< al aumentar el nº de muestras.
Ejemplos: fluctuación de la llama en absorción
atómica, polvo en cubetas, espejos, ruido de
fondo del equipo.
12
Ejemplos de errores
13
Errores e incertidumbre
• Incertidumbre:
parámetro no negativo
que caracteriza la error
dispersión de los valores
atribuidos a un
mensurando, a partir de
sistemático aleatorio
la información que se
utiliza.
conocido desconocido
corregido remanente
Intervalo
Resultado ± Incertidumbre de
confianza
14
Cuantificación de los errores sistemáticos y aleatorios
15
16
3. INTERVALO DE CONFIANZA
• Nivel de significación α
• Nivel de confianza
95%
17
Cálculo del IC a partir de series de medidas
repetidas
• Se tienen en cuenta únicamente errores aleatorios. Se pueden dar
dos situaciones diferentes:
a) Se conoce la desviación estándar de la población estadística (σ): el
95% de un conjunto de valores distribuidos normalmente se
encuentran en el intervalo:
Operando y generalizando:
18
Distribución t de Student N≤30
Grados de libertad: N-1
19
Cálculo de IC. Ejemplo 1
20
Cálculo de IC. Ejemplo 2
21
4. EXPRESIÓN DE RESULTADOS ANALÍTICOS
• Cifras significativas:
El resultado de una medida se debe presentar acompañado de su
incertidumbre y con todas sus cifras significativas. Son cifras
significativas todas aquellas conocidas con certeza más la primera
afectada por la incertidumbre.
a) Son significativos todos los dígitos distintos de cero. Los ceros
pueden o no ser significativos según la posición que ocupen.
b) Los ceros ubicados entre dígitos distintos de cero son significativos.
300.4 ---> 4 cifras significativas
c) Los ceros a la izquierda del primer dígito distinto de cero no son
significativos: sirven para situar el punto decimal; por ejemplo, el
valor 0,0124 tiene 3 cifras significativas.
0.000342 = 3.42 x 10-4 = 342 x 10-6 ---> 3cifras significativas
d) Los ceros situados al final pueden ser o no significativos, según la
precisión del instrumento que aporte la medida.
22
Cifras significativas en resultados de
combinaciones matemáticas
23
Reglas de redondeo
24
Reglas de redondeo
25
Ejemplos cifras significativas y de redondeo
26
Recomendaciones para la elaboración de tablas
27
Recomendaciones para la elaboración de tablas y
gráficas
62,2% Método A Método B
Tamaño
muestra Cu presente Medida Error abs. Error relat. Medida Error abs. Error relat.
(mg) (mg) (mg) (mg) (%) (mg) (mg) (%)
150,6 93,7 91,0 -2,7 -2,85% 90,5 -3,2 -3,39%
420,5 261,6 258,8 -2,8 -1,05% 252,4 -9,2 -3,50%
825,1 513,2 510,6 -2,6 -0,51% 496,0 -17,2 -3,35%
1512,0 940,5 937,8 -2,7 -0,28% 908,6 -31,9 -3,39%
Valor medio del error: -2,7 Valor medio del error: -3,41%
0
Error absoluto (mg) -5
Método A
-10
-15
-20
-25 Método B
-30
-35
0 500 1000 1500 2000
28
Recomendaciones para la elaboración de gráficas
29
5. RECTAS DE REGRESIÓN.
Y = m*x + b
30
Recta de regresión
5 0,12 0.4
0.35
Absorbancia
10 0,2 0.3
15 0,31 0.25
0.2
20 0,4 0.15
0.1
0.05
0
0 5 10 15 20 25
ppm
31
Ejemplos de interpretaciones
erróneas de r
• R2 coeficiente de determinación.
Explica la Bondad del ajuste.
Entre 0 y 1 (1 perfecto)
• R coeficiente de correlación.
Entre -1 y 1. Válido >0,99
Mide relación lineal entre 2 variables
32
6. ESTADÍSTICA DESCRIPTIVA
33
Relación entre la muestra analítica y la muestra estadística
Muestreo y
preparación
de la
muestra Muestra
estadística:
n resultados
Población
estadística:
-------------
----------
34
Medidas de centralización y de dispersión
35
Medidas de centralización y de dispersión
En laboratorio número
de muestras pequeños.
Se utiliza s
36
Estadística descriptiva: funciones Excel
37
Distribución de frecuencias. Histograma
38
Histograma
Útil agrupar los datos en clases: intervalos definidos por unos límites de
clase.
Conveniente utilizar una marca de clase, calculada como el valor central
de la misma, para representar a todos los datos agrupados en una
clase.
Pasos para elaborar una distribución de frecuencias:
39
Histograma
40
valores Nº datos 50 Frecuencia
46 93 Nº clases 7,1 LIC MC LSC f
80 75 0 10 20 1
85 70 Máximo 167 20 30 40 5
93 98 Mínimo 13 40 50 60 9
56 70 Rango 154 60 70 80 12
75 121 80 90 100 9
93 138 Tamaño de clase 21,8 100 110 120 6
13 24 * redondeando 20 120 130 140 5
159 53 140 150 160 2
70 58 160 170 180 1
129 35
98 53
167 50
113 115 Histograma 1
29 50
14
159 101
139 63 12
85 52 10
Frecuenca
28 106 8
65 138
6
35 78
95 59 4
80 76 2
111 68
0
86 102 10 30 50 70 90 110 130 150 170
Marca de clase
41
Distribución normal o de Gauss
Características básicas:
a) Presenta simetría alrededor de un valor máximo central, que
corresponde a la media aritmética de la población (μ),
coincidiendo además con la mediana y la moda de la distribución.
b) La curva de distribución normal es asintótica con respecto al eje
de abscisas, es decir, la distribución de los datos va de +∞ a -∞.
42
Distribución normal o de Gauss
43
Curva de distribución normal o campana de Gauss
-3,0 0,0013 0,0019 0,0026 0,0035 0,0047 0,0062 0,0082 0,0107 0,0139 0,0179
-2,0 0,0228 0,0287 0,0359 0,0446 0,0548 0,0668 0,0808 0,0968 0,1151 0,1357
-1,0 0,1587 0,1841 0,2119 0,2420 0,2743 0,3085 0,3446 0,3821 0,4207 0,4602
0,0 0,5000 0,5398 0,5793 0,6179 0,6554 0,6915 0,7257 0,7580 0,7881 0,8159
1,0 0,8413 0,8643 0,8849 0,9032 0,9192 0,9332 0,9452 0,9554 0,9641 0,9713
2,0 0,9772 0,9821 0,9861 0,9893 0,9918 0,9938 0,9953 0,9965 0,9974 0,9981
45
Distribución normal con Excel
46
7. ENSAYOS DE SIGNIFICACIÓN
▫ µ ≠ µ0
6
Nivel de significación alfa
7
1. Rechazo de resultados dudosos
8
Rechazo de resultados dudosos
9
Prueba k·s
𝑥∗ − 𝑥
𝑧∗ =
𝑠
10
Pruebas de Dixon
x * x próximo
Q*
recorrido
11
Pruebas de Grubbs
• Test de Grubbs:
x * x
G*
s
12
Tabla de Qtab y Gtab de dos colas
13
Ejemplo de rechazo de datos dudosos
14
2. Comparación de varianzas: prueba F
15
• Homogeneidad de los datos:
Homocedásticos: homogéneo
Heterocedásticos: no homogéneos
16
Pruebas unilaterales y bilaterales
17
Pruebas unilaterales
Ejemplo: cuando se están ensayando la hipótesis de que un proceso es
mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que
otro).
18
Comparación de varianzas: prueba F
• Hipótesis alternativa
Unilateral, H1: s12 > s22, o bien s12 < s22 . Una varianza es
mayor o menor que otra.
Bilateral, H1: s12 ≠ s22 . Varianzas distintas.
19
Valores de Ftab para un ensayo bilateral (α=0,05)
3 17,4 16,0 15,4 15,1 14,9 14,7 14,6 14,5 14,5 14,4
4 12,2 10,6 10,0 9,6 9,4 9,2 9,1 9,0 8,9 8,8
5 10,0 8,4 7,8 7,4 7,1 7,0 6,9 6,8 6,7 6,6
6 8,8 7,3 6,6 6,2 6,0 5,8 5,7 5,6 5,5 5,5
7 8,1 6,5 5,9 5,5 5,3 5,1 5,0 4,9 4,8 4,8
8 7,6 6,1 5,4 5,1 4,8 4,7 4,5 4,4 4,4 4,3
9 7,2 5,7 5,1 4,7 4,5 4,3 4,2 4,1 4,0 4,0
10 6,9 5,5 4,8 4,5 4,2 4,1 3,9 3,9 3,8 3,7
20
Prueba F con Excel
21
Ejemplo de comparación de varianzas
• Se desea comparar la precisión que presentan dos métodos de
análisis diferentes para la determinación de fluoruros en aguas. Las
medidas obtenidas en la aplicación de ambos métodos a una muestra
determinada se muestran en la tabla inferior. ¿Es significativamente
diferente la precisión de ambos métodos?
22
3. Comparación de un resultado con
un valor de referencia: prueba t y prueba z
• Es aplicable a situaciones como las siguientes:
Comprobar la evidencia de error sistemático en una medida
experimental.
Decidir si una medida supera, o no, un valor determinado, que
puede ser, por ejemplo, una referencia legal.
24
t student unilateral. Grados libertad n-1
25
Ejemplo: Comparación de una medida con un valor de
referencia
• La legislación establece un límite de 50 mg/L para la concentración de nitratos
en aguas de consumo humano. El análisis de las muestras obtenidas en cinco
puntos distintos de una red de abastecimiento arroja los resultados que se
muestran a continuación. ¿Existen evidencias de que se haya sobrepasado el
límite legal?
* Se plantea hipótesis alternativa unilateral ≠ Xref
• Muestras heterocedásticas:
𝑥1 − 𝑥2 𝑠12Τ𝑛1 + 𝑠22Τ𝑛2 2
𝑡𝑐𝑎𝑙 = 𝑔. 𝑙. = 2 −2
𝑠12Τ𝑛1 + 𝑠22Τ𝑛2 𝑠1 Τ𝑛1 2Τ 𝑛1 + 1 + 𝑠22Τ𝑛2 2 Τ 𝑛2 + 1
28
Comparación de las medias de dos series de
medidas: funciones útiles
• Además de las funciones anteriormente vistas (DISTR.T y
DISTR.T.INV) resulta muy útil la función PRUEBA.T:
29
Ejemplo: Comparación de dos medias
experimentales
• En esta prueba los resultados que constituyen cada una de las series
no pertenecen a las mismas muestras estadísticas, por lo que no es
posible determinar un valor medio de cada serie: en este caso se
plantea la comparación entre cada pareja de datos.
• Esta prueba es aplicable en situaciones como las siguientes:
Comparación de los resultados que se obtienen al aplicar dos
métodos distintos sobre un grupo de muestras independientes,
cada una de las cuales dará lugar a una pareja de resultados.
Comparación de los resultados obtenidos a partir de dos muestras
distintas que varían con el tiempo, de forma que se obtienen
parejas de resultados correspondientes a medidas realizadas sobre
las dos muestras a un tiempo determinado.
Comparación de los resultados que se obtienen al analizar varias
muestras distintas antes y después de aplicar sobre ellas una
determinada operación.
31
Comparación de dos series de medidas
emparejadas (datos pareados)
• En esta prueba H0 establece que el valor medio de las diferencias
entre cada pareja de datos no es significativamente distinto de cero:
𝑑𝑖 = 0, donde di es la diferencia entre cada pareja de valores.
𝑑𝑖
𝑡𝑐𝑎𝑙 =
𝑠𝑑 Τ 𝑛
32
Ejemplo: Comparación de dos series de medidas
emparejadas
• Se pretende comprobar la eficacia de la implantación de un sistema
de ventilación para reducir el riesgo de exposición a ciclohexano en
una industria de extracción de aceite de semillas:
34
Análisis de la varianza (ANOVA)
35
Análisis de la varianza (ANOVA)
36
Ejemplo ANOVA
37