Professional Documents
Culture Documents
Validación de Métodos
Analíticos:
Prof. Horacio Napolitano CQE – ASQ
Asociación Química Argentina
3,4 y 5 de Octubre 2016
hnapolitano12@gmail.com
Adecuabilidad Sistema
Validación
Calibración
Bomba Inyector
Detector Sistema Datos
Analistas Métodos
Muestra
Diagrama de flujo de la validación
Requisitos del
cliente
Ejemplo: exactitud, Sí
especificidad,
límites de cuantificación Validación
Termina la validación
La pirámide de validación
Elementos de validación
específicos para cada análisis:
especificidad, precisión
(método de adición)
Matriz
de la muestra Verificación de caracte-
4 rísticas del método
Interna: Control de calidad
3 Control de métodos Externa:Prueba interlab.
Ejemplos:
A Método interno (In-house) HPLC para control de la producción en Química/
Farmacia: 1 + 2 (+3)
B Adaptación de un método de análisis elemental descrito en la literatura: 2 + 3 (+4)
C Cuantificación de PAK en muestras de suelos por DIN o por EPA: 3 + 4
Detección y Tratamiento de
Datos Outliers
Muchos nombres para
Outlier
• Aberrante
• Anómalo
• Contaminado
• Discordante
• Espurio
• Sospechoso
• Observación “salvaje”
Outliers
• Un outlier es una observación que es
inusualmente chica o grande.
• Algunas posibilidades deben investigarse
cuando se observa un outlier:
• Hay un error en el registro del valor.
• El punto no pertenece a la muestra.
• La observación es válida.
• Identificar outliers con el diagrama de
dispersión.
• Es costumbre sospechar que una observación
es un outlier si su |residual normalizado| > 2
Tipos de Fuera de Límites
Outliers
Un outlier Una observación influyente
+++++++++++
+ +
+ … pero algunos outliers
+ +
+ +
son muy influyenes
+
+ + + +
+
+ +
+
3− 2 1,03
Q= = =0.94
3− 1 1,1
La proximidad de los primeros valores hace pensar que se debe descartar el tercer
valor. Sin embargo, el test Q no nos permite hacer esto.
3− 2 0,4
Q= = = 0,93 (0,94 para la eliminación)
3− 1 0,43
2− 1 6,02−5,12
− 1
= 6,82−5,12
= 0,53
Test de Dixon (Test Q)
Tabla 2:Test aplicado a los siete valores
Identificaciones
6,02 X2 X1 X1 X1
6,12 X3 X2 X2 X2
6,22 X4 X3 X3 X3
Dado que Q es mayor que 0,51 (Q0,90 para n = 7 ), el valor más bajo 5,12 debe ser
eliminado.
Test de Dixon (Test Q)
Como se ve en la tabla 2, se ensaya el valor mayor 6,82. Este resultado se identificó como
Xn. Q se calcula como:
− −1 6,82−6,32
− 1
= 6,82−6,02 = 0,625
Siendo Q mayor que 0,56 ( Q 0,.90 para n = 6 ), el valor mayor 6,82 debe eliminarse.
Como se indica en la table 2, 6,32 y 6.32 son identificados como Xn y Xn-1 primero se
ensaya 6,02 como el valor menor. El valor ahora es X1, Q se calcula como sigue:
2− 1 6,12−6,02
= = 0,33
− 1 6,32−6,02
Siendo Q menor que 0,64 ( Q0,90 para n = 5 ), 6,02 debe ser retenido.
El nueno valor mayor a ser ensayado es 6,32, pero como es igual al valor más próximo,
por el test debe ser retenido.
Ensayo de GRUBBS
1. Ordenar en orden creciente respecto de su
valor numérico.
1. x1 < x2 <x3 <..............................<xn
2. Decidir si el valor mayor o el menor
pueden ser sospechosos.
3. Calcular s a partir de todos los datos del
grupo.
4. Calcular el valor de T tal como se detalla.
x x1 xn x
T ; T
S S
Ensayo de GRUBBS
5. Seleccionar el riesgo a tomar en caso de
falsa eliminación.
6. Comparar T con los valores de la tabla
dependiendo de n y el riesgo aceptado.
7. Si el valor calculado para T es mayor que el
valor de la tabla, este dato debe eliminarse.
Tipos de Fuera de Límites
Ensayo de GRUBBS
x xi
G1
S
xn x1
G2
S
n 3 .Sn
2
2
G3 1
n 1.S 2
Ejemplo Ensayo Grubbs 1
• 10 observaciones del contenido de principio
activo en comprimidos: 568, 570, 570, 572,
572, 572, 578, 584, 596.
• Media: 575,2
• Desviación Estándar: 8,70
596 575,2
T10 2,39
8,70
Ejemplo Ensayo Grubbs 2
• Datos: -1,40; -0,24; -0,05; 0,18; 0,48; -0,44;
-0,22; 0,06; 0,20; 0,63; -0,30; -0,13; 0,10; 0,39; 1,01.
• Media: 0,018
• Desviación estándar: 0,551
xn x1
T
s
1,01 (1,40) 2,41
T 4,374
0,551 0,551
Ejemplo Ensayo Grubbs 2
• Se puede verificar que -1,40 es un valor fuera de
límite, usando T1
x x1 0,018 (1,40)
T1 2,574
s 0,551
49,484 48,479
G1 2,02
0,498
49,484 47,876
G2 3,23
0,498
10.0,123
G3 1 2
0,587
12.0,498
Ensayo de GRUBBS.
Ejercicio,
• Conclusiones:
• Los valores críticos para un nivel de confianza del
95% y 99% son:
• G1 = 2,331 y 2,607
• G2 = 4,00 y 4,24
• G3 = 0,6705 y 0,7667
• Dado que los valores calculados son
menores que los valores críticos se concluye
que no hay valores outliers
Ensayo de GRUBBS. Ejercicio,
Ensayo de Cochran
Out-Of-
Expectation
Out-Of-Trend
OOE OOT
HPLC Ejemplo: Diagrama de
Muestreo
Muestra de
Laboratorio
Peso de Peso de
Muestra W1 Muestra W2
Dilución
10 - 100
Material de Bracket 1
Referencia Bracket 2
Dilución
10 - 100
Pesada 2
Secuencia de inyección
dato a
Informar
Valores de área de los Picos
OOE – Ejemplo HPLC
La Media es 15
La Mediana es 14
En un grupo de números,
un número que es mucho
más GRANDE o mucho
más CHICO que el resto
de los números se lo
llama un Outlier.
Para hallar cualquier
outlier en un grupo de
datos, necesitamos
obtener 5 Números
de los datos.
Hallar los 5 Números de los datos siguientes:
3 12 7 40 9 14 18 15 17
3 7 9 12 14 15 17 18 40
Dividir los 5 Números de sus datos en
cuatro cuartos.
3 7 9 12 14 15 17 18 40
3 7 9 12 14 15 17 18 40
3 7 9 12 14 15 17 18 40
3 7 9 12 14 15 17 18 40
IQR = 8
Un outlier es cualquier número que
sea 12 menos que Q1 o 12 más que
Q3
+ 12
- 12
3 7 9 12 14 15 17 18 40
IQR = 8
-3 39
OUTLIER
Hallar la media y la mediana
del grupo de datos siguientes
(no outliers):
3 12 7 40 9 14 18 15 17
Aflatoxines
60 Drugs pesticide residu's
narcotics in food
20
-20
-60
-100
-140
1,E+00
1,E-01
1,E-02
1,E-03
1,E-04
1,E-05
1,E-06
1,E-07
1,E-08
1,E-09
1,E-10
1,E-11
1,E-12
1,E-13
1,E-14
C
Coeficiente de Variación Horwitz
Tabla Nº 1
Intervalos de Confianza
La Idea Básica
• Primero, no hay hipótesis, no hay efecto de
manipulación, no hay comparaciones.
• Comenzamos muestreando de una población y
determinamos el promedio M de la muestra.
µ
La Idea Básica
100(1-)% de todas las muestras tiene
medias entre z /2 desviaciones estándar
de .
M M
La Idea Básica
µM
M
µM
M
C1
H0: m = m0 Verdadera 5%
Ensayo HA1: m < m0
Región Rechazo
C2
H0: m = m0 Verdadera
Ensayo HA1: m m0 2.5% 2.5%
Región Rechazo
C3L m0 C3U
Error Estándar para la Diferencia
de Dos Medias
Si se conocen las variancias verdaderas de las dos
poblaciones, usamos la propiedad de las variables
independientes al azar que dice que Var(X,Y) = Var(X)+Var(Y)
[Solo es para variancias, no desviaciones estándar]
2 2
2 1 2
y1 y 2 Var ( y1 ) Var ( y 2 )
n1 n2
12 22
y1 y2 De la Dist muestra de Y1
n1 n2
De la Dist muestra de Y2
( y1 y2 )
T. E. z
y1 y2
Asumo las dos poblaciones tiene la misma,
o cercana a la misma variancia verdadera,
s2p
1 1
Error estándar Verdadero de
la diferencia de dos medias
y1 y2 p
n1 n2
1 1
Estimado del error estándar
de las diferencias de medias
s y1 y2 s p
n1 n2
Estimado de la desviación
(n1 1) s12 (n2 1) s22
estándar común sp
(Ponderada) n1 n2 2
IC Variancias Separadas y Test-t
¿Qué pasa si dos poblaciones no tienen la
misma variancia?
• Nuevo estimado del error estándar de la diferencia.
• Test y IC no es más exacto - use Satterthwaite para aproximar el
valor de df (df’).
2 2
s 1 s 2
I.C.: (y 1 y 2 ) tα / 2 ,d f
n 1 n 2
2 2
s s
T.E.: t' (y 1 y 2 D o ) 1
2
n 1 n 2
(n1 1)(n2 1) s 2
1 / n1
df 2 2
, c 2
(n2 1)c (n1 1)(1 c) s1 / n1 s 22 / n2
Redondeo df’ hacia abajo, al más cercano
Ensayo t de Student
Esta prueba permite comparar las medias de dos grupo de datos y determinar si entre estos
parámetros las diferencias son estadísticamente significativas. En la prueba t , se procede a
determinar el valor t de student calculado, obtenido de la experiencia analítica, y este valor
posteriormente se compara con el llamado valor crítico, este valor critico se obtiene de la tabla
de t-student para un determinado porcentaje de confiabilidad (normalmente se utiliza el 95% de
confianza, es decir, un valor a de 0,05). Si no existen diferencias significativas entre 2 grupos,
el t calculado debería ser inferior al t critico (o conocido también como t de tabla).
El siguiente ejemplo, trata de explicar la afirmación realizada anteriormente: Un atleta desea
realizar un salto con garrocha, para lo cual, él realiza un calculo de con que velocidad y con que
fuerza (t calculado) debe realizar la prueba de atletismo, a fin de saltar correctamente la altura
establecida para la competencia (t critico).
Ensayo t de Student
Si el t calculado es inferior al t crítico, entonces, no existirá una diferencias
significativa que permita superar al t critico, y el atleta no podrá realizar el
salto.
Experiencia 1: n1=6 Media X1=5,70 Desviación estándar S1= 0,9716 grados de libertad gl1= 5
Experiencia 2: n2=5 Media X2= 6,76 Desviación estándar S2 = 0,8877 grados de libertad gl2= 4
Ensayo t de Student - Ejemplo
Dos Variables Independientes
Se realiza el análisis de una muestra de flúor en agua bajo el método de
cromatografía iónica en Laboratorio 1 y por EIS en Laboratorio 2.
Los resultados obtenidos en mg/L de F- , fueron:
x1 x2
t calc
S 12 .( n 1 1) S 22 .( n 2 1) 1 1
.
n1 n2 2 n
1 n 2
5 ,70 6 ,76
t calc
0 ,9776 2 .( 6 1) 0 ,8777 2 .( 5 1) 1 1
.
652 6 5
1,06 1,06
t calc 3 ,09
0 ,93524 ( 0 ,1667 0 ,2 ) 0 ,34292
X a X b ; t calc
X
X n S/ n
1 3 5 4 1 2,8
X 2,8; t calc 3,48
5 1,789 / 5
91
Análisis de Variancia
92
Tipos de Diseños Experimentales
Diseños
Experimentales
Aleatorizados Bloques
Completamente Aleatorizados Factorial
Anova Anova
Una - Vía Dos - Vías
93
Diseños Aleatorizados
Completamente
94
Diseño Completamente
Aleatorizado
1. Unidades experimentales (sujetos) se
asignan aleatoriamente a los Tratamientos
Se Asume Sujetos Homogéneos
2. Variables
Una Variable Independiente
Una Variable Dependiente
96
Test - F ANOVA Una - Vía
Suposiciones
1. Aleatoriedad e Independencia de los
Errores
2. Normalidad
Poblaciones (para cada condición) están
Distribuidos Normalmente
3.Homogeneidad de Variancias
Poblaciones (para cada condición) tienen
Variancias Iguales
97
Test - F ANOVA Una - Vía
Hipotesis
H0: µ1 = µ2 = µ3 = ... = µp
Todas las medias de las poblaciones son
iguales
No Hay Efecto Tratamiento
98
Test - F ANOVA Una - Vía
Hipotesis
H0: µ1 = µ2 = µ3 = ... = µp
f(X)
Todas las Medias de las
Poblaciones son Iguales
No Hay Efecto Tratamiento
X
1 = 2 = 3
Ha: Todas las µj No son
Iguales
f(X)
Al Menos una Media de
Población es Diferente
NOT µ1 ≠ µ2 ≠ ... ≠ µp
X
1 ≠ 2 3
99
ANOVA Una Vía
Idea Básica
1. Compara 2 Tipos de Variación para Ensayar
Igualdad de Medias
2. Si la variación de los Tratamientos es
Significativamente Más Grande que la
Variación al Azar, entonces las Medias No Son
Iguales
3. Las Medidas de Variación Se Obtienen
Particionando la Variación Total
100
ANOVA Una - Vía
Dividiendo la Variación Total
Variación Total
101
ANOVA Una - Vía
Dividiendo la Variación Total
Total variation
Variación debida
al Tratamiento
102
ANOVA Una - Vía
Dividiendo la Variación Total
Variación Total
103
ANOVA Una - Vía
Dividiendo la Variación Total
Variación Total
Variación Total
Respuesta, Y
Y
Respuesta, Y
Y3
Y
Y2
Y1
Respuesta, Y
Y3
Y2
Y1
2. Grados de Libertad
1 = p -1
2 = n - p
• p = # Poblaciones, Grupos, o Niveles
• n = Tamaño Total de la Muestra
109
ANOVA Una-Vía
Tabla Resumen
110
Test - F ANOVA Una Vía
Valor Crítico
Si las medias son Iguales,
F = MST / MSE 1. Solo
Rechazo Si F es mayor! Rechazo H0
No
Rechazo H0
0 F
Fa ( p1, n p)
114
Diseño Factorial
1. Unidades experimentales (sujetos) se
asignan aleatoriamente a los Tratamientos
Se Asume Sujetos Homogéneos
116
ANOVA Dos Vías
1. Ensaya la Igualdad de 2 o Más Medias
Cuando se Usan Varias Variables
Independientes
117
ANOVA Dos Vías Suposiciones
1. Normalidad
Poblaciones Normalmente Distribuídas
2. Homogeidad de Variancia
Poblaciones Tienen Variancias Iguales
3. Independencia de los Errores
Se grafican las Muestras al Azar
Independientes
118
ANOVA Dos - Vías
Tabla de Datos
Factor Factor B
A 1 2 ... b Observación k
1 Y111 Y121 ... Y1b1
Y112 Y122 ... Y1b2 Yijk
2 Y211 Y221 ... Y2b1
Y212 Y222 ... Y2b2 Nivel i Level j
: : : : : Factor Factor
a Ya11 Ya21 ... Yab1 A B
Variación Total
SS(Total)
SSA SSB
124
Ejercicio
125
Solución
2 2
T / N 2021 / 45 90765,3556
2 2 2
SSc 660 / 15 623 / 15 738 / 15 90765,35556
91224,867 90765,3556 459,5119
SSf 640 2 / 15 717 2 / 15 664 2 / 15 90765,3556
90972,3333 90765,3556 286,9777
SSs ( 218 2 / 5 5174 2 / 5 ......738 2 / 5) 90765,3556
94637 ,8000 90756,3556 3872,4444
126
Solución
2 2 2 2 2
SSt 36 47 46 ...... 19 20 90756,3556
98323,96 90756,3556 7557,6444
SSi SSt SSc SSf
3872,4444 459,2119 286,9777 126,2548
SSw SSt SSf 7957,6444 286,9777 7670,6667
127
Análisis de Variancia
El análisis de varianza, también conocido como ANOVA, es el análisis estadístico en
el cual se compara más de dos medias entre sí. Para ese fin, se debe proceder a
comparar las diferencias entre cada grupo y las observaciones realizadas.
Ejemplo:
SCT x
x
2
2
731,67
80,5 2
11,642
i
N 9
Grados de libertad totales = gl total= N-1 =9-1 =8
SCB
x x x x
A
2
B
2
C
2
nA nB nC N
2 2 2 2
25,5
31,0
24,0
80,5
9,0553
3 3 3 9
Grados de libertad entre grupos (ej.: métodos) = gl B = n’-1 = 3-1 = 2
Suma cuadrados DENTRO del grupo, es decir , dentro de los métodos:
Se realiza por simple resta, es decir:
SC w = SCT - SDCB = 11,642 – 9,05553 = 2,58647
Fcalc
SCB / glB 9,05553 / 2 4,5278
10,5
SC W / glW (2,58647 / 6) 0,4311
n= Nº de niveles= 5
r= coeficiente de correlación= 0,99985
r= coeficiente de determinación= 0,9997
Linealidad - Ejemplo
sustituyendo los valores:
r (n 2) 0,9985 5 2 0,99985 3
tr 99,985
2 2
(1 r ) (1 0,9997 ) 0,0003
El valor t critico obtenido de la tabla para: 3 grados de libertad, un α = 0.05 y 2 colas es:
t crit = 3,182
Qué es Sensibilidad?
Es la diferencia en una concentración
analítica que corresponde a la menor
diferencia en un método, la cuál puede ser
detectada.
m
x .y ( x . y / n)
i i i i
x x / n
2 2
i i
Homogeneidad de variancias
C e C0 Siendo:
R R= Recuperación
Ce = es la concentración de analito de la muestra enriquecida.
El LMP establecido por el analito es de 0,5 ppm es decir es > 0,1 ppm, por lo cual el LOD debe ser
< 1/10 del LMP, debe ser inferior o igual a una décima parte de 0,5. (0,5 mg/L/10) = 0,05 mg/Kg
0,044 mg/L es inferior a 0,05 mgKgL , por lo cual se acepta el LOD calculado de acuerdo al
criterio de aceptación establecido.
Si el LOQ seria: LOD = 10 x 0,013 = 0,13 mg/Kg
Límites -Ejemplo
Para un LMP de 0,5 ppm un LOQ < 1/5 LMP , se debe
determinar el
(LMP/5) , que es : 0,5/5 de 0,1 mg/Kg.
Por lo cual no se esta cumpliendo el criterio pues 0,13mg/Kg es
mayor 0,1 mg/Kg. El LOQ no es aceptable para el campo de
aplicabilidad del método.
En este sentido se puede tomar la decisión de buscar otro
método que cumpla con estos requisitos para este fin previsto
o aceptar su aplicabilidad, considerando en la declaración de
la aplicabilidad estas reservas u observaciones en cuanto a su
LOQ.
Es importante realizar posteriormente la experiencia analítica
de la determinación del analito en el nivel de concentración
determinado para el LOD o LOQ, es decir evidenciar resultados
experimentales, que demuestren la validez del resultado
obtenido.
Exactitud
Cuando se aplica a un método de ensayo, el término “exactitud” se refiere a una
combinación de veracidad y precisión. En el siguiente esquema de “Tiro al
Blanco”, ampliamente utilizado para ejemplificar esto, los puntos u orificios
equivalen a los resultados analíticos y el circulo rojo al centro el rango en el cual
está el valor de referencia (o verdadero).
t calc
20,1 20,38
0,32
0,27. 10
Analistas
Equipos
Reactivos
pH
temperatura.
Tiempo de reacción.
Estabilidad de la muestra.
Otros.
Ruggedness y Robustness
• Ruggedness:
• Definido como el efecto de los parámetros
operacionales sobre la adecuabilidad de los
métodos
• Robustness:
• Referida como la adecuabilidad del método al
ser transferido a otro laboratorio
Robustness
Grado de la propensión de un método a
alteraciones conscientes e inconscientes
respecto de una instrucción de trabajo.
• Parte de la rutina.
• Aprender de otros institutos de análisis, como el
laboratorio demostró la robustez antes de publicar
un nuevo método.
Robustness
Grado de sensibilidad del método
contra pequeños desvíos en las
condiciones experimentales.
Ejemplos:
• Tiempos dentro de los pasos del proceso
• Condiciones Ambientales (ej. temperatura)
• Cambios menores al proceso (ej. pH, caudales en
HPLC)
Ruggedness, según la USP
Ruggedness es el grado de reproducibilidad
obtenido bajo una variedad de condiciones,
expresado como RSD, ej.:
• analistas diferentes,
• equipos diferentes,
• marcas de reactivos diferentes,
• etc
Reproducibilidad Interna
Robustez / Adecuabilidad Sistema
• El método analítico no debe ser sensible a pequeños
cambios procedimientos ej. caudales / reactivos etc.
Identificar todas las variables que pueden tener un efecto en los
datos usando materiales conocidos para determinar los
efectos
Fijar criterio de desempeño para los métodos para lograr lo
basado en Pendiente mínima,/ Respuesta baja / Sensibilidad,
etc.
• Métodos Robustos producen resultados similares
para la misma muestra cuando lo usan laboratorios
independientes
• Métodos “normalizados” caen en esta categoría y
por eso son recomendados
EURACHEM: “The Fitness for Purpose of Analytical Methods “
Interpretando Superaciones
Evaluar si un valor es superior a un límite reglamentario requiere la consideración de
la incertidumbre de medición asociada con el resultado (s). Es difícil la evaluación
basada en mediciones individuales (la mayoría de nuestros datos) ya que no hay
información sobre el rango de la repetibilidad de la medición actual.
Variación ha menudo se infiere de los datos históricos de análisis replicados / Datos
QC. Replicar mediciones son mejores en situaciones difíciles".
Baja Incertidumbre, Excede
D 95% confianza. Debe tomarse
una acción de cumplimiento si
Valor Límite C por ej. >1,5 x límite
Definitivamente dentro del límite del 95% de confianza, incluso con gran incertidumbre error.
Sistema O
Robustez
Se deben establecer las siete comparaciones posibles, es decir las diferencias entre la variable
de mayor valor versus la de menor valor:
(A – a), (B – b), (C – c), (D – d), (E – e), (F – f) y (G – g)
De este modo se puede conocer el efecto de cada variable. En este sentido, cuanto mayor sea
la diferencia de los resultados entre el valor mayor y el valor menor (D = X-x), mayor influencia
tendrá dicha variable en el método analítico.
Como criterio de aceptación para la robustez del método se considera que la diferencia entre
el valor alto y el valor bajo sea superior a √2 de la desviación estándar de la precisión del
método (S), es decir:
( X-x ) < √2 S.
Robustez Ejemplo Ensayo Turbiedad
S: 0,813 √2 S: 1,150
Robustness /
Ruggedness Selectividad o
Especifidad
Rango de Trabajo
Determinar el rango de trabajo apropiado,
usando
• matrices diferentes
• variando concentraciones.
Rango de concentración dentro de la zona
de aceptable
• Son posibles la exactitud y precisión.
Varias
XLOD = Media de blancos + 3 x SL
convenciones
Características del Rango
Límite de cuantificación por
cálculo
Varias
XLMC = 5 or 6 or 10 x SL
convenciones
Hablando más
fuertey
Gritando
Hablando
Suavemente A menudo es difícil de entender el
concepto de límite de detección. El
siguiente ejemplo puede ayudar a
aclarar algunos de los conceptos
definidos anteriormente.
Suponga que usted está en un aeropuerto con mucho ruido por despegue de aviones. Si la
persona a tu lado habla en voz baja, es probable que no los oigamos. Su voz es menor que el
límite de detección. Si hablan un poco más fuerte, es posible que se los oiga, pero no es posible
estar seguro de lo que están diciendo y todavía hay una buena probabilidad que no se pueda oír.
Su voz es> LOD pero <LDC. Si gritan entonces usted puede entenderlos y tomar una decisión
sobre lo que están diciendo y hay pocas posibilidades de no oírlos. Su voz es entonces > LOD y>
LOQ. Del mismo modo, su voz puede quedarse al mismo volumen, pero si el ruido de los aviones
se redujo permitiendo que su voz se convierta > LOD los oye.
Los límites de detección dependen, de su voz (intensidad de señal) y el ruido de fondo (ruido de
los aviones)
Límite de Cuantificación / Límite
Práctico a Reportar
• Límite Práctica a Reportar / Límite de Cuantificación (PRL o LoQ)
Múltiplo del límite de detección declarado, por ejemplo, 2-3 x LoD, a una
concentración que razonablemente se puede determinar con un nivel
aceptable de exactitud y precisión.
El Límite de Cuantificación puede ser calculado usando un patrón
apropiado, y puede ser obtenido a partir del punto de calibración más
bajo de la curva de calibración (excluyendo el blanco).
ISO 6107-2:2006 – Water Quality – Vocabulary Part 2
Límite de
Linealidad
LoQ / PRL (LoL)
LoD
Rango Medición Fijado =
LoL - LoQ
MDL
IDL Concentración
Características del Rango
Límite de detección
por relación
señal a ruido
De 2:1 a 5:1
Límite de cuantificación
De 5:1 a 10:1
Determinación de las
Características del Método
Características
del rango
Características
de la calibración
Características
de la Exactitud
Robustness o
Ruggedness
Selectividad o
Especificidad
Selectividad / Especificidad
Grado en el que los analitos
se pueden determinar en mezclas complejas..
Un método que es selectivo para un analito
decimos que es específico..
Selectividad
Especificidad Detectores
Selectivos en
analísis
instrumental
No hay problema,
ambas palabras se mezclan
Selectividad
• Indica la extensión en la cuál una sustancia
puede ser determinada sin interferencia de
otros compuestos.
• Método selectivo a una sustancia
específica.
• Evaluar la selectividad desde la aplicación a
sustancias puras hasta Muestras complejas.
• Documentar disturbios y restricciones del
método.
Determinación de las
Características del Método
Características
del Rango
Características
de la calibración
Características
de la exactitud
Robustness /
Ruggedness Selectividad
o Especificidad
Determinación de las
Características del Método
Características
del rango
Características Características
de la calibración de Exactitud:
Exactitud
Incertidumbre
Precisión
Robustness o (Repetibilidad/
Ruggedness Recuperación)
Reproducibilidad
Selectividad o
Especificidad
Exactitud = Precisión y corrección I
Exactitud de un
Exactitud método analítico
Grado de
repetibilidad de un
Precisión método analítico
Repetibilidad
Incertidumbre
Reproducibilidad
Repetibilidad: un laboratorio;
Mejor: reproducibilidad interna
Reproducibilidad: + de un laboratorio
Repetibilidad
Use al menos uno de los procedimientos
siguientes para su determinación:
– mismo material,
– mismo método,
– mismo analista,
– mismo laboratorio y
– corto espacio de tiempo entre repeticiones.
Exactitud / Certeza
Usar uno de los métodos siguientes para asegurar la
exactitud:
• Análisis de un material de referencia certificado.
• Participación en comparaciones interlaboratorio.
• Comparación con un procedimiento conocido.
Si no están disponibles:
• Documentar todo dato que prueba la exactitud.
• Hacer una primera aproximación a la exactitud.
• Comprar materiales de referencia.
• Usar en paralelo un método similar.
Recuperación
• Realizado por adición del analito a la matriz.
• Una matriz debe estar libre del analito.
• Sino la muestra debe ser enriquecida con una
concentración baja del analito.
• O debe usarse una matriz simulada.
• Recuperación debe ser determinada solo cuando el
analito está puro.
• Listar la tasa de recuperación (en %) y la desviación
estándar debe ser constante paar las tasas de
recuperación.
• De lo contrario tomarlo como una función de la tasa
de recuperación.
Recuperación
Se puede igualmente expresar en porcentaje de recuperación (%R): se calcula de la
siguiente manera:
%R = [ R ] x 100
En caso de evaluar la recuperación, se deberá realizar prueba t , en la cual el tcalc<t crit:
t calc
100 %R
S. n
Donde :
t calc= t observado o calculado R= Recuperación
S= Desviación estándar de las lecturas del porcentaje de recuperación n= Nº de
lecturas o 0valores observados. Buscar t-Student teórico en tabla para grados
de libertad (v) y el porcentaje de seguridad deseado ( 1-) para un error a de 0,05.
Si el tcalc> tcrit (hay una diferencia estadísticamente significativa), los resultados
deben ser corregidos.
Polarografía/ Voltametría X X X X X
Titrulación X X X
Humedad X X X X
Cromatografía
X X X X X
Espectroscopia X X X X X
Liberación X X X X X
TOC X X X X
Inmunoensayo X X X X X X
El Análisis de Materiales de
Referencia
• Método aceptado para la validación.
• Estos materiales tienen la garantía del
mercado.
• Puede ser necesario contratar la preparación
de una muestra única en una matriz en
particular para usarla en la validación del
método.
• El analista debe demostrar que el método
proporciona exactitud y precisión.
La participación en PT o en un
Estudio Colaborativo
El procedimiento más ampliamente usado para la
validación de métodos.
Serios inconvenientes prácticos:
Costosos y consumen mucho tiempo
Esfuerzo en la coordinación
Movimientos de muestras y datos
Análisis estadístico e interpretación de los
resultados.
Este método es raro que aparezca en la literatura
como la primera opción.
Comparación con un Método
Aceptado
• Usualmente hecho por un analista
• o dos usando una muestra dividida.
• usan resultados de un método aceptado para
la verificación.
Sugiere validación.
La no verificación sugiere que el método
aceptado es invalido.
• Entonces debe emplearse otro método para la
validación.
Validación de Métodos
Acreditación de los Procedimientos Validados
Gerente de Calidad
Resultados Requisitos
de la de los
Validación Clientes
Validación de Métodos
Extensión de la validación en ciencias analíticas
Propósito
• Adecuabilidad del método
• „Marketibilidad“ del método
Sensibilidad Analítica
Costos
Requisitos para la salida
ISO/IEC 17025 fija:
Validación es
un balance entre
costos, riesgos y
posibilidades técnicas
La validación se completa
por una declaración del laboratorio
que el método es adecuado p
para el uso previsto.
Validación es
un balance entre
costos, riesgos y
posibilidades técnicas
No Olvidar:
[Método de Evaluación]
Ensayo de Confirmación:
Confirmar que tipo de componentes están en la muestra, como:
impurezas, productos de descomposición y productos
relacionados.
B
0 5 10 15(min)
Resolución entre el objetivo y la impureza es mayor que 1,5 y para cada impureza
la resolución mayor a 1,2. El espectro de la droga (A) es similar a un patrón de ácido
acetilsalicílico (B).
Control de la Pureza de
Pico
• Cuando se hace un ensayo de especificidad, el
detector por arreglo de diodos proporciona
resultados sobre la pureza de pico.
220 nm
relación
280/220
Comparación Tres Puntos del
Espectro
T2 tope
bajada
subida
T1 T3
1/2 1/3
Detección Punto Detección
Inicial Punto Final
Comparación Tres Puntos
del Espectro
Ácido Acetilsalicílico
pico
Existencia de 0,05% o más de impurezas
que se pueden reconocer usando la curva de
pureza de pico
Existencia confirmada
de la impureza
Ácido p-Nitrobenzoico
0,05% de impurezas
Existencia confirmada de la impureza
Es dificil encontrar
trazas de impurezas usando
3 puntos del espectro
Evaluación de la forma de un
cromatograma usando 4 o más
ácido acetilsalicílico
+ 0,1% ácido salicílico
Evaluación de la forma de un
cromatograma usando 5
Ácido Acetilsalicílico
■・・・・・・・
SAMPLE COOLER
......
... 0.0
...
xxxx xxxx
xxxx xxxx
xxxx xxxx
xxxx xxxx
7
0
4
000
0
・
9
3
xxxx
0
LC-10AD :::::::
000
xxxx xxxx
xxxx xxxx
xxxx xxxx
xxxx xxxx
7
0
000
0
・
9
3
xxxx
0
Precisión Intermedia
• Repeatibilidad Reproducibilidad
Términos Confusos sobre
Precisión
Reproducibilidad
Repetibilidad
Robustez
(Ruggedness)
Precisión
Intermedia
Robustez
(Robustness)
Términos sobre Precisión
• Precisión Instrumento
- 10 Inyecciones Patrón
• Repetibilidad
- Un Análisis (6 preps.)
• Precisión Intermedia
- Dos Análisis
• Reproducibilidad
- Dos Laboratorios.
• Ruggedness
- Muchas Variables
• Robustness
- Cambios Intencionales
Origen del error :
Exactitud y Precisión
• Sistemático (no al azar)
• desvío
• imposible ser corregido
exactitud
• Al Azar
• es evaluado por estadística
precisión
Estimación del Ruido de Línea de
Base Cromatográfica
W:1 Ancho Pico (a)
Cromatograma Muestra
Cromatograma Blanco
Xb
Área of Área de
no detectado detección cuantificación
o CV<20%
Curva de Calibración
Y Respuesta: variable dependiente (pico,área ..)
Y (observado)
Yn
y = ax + b
y1
x1 xn
Variable Independiente: X
concentraciones conocidas exactamente
Curva de Calibración
Y Response: dependent variable
Y (observado)
Yn
y = ax + b
y1 Variable Independiente:
x1 ^ xn
X X
Concentración estimada
Curva de Calibración
Respuesta Respuesta
^
x x^
Buena Mala
Curva de Calibración
• Construcción
• 5 a 8 puntos en el rango analítico
Homogeneidad de Variancia
Curva de Calibración:
Homogeneidad de Variancia
Problema de la homogeneidad de
variancia
Homogenea No homogenea
“forma de cono"
Curva Calibración: Linealidad &
Homogeneidad de Variancia / Inspección
Gráfico Residuales
Residuales NO Ponderados
Residuales Ponderados
Y
Respuesta
r = 0.99
no prueba linealidad
X
Concentración
Curva de Calibración: Linealidad
• Requiere replicados
• ANOVA
Curva de Calibración: Linealidad
Test para la Pérdida de Ajuste
Es una Comparación de 2 variancias
Y
Respuesta
X
Concentración
Variancia 1 Variancia 2
Media estimada a partir de
? Media estimada a
cada grupo de datos = partir de la curva
X
X
Curva de Calibración: Linealidad
• Si no hay linealidad
Cuadrático y
Residuales Ponderados
Lineal y Residuales
Ponderados
Curva de Calibración: Sensibilidad
La sensibilidad de un método analítico es su
capacidad para responder a pequeños cambios
en la cantidad absoluta del analito presente
Respuesta (Y)
cantidad medida
3
2 Alta Sensibilidad
1
Concentración (X)
Cantidad agregada
Curva de Calibración: Sensibilidad
Desempeño: El factor pendiente
1
2
X
A1 ^x A2 A1 ^
x A2
Heteroscedasticidad y
• Variancia = f(x)
• Solución = Regresión Ponderada
• Evaluación
• Ensayos Estadísticos (Cochran, x
Breush - Pagan,…) Homoscedasticidad:
• Interpretación Visual s2 = constante
• Gráfico de Residuales y
• Gráfico S o S² vs concentración
• Impact sobre CCa y CCb
• Variancia a CCa y CCb no está
estimada correctamente
• CCa y CCb pueden ser incorrectos x
Heteroscedasticidad:
s2 = no constante
Presencia de Heteroscedasticidad
RESIDUALS PLOT OF THE LINEAR M ODEL
Nitroimidazoles en plasma
(MNZ-OH) 0,8
0,6
0,4
• Gráfico Residuales
Residual
0,2
0
• “<“ - forma -0,2 0 1 2 3 4 5 6
-0,4
• Gráfico de S vs concent. -0,6
-0,8
• Relación Líneal relación Concentration
entre S y concentración
• Heteroscedasticidad MNZ-OH y = 0,0831x + 0,0023
2
R = 0,9924
0, 5
0,45
• Impacto en CC y CC 0, 4
0,35
• CC y CC están
St Dev
0, 3
calculados 0,25
0, 2
incorrectamente 0,15
0, 1
• CC ↓ o ↑ 0 1 2 3 4 5 6
Conc
Otros ejemplos
•Nitroimidazoles en plasma •Nitrofuranos en miel
MNZ y = 0,0389x + 0,0146 AMOZ
y = 0,0426x + 0,0105
2
R = 0,7416 R 2 = 0,9768
0, 12 0, 14
0, 12
0, 1
0, 1
0, 08
St Dev
St Dev
0, 08
0, 06 0, 06
0, 04
0, 04
0, 02
0, 02
0
-0, 5 0 0, 5 1 1, 5 2 2, 5 3
0 -0, 02
-0, 5 0 0, 5 1 1, 5 2 2,5 3
Conc
Conc
RNZ
y = 0,0764x - 0,0172 •Corticosteroides en higado
2
0, 4
R = 0,7899
0, 35
0, 3
Triamcinolone Acetonide y = 0,1975x - 0,1607
2
R = 0,8451
St Dev
0, 25
0, 2 0, 8
0, 15 0, 7
0, 1
0, 6
0, 05
0, 5
0
St Dev
0, 4
-0, 05 0 0, 5 1 1, 5 2 2,5 3 3, 5 4 4, 5 5
0, 3
Conc 0, 2
0, 1
0
0 0, 5 1 1, 5 2 2, 5 3 3, 5 4 4, 5 5
-0, 1
-0, 2
Conc
La Línea de Cuadrados Mínimos
(Regresión)
Sum a de diferencia de cuadrados = (2 - 1)2 +(4 - 2)2 + (1,5 - 3)2 + (3,2 - 4)2 = 6,89
= -2,5)2 + (4 – 2,5)2 + (1,5 – 2,5)2 + (3,2 – 2,5)2 = 3.99
Sum a de diferencias de cuadrados(2
Comparemos dos líneas
4 (2,4)
w La segunda línea es horizontal
3 w (4,3.2)
2.5
2
(1,2) w La menor suma de diferencias
w (3,1.5)
1 de cuadrados es el mejor
ajuste de la línea de los datos.
1 2 3 4
250
La Línea de Cuadrados Mínimos
(Regresión)
Sum a de diferencia de cuadrados = (2 - 1)2 +(4 - 2)2 + (1,5 - 3)2 + (3,2 - 4)2 = 6,89
= -2,5)2 + (4 – 2,5)2 + (1,5 – 2,5)2 + (3,2 – 2,5)2 = 3.99
Sum a de diferencias de cuadrados(2
Comparemos dos líneas
4 (2,4)
w La segunda línea es horizontal
3 w (4,3.2)
2.5
2
(1,2) w La menor suma de diferencias
w (3,1.5)
1 de cuadrados es el mejor
ajuste de la línea de los datos.
1 2 3 4
251
Ensayando la Pendiente
• Cuando no existe relación lineal entre
dos variables, la línea de regresión es horizontal.
q
q
q
q q q
q
q
q q
q q
253
Distribución de la Probabilidad del Error
^
f()
Y
X1
X2
X
254
La Normalidad de e
La desviación estándar permanece constante,
E(y|x3)
b0 + b1x3 m3
E(y|x2)
b0 + b1x2 m2
b0 + b1x1 m1
x1 x2 x3
De las tres suposiciones tenemos:
y está distribuida normalmente con media
E(y) = b0 + b1x, y una desviación estándar constante se
255
Variación del Error al Azar
256
Variación del Error al Azar
257
Desarrollo y Validación de
Métodos Analíticos para HPLC
■・・・・・・・
SAMPLE COOLER
......
... 0.0
...
xxxx xxxx 7 8 9
xxxx xxxx
7 8 9
xxxx xxxx 4 5 6 5
xxxx xxxx 4 6
xxxx xxxx 1 2 3 xxxx xxxx 1 2 3
xxxx xxxx xxxx
0 ・ xxxx xxxx xxxx
0 ・
Robustez
Método
La composición del solvente orgánico de la fase móvil y el pH del buffer se variaron
intencionalmente y los componentes objetivo se cuantifican acorde con el
procedimiento analítico. Tres patrones se miden 3 veces cada uno, se hace el
análisis de variancia para 2 desconocidos, y se investigan las diferencias
significativas causadas por las variaciones en las condiciones.
Acido Acetilsalicílico
Acido Acetilsalicílico
Acido Salicílico
A
p-Hidroxibenzoico
Acido Salicílico
B
A
B
D
0 5 10 15 min 0 5 10 15 min
Acido Acetilsalicilico
Concentració
nteórica 80 % 90 % 100 % 110 % 120 % Ensayo 2 Ensayo 1
1º corrida 79.2 % 90.8 % 99.3 % 109.0 % 120.9 % 1º corrida 99.3 % 99.6 %
2º corrida 79.7 % 90.2 % 100.8 % 109.7 % 120.1 % 2º corrida 100.8 % 98.9 %
3º corrida 80.6 % 89.7 % 100.4 % 110.6 % 119.4 % 3º corrida 100.4 % 100.5 %
4º corrida 80.0 % 89.3 % 99.1 % 110.5 % 120.7 % 4º corrida 99.1 % 99.7 %
5º corrida 80.4 % 90.5 % 99.9 % 109.1 % 119.2 % 5º corrida 99.9 % 99.2 %
Linealidad
Método
De los resultados obtenidos de los análisis midiendo las 5 muestras con 5
concentraciones y 5 veces cada una, se realiza un gráfico para las mediciones y se
confirma la linealidad. Usando el análisis de regresión se calculan: el coeficiente de
correlación, pendiente de la línea de regresión, intercepción en y, y suma de la diferencia
de cuadrados.
100
80 Pendiente xi-Sxi/n)(yi-Syi/n)}/S(xi-Sxi/n)2
b = S{(
60 b = 0.9984
40
20 Intercepción y a = Syi/n-bSxi/n
0 a = 0.124
0 20 40 60 80 100 120 140
Suma de la Se = S{yi-(bxi+a)}2
sample concentration (%)
diferencia de cuadrados
Se = 4.6448
Gráfico valores medidos
(n=
número total de análisis
5
4 Se reconoce la linealidad con un coeficiente de correlación de 0.999 o más.
3
2
1
0
residual
-1
-2
-3
-4
-5
0 20 40 60 80 100 120 140
Tabla del análisis de Variancia (distribución primaria) Exactitud (cada patrón) dj = S{yji(100/xj)}/m -100
Suma de Grados de Cuadrado d80 = -0.02500
Factor cuadrados libertad promedio Valor F d90 = 0.11111
Muestra S I = 0.300494 nI = 4 VI = 0.075123 F = 0.16193 d100 = -0.10000
d110 = -0.20000
Error Se = 9.27852 ne = 20 Ve = 0.463926
d120 = 0.05000
Total ST = 9.57901 nT = 24
Exactitud (general) d = SS{yij(100/xj)}/n -100
2 2
SI = S(Sy ) /m-(SS
i j yij) /n nI = l-1 VI = SI/nI F = VI/Ve
Se = ST -SI ne = nT -nI Ve = Se/ne d = -0.03278
ST = SSyij2-(SSyij)2/n nT = lm-1 Sección confiable d-1.96(VI /n)1/2 < D < d+1.96(VI /n)1/2
-0.14022< D <0.074664
o d-t0.025(l-1)(VI /n)1/2 < D < d+t0.025(l-1)(VI /n)1/2
-0.18495< D < 0.11940
( l = 5 : Número de patrones, m = 5 : Número de repeticiones, n = lm = 25 : número total
análisis
Si el 0 se incluye en el intervalo de confianza de la exactitud, no hay ordenada
Repetibilidad
Método
Después de normalizar los resultados del análisis de muestras con 5 concentraciones medidas 5
veces cada una, basadas en valores patrones a cada concentración, la variación entre
patrones es analizada usando el análisis de variancia para la distribución primaria. Calcular
después el valor estimado para la desviación estándar y la desviación de la variancia en el
intervalo de confianza con un nivel de confianza del 95%.
2
Tabla del análisis de la Variancia (distribución primaria) m-1)}1/2
Desviación Estándar (cada patrón) sj = {S(yji-Syji/m) /(
Suma de Grados de Cuadrado s80 = 0.558570
Factor cuadrados libertad promedio Valor F s90 = 0.604152
s100 = 0.717635
Muestra S I = 0.300494 nI = 4 VI = 0.075123 F = 0.16193
s110 = 0.752994
Error Se = 9.27852 ne = 20 Ve = 0.463926
s120 = 0.756968
Total ST = 9.57901 nT = 24
Desviación estándar relativa(cada patrón) RSDj = sj/(Syji/m)
2
SI = S(Syi)j /m-(SS yij)2/n nI = l-1 VI = SI/nI F = VI/Ve RSD80 = 0.70 (%)
Se = ST -SI ne = nT -nI Ve = Se/ne RSD90 = 0.67 (%)
ST = SSyij2-(SSyij)2/n nT = lm-1 RSD100 = 0.72 (%)
RSD110 = 0.69 (%)
RSD120 = 0.63 (%)
Desviación Estándar (total) s = Ve1/2
s = 0.681121
Sección Confiable Se /c20.025(n-l) < s2 < Se /c20.975(n-l)
0.271543< s < 0.967441
( l = 5 : Número de patrones, m = 5 : Número de repeticiones, n = lm = 25 : número total
number de analísis
Precisión Intermedia
Método
A partir de los resultados obtenidos de 2 análisis cambiando los factores
variables, se calcula la diferencia entre la media de los valores de la población
con un intervalo de confianza del 95% del rango de variancia de la población.
Desviación Estándar diferencia del residuo sy/x = {S{yi-(bxi+a)}2/(n-2)}1/2 Límite Detección DL = 3.3sy/x/a
sy/x = 252.857
DL = 0.011 (%)
2 2 1/2
Desviación Estándar de intercepción-y sy = sy/x{(Sxi /nS(xi-Sxi/n) } o
sy = 151.7139 DL = 0.0066 (%)
o
2 2 1/2
o
Desviación Estándar de intercepción-y sy = sy/x{1+1/n+(Sxi/n) /S(xi-Sxi/n) }
DL = 0.013 (%)
sy = 294.879
(a = 76182: pendiente línea regresión, b = 267.36: y-intercepción, n = 25:
número total de análisis)
Ejemplo de Validación (4)
Ensayo
Un ensayo cuantitativo para ácido salicílico como impureza en el ácido
acetilsalicílico materia prima usando HPLC
Capacidad Analítica, parámetros a evaluar
Especificidad, exactitud, repetibilidad, precisión intermedia, límite
cuantificación, linealidad, y rango
Datos para evaluación
Se analizan muestras con 5 concentraciones desde el 50% del valor del
límite hasta el 120% cada una se analizan 5 times y se obtienen los
resultados de la medición (valores de área).
•294
Linealidad del Sistema
•1. Tabular los resultados, según el esquema siguiente:
t = número de diluciones
n = número de replicados (propiedad medida) de cada dilución de la
solución patrón
Para proceder con los siguientes cálculos es necesario que
el número de replicados por dilución, sean iguales.
•295
Linealidad del Sistema
•2. Cálculos preliminares para el Coeficiente de Correlación y Coeficientes de
Determinación
2 2 2 2
x n ( x 1 x 2 ........ x t)
2
y y112 y122 .... y12n y221 y222 y22n ... y2t1 y2t 2 y2tn
xy x 1 ( y11 y 21 y1n ) x 2 ( y21 y 22 y2n ) ... x t ( y t 1 y t 2 y tn )
•4.2 Calcular la suma de factores, suma de cuadrado de factores y media del factor
2 2 2 2 2 2
F2 F11 F12 F1n ......... Ft1 Ft 2 Ftn
F
F donde N número de puntos para la linealidad del sistema
N •297
Linealidad del Sistema
•5. Cálculos finales para el Coeficiente de Variación.
N( F2 ) ( F)2 1
2
DE [ ]
N(N 1)
DE
CV x 100
F
•298
Linealidad del Sistema - Ejemplo
• Curva de calibración de benzoil metronidazol, por UV – VIS a 309 nm,
• usando como solvente Alcohol Etílico.
Concentración mg% a partir de la solución patrón Absorbancia
x1 = 0,642 y11 = 0,208 y12 = 0,209
•y = y1 + y2 + y3 + y4 + ........ + yn
•y2 = y12 + y22 + y32 + y42 + ........ + yn2
y N( y 2 ) ( y)2 1
2
y DE [ ]
N N(N 1)
DE
CV
.100
y
•302
Precisión del Sistema - Ejemplo
•1. Tabla de altura relativa
•1,185; 1,189; 1,184; 1,203; 1,198; 1,191 N=6.
6. 8,5207 7,15 2 21
DE [ ] 0,00753
6 (5)
•3. Cálculos Finales
xy x (y y y ) x (y y y ) ... x (y y
1 11 21 1n 2 21 22 2n t t1 t2 y tn )
nt ( xy ) x. y y m ( x )
m b
nt ( x 2 ) ( x )2 nt
[nt ( xy) x. y ]2
r2 •305
[nt ( x 2 ) ( x )2 ] [nt ( y2 ) ( y)2
Linealidad del Método - Ejemplo
A. Cantidad Adicionada – Cantidad Recuperada
•Nota: (Para este ejemplo: x11, x12 y x13 = 60; x21, x22 y x23 = 100 y
•x31, x32 y x33 = 120).
•306
Linealidad del Método - Ejemplo
A. Cantidad Adicionada – Cantidad Recuperada
•2.Cálculos Preliminares
•308
Linealidad del Método - Ejemplo
B. Porcentaje Recuperado
2. Cálculos preliminares
3. Cálculos Finales
Coeficiente de Variación
CV = 0,2861 / 99,8233 . 100 = 0,29%
Ya que el Coeficiente de Variación es menor al 3%, cumple. •309
Exactitud y Repetibilidad al 100%
1. Tabular los resultados del porcentaje recuperado (R), en base al
siguiente esquema
2. Cálculos preliminares
R N ( R 2 ) ( R )2 1
2
R DE [ ]
N N (N 1)
ANALISTA
1 2
DIA 1 Y111 Y211
Y112 Y212
Y113 Y213
2 Y121 Y221
Y122 Y222
Y123 Y223
•311
Precisión - Reproducibilidad
2. Cálculos preliminares
y = y111+ y112+ y113+ y121+ y122+ y123+ y211+ y212+ y213+ y221+ y222
+ y223
y2 = y1112+ y1122+ y1132+ y1212+ y1222+ y1232+ y2112 + y2122+ y2132+
y2212 + y2222+ y2232
1
y N ( y 2 ) ( y) 2 2
y DE
N N (N 1)
ANALISTA
1 2
Y111 = 99,86 Y211 = 100,60
1 Y112 = 100,38 Y212 = 101,20
DIA Y113 = 99,62 Y213 = 100,87
Y121 = 100,26 Y221 = 100,33
2 Y122 = 99,99 Y222 = 100,77
Y123 = 99,36 Y223 = 100,07
N =12
•313
Precisión - Reproducibilidad -
Ejemplo 1
Cálculos Preliminares
1
2
1203,3 12.(120664,0442) 1203,3 2
y 100,275 DE 0,5340
12 12 (12 1)
3. Cálculos Finales
ANALISTA
1 2
Y111 = 100,00 Y211 = 98,23
1 Y112 = 100,00 Y212 = 99,41
DIA Y113 = 98,00 Y213 = 99,42
N =12
•315
Precisión - Reproducibilidad -
Ejemplo 2
Cálculos Preliminares
y = 99,86 + 100,38 + 99,62 + 100,25 + 99,99 + 99,36 + 100,60 + 101,20 +
100,87 + 100,33 + 100,77 + 100,07 = 1203,3
y2 = 99,862 + 100,382 + 99,622 + 100,252 + 99,992 + 99,362 + 100,602 +
101,202 + 100,872 + 100,332 + 100,772 + 100,072
= 120664,0442
1
2
1203,3 12.(120664 ,0442) 1203,3 2
y 100,275 DE 0,5340
12 12 (12 1)
3. Cálculos Finales
1
2
1197,04 12.(119418 ,4476 ) 11197 ,04 2
y 99,75 DE 0,93990
12 12 (12 1)
3. Cálculos Finales
CONDICIÓN / TIEMPO
INICIAL 1 2 m
Y1 Y4 Y7 Y n-2
Y2 Y5 Y8 Y n-1
Y3 Y6 Y9 Yn
3. Cálculos Preliminares para el intervalo de Confianza
MEDIA Y0 Y1 Y2 YM
VARIANCIA S02 S12 S22 Sm2
Variancia Ponderada
I
i (condición / tiempo )
N
donde: N = número de muestras por cada condición / tiempo.
I I I I I I I7 I8 I9
I1 1 2 3 I2 4 5 6 I3
3 3 3
La media del factor (I) para cada condición / tiempo deberá cumplir
con los siguientes criterios.
CONDICIÓN / TIEMPO
INICIAL T.A. / 24 hs. T.A. / 72 hs. T.4ºC. / 24 hs.
99,79 97,72 97,80 97,32
98,73 98,68 99,94 97,53
97,11 98,14 99,57 98,82
•321
Estabilidad Muestra a Analizar -
Ejemplo
3. Cálculos Preliminares para el intervalo de Confianza
Variancias Ponderadas
•326
Comparación de Dos Métodos
Analíticos
2. Cálculos Finales
2.a. Exactitud al 100% o Linealidad del Método
Límite superior del intervalo de confianza para la razón de variancias (LSIC).
DE12
LSIC 2
xF
DE2
Límite inferior del intervalo de confianza para la razón de variancias (LIIC).
DE12 1
LSIC x
DE22 F
F = Valor de la distribución de Snedercor con (N1 -1) grados de libertad en el numerador y (N2 -1) y con una
probabilidad acumulada de 0,975
DE12 1
LSIC x
DE22 F
F = Valor de la distribución de Snedercor con (N1 -1) grados de libertad en el numerador y (N2 -1) y con una
probabilidad acumulada de 0,975
1. Información Requerida:
R1 : Media del porcentaje de recuperación del método 1
R2 : Media del porcentaje de recuperación del método 2
N1 : Número de porcentajes de recuperación del método 1
N2 : Número de porcentajes de recuperación del método 2
DE1 : Desviación Estándar del porcentaje de recuperación del método 1
DE2 : Desviación Estándar del porcentaje de recuperación del método 2
2. Cálculos preliminares
1
(N1 1) DE12 (N2 2) DE22 2
DEp
N1 N2 2 •329
Comparación de Dos Métodos
Analíticos
3. Cálculos Finales
1 1
LSIC (R 1 R 2 ) t .DEp .
N1 N2
1 1
LIIC (R 1 R 2 ) t .DEp .
N1 N2
•330
Comparación de Dos Métodos
Analíticos
Caso 2: Los métodos no tienen la misma repetibilidad
1. Información Requerida:
•331
Comparación de Dos Métodos
Analíticos
2. Cálculos preliminares
[DE12 / N1 DE22 / N2 ]2
gl 2 2 2 2
2
[DE1 / N1 ] [DE2 / N2 ]
N1 1 N2 1
3. Cálculos Finales
DE12 DE22
LSIC (R 1 R 2 ) t .
N1 N2
DE12 DE22
LIIC (R 1 R 2 ) t .
N1 N2 •332
Comparación de Dos Métodos
Analíticos
C. Linealidad del Método (pendientes de la
cantidad agregada – cantidad recuperada)
1. Información requerida
Método 1 Método 2
x1 x2
x12 x22
y1 y2
y12 y22
xy1 xy2
m1 m2 x1: Suma de las cantidades agregadas en el método 1
x2 : Suma de las cantidades agregadas en el método 2
t1 t2
n1 n2
•333
Comparación de Dos Métodos
Analíticos
2. Cálculos Preliminares.
2
[ y12 m1 xy1 b1 y1 ] [ y22 m2 xy 2 b 2 y2 ]
S E
t 1 n1 t 2 n2 4
2 2
1 1
S dm S x
E 2 2
2 2
1 i
x ( x ) / n t
1 1 2 2 21 2
x ( x ) / n t
3. Cálculos Finales
2 2
S2do 2
SE x
1
1
2 2
( x 1 )
2 2
( x 2 )
2 2 2 2
n t
1 1 n t
2 2 n1 1 1
n [ x ( 1 1 1 2 2 2 2 2 2
x ) / n t n n [ x ( x ) / n t
3. Cálculos Finales.
Límites Superior (LSIC) e Inferior (LIIC) para la diferencia en las ordenadas
al origen de la cantidad agregada – cantidad recuperada.
t = valor de la Distribución de Student con (t1 n1 + t2 n2 – 4) grados de libertad y una probabilidad acumulada de 0,975.
•335
Comparación de Dos Métodos
Analíticos - Ejemplo
Método Método Cromatografía en Capa Delgada para cuantificar
1 Hidrocortisona
Método Método Cromatografía Líquida de Alta Resolución para
2 cuantificar Hidrocortisona
A. Repetibilidad
Información requerida: Información obtenida de la linealidad del método
DE1 = 2,62747 N1 = 25
DE2 = 1,2028 N2 = 25
Cálculos Finales:
Intervalos de Confianza
DE12 1 2,61747 2 1 DE12 2,61747 2
LIIC 2
x 2
x 2,09 LSIC 2
xF 2
x 2,27 10,75
DE 2 F 1,2028 2,27 DE2 1,2028
•336
Los métodos no tienen la misma repetibilidad, ya que el intervalo de confianza no contiene al valor 1.
Comparación de Dos Métodos
Analíticos - Ejemplo
B. Exactitud al 100% y Linealidad del Método (Porcentaje recuperado)
Se utiliza cuando los métodos no tienen la misma repetibilidad
Información Requerida:
R barra1 = 100,13 N1 = 25 DE1 = 2,6175
R barra2 = 99,75 N2 = 25 DE2 = 1,2028
Cálculos Preliminares
•337
Comparación de Dos Métodos
Analíticos - Ejemplo
B. Exactitud al 100% y Linealidad del Método (Porcentaje recuperado)
Se utiliza cuando los métodos no tienen la misma repetibilidad
Cálculos Finales:
DE12 DE 22
LC (R 1 R 2 ) t . t 2,03
N1 N2
2,61752 1,20282
LSIC (100,13 99,75) 2,03. 0,38 1,1695 1,5495 t 2,03
25 25
2,61752 1,20282
LIIC (100,13 99,75) 2,03. 0,38 1,1695 0,7895
25 25
•339
Comparación de Dos Métodos
Analíticos - Ejemplo
D. Linealidad del Método (pendientes de la
cantidad agregada – cantidad recuperada).
Método 1 (TLC) Método 2 (HPLC)
x1 =5800 x2 = 7250
x12 = 2850000 x22 = 3562500
y1 = 5726,46 y2 = 7226,76
y12 = 2778528,107 y22 = 3533049,50
xy1 = 2613724,5 xy2 = 3547309
m1 = 0,984332142 m2 = 0,932142856
t1 = 3 t2 = 3
n1 = 4 n2 = 5
b1 = 1,444464428 b2 = 31,24828577 •340
Comparación de Dos Métodos
Analíticos - Ejemplo
3. Cálculos Preliminares
2
[ y12 m1 xy1 b1 y1 ] [ y22 m2 xy 2 b 2 y2 ]
S
E
t 1 n1 t 2 n2 4
616,9751516 626,901959 1243,877111
SE2 54,08
23 23
2.a. Desviación Estándar de las pendientes de la cantidad agregada
– cantidad recuperada
2 2
S 2do 2
SE x
( x 1 )
( x 2 )
2 2 2 2
1 1
[ x ( x ) / n t
1 1 [ 2 2 2 2
x ( x ) / n t
1 1
S2do 54,08 2
2
[ 2850000 ( 5800 ) / 12 ] [ 3562500 (7250 ) / 15 ]
1 1
S2do 54,08 54,08 x 3,857142853 . 10 5 2,08594 . 10 3
46666 ,6667 58333 ,3334 •341
Comparación de Dos Métodos
Analíticos - Ejemplo
Cálculos Finales
Límites Superior (LSIC) e Inferior (LIIC) para la diferencia de pendientes de
la cantidad adicionada – cantidad recuperada (LSIC)
•342
Comparación de Dos Métodos
Analíticos - Ejemplo
3.a. Desviación Estándar de las ordenadas al origen de la cantidad
agregada – cantidad recuperada.
2 2
S 2do 2
SE x
1
1
2 2
( x 1 )
2 2
( x 2 )
2 2 2 2
n t
1 1 n t
2 2 n1 1 1
n [ x ( 1 1 1 2 2 2 2 2 2
x ) / n t n n [ x ( x ) / n t
2 1 1 33640000 52562500
S do 54,08 .
12 12 144 .( 46666 ,6667 ) 225 .(58333 ,3334 )
S 2do 54,08 . (0,15 5,00595238 4,0047619 ) 495,4114283
•343
Comparación de Dos Métodos
Analíticos - Ejemplo
3. Cálculos Finales
Límites Superior (LSIC) e Inferior (LIIC) para la diferencia de las ordenadas al
origen de la cantidad adicionada – cantidad recuperada (LSIC)
Ya que el intervalo de confianza para las diferencias de las pendientes y para las diferencias de las ordenadas
al origen, se encuentra en ambos el valor cero, se concluye que los parámetros analíticos
de los métodos son equivalentes.
•344
Parámetros a Evaluar Según Aplicación del
Método
•345
Comparación de Dos Métodos
Analíticos - Ejemplo
En este capitulo se describe un ensayo estadístico adicional para el
ensayo de precisión, específicamente para la REPRODUCIBILIDAD
En este ensayo se evalúa el método, estudiando las siguientes variables: Analistas, Equipos,
Laboratorios, etc; es decir, las variables que la persona que está validando el comportamiento
del método considera que deben validarse. Cuando se evalúe el efecto del analista sobre el
método en distintos días, se está observando el comportamiento del método con dos factores
fundamentales. Un método es Reproducible en cuanto a los factores que se analizan y no en
cuanto a otros. Para el caso particular de los datos de 2 analistas realizados en dos días
diferentes y con tres replicados cada uno, se puede realizar el análisis de variancia (ANOVA) que
se describe a continuación.
El modelo hipotético que representa este caso es el siguiente:
Yijk = + i + j (i) + k(ij)
Donde:
Yijk el ensayo de la sustancia de interés es la késima muestra por el iésimo analista en el jésimo día
media poblacional del ensayo de la sustancia de interés en la muestra
i efecto del analista en el ensayo (donde j – 1 ....... a)
j (i) efecto del día anidado en el analista (donde i – 1 ....... d)
k(ij) error del método analítico (donde k – 1 ....... r)
a número de analistas donde a = 2
d número de días donde d = 2
•346
r número de replicados donde r = 3
Comparación de Dos Métodos
Analíticos - Ejemplo
PRECISION (REPRODUCIBILIDAD)
ANALISTA (i)
1 2
DÍA 1 Y111 Y211
(j) Y112 Y212
Y113 Y213
2 Y121 Y221
Y122 Y222
Y123 Y223
•347
Comparación de Dos Métodos
Analíticos - Ejemplo
2. Cálculos Preliminares:
2.1 Calcular la suma de las combinaciones analista – día (Yij).
y11. = y111 + y112 + y113
y12. = y121 + y122 + y123
y21. = y211 + y212 + y213
y22. = y221 + y222 + y223
2.2) Calcular la suma para cada analista (yi...)
y1.... = y111 + y112 + y113 + y121 + y122 + y123
y2.... = y211 + y212 + y213 + y221 + y222 + y223
2 2 2 2
xij ( y11.) ( y12.) ( y21.) ( y22.)
2.5. Calcular las sumas del cuadrado de cada analista en los dos días.
2 2 2
( yi...) ( y1....) ( y2....) •348
Comparación de Dos Métodos
Analíticos - Ejemplo
2.6. Calcular la suma de cada dato elevado al cuadrado.
2 2 2 2 2 2 2
xij (y111) (y112) (y113) .......... (y221) (y222) (y223)
2.7. Calcular la suma de cuadrados del analista (SCa), efecto del factor analista,
con la siguiente formula:
2
SCa
yi
y2 ....
dr adr
2.8. Calcular la suma de cuadrados del día anidado con el analista (Scd),
con la siguiente formula:
SCd
yij.
yi
r dr
2,9. Calcular la suma de cuadrados para el error (SCe), con la siguiente formula:
2
SCe yij2
yij
•349
r
Comparación de Dos Métodos
Analíticos - Ejemplo
Cálculos Finales
1. Con los datos anteriores construir la Tabla de Análisis de la Variancia (ANOVA).
F0,05* = Los valores de F0,05 se obtienen de una tabla de F, tomando el valor que se encuentra
en la unión de los valores para los grados de libertad (gl) del numerador en forma horizontal
y del denominador en forma vertical para un = 0,05.
•350
Comparación de Dos Métodos
Analíticos - Ejemplo
2. Realizar la interpretación de los resultados:
Si Fa < Fgla; gld; 0,05 El método analítico es reproducible para los analistas
Si Fa Fgla; gld; 0,05 El método analítico no es reproducible para los analistas
Si Fa < Fgld; gle; 0,05 El método analítico es reproducible en distintos días para los
analistas
Si Fa Fgld; gle; 0,05 El método analítico no es reproducible en distintos días para los
analistas
Repetibilidad = (MCe)½
ANALISTA (i)
1 2
DÍA (j) 1 99,86% 100,60%
100,38% 101,20%
99,62% 100,87%
2 100,25% 100,33%
99,99% 100,77%
99,36% 100,07%
2. Cálculos Preliminares:
2.1 Calcular la suma de las combinaciones analista – día (Yij).
y11. = 99,86 + 100,38 + 99,62 = 299,86
y12. = 100,25 + 99,99 + 99,36 = 299,60
y21. = 100,60 + 101,20 + 100,87 = 302,67 •353
y22. = 100,33 + 100,77 + 100,07 = 301,17
Comparación de Dos Métodos
Analíticos - Ejemplo
2.2) Calcular la suma para cada analista (yi...)
y1.... = 99,86 + 100,38 + 99,62 + 100,25 + 99,99 + 99,36 = 599,46
y2.... = 100,60 + 101,20 + 100,87 + 100,33 + 100,77 + 100,07 = 603,84
2.4 Calcular la suma del cuadrado de cada analista para cada día
2
xij (299,86)2 (299,60) (302,67)2 (301,17)2 361988 ,6774
2.5. Calcular las sumas del cuadrado de cada analista en los dos días.
2.8. Calcular la suma de cuadrados del día anidado con el analista (Scd)
con la siguiente formula:
361988,6674 (1203,3)2
SCd 120662,8925 120662,5062 0,3863
3 (2) (3)
361988 ,6774
SCe 120664 ,0442 120664 ,0442 120662 ,8925 1,1517
3 •355
Comparación de Dos Métodos
Analíticos - Ejemplo
Cálculos Finales:
1. Con los datos anteriores construir la Tabla de Análisis de la Variancia (ANOVA).
ANALISTA (i)
1 2
DÍA (j) 1 101,53% 98,42%
101,07% 98,01%
100,03% 98,22%
2 100,57% 98,75%
101,61% 98,63%
101,03% 98,79%
2. Cálculos Preliminares:
2.1 Calcular la suma de las combinaciones analista – día (Yij).
y11. = 101,53 + 101,07 + 100,03 = 302,63
y12. = 100,57 + 101,51 + 101,03 = 303,11
y21. = 98,43 + 98,01 + 98,22 = 294,66
y22. = 98,75 + 98,63 + 98,79 = 296,17 •358
Comparación de Dos Métodos
Analíticos - Ejemplo
2.2) Calcular la suma para cada analista (yi...)
y1.... = 101,53 + 101,07 + 100,03 + 100,57 + 101,51 + 101,03 = 605,84
y2.... = 98,43 + 98,01 + 98,22 + 98,75 + 98,63 + 98,79 = 590,83
2.4 Calcular la suma del cuadrado de cada analista para cada día
2
xij (302,63)2 (303,21) (294,66)2 (296,17)2 358062,4055
2.5. Calcular las sumas del cuadrado de cada analista en los dos días.
2.8. Calcular la suma de cuadrados del día anidado con el analista (Scd)
con la siguiente formula:
358062,4055 716122,1945
SCd 119354 ,1352 119353,6991 0,4361
3 (2) (3)
•360
Comparación de Dos Métodos
Analíticos - Ejemplo
Cálculos Finales:
1. Con los datos anteriores construir la Tabla de Análisis de la
Variancia (ANOVA).
•361
Comparación de Dos Métodos
Analíticos - Ejemplo
2. Realizar la interpretación de los resultados:
1
18,775 0,2185
2
Variación entre analistas 1,7586
(3 )(2 )
•362
Comparación de Dos Métodos
Analíticos - Ejemplo
REPETIBILIDAD DEL METODO ANALITICO
1. Calcular la repetibilidad del método usando la siguiente ecuación:
Repetibilidad = (0,22829)½ = 0,4778
COEFICIENTE DE VARIACION TOTAL
1. Calcular la media aritmética total, usando la siguiente ecuación:
1196,67
y 99,7225
(2)(2)(3)
2. Calcular la desviación estándar total usando la siguiente ecuación:
1 1
2
12. (119355 ,9615 ) (1196,67) 1432271,538 (1432019 ,089 )
2 2
S 1,3829289
12 (12 1) 12 (12 1)
Hay Preguntas?
(antes que ustedes crucen la puerta)
Puede Excusarme, Mi Cerebro está Lleno