Técnicas Estadísticas para Validación de Métodos de Análisis 2016expFINAL

Técnicas Estadísticas para la
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
¿Requisitos No Averiguar los

¿Qué desea el cliente, conocidos? requisitos
qué problemas tiene?
Sí
Selección del
¿Cuál método es el método
adecuado para resolver
el problema del cliente? ¿Valores
necesarios No Averiguar los valores
conocidos? característicos necesarios
Ejemplo: exactitud, Sí
especificidad,
límites de cuantificación Validación
¿Método No Seleccionar algún

Averiguar los valores adecuado? otro método
característicos necesarios Sí
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.
2 Aptitud del método Averiguación

de características
Desarrollo y aplicación del método del método
1
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
+
+ + + +
+
+ +
+
El outlier causa un cambio

en la línea de regresión
Razones para que Aparezcan
Outliers
• Entrada incorrecta de los datos.
• Faltan especificar los códigos para los
datos.
• Casos en el que un miembro no es de la
misma población.
• La distribución de la población actual tiene
más casos extremos que los de una
distribución normal
Ensayos Estadísticos
• Algunos ensayos estadísticos están
disponibles para confirmar una sospecha
de fuera de límites basado en el
ordenamiento de los datos (ranqueo) y para
ensayar los valores extremos para asegurar
la credibilidad.
• Los ensayos de DIXON y GRUBS son los
más ampliamente usados.
Test de Dixon (el test-Q)
• Un ensayo para outliers que es popular
porque su cálculo es simple.
• Para muestras chicas (tamaño 3 a 7) el
ensayo evalua una medición sospechosa
comparando la medición más próxima a esta
en el tamaño con el rango de las mediciones.
• Para muestras grandes la forma del ensayo
se modifica levemente.
• Vemos más detalles en los ejemplos.
Criterio para Rechazar una
Observación
• Siempre debemos rechazar un dato si hay una
causa asignable
• Si no, evaluar usando técnicas estadísticas.
• Ensayos Comunes para Detectar Outlier
• Ensayo de Dixon (Q)
• Ensayo de Grubbs
• Ensayo de Youden
• Ensayo t de Student
• Regla del Error de Huge
• Regla de Hampel
Ensayo de DIXON
1. Ordenar los datos en forma creciente
respecto de su valor numérico.
1. x1<x2<x3 <....................................<xn .
2. Decidir si el valor menor o el mayor se
sospecha que es un outlier.
3. Seleccionar el riesgo que se desea tomar
en caso de falsa eliminación.
Calcular uno de los siguientes rangos
(estadísticos)
Ensayo de DIXON
Ensayo de DIXON
• Comparar el rango (estadístico) calculado
con los valores de la tabla de Dixon. Si el
rango calculado es mayor que el valor
tabulado, la eliminación debe realizarse con
el riesgo tabulado
Ensayo de Dixon
• 10 observaciones del contenido de principio
activo en comprimidos: 568, 570, 570, 572,
572, 572, 578, 584, 596.
x n  x n 1
r11 
xn  x 2 596  584
• Para n = 10 r11   0,462
596  570
x10  x 9
r11 
x10  x 2
Test de Dixon (Test Q)
El test Q usa el rango para determinar si un resultado sospechoso debe
ser rechazado cuando n = 3 a n = 10.
El coeficiente de rechazo se lo denomina Q0.95; los valores para los

coeficientes de rechazo fueron compilados por Dixon y están dados en
la Tabla 1.
Para ejecutar el test Q, los resultados son odenados en oreden creciente

(ranqueo) de magnitud e identificados X1, X 2, ……, Xn.
La diferencia entre un resultado sospechoso y el dato más próximo es

dividido por el rango para obtener el coeficiente, Q.
Si el valor de Q es igual o mayor que el coeficiente de la Tabla 1 para n

resultados, el valor sospechoso debe ser eliminado.
Resultado Formula para el n Q 0.90 Q0.98 Q0.99
Sospechoso Ensayo
Valor Menor (X1) 3 0.94 0.98 0.99
Q=
4 0.76 0.85 0.93
5 0.64 0.73 0.82
6 0.56 0.64 0.74
Valor Mayor (Xn) 7 0.51 0.59 0.68

Q=
8 0.47 0.54 0.63
9 0.44 0.51 0.6
10 0.41 0.48 0.57

Test de Dixon (Test Q) Ejemplo
Un análisis por triplicado da los resultados siguientes: 30,13%, 30,20%, y
31,23%.Alguno de los replicados debe rechazarse??
Usando el test Q, se retienen los datos más bajos. El cálculo del

Cociente Q para el valor mayor 31.23% se detalla a continuación:
3− 2 1,03
Q= = =0.94
3− 1 1,1
Como Q es igual a Q0.90 (Tabla 1), el rsultado sospechosos debe ser

eliminado, questionable result may be rejected, pero por muy poco.
Si es posible, lo major es hacer un Nuevo replicado, más que informar

el promedio de los dos resultados remanentes.
Test de Dixon (Test Q) Ejemplo
Usar el test Q para determiner si alguno de los valores siguientes debe ser eliminado:
40,12, 40,15, 40,55.
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
No convencido por el fracaso de la prueba Q de eliminar un resultado "sabiendo" que no

era tan bueno como los dos primeros, el analista decidió hacer dos análisis adicionales.
Los nuevos valores son: 40,20, 40,28. el promedio de los cinco valores es 40,26, siendo
mucho más cercano al promedio de los tres valores originales 40,27 más que el
promedio de los dos valores bajos originales (40,14)
En este caso los análisis adicionales soportan la retención de los tres valores originales.
Por supuesto, los análisis adicionales podrían haber dado valores más bajos y mostrar
que el promedio de 40,14 era más correcto. Pero si no se realizan análisis adicionales,
estadísticamente es mejor promediar los tres valores a menos que uno deba ser
rechazado por la prueba Q.
Cuando hay más de tres valores, puede que sea necesario ensayar más
de un valor sospechoso, cuando se hace el test Q, los valores bajos se
ensaya primero.
Si se elimina alguno, debe ensayarse el valor mayor de los remanentes

del grupo.
Ejemplo: Usar el test Q para evaluar los siete valores en la muestra:

6,12, 6,32, 6,22, 6,32, y 6,02.
Ordenar los valores en orden creciente e identificarlo como se

muestra en la Tabla 2. El resultado más bajo 5,12 se lo identifica como
X1 y se ensaya primero. Q se calcula como sigue:
2− 1 6,02−5,12
− 1
= 6,82−5,12
= 0,53
Tabla 2:Test aplicado a los siete valores
Identificaciones
Resultados n=7 n=6 n=5 n=5

Test: 5,12 Test: 6,82 Test: 6,02 Test: 6,32
5,12 X1 Eliminado Eliminado Eliminado
6,02 X2 X1 X1 X1
6,12 X3 X2 X2 X2
6,22 X4 X3 X3 X3
6,32 X5 X4 Xn-1 Xn-1
6,32 Xn-1 Xn-1 Xn Xn
6,82 Xn Xn Eliminado Eliminado
Dado que Q es mayor que 0,51 (Q0,90 para n = 7 ), el valor más bajo 5,12 debe ser
eliminado.
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
• 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
• 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
• Quedan 14 valores y ahora se ensaya 1,01

• Media: 0,119, Desviación estándar: 0,401
xn  x 1,01  0,119
Tn  T14   2,22
s 0,401
• Podemos corrobar esto usando el test de Dixon.
x14  x12 1,01  0,48 0,53

r22     0,424
x14  x 3 1,01  0,24 1,25
Ensayo de GRUBBS.
Ejercicio,
• Se ordenan en forma ascendente 13
datos:
• 47,876 (xi); 47,997; 48,065; 48,118; 48,151;
48,211; 48,251; 48,559; 48,634; 48,711;
49,005; 49,166; 49,484 (xn)
• n = 13
• media: 48,479
• s = 0,498
• s2n-2 = 0,123
Ensayo de GRUBBS.
Ejercicio,
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
A. Si el valor del estadístico C es menor o igual al 5% de su valor

crítico, el elemento verificado se toma como correcto.
B. Si el valor del estadístico C es mayor que el 5% de su valor
crítico y menor o igual que el 1% de dicho valor crítico, el
elemento verificado es apartado, indicándose por medio de
un asterisco sencillo.
C. Si el valor del estadístico es mayor que el 1% de su valor
crítico, el elemento se denomina estadísticamente
incompatible y se indica por medio de un doble asterisco.
Errores
• Se recomienda tener mucho cuidado
cuando se usan estos ensayos.
• Pueden ocurrir dos tipos de errores:
a. Marcar observaciones cuando realmente
no son, y
b. Fallar en identificar outliers cuando existen
realmente.
• Toda decisión sobre la aceptación de datos
que son observados como outliers,
requieren de una interpretación cuidadosa.
Estudio de Caso
Determinación por
HPLC
Out-Of-Specifications
OOS
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 Dilución Dilución Dilución

D1 D2 D1 D2
Inyección Inyección Inyección Inyección Inyección Inyección Inyección Inyección

1 1 2 2 1 1 2 2
Esquema Estándar de
“Bracketing”
Pesada 1
Dilución
10 - 100
Inyección 1 Inyección 2 Inyección 1 Inyección 2 Inyección 1 Inyección 2
Material de Bracket 1
Referencia Bracket 2
Inyección 1 Inyección 2 Inyección 2 Inyección 1 Inyección 1 Inyección 2
Dilución
10 - 100
Pesada 2
Secuencia de inyección
S P: Patrón para Precisión

e
c ST1: Preparación Patrón 1
u
e S1, D1: Muestra 1, Dilución 1
n
c S2, D1: Muestra 2, Dilución 1
i
a SS: Patrón Adecuabilidad de Sistema
M ST2: Preparación Patrón 2
é
t S1,D2:Muestra 1, Dilución 2
o
d S2,D2:Muestra 2, Dilución 1
o
Secuencia de inyección
S P: Patrón para Precisión

e
c ST1: Preparación Patrón 1
u
e S1, D1: Muestra 1, Dilución 1
n
c S2, D1: Muestra 2, Dilución 1
i
a SS: Patrón Adecuabilidad de Sistema
M ST2: Preparación Patrón 2
é
t S1,D2:Muestra 1, Dilución 2
o
d S2,D2:Muestra 2, Dilución 1
o
Método de Cálculo
medias de Secuencia Peso de Valores
Patrones
Rolling Muestras Muestras Individuales
Brackets
Análisis de Tendencia (media y rango)
Control de Patrones
dato a
Informar
Valores de área de los Picos
OOE – Ejemplo HPLC
• El valor informado para la precisión

intermedia, s = 2,4% .
• Se fija un límite para un OOE para el rango de
las mediciones individuales de ± 3,3 s, para el
ejemplo, se fija en ± 0,040.
• Observar lo que ocurre con la inyección 7.
Tabla de cálculo ejemplo HPLC
Hallar la media y la mediana
del siguiente grupo de
números:
3 12 7 40 9 14 18 15 17
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
Paso 1: Ordenar los número de mayor al menor

3 7 9 12 14 15 17 18 40
Paso 2: Identificar la Mediana

3 7 9 12 14 15 17 18 40
Paso 3: Identificar el Número Más Bajo y el Más Alto

3 7 9 12 14 15 17 18 40
Paso 4: Identificar la Mediana entre el Número Más Bajo

y la Median y entre la Mediana y el número Más Alto.
3 7 9 12 14 15 17 18 40
3 – Es el número Más BAJO en el grupo
9 – Mediana entre el Más BAJO y la Mediana
14 - Mediana de todo el grupo de datos
17 - Mediana entre el Más ALTO y la Mediana
40 – Es el Número Más ALTO en el grupo
Estos son los 5 Números que vamos a necesitar
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
1er 2do 3er 4to

Cuarto Cuarto Cuarto Cuarto
El Cuartilo Inferior (Q1) es el segundo
número en los 5 Números
25% de todos los números del grupo son menores que Q1
3 7 9 12 14 15 17 18 40
El Cuartilo Superior (Q3) es el cuarto

número en los 5 Números
25% de todos los números del grupo son mayores que Q3

Que porcentaje de todos los números
están entre Q1 y Q3?
50% de todos los números están entre Q1 y Q3
3 7 9 12 14 15 17 18 40
Esto se llama Rango Inter-Cuartilo (IQR)

El tamaño del IQR es la distancia entre Q1 y Q3
17 - 9 = 8
Para determinar si un número es un
outlier, multiplicar el IQR por 1,5
8 • 1,5 = 12
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
Media =15 Media = 11,875
Mediana =14 Mediana = 13

Coeficiente de Variación Horwitz
Coeficiente de Variación de Horwitz (CV h): Es el coeficiente de variación
definido por W. Horwitz, a través de la ecuación obtenida de un estudio
estadístico. En dicho estudio, Horwitz después de reunir una serie de datos
(provenientes de 150 ensayos de interlaboratorios organizados por AOAC),
observó que el coeficiente de variación de los valores medios dados por los
diferentes laboratorios aumentaban a medida que disminuía la concentración
del analito. Comportándose como muestra la siguiente gráfica, conocida
como la trompeta de Horwitz.
La ecuación de Horwitz, esta definida como:
CVh = 2(1-0.5.log c) ó sH = 0.02 x c 0,8495

Dónde:
CV h= Coeficiente de variación de Horwitz
s H = Desviación estándar calculada conforme al modelo de precisión de Horwitz.
C= concentración del analito expresado en potencia de 10 (Ver tabla Nº 1).
Horwitz: RSDR(%) = 2(1-0.5logC)
%
Dioxins
100
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
Poniéndolo de otra manera, si el 95% de M

están dentro de 1,96 σM de µ, entonces el 95%
de las veces µM estará dentro de 1,96 σM de
una M dada
La Idea Básica
µM
M
5% de M están fuera de 1,96 σM de µ,

entonces el 5% de las veces µ va a
estar fuera de 1,96 σM de M.
Inferencia Estadística
Inferencia Estadística
• El objetivo de la inferencia estadística

es obtener conclusiones respecto a
poblaciones a través de la observación
de muestras extraídas de las
respectivas poblaciones.
Región de Rechazo para Diferentes Hipótesis
Alternativa
5%
N( 0 ,  n )
H0: m = m0 Verdadera
Ensayo HA1: m > m0 Región Rechazo
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.
Si el valor t calculado es superior al t crítico, entonces, existirá una

diferencia significativa que permitirá superar al t crítico, y el atleta podrá
realizar el salto.
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:
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
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 
.  
652 6 5 
 1,06 1,06
t calc    3 ,09
0 ,93524  ( 0 ,1667  0 ,2 ) 0 ,34292
Se desea determinar si son iguales las medias de la experiencia 1 y 2.

Para esto se procede luego a determinar el t critico en la tabla t-student para =0,05.
En la intersección se lee: valor crítico para t, que es t crit= 2,262.
Se procede a comparar el t crítico y el t calculado, t calc= 3,09.

Se observa. t calc > t crit .Concluimos que existen diferencias significativas.
Por lo cual el resultado NO se acepta.
Ensayo t de Student Dos Variables
Correlacionadas o Apareadas
Se realiza el análisis de una muestra de turbiedad en agua,
el método utilizado es el turbidimétrico, la experiencia se realiza en 2 días diferentes:
Se determina el valor t calculado (t calc):
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
Se desea demostrar si existen diferencias significativas entre la experiencia

A y B. Entonces, se procede luego a determinar el t critico en la tabla
t-Student para  = 0,05 para 2 colas.
Se procede a comparar el t crítico y el t calculado, t calc= 3,48. Se observa

que t calc > t crit. Concluimos que existen diferencias significativas.
Por lo cual no es aceptable.
EJEMPLO 3: Prueba t-student para comparación
de muestreal versus un valor de referencia
Se analiza de un material de referencia certificado de hierro en cereal,

se realizan 4 replicas, el método utilizado es absorción atómica llama,
los resultados obtenidos en mg/Kg son:
El valor asignado, informado en el certificado del MRC es;  = 6,3 mg/Kg

Experiencia:
Observaciones pareadas n=4 Media X = 6,05
Desviación estándar S = 0,387 grados de libertad (n o gl)= 3
Se determina el valor t calculado (t calc):
x 6,05  6,3

t calc    1,292
s / n 0,387 / 4
Se procede a comparar el t crítico y el

t calculado, t calc= 1,292.
Se observa que: tcalc < tcrit .
Concluimos que no existen diferencias
significativas. Por lo cual el resultado
se acepta.
Ensayo F Snedercor
Prueba en la que el estadístico utilizado sigue una distribución F
si la hipótesis nula no puede ser rechazada. En estadística
aplicada se prueban muchas hipótesis mediante el test F, entre
ellas: La hipótesis nula = Ho de que las medias de múltiples
poblaciones normalmente distribuidas y con la misma desviación
estándar son iguales. Esta es, quizás, la más conocida de las
hipótesis verificada mediante el test F y el problema más simple
del análisis de varianza. Y la hipótesis de que las desviaciones
estándar de dos poblaciones normalmente distribuidas son
iguales.
Para explicar de mejor manera la prueba de Snedercor, hemos
incluido el siguiente ejemplo:
Ensayo F Snedercor - Ejemplo
Se realiza la medición de sulfatos en una muestra de agua en dos días diferentes.
Experiencia 1: n1=10 Media 1=14,9 Varianza 1= 26,4

Experiencia 2: n2=14 Media 2= 16,2 Varianza 2 = 12,7
1. Determinar los grados de libertad de la experiencia 1: n-1 = 10-1=9
2. Determinar los grados de libertad de la experiencia 1: n-2 = 14-1=13
3. Dividir la varianza más grande por la más pequeña:
Variancia Mayor S12 26,4

F  2   2,079
Variancia Menor S2 12,7
4) Para saber si 2,079 indica que la varianza obtenida en la experiencia 2
es menor que la obtenida en la experiencia 1, uno va a la Tabla F y coloca
los grados de libertad (gl) del numerador (9) en la fila horizontal, y del
denominador (13) en la columna, para un valor de  = 0,05, 1 cola:
En la intersección se lee: valor crítico para F, que es F crit= 2,71.

Se procede a comparar el F crítico y el F calculado, F calc= 2,079,
Se observa. F crit > F calc.
Concluimos que las dos varianzas no son significativamente diferentes
Por lo tanto, hacer el test de t es una decisión legítima.
Análisis de Variancia
Un análisis de variancia es una técnica
que particiona la suma total de
cuadrados de los desvíos de las
observaciones sobre su media en
perticiones asociadas con variables
independientes en el experimento y una
porción asociada con el error
90
Un factor se refiere a una cantidad

categorical bajo examen en un
experiment como una causa
possible de variación en la
variable respuesta
91
Los Niveles se refieren a las

categorías, mediciones, o estratos
de un factor de interés en el
experimento.
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. Un Factor o Variable Independiente

 Dos o Más Niveles de Tratamientos o Grupos
3. Analizado con un ANOVA de Una Vía

95
Test - F ANOVA Una Vía
1. Ensayar la Igualdad de 2 o Más (p)

Medias de Poblaciones
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
Hipotesis
H0: µ1 = µ2 = µ3 = ... = µp
 Todas las medias de las poblaciones son
iguales
 No Hay Efecto Tratamiento
Ha: Todas las µj No Son Iguales

 Al Menos una Media de Población es
Diferente
 NOT µ1 ≠ µ2 ≠ ... ≠ µp
98
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
Total variation
Variación debida
al Tratamiento
102
ANOVA Una - Vía
Variación Total
Variación debida Variación debida al

al Tratamiento Muestreo Al Azar
103
ANOVA Una - Vía
Variación Total

al Tratamiento Muestreo Al Azar
Suma de Cuadrados Entre

Suma de Cuadrados
Tratamiento
Variación Entre Grupos
104
ANOVA Una - Vía
Variación Total

a Tratamientos Muestreo al Azar
treatment
Suma de Cuadrados Entre Suma de Cuadrados Dentro
Suma de Cuadrados Suma de Cuadrados del
Tratamientos (SST) Error (SSE)
Variación Entre Grupos Variación Dentro Grupos
105
Variación Total
SSTotal  Y11  Y   Y21  Y     Yi j  Y 
2 2 2
Respuesta, Y
Y
Grupo 1 Grupo 2 Grupo 3

106
Variación por Tratamiento
SST  n1 Y1  Y   n 2 Y2  Y     n p Yp  Y 
2 2 2
Respuesta, Y
Y3
Y
Y2
Y1

107
Variación al Azar (Error)
SSE  Y11  Y1   Y21  Y1     Ypj  Yp 

2 2 2
Respuesta, Y
Y3
Y2
Y1

108
Ensayo Estadístico
 1. Ensayo Estadístico
STT /p  1
F = MST / MSE 
SSE / n  p 

• MST: Cuadrado Medio para Tratamiento

• MSE: Cuadrado Medio para el Error
 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
Fuentes de Grados Suma de Cuadrado F

Variación de Cuadrados Medio
Libertad
Tratamiento p-1 SST MST = MST
SST/(p - 1) MSE
Error n-p SSE MSE =
SSE/(n - p)
Total n-1 SS(Total) =
SST+SSE
110
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 ( p1, n p)
Siempre Una Cola!

111
Test - F Una Vía Ejemplo
Como supervisor de
laboratorio busca ver la Analista1 Analista 2 Analista3
25,40 23,40 20,00
influencia de los 26,31 21,80 22,20
analistas sobre la 24,10 23,50 19,75
exactitud de una 23,74 22,75 20,60
determinación. Asigna 25,10 21,60 20,40
tres analistas y le pide
que hagan 5 replicados.
A un nivel de 0,05, hay
una diferencia en las
medias de los analistas?
112
Test F ANOVA Una Vía
Solución
 H0: 1 = 2 = 3
Ensayo Estadístico:
 Ha: No Todas Iguales
MST 23,5820
  = 0,05 F    25,6
 1 = 2 2 = 12 MSE 0,9211
 Valor Crítico:
Decisión:
Rechazo a  = 0,05
 = 0,05
Conclusión:
Hay Evidencia que las
0 3,89 F Medias Son Diferentes.
113
ANOVA Una-Vía
Tabla de la ANOVA
Fuentes de Grados Suma de Cuadrado F

Variación de Cuadrados Medio
Libertad
Analista 3 - 1=2 47,1640 23,5820 25,60
Error 15 - 3=12 11,0532 0,9211
Total 15 - 1=14 58,2172
114
Diseño Factorial
1. Unidades experimentales (sujetos) se
asignan aleatoriamente a los Tratamientos
 Se Asume Sujetos Homogéneos
2. Dos o Más Factores o Variables

Independientes
 Dos o Más Niveles de Tratamientos o Grupos
3. Analizado con un ANOVA de Dos Vías

115
Ventajas de los Diseños
Factoriales
1. Ahorro de Tiempo y Esfuerzo
 Utilizan diseños separados completamente
aleatorizados para cada variable
2. Controla los efectos de "Confusión" al
poner otras Variables en el Modelo
3. Explora la Interacción Entre Variables
116
ANOVA Dos Vías
1. Ensaya la Igualdad de 2 o Más Medias
Cuando se Usan Varias Variables
Independientes
2. Mismos Tesultados que para ANOVA

de Una - Vía sobre Cada Variable
- Pero debe ensayarse la Interacción
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
Ya12 Ya22 ... Yab2

119
ANOVA Dos Vías
Hipotesis Nulas
1. No Hay Diferencias en las medias
debidas al Factor A
 H0: 1. = 2. =... = a.
2. No Hay Diferencias en las medias
debidas al Factor B
 H0: .1 = .2 =... = .b
3. No Hay Interacción de los Factores A y B
 H0: ABij = 0
120
ANOVA Dos Vías
Variación Total
SS(Total)
Variación Debida Variación Debida

al Tratamiento A al Tratamiento B
 SSA SSB
Variación Debida a Variacion Debida al

la Interacción Muestreo Al Azar
SS(AB)  SSE
121
Anova Dos Vías
Tabla Resumen
Fuente de Grados de Suma de Cuadrado F
Variación Libertad Cuadrados Medio
A a-1 SS(A) MS(A) MS(A)
(Fila) MSE
B b-1 SS(B) MS(B) MS(B)
(Columna) MSE
AB (a-1)(b-1) SS(AB) MS(AB) MS(AB)
(Interacción) MSE
Error n - ab SSE MSE
Total n-1 SS(Total) Igual a los
Otros Diseños
122
Interacción
1. Occure Cuando los Efectos de Un Factor
Varían Según los Niveles del Otro Factor
2. Cuando es Significativo, Es Complicado
Interpretar los Efectos Principales (A y B)
3. Puede Ser Detectada
 En la Tabla de Datos, Patrón de la Media de
una Fila, difieren de la Otra Fila
 En el Gráfico de Medias de Celdas, Cruce de
Líneas.
123
ANOVA de DOS vías con
replicados y con combinación
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
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:
N= número de observaciones totales = 3 x 3 = 9

Se procede a calcular la sumatoria de las observaciones de experiencia (o grupo):
Suma total de los cuadrados se calcula como:
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
Suma cuadrados ENTRE grupos:
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
Grados de libertad dentro del grupo = gl total - gl B = 8- 2 = 6

Aplicando la prueba F, se obtiene:
Fcalc 
SCB / glB  9,05553 / 2  4,5278
   10,5
SC W / glW  (2,58647 / 6) 0,4311
Se determina el valor F crítico de Tabla F y coloca los grados de libertad (gl)

del numerador (2) en la fila horizontal, y del denominador (6) en la columna,
para un valor de a = 0,05, 1 cola:
En la intersección se lee: valor crítico para F, que es F crit= 5,14.

Se procede a comparar el F critico y el F calculado. F calc = 10,50
Se observa que F calc > F crit . Se concluye que hay diferencias
significativas entre los 3 métodos.
Calibración
• Los valores de calibración deben ser aplicados dentro
del rango de trabajo..
• El nivel más bajo debe ser el límite de cuantificación.
• Para la calibración usar soluciones certificadas.
• Las soluciones patrón se adicionan al blanco y
analizadas en todo el proceso.
• Para la calibración lineal son necesario como mínimo
5 concentraciones.
• Funciones de Calibración para la linealidad y se debe
destacar cuando falla la linealidad.
Linealidad
Definición basada en muestras con concentraciones
 variables y el cálculo de los resultados de la
regresión.
 Señal y concentración no totalmente relacionadas.
 Cinco patrones son suficientes`para producir una

curva de calibración.
 Más patrones son necesarios si la linealidad es

insatisfactoria.
 Examinar muestras repetidas y patrones en un rango
de trabajo para ver si la línea es confiable y puede ser
trazada entre la muestra y el límite de detección.
Linealidad
Se desea probar si existe entonces una correlación significativa:

La hipótesis nula H0 es que no existe correlación entre X e Y. Si el valor
observado de tr es mayor que tcri, se rechaza la hipótesis nula H0,
siendo la correlación lineal significativa con la probabilidad calculada.
r (n  2) tr = Valor del estimador t Student obtenido para el coeficiente de

tr  correlación | r | = Valor absoluto del coeficiente de correlación
n – 2 = Número de grados de libertad
(1  r 2 ) r2 = Valor del coeficiente de determinación
Linealidad - Ejemplo
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
Se observa que el valor observado de tr (es decir el t calculado)

es mayor que tcrit (99,85 > 3,182), por lo cual se rechaza la hipótesis
nula Ho, siendo la correlación lineal significativa con la probabilidad
calculada.
Sensibilidad (resolución)
Qué es Sensibilidad?
 Es la diferencia en una concentración
analítica que corresponde a la menor
diferencia en un método, la cuál puede ser
detectada.
 Sensibilidad puede ser extraída de la curva de

calibración o definida usando muestra con
concentraciones diferentes.
Sensibilidad
La sensibilidad es el cociente entre el cambio en la indicación de un
sistema de medición y el cambio correspondiente en el valor de la
cantidad objeto de la medición.
En una regresión lineal la sensibilidad corresponde a la pendiente (m)
de la recta de calibración.
Se calcula como:
m
 x .y  ( x . y / n)
i i i i
 x   x  / n
2 2
i i
Homogeneidad de variancias
 Valores característicos para la

comparación de las variaciones de los
patrones que difieren en concentración.
En caso de grandes diferencias entre
las desviaciones estándar (en-
homogeneidad de variancias), el rango
de trabajo necesita ser cortado.
Recuperación
Recuperación (R): Es la fracción de la sustancia agregada a la muestra
(muestra fortificada) antes del análisis, al ser analizadas muestras fortificadas
y sin fortificar.
La recuperación permite ver el rendimiento de un método analítico en cuanto al
proceso de extracción y la cantidad del analito existente en la muestra original. Por
lo cual, la recuperación esta intrínsecamente relacionada a las características de la
matriz de la muestra.
Se recomienda realizar a lo menos 6 mediciones de cada uno en lo posible en tres
niveles. Se debe considerar al elegir estos niveles el rango de la curva de
calibración del método, el LOD y el LMP establecidos.
De manera que los niveles seleccionados permitan entregar la mejor información
posible respecto a la capacidad de recuperación del método, en cuanto a estos
valores críticos.
Se calcula de la siguiente manera:
 C e  C0  Siendo:
R    R= Recuperación
Ce = es la concentración de analito de la muestra enriquecida.
 Ca  C0 = es la concentración de analito medida en la muestra sin adicionar.

Ca = es la concentración de analito adicionado a la muestra enriquecida.
Límites
Se debe tener en consideración los siguientes parámetros: Valor critico,
limite detección (LOD) y limite de cuantificación (LOQ).
Valor critico (LC): El valor de la concentración o cantidad neta que en caso
de superarse da lugar, para una probabilidad de error dada α, a la decisión
que la concentración o cantidad del analito presente en el material analizado
es superior a la contenida en el material testigo (Referencia: Codex
Alimentarius).
Se recomienda para su cálculo al menos seis mediciones de blanco matriz o

testigo reactivo.
LC  t 1  ,gl .S0 Si t 0,05 , LC  1,645.S0

Donde:
t = t-Student
1-α= probabilidad b v= Grados de libertad
So = Desviación estándar de las lecturas del blanco matriz o testigo reactivo.
Límites -Ejemplo
Para el analito mercurio en marisco fresco el limite máximo permisible es
0,5 mg/Kg. Se realiza la experiencia de medir 10 veces el blanco matriz:
La desviación estándar obtenida para los Blancos: So =

0,013
Por lo cual el LC seria: LC = 1,645 x 0,013 = 0,022 mg/Kg
Por lo cual el LOD seria: LOD = 3,29 x 0,013 = 0,044 mg/Kg
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).
Como se puede observar

entre más veraz y preciso
sea un resultado analítico,
es más exacto.
Veracidad: Determina el grado

de coincidencia entre el valor
de la media de una serie de
replicados y un valor de
referencia
Exactitud -Ejemplo
Para un valor asignado de un material de referencia certificado de
20,1 mg/L de N-NO2, los valores obtenidos son:
t calc 
20,1  20,38
 0,32
0,27. 10
Desviación estándar S = 0,27 Promedio de las lecturas X= 20,38

Valor asignado a la muestra Xa= 20,1 Número de lecturas n= 10
n = 10 = 3,162
Exactitud -Ejemplo
Se desea establecer si existe una diferencia significativa entre el
valor obtenido de la experiencia analítica y el valor de referencia.
Entonces, para determinar el t teórico o critico para grados de libertad n-1
(es decir de 10-1=9) , un valor a =0,05 y 2 colas, se extrae de tabla el t critico
que es de 2,262, cumpliéndose que tcalc < t crit , ya que 0,32 < 2,262.
Es decir; no hay diferencias significativas.
“A través del ejercicio se puede observar

que para la medición de Nitritos en agua
el sesgo obtenido para el método utilizado
es aceptable, y por lo tanto su veracidad
es aceptable”.
Repetibilidad - Ejemplo
Se realizó el análisis 10 submuestras (mismo día) para el analito de un MRC de
tomate 1,2 mg/ kg (organofosforados).
Promedio obtenido X= 0,95 mg/Kg

La desviación estándar obtenida es
de Sr = 0,099 mg/Kg
El coeficiente de variación
porcentual obtenido es CV%
=10,41%
Si el valor asignado es de 1 mg/Kg ,

para el calculo de CV% de Horwitz ,
el valor nominal del analito es
a 0,00000120, es decir a 1,2 x 10-6.
y el CV%hr para repetibilidad es la
mitad del valor calculado del CV%h .
De acuerdo a Horwitz el CV% para

1 0 ,5  log 0 ,00000012
2 repetibilidad es de 7,78%.
CV %H   7,78% Por lo cual se cumple el criterio de
2
aceptabilidad establecido.
Reproducibilidad - Ejemplo
Se realizó el análisis de variancia de 10 muestras de sulfatos en aguas 1 mg/L
en un total de 10 experiencias
Promedio obtenido X= 0,95 mg/Kg

La desviación estándar obtenida
es de SRi = 0,041 mg/Kg
El coeficiente de variación
porcentual obtenido es CVRi%
=3,88%
De acuerdo a Horwitz el CV% para

2x2 10,5 log 0,00000010 reproducibilidad es de 10,67%. Por lo
CV %H   10,67% cual se cumple el criterio de
3
aceptabilidad establecido, ya que .
CVRi% < CVhRi%.
Robustez
La robustez es una medida de la capacidad de un procedimiento analítico
de no ser afectado por variaciones pequeñas pero deliberadas de los
parámetros del método; proporciona una indicación de la fiabilidad
del procedimiento en un uso normal.
En este sentido el objetivo de la prueba de robustez es optimizar
el método analítico desarrollado o implementado por el laboratorio, y
describir bajo que condiciones analíticas ( incluidas sus tolerancias),
se pueden obtener a través de este resultados confiables.
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
Numéricamente > límite y exceso, no cumplimiento, pero

B no > a 95% de confianza. Merece la notificación por la EPA
y la acción de titular para reducir valor medio
Probablemente compatible pero la confianza <95%. Gran incertidumbre. Baja probabilidad de

incumplimiento. Puede requerir medidas correctivas para reducir valor medio.
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
Donde el promedio de A se calcula: (20,1 + 20,7 + 22,0 + 21,3)/ 4 = 21,0 4

Donde el promedio de a se calcula: (22,3 + 22,2 + 20,6 + 21,1)/ 4 = 21,6 4
Donde el promedio de B se calcula: (20,1 + 20,7 + 22,3 + 22,2)/ 4 = 21,3 4

Donde el promedio de b se calcula: (22,0 + 21,3 + 20,6 + 21,1)/ 4 = 21,3 4
Robustez Ejemplo Ensayo Turbiedad
S: 0,813 √2 S: 1,150
Por lo tanto las variables sensibles, no deberán modificarse las variables

que se establecieron como sensibles en el estudio de robustez, y se
deberá mantener el valor nominal establecido en el método,
para dicha condición.
Determinación de las
Características del Método
Características
de la calibración
Características
del rango
Límite Detección Características
Límite Cuantificación para la exactitud
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.
En general el rango de trabajo es más amplio

que el rango lineal.
Prerequisitos para la calibración
 Los patrones deben ser libres de fallas.
 Precisión debe ser similar en todo el rango de

trabajo.
 La función del modelo es aplicable, lineal o
curvada.
 Errores solo ocurren al azar dentro de las
señales.
 Errores deben seguir una distribución normal.
Características del Rango
por
Límite de detección
cálculo
LMD xLMD = 3 . sL / b (Método valor blanco)
xLMD = 4 . sxo (Método Función Calibración)
xLd = Límite de detección

sL = Desviación Estándar de los blancos
Sxo = Desviación estándar función de calibración
b = Pendiente función calibración
Varias
XLOD = Media de blancos + 3 x SL
convenciones
Límite de cuantificación por
cálculo
LOQ xLOQ = 9 . sL/ b (Método Blanco)
xLOQ = 11 . sxo (Método Función Calibración)
xLd = Límite de detección

sL = Desviación Estándar de los blancos
Sxo = Desviación estándar función de calibración
b = Pendiente función calibración
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
• Referido a (pero no definido formalmente) en ISO 13530 comos

10sw
• LdC / PRL se suele asignar como el patrón mínimo de calibración

en laboratorios acreditados y esto debe estar claramente definida,
más que algo teórico.
En la Práctica que
Significan estos “Límites”
Respuesta
Límite de
Linealidad
LoQ / PRL (LoL)
LoD
Rango Medición Fijado =
LoL - LoQ
MDL
IDL Concentración
Límite de detección
por relación
señal a ruido
De 2:1 a 5:1
Límite de cuantificación
De 5:1 a 10:1
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
Uso de Medios Selectivos

anticuerpos Reacciones en microbiología
Cruzadas?
La diferencia entre Selectividad y
Especificidad
Selectividad Especificidad
• Un método selectivo da • Indica la extensión
resultados correctos analítica a la que una
para todos lo analitos sustancia o grupo de
de interés mientras que sustancias se pueden
otros analitos pueden determinar sin la
interferir entre sí. interferencia de los
componentes
relacionados a la muestra
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.
Características
del Rango
Características
de la calibración
Características
de la exactitud
Robustness /
Ruggedness Selectividad
o Especificidad
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
Corrección/ Error Sistemático/ Recuperación

Certeza Valor Correcto / Desvío
Exactitud = Precisión y corrección I
Características de Exactitud
Medida de la exactitud, cubriendo errores
Exacti-
sistemáticos y no - sistemáticos (uso de MRC,
tud comparación con un método bien caracterizado)
Medida del grado de repetibilidad,

Precisión
cobriendo los errores sistemáticos
Repetibilidad: un laboratorio;
Mejor: reproducibilidad interna
Reproducibilidad: + de un laboratorio
Repetibilidad
Use al menos uno de los procedimientos
siguientes para su determinación:
 Medición de materiales de referencia.
 Fortificación de un blanco con el analito.
 Comparación con un método de referencia.
 Participación en ensayos interlaboratorio en el

cuál se conoce el “valor contenido” del analito.
Precisión
 Información sobre la exactitud de dos resultados
analíticos coincidentes e independientes.
Precisión depende de la concentración del analito.
Repetibilidad es una parte de la precisión con
respecto a mediciones repetidas:
– 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.
Si el tcalc ≤ tcrit (no hay diferencia estadísticamente significativa), no es

necesario ninguna corrección.
Recuperación – Ejemplo
Se utilizo fortificó una muestra de carne de marisco a una concentración 15 mg /
100g de Cadmio y se analizo por fotometría de absorción atómica.
El promedio obtenido del porcentaje de recuperación es de : %R = 93,9

De acuerdo a tabla de AOAC al nivel de 10 ppm el valor aceptable es de 80 a 110 %R
por lo cual el valor obtenido en la experiencia seria aceptable para el nivel medido
en la matriz analizada.
En caso de utilizar como criterio de aceptabilidad la prueba t, entonces, la
determinación del valor de t calculado, sería:
Desviación estándar del % R, S%R = 7,90
Mediciones, n=6
Recuperación – Ejemplo
t calc 
100  93 ,9 
 0 ,315
7 ,90 . 6
Se desea determinar si existe diferencia significativa entre el valor de %
recuperación determinado y el 100% de Recuperación.
Para determinar el t critico para grados de libertad de n= n-1 (6-1=5),
2 colas y un valor a =0,05 , se extrae de tabla t-Student:
El t teórico o critico es de 2,015, cumpliéndose que tcalc < t crit ,

ya que 0,315 < 2,571. Es decir no existen diferencias significativas.
Condiciones Marco para Determinar
la Tasa de Recuperación
Se necesita adicionar el analito de

la manera que ocurre naturalmente.
Las muestras requieren una buena
homogenización.
El contenido inicial debe ser más
bajo que el límite de cuantificación.
Reproducibilidad
Demostrar internamente
Reproducibilidad
externamente
 Estadísticamente
Desviación Estándar Comparativa
Replicar la desviación estándar
 A través de la participación en esquemas de

competencia
 o participación en comparaciones interlaboratorio.
Características Características
de calibración del rango
Linealidad Límite Detección
Sensibilidad Límite cuantificación
Características
de exactitud
Corrección
Incertidumbre
Precisión
(Repetibilidad/
Robustness Selectividad Recuperación)
o Ruggedness o Especificidad Reproducibi-
lidad
Clasificación de los Métodos
Distinguir entre
• Análisis de contaminantes (ej. pesticidas, metales
pesados, aditivos para alimentos)
• Análisis de componentes de alimentos (sales y
minerales)
• Métodos para determinar valores verdaderos
•Métodos que deben ser calibrados con
instrumentos
• Mediciones Físicas (valor de pH, conductividad)
• Determinaciones Cualitativas
• Métodos Microbiológicos
Parámetros para la Validación
Parámetro Análisis de Análisis de Métodos Método no Métodos Métodos Métodos
trazas componentes Convencional necesita Físicos Cualitativos Bacteriologico
contaminantes calibrar
Descripción X X X X X X X
del método
Calibración X X X X
Rango X X X X X X X
Trabajo
Límite X X X X
Detección
Límite X X
Determin.
Recuperacion X X X
Repetibilidad X X X X X X
Exactitud X X X X
Especificidad X X X X X
Reproduci si es posible si es posible si es posible si es si es si es posible Si es posible
bilidad posible posible
Necesidades de Validación para
Distintos Métodos
Método Exactitud Precisión Especificidad/ Linealida Límites Detection/ Robustez
Selectividad d Determinación
AAS, AES, ICP, RF X X (X) X X X
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.
Acreditación de los Procedimientos Validados
Gerente de Calidad
Resultados Requisitos
de la de los
Validación Clientes
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:
Software auto desarrollado o

plantillas de excel deben
ser validadas.
Los Registros deben estar

disponibles.
Selectividad: Verificación del criterio de
identificación (2002/657/EC)
• Criterio - MS
• 3 o 4 puntos de identificación
• 1 precursor y 2 iones de
transición ions
• Intensidades Relativas
• Criterio - LC
• Tiempo retención Relativo
(RRT):
• +/- 2.5 % (LC)
• Criterio - UV
• Spectro match
• +/- 3 nm
 CC es la concentración igual o mayor de la CC calculado cuando se
cumplen los criterios de identificación en el 95% de los casos.
 CCa es la concentración igual o mayor que la CC calculado cuando se
cumplen los criterios de identificación en el 50% de los casos.
Especificidad
• Especificidad
es la capacidad para evaluar claramente los componentes
objetivo del análisis cuando están presentes las impurezas
previstas, productos de descomposición y otros materiales.
[Método de Evaluación]
Ensayo de Confirmación:
Confirmar que tipo de componentes están en la muestra, como:
impurezas, productos de descomposición y productos
relacionados.
Ensayos de Cuantificación y de Impurezas:

La determinación puede ser expresada como la resolución entre dos
picos.
Ensayo de Especificidad para
el ácido acetilsalicílico
Ácido Acetilsalicilico
Ácido p-Hidroxibenzoico Ácido salicilico
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.
• Control de pureza de pico

• relación entre cromatogramas
• comparación de 3 puntos del espectro
• curva de pureza de pico
Relación de
Cromatogramas
280nm
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
subida y tope del pico

bajada
Confirmación de Impurezas
por la Curva de Pureza de Pico
Curva Pureza Pico
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
Ejemplo de impureza en droga comercial
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
200 nm N=12804, Tf=1,20
220 nm N=12970, Tf=1,20
240 nm N=12924, Tf=1,20
260 nm N=12887, Tf=1,20
280 nm N=12924, Tf=1,20

0 5 10 15(min)
Robustez
SCL-10A::::::: SPD-10A :::::::
xxxx xxxx 7 8 9
000 0000
00000 0
xxxx xxxx 4 5 6
xxxx xxxx 1 2 3
xxxx xxxx 7 8 9
xxxx xxxx
0 ･ xxxx
xxxx xxxx 4 5 6
xxxx xxxx xxxx xxxx xxxx
xxxx xxxx
1 2 3
xxxx x x x x
0 ･ xxxx
xxxx xxxx xxxx xxxx xxxx xxxx xxxx
■･･･････ SIL-10A:::::: CTO-10A::::::

000 0
xxxx xxxx xxxx xxxx
xxxx xxxx xxxx xxxx
■･･･････
SAMPLE COOLER
......
... 0.0
...
• Definición: LC-10AD :::::::

000
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
 La robustez se define como una medida de la capacidad del

método para permanecer no afectado por pequeñas variaciones
a los parámetros del método.
• Medios:
 Ensayo variando algunas de todas las condiciones,
 ej., edad, temperatura y tipo de columna, pH del buffer,
reactivos.
• Recomendaciones:
 Los datos obtenidos se incluyen como parte de la validación
del método.
Robustez
• El estudio Intra-laboratorio para estudiar y
controlar cambios debidos a condiciones
ambientales y/o operativas.
• Usualmente es parte del desarrollo del método
• Cambios deliberados en
• Temperatura
• Reactivos (ej. lotes diferentes)
• Tiempo Extracción
• Composición en la muestra
• etc
Determinación de la Veracidad
• Usando Materiales de Referencia

Certificados
• Usando MR o Materiales “In-house”
• Usando Métodos de Referencia
• Muestra Simple
• Muchas Muestras
• Vía Estudio Interlaboratorio
Certeza, rendimiento extracción
(recuperación) y recuperación aparente
• Veracidad significa que el grado de concordancia
entre el valor medio obtenido de una gran serie de
resultados de ensayos y un valor de referencia
aceptado. La Veracidad se expresa como sesgo.
• Recuperación (rendimiento de extracción):

rendimiento de una etapa de preconcentración o
extracción de un proceso analítico para un analito,
dividido por la cantidad de analito en la muestra
original.
• Recuperación Aparente: valor observado derivado

de un procedimiento analítico por medio de un gráfico
de calibración dividido por el valor de referencia.
Exactitud
Proximidad del valor determinado al valor
verdadero.
El criterio de aceptación es el valor medio

 15% de desvío respecto del valor
verdadero.
Al LOQ, un desvío del 20% es aceptable.

Exactitud
La exactitud se calcula usando la
ecuación siguiente:
Valor Deter min ado  Valor Teórico

Exactitud (%) 
Valor Teórico
La exactitud debe ser más baja que el 15% a

cada nivel de concentración excepto en el LOQ
(20%)
Exactitud
• Determinación
• por análisis replicado de la muestra
conteniendo cantidades conocidas del
analito
• 5 muestras y como mínimo a 3 niveles
• El valor medio debe estar dentro del 15%
del valor actual excepto en el LOQ donde
esto no debe desviarse en más del 20%
Precision – ISO 5725 1-6 (1994)
• Expresa el grado de acercamiento (nivel de
dispersión, la desviación estándar relativa) entre una
serie de mediciones de muestreo múltiple de la
misma muestra homogénea (ensayos
independientes) en las condiciones prescritas.
• Independientemente de si media es una
representación correcta del valor real.
• Da información sobre errores al azar
• Evaluadoa a tres niveles:
 repetibilidad
 precisión intermedia (dentro del laboratorio)
 reproducibilidad (entre laboratorios)
Precision – ISO 5725 1-6 (1994)
• Repetibilidad: precisión bajo condiciones en las que
los resultados de ensayos independientes se obtienen
mediante el mismo procedimiento analítico de
muestras idénticas, en el mismo laboratorio, por el
mismo operador, utilizando el mismo equipo y durante
un breve intervalo de tiempo
• Precisión Intermedia: ISO reconoce M- factores
diferentes para las condiciones de precisión
intermedia (M = 1, 2 o 3)
 M = 1: solo 1 of 3 factores (operador, equipo,
tiempo) es diferente
 M= 2 o 3: 2 o los 3 factores difieren entre
determinaciones.
Precision – ISO 5725 1-6 (1994)
• Reproducibilidad: precisión bajo condiciones
donde los resultados obtenidos:
 por el mismo procedimiento analítico
 sobre muestras idénticas
 en laboratorios diferentes, operadores diferentes y
equipos diferentes
• La Reproducibilidad establecida por un estudio
interlaboratorio (normalización de un
procedimiento analítico)
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
Mayor variación (b)

del ruido de línea
de base (N) Ruido Línea
de Base
p-p Np
Np-p Desviación Más
Importante (N)
p
Tres Áreas Analíticas
LOD LOQ
1 2 3
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
Y Response: dependent variable
Y (observado)
Yn
y = ax + b
y1 Variable Independiente:
x1 ^ xn
X X
Concentración estimada
Respuesta Respuesta
^
x x^
Buena Mala
• Construcción
• 5 a 8 puntos en el rango analítico
• se requieren replicados para la

linealidad
• 3 a 5 replicados por cada nivel
• La curva de calibración debe ser
preparada en la misma matriz (ej.
plasma ) igual que para la muestra a
ser analizada por el fortificado con
concentraciones conocidas del analito
(o por una serie de diluciones).
Validación de la
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
Si son validos el modelo lineal y la suposición de

homoscedasticidad, los residuales deben estar distribuidos
normalmente y no deben aparecer tendencias.
Curva Calibración: Linealidad &
Homogeneidad de Variancia / Inspección
Gráfico Residuales
El hecho que los
residuales ponderados
muestran un patrón
como abanico, cada
vez más grande como
X aumenta sugiere
heterocedasticidad y
usar un procedimiento
de ponderación para
reducir la
heterogeneidad de
variancia
homogeneidad de variancia
• Heterogeneidad de variancia
• Observada comunmented
• Tiene un coeficiente de variación constante
• Regresión Ponderada
• Factor de Ponderación proporcional a la inversa
de la variancia (1/X, 1/X²…)
• Después de la Ponderación, el coeficiente de
correlación (r) va a disminuir, también van a mejorar
la exactitud y precisión.
homogeneidad de variancia
Factor de Ponderación = 1/x2

Inspección del Gráfico de
Residuales
Residuales NO Ponderados
Residuales Ponderados
Ver la evidencia por inspección visual de los residuales a pesar del

uso de regresión ponderada: ¿el modelo tiene lineal simple ???
Curva de Calibración: Linealidad
Usar ensayos de linealidad específicos
El coeficiente de correlación (r) no evalúa la

linealidad excepto para r = 1
ej.: r = 0,999 se puede asociar con una curva de

calibración que no es una línea recta
Test de linealidad: Coeficiente de correlación
Y
Respuesta
r = 0.99
no prueba linealidad
X
Concentración
• Ensayo para la pérdida de ajuste
• Requiere replicados
• Debe ser corrido después de la

ponderación
• ANOVA
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
El caso de una técnica muy precisa

• Si no se replica
• Y = ax + b vs Y= ax + cx² + b
Prueba del significado

Y de C
Y
X
X
• Si no hay linealidad
• usar el polinomio de 2do grado
• reducir el dominio de la curva de calibración

Curva Calibración: Ponderación
=1/X2 y componente cuadrático
Curva Calibración:
Lineal y Residuales
NO Ponderados
Ponderación =1/X2
y componente
cuadrático
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
• S blanco ↓  CC ↓ 0,05
• 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
Relación Líneal. No relación lineal.

Entradas diferentes (x) dan Entradas diferentes (x) dan
salidas diferentes (y). salidas iguales (y).
La pendiente no es igual a cero La pendiente es igual a cero

252
Suposiciones de la Regresión Lineal
• Distribución de Probabilidad de la Media

del Error Es 0
• Distribución de Probabilidad del Error
Tiene variancia Constante
n Constante a través de que?
• Distribución de Probabilidad del Error es
Normal
• Los Errores Son Independientes
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
pero la media cambia con x E(y|x1)
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
• 1. Variación del of Y Actual a partir del Y Predicho

• 2. Medido por el Error estándar del Modelo de
Regresión
• Desviación Estándar de , s
256
Variación del Error al Azar
• 1. Variación del Y Actual a partir del Y Predicho

• 2. Medido por el Error estándar del Modelo de
Regresión
• Desviación Estándar de , s
• 3. Afecta Varios Factores
• Significación del Parámetro
• Exactitud de la Predicción ^
257
Desarrollo y Validación de
Métodos Analíticos para HPLC
SCL-10A::::::: SPD-10A :::::::

xxxx xxxx 7 8 9
000 0000 00000 0
xxxx xxxx 4 5 6
xxxx xxxx 1 2 3
xxxx xxxx 7 8 9
xxxx xxxx
0 ･ xxxx
xxxx xxxx 4 5 6
xxxx xxxx 1 2 3
xxxx xxxx xxxx
0 ･
xxxx xxxx xxxx xxxx xxxx xxxx xxxx
■･･･････ SIL-10A:::::: CTO-10A::::::

000 0
xxxx xxxx xxxx xxxx
xxxx xxxx xxxx xxxx
■･･･････
SAMPLE COOLER
......
... 0.0
...
LC-10AD ::::::: LC-10AD :::::::

000 0 000 0 000 0 000 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.
Valores Cuantitativos (%) de ácido acetilsalisilico

Buffer/Acetonitrilo (V/V)
91.0/9.0 90.0/10.0 89.7/10.3
Tabla análisis de distribución (distribución con 2 desconocidos)
100.9 99.7 101.6
4.21 100.0 100.2 100.1 Factor Suma de cuadradosGrados de Libertad Cuadrado promedio Valor F
100.2 101.6 100.3 pH 0.02296 2 0.01148 0.01967
99.3 100.4 98.7
Solvente orgánico 3.89407 2 1.94704 3.33566
pH 4.27 99.3 99.5 99.5
Interacciones 5.07037 4 1.26759 2.17164
99.1 101.1 99.4
100.1 99.1 99.9 Error 10.50667 18 0.58370
4.33 102.4 99.8 100.9 Total 19.49407 26
99.7 99.5 100.0
No hay diferencias
significativas en los valores
cuantitativos con respecto al
pH o composición del
solvente orgánico.
Evaluación de parámetros de capacidad analítica
De los resultados del ensayo, la extensión del error se analiza usando un método
estadístico y se evalúa cada parámetro de capacidad analítica.
Error al Azar Variabilidad Extendida, precisión
Error Sistemático Extensión del desvío, exactitud
Método Estadístico
Estimación e investigación
El promedio y la variancia de cada grupo de valores de mediciones es necesario, un
valor simple es designado (estimación puntual), el intervalo de confianza al 95% es
necesario (estimación intervalo), y se deben estimar la exactitud y la precisión. El
intervalo de confianza al 95% es estimado a partir de un grupo de valores medidos
en condiciones diferentes para factores variables y la confirmación se hace con
una significación del 5%. La precisión intermedia y la reproducibilidad se evalúan
después.
Análisis de Regresión y análisis de variancia
Usando el método de cuadrados mínimos en el análisis de regresión, el y-intercepta la
línea de recurrencia para el coeficiente de correlación, entre el valor teórico (valor
de validación ) y un grupo de valores medidos, con estos se evalúa la linealidad,
límite de detección ,y límite de cuantificación.
A partir de un grupo de valores medidos en diferentes condiciones, para factores
variables, la influencia de los factores variables, se analiza por el análisis de
variancia y se evalúan la exactitud y la precisión..
Ejemplo de Validación (1)
Ensayo
Ensayo de confirmación para el ácido acetilsalicílico, el compuesto
efectivo en el reactivo base acetilsalicílico usando HPLC
Evaluación de los Parámetros de Capacidad Analítica
Especificidad
Datos para la evaluación

Se analizan las muestras patrones del reactivo base, ácido
acetilsalicílico, y las impurezas esperadas y se obtienen los
cromatogramas y espectros correspondientes para cada pico. De
la misma manera, se analiza una muestra del reactivo base,
procesándola bajo estrictas condiciones para obtener el
cromatograma y el espectro de cada pico.
Especificidad
Método (identificación del compuesto objetivo)
El tiempo de retención y el espectro en el máximo del pico para los principios
activos en el reactivo base se confirman contra el patrón. También se debe
calcular el nivel de separación de los principios activos y sus impurezas.
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
Cromatograma del reactivo base bajo condiciones

Cromatogramas del reactivo base y patrones estrictas
A: Patrón mezcla B: Reactivo Base A: 10mM solución ácido clorhídrico, mantenido a la luz
por 1 hora
La separación entre el principio activo y las
B: 10mM solución hidróxido de sodio, mantenido a la luz
impurezas debe ser mayor a 1,5 y la separación
por 1 hora
entre impurezas mayor que 1.2. Además, el
C: Iluminación con 5000 Lux, luz blanca, solución buffer
espectro del pico del principio activo se confirma
neutra, 1 hora
en forma similar al del pico del patrón.
D: Solución buffer neutra, mantenido a la luz por 1 hora
Especificidad
 Método (confirmación de la pureza del pico)
 El espectro se confirma que sean similares en el medio de la rama ascendente, tope, y
medio de la rama descendente del pico del principio áctivo. Además, se debe calcular a
partir de un cromatograma medido a 5 diferentes longitudes de onda el número de platos
teóricos y el coeficiente de simetría y se evalúa la uniformidad de la forma del pico.
Acido Acetilsalicilico
200 nm N=12804,Tf =1.20
220 nm N=12970,Tf =1.20
240nm N=12924,Tf =1.20
260nm N=12887,Tf =1.20
Tomando el espectro en 3 puntos sobre el pico del 280nm N=12924,Tf =1.20

principio activo son similares y si se confirma que
0 5 10 15 min
el número de platos teóricos y el coeficiente de
simetría son los mismos a todas las longitudes de
onda, se confirma la pureza espectroscópica del
pico.
Cromatogramas del reactivo base detectado a 5 diferentes longitudes de onda
Ensayo
Ensayo Cuantitativo para ácido acetilsalicílico en ácido acetilsalicílico
comercial, usando HPLC
Parámetros de capacidad analítica a evaluar
Especificidad, exactitud, repetibilidad, precisión intermedia, linealidad,
rango
Se analizan muestras con 5 concentraciones, desde 80 a 120% del valor deseado, 5
veces cada una y se obtienen los resultados cuantitativos. Los mismos análisis
se ejecutan en diferentes días, con distintos analistas, instrumentos, columnas,
y reactivos y se obtienen los datos cuantitativos.
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 %
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.
140 Coeficiente correlación r = S{(xi-Sxi/n)(yi-Syi/n)}/{[S(xi-Sxi/n)2][S(yi-Syi/n)2]}1/2

120 r = 0.999034
quantified concentration (%)
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
sample concentration (%)
Gráfico de diferencias residuales

Exactitud
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 intervalo de confianza con un nivel de confianza del 95%.
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.
Promedio (cada ensayo) Proj = Syji/mj d = Sy1i/m1-Sy2i/m2

Diferencia en medias de la
Pro1 = 99.90
población
= 0.32
Pro2 = 99.58
2 Sección de Confiabilidad de lad-t0.025(n*)(s12/m1+s22/m2)1/2< D < d+t0.025(n*)(s12/m1+s22/m2)1/2
mj-1)}1/2
Desviación Estándar (cada ensayo) sj = {S(yji-Syji/mj) /( diferencia de la media de la población
s1 = 0.717635
-0.84592< D < 1.48592
s2 = 0.605805
Relación de Variancia F = s12/s22
RSDj = sj/(Syji/mj)
Desviación estándar relativa (cada ensayo) F = 1.4033
RSD1 = 0.72 (%)
RSD2 = 0.61 (%) Sección de Confiabilidad F0.975(m1-1,m2-1)s22/s12 < F < F0.025(m1-1,m2-1)s22/s12
2 2 2 2 2 2 2
de la variancia de la población
Desviación estándarn = (s1 /m1+s2 /m2) /{(s1 /m1) /(m1-1)+(s2 /m2) /(m2-1)}
0.074193< F < 6.8447
relativa (cada ensayo)
( m=5 : Números ensayos 1 repetición, n=5 : número de ensayo 2
n* = 4
repeticiones)
El valor 0 esta incluido en el intervalo de confianza de la diferencia de la
media de la población y 1 esta incluido en el intervalo de confianza de la
relación de la variancia de la población. Además no hay diferencias
significativas debidas a las variaciones de los factores.
Ensayo
Ensayo Límite para impurezas contenidas en ácido acetilsalicílico en
reactivo base usando HPLC
Parámetros de capacidad analítica a evaluar
Especificidad, límite de detección
Se analizan 5 veces, muestras con 5 concentraciones cerca del límite de detección
esperado y se obtienen los resultados de medición (valores de área).
Concentración 0,04 % 0,06 % 0,08 % 0,10 % 0,12 %

teórica
1º corrida 3551 4446 6182 7963 9405
2º corrida 3282 5089 6294 8154 9226
3º corrida 3013 5050 6418 8078 9084
4º corrida 3635 4907 6793 7668 9780
5º corrida 3119 4686 6109 7525 9591
Límite de Detección
Método
Los resultados obtenidos del análisis para las muestras con 5
concentraciones, cada una medida 5 veces. Usando el análisis de
regresión se calcula, la pendiente de la línea de regresión y la desviación
estándar de la diferencia del resto (o desviación estándar en la
intercepción-y). El límite de detección se calcula después con los valores
así obtenidos.
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)
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).
Concentración teórica 0.04 % 0.06 % 0.08 % 0.10 % 1.20 %

1º corrida 2454 3300 4316 5401 6791
2º corrida 2538 3762 4496 5825 6488
3º corrida 2081 3859 4581 5739 6560
4º corrida 2669 3504 4852 5334 6943
5º corrida 2312 3697 4378 5518 7005
Límite de Cuantificación
Método
Muestras con 5 concentraciones medidas 5 veces. La pendiente de la línea de
regresión y la desviación estándar de la diferencia residual (o desviación
estándar de la intercepción- y) y se calculan por análisis de regresión. El
límite de Cuantificación se calcula a partir de los resultados.
Desviación Estándar de la sy/x = {S{yi-(bxi+a)}2/(n-2)}1/2 Límite de Detección QL = 10sy/x/a

diferencia residual
sy/x = 218.097 DL = 0.041 (%)
Desviación Estándard intercepción-ysy = sy/x{(Sxi2/nS(xi-Sxi/n)2}1/2 o

sy = 130.858 DL = 0.025 (%)
o o
2 2 1/2
Desviación Estándard intercepción-ysy = sy/x{1+1/n+(S
xi/n) /S(xi-Sxi/n) } DL = 0.048 (%)
sy = 254.343
(a = 53161: pendiente línea regresión, b = 323.24:

intercepción-yt, n = 25: número total de
análisis)
Ejemplo de Matriz de
Plackett Burman para
Perfil de Ácidos Grasos
Robustez Ácidos Grasos
1. Definición de los Factores
Elección de los Niveles
Matriz de Tratamientos
Condiciones Corridas Analíticas
Resultados Ácido Palmitico
Cálculo de los contrastes de
cada factor y factores falsos
Cálculo de las Sumas de los Cuadrados
Ci2
• Suma de Cuadrados de Cada Factor SCCi 
8
• Suma de Cuadrados Factores Falsos SC e   Ci2

8
• Cálculo Cuadrado Medio del Error SCe

MC e 
f
MC Ci
• Valor de FCal para cada Factor Fcal 
MC e
H0: Si Fcal  F1, se presenta efecto del factor.

HA: Si Fcal < F1, no se presenta efecto del factor.
Cálculos para el Ácido Palmitico
Conclusiones Ácido Palmitico
Resultados Ácido Linoleico
Cálculo de los contrastes de cada
factor y factores falsos
Cálculos para el Ácido Linoleico
Conclusiones Ácido Linoleico
Resolución de un
Ejemplo Real.
•294
Linealidad del Sistema
•1. Tabular los resultados, según el esquema siguiente:
Concentración de la dilución de la solución Propiedad

patrón (x) Medida (y)
x1 y11 y12 y1n
x2 y21 y22 y2n
. . . .
. . . .
xt yt1 yt2 ytn
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
•2. Cálculos preliminares para el Coeficiente de Correlación y Coeficientes de
Determinación
 x = n (x1 + x2 + .........+ xt)

 y = y11 + y12+ ....+ y1n + y21 + y22 + ... + y2n + ... yt1 + ... + yt2 + .... + ytn.
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 )
•3. Cálculos Finales para los coeficientes de correlación y coeficiente de determinación.

[nt ( xy)  ( x ) ( y)]2
r [ ]
[nt( x 2 )][nt ( y2 )  ( y2 )
[nt ( xy)  ( x ) ( y)]2
r2 [ 2 2 2
]
[nt( x )][nt ( y )  ( y ) •296
•4. Cálculos preliminares para el coeficiente de variación.
•4.1 Calcular para cada punto de la linealidad del sistema el factor siguiente
propiedad medida (y)
F 
conc . de la dilución de la solución patrón (x )
y 11 y t1
F 11  Ft1 
x1 xt
y 1n y tn
F 1n  F tn 
x1 xt
•4.2 Calcular la suma de factores, suma de cuadrado de factores y media del factor
FF 11  F12  F1n  .........  Ft 1  Ft 2  Ftn
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
•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
x2 = 0,963 y21 = 0,315 y22 = 0,314
x3 = 1,248 y31 = 0,417 y23 = 0,418
x4 = 1,605 y41= 0,522 y24 = 0,521
x5 = 1,926 y51 = 0,629 y25 = 0,629
•Si el 100% de la dosis corresponde a x4 ; t = 5, n = 2
•2. Cálculos preliminares para el coeficiente de correlación y el coeficiente de determinación.

•x = 2 (0,642 + 0,963 + 1,248 + 1,605 + 1,926) = 12,768
•y = 0,208 + 0,209 + 0,315 + 0,314 + 0,417 + 0,418 + 0,522 + 0,521 + 0,629 + 0,629 = 4,182
•x2 = 2 (0,6422 + 0,9632 + 1,2482 + 1,6052 + 1,9262) = 18,36508
•y2 = 0,2082 + 0,2092 + 0,3152 + 0,3142 + 0,4172 + 0,4182 + 0,5222 + 0,5212 + 0,6292 + 0,6292 = 1,96859
•xy = 0,642 (0,208 + 0,209) + 0,963 (0,315 + 0,314) + 1,248 (0,417 + 0,418) + 1,605 (0,522 + 0,521) +
•299
1,926 (0,629 + 0,629) = 6,01244
Linealidad del Sistema - Ejemplo
•3) Cálculos preliminares para el coeficiente de correlación y
el coeficiente de determinación
1
[(2)(5)(6,01244)  (12,768)(4.182)]2 2
6,728622
r [ ] r [ ]  0,99905  0,99952
[(2)(5)(18,36508)][(2)(5)(1,96859)  4,1822 ] (20,62898)(2,19678)
2 [(2)(5)(6,01244)  (12,768)(4.182)]2 2 6,728622
r [ ] r   0,99905
[(2)(5)(18,36508)  12,7682 ][(2)(5)(1,96859)  4,1822 ] (20.62898)(2,19678)
•3. Cálculos preliminares para el coeficiente de variación
F11 = 0,208/0,642 = 0,323988 F32 = 0,418/1,248 = 0,334936

F12 = 0,209/0,642 = 0,325545 F41 = 0,522/1,605 = 0,325234
F21 = 0,315/0,963 = 0,327103 F42 = 0,521/1,605 = 0,324611
F22 = 0,314/0,963 = 0,326064 F51 = 0,629/1,926 = 0,326584
F31 = 0,417/1,248 = 0,334135 F52 = 0,629/1,926 = 0,326584
•F = 0,323988 + 0,325545 + 0,327103 + 0,326064 + 0,334135 + 0,334936 + 0,325234

+0,324611 + 0,326584 + 0,326584 = 3,274784
•F2 = 0,3239882 + 0,3255452 + 0,3271032 + 0,3260642 + 0,3341352 + 0,3349362 +
0,3252342 +0,3246112 + 0,3265842 + 0,3265842 = 1,072554 •300
•Fbarra = 3,274784 / 10 = 0,3274784
5. Cálculos finales para el coeficiente de variación
10(1,072554 )  (3,274784 )2 21 0,00133

DE  [ ]   0,0038442
10 (10  1) 90
0,0038442
CV  .100  1,17%
0,3274784
Ya que r > 0,99, r2 >0,98 y el CV <1,5%, se cumple con los

criterios para la linealidad del sistema.
•301
Precisión del Sistema
•1. Tabular los resultados
• Y1, Y2, Y3, Y4 ............YN
•2. Cálculos preliminares
•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.
•2. Cálculos preliminares
•y = 1,185 + 1,189 + 1,184 + 1,203 + 1,198 + 1,191 = 7,15

•y2 = 1,1852 + 1,1892 + 1,1842 + 1,2032 + 1,1982 + 1,1912 = 8,52070
•ybarra = 7,15/6 = 1,19167
6. 8,5207  7,15 2 21
DE  [ ]  0,00753
6 (5)
•3. Cálculos Finales
•CV = 0,00753 / 1,1967 . 100 = 0,63%
•Se cumple con el criterio para la precisión del sistema •303

Linealidad del Método
A. Cantidad Adicionada – Cantidad Recuperada
•1. Tabular los resultados en base al siguiente formato.
Cantidad Adicionada (x) Cantidad Recuperada (y)

x11 x12 --------- x12 y11 y11 --------- y1n
x21 x22 --------- x2n y11 y22 --------- y2n
xt1 xt2 --------- xtn yt1 yt2 --------- ytn
• t: número de cantidades adicionadas

• n: número de replicados (cantidad recuperada) por cada cantidad adicionada.
• Para proceder con los cálculos siguientes, es necesario que el número de replicados
• ( cantidad recuperada) de cada cantidad agregada, sean equivalentes. •304
Linealidad del Método
• 2. Cálculos Preliminares.
• x = n (x1 + x2 + .........+ xt)

• y = y11 + y12+ ....+ y1n + y21 + y22 + ... + y2n + ... yt1 + ... +
yt2 + .... + ytn.

2 2 2 2
 x  n (x  x  ........  x
1 2 t
2 2 2 2 2 2 2 2 2 2
 y  y  y  ....  y  y  y  y  ...  y  y  y
11 12 1n 21 22 2n t1 t2 tn
 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
•1. Tabla Cantidades Agregadas vs. Cantidades Recuperadas
Cantidad Agreg. Cantidades Recuperadas (y)

(x)
x1 = 60 y11 = 59,84 y12 = 59,66 y13 = 60,03
x2 = 100 y21 = 100,16 y22 = 99,48 y23 = 100,26
x3 = 120 y31 = 119,67 y32 = 119,81 y33 = 119,69
•Nota: (Para este ejemplo: x11, x12 y x13 = 60; x21, x22 y x23 = 100 y
•x31, x32 y x33 = 120).
•306
•2.Cálculos Preliminares
•x = 3. (60 + 100 + 120) = 840

•y = 59,84+ 59,66+ 60,03+ 100,16+ 99,48+ 100,26+ 119,67+ 119,81+ 119,69 =838,6
•x2 = 3. (602 + 1002 + 1202) = 84000
•y2 = 59,842+ 59,662+ 60,032+ 100,162+ 99,482+ 100,262+ 119,672+ 119,812+ 119,692 =
83725,1468
•xy = 60 (59,84+ 59,66+ 60,03) + 100 (100,16+ 99,48+ 100,26) + 120 (119,67+ 119,81+
119,69) = 83862,2
[ 3. 3. (83862 ,2)  (840) (838,6)]2 50335 ,8
m   0,99873
3. 3. (84000 )  840 2 50400 ,0
838,6  0,99873 (840 )
b  0,03702
3. 3
[ 3. 3. (83862 ,2)  (840 ) (838,6)]2 50335 ,8
r   0,99991
[3. 3. (84000 )  840 2 ][3. 3. (83725 ,1468 )  838,62 (50400 ,0) (50276 ,3612
Ya que b = 0, m = 1, r2 > 0,98; se cumplen con los criterios para la linealidad•307
del método.
B. Porcentaje Recuperado
R1 = 59,84/60.100 = 99,73 R2 = 59,66/60.100 = 99,43 R3 = 60,03/60.100 = 100,05
R4 =100,16/100. 100 R5 =99,48/100. 100 =99,48 R6 =100,26/100. 100

=100,16 =100,26
R7=119,67/120. 100 =99,72 R7=119,81/120. 100 =99,84 R7=119,69/120. 100 =99,74
1.Tabular los resultados.
99,73; 99,43; 100,05; 100,16; 99,48; 100,26; 99,72; 99,84; 99,74

N=9
•308
B. Porcentaje Recuperado
2. Cálculos preliminares
R = 99,73+ 99,43+ 100,05+ 100,16+ 99,48+ 100,26+ 99,72+ 99,84+ 99,74=

898,41
R2 = 99,732+ 99,432+ 100,052+ 100,162+ 99,482+ 100,262+ 99,722+ 99,842+
99,742 = 89682,9355
 898,41
R  99,8233
9
1
2
 9. (89682,9355 )  (898,41) 2
DE     0,2861
 9 ( 9  1) 
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
R1; R2; R3; ............. Rn
R = R1; R2; R3; ............. Rn

R2 = R12; R22; R32; ............. Rn2

 R N (  R 2 )  (  R )2 1
2
R DE  [ ]
N N (N  1)
•CV = (DE / R) . 100

•310
Precisión - Reproducibilidad
El siguiente procedimiento se aplica solo cuando se empleen dos
días distintos, dos analistas y 3 determinaciones
1. Tabular los resultados en base al siguiente formato.
ANALISTA
1 2
DIA 1 Y111 Y211
Y112 Y212
Y113 Y213
2 Y121 Y221
Y122 Y222
Y123 Y223
•311
Precisión - Reproducibilidad
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) 
•N = número total de determinaciones (para este caso en particular N = 12)
•CV = (DE / R) . 100

•312
Precisión - Reproducibilidad -
Ejemplo 1
1. Tabla de Resultados. (método Cromatográfico)
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
Ejemplo 1
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) 
CV = 0,5340 / 100,275 . 100 = 0,5325%

Como el CV < 2% cumple con el criterio para métodos cromatográficos.
•314
Ejemplo 2
1. Tabla de Resultados. (Método Espectrofotométrico)
ANALISTA
1 2
Y111 = 100,00 Y211 = 98,23
1 Y112 = 100,00 Y212 = 99,41
DIA Y113 = 98,00 Y213 = 99,42
Y121 = 101,00 Y221 = 99,57

2 Y122 = 101,00 Y222 = 100,63
Y123 = 100,00 Y223 = 99.78
N =12
•315
Ejemplo 2
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) 
CV = 0,5340 / 100,275 . 100 = 0,5325%

Como el CV < 2% cumple con el criterio para métodos cromatográficos.
•316
Ejemplo 2
2. Cálculos Preliminares
y = 100,00 + 100,00 + 98,00 + 101,00 + 101,00 + 100,00 + 98,23 + 99,41 +

99,42 + 99,57 + 100,63 + 99,78 = 1197,04
y2 = 100,00 2 + 100,00 2 + 98,00 2 + 101,00 2 + 101,00 2 + 100,002 + 98,23 2 +
99,412 + 99,422 + 99,572 + 100,632 + 99,782 = 119418,4476
1
2
 1197,04  12.(119418 ,4476 )  11197 ,04  2
y  99,75 DE     0,93990
12  12 (12  1) 
CV = 0,93990 / 99,75 . 100 = 0,9422%

Como el CV < 3% cumple con el criterio para métodos •317
espectrofotométricos.
Estabilidad Muestra a Analizar
1. Tabular los resultados en base al siguiente esquema
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
2 2S20  2S12 2 2S20  2S22 2 2S20  2Sm 2

S 
p1 ; S p2  ; S 
p1 ;
2 (c  1) 2 (c  1) 2 (c  1) •318
3. Cálculos Finales para el Intervalo de Confianza (Para cada
Condición x Tiempo):
 
2
IC  (Y i  Y0 )  t * . Spi2  
3
Donde:
t* : Valor de t de Dunnett con c comparaciones y 2(c-1) grados de libertad y una probabilidad de 0,975
4. Cálculos preliminares para el coeficiente de variación: Para cada

condición / tiempo / muestra, calcular el factor (I) con la siguiente formula.
(análisis muestra / condición / tiempo )i

I
(análisis inicial i )
I1 = Y4 / Y1 . 100 I2 = Y5 / Y2 . 100 I3 = Y6 / Y3 . 100
I4 = Y7 / Y1 . 100 I5 = Y8 / Y2 . 100 I6 = Y9 / Y3 . 100
I7 = Yn-2 / Y1 . 100 I8 = Yn-1 / Y2 . 100 I9 = Yn / Y3 . 100 •319
Para cada condición / tiempo calcular la media del factor (I) con
la siguiente formula:

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.
METODO VALOR DE I (barra)

Cromatográficos 98 – 102%
Volumétricos 98 – 102%
Químicos y Espectrofotométricos 97 – 103%
Microbiológicos 95 – 105% •320
Estabilidad Muestra a Analizar -
Ejemplo
Se determinó por cromatografía líquida de alta resolución, la estabilidad
de la muestra a analizar, Ribavirina, se analizaron muestras que fueron
mantenidas a temperatura ambiente durante 24 y 72 horas y muestras que se
almacenaron a 4ºC durante 24 horas, utilizando una solución patrón para
cada reanálisis, la determinaciones las realizó un mismo analista.
1. Tabular los resultados en base al siguiente esquema
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
Ejemplo
3. Cálculos Preliminares para el intervalo de Confianza
Variancias Ponderadas
MEDIA Y0 = 97,8767 Y1 = 98,1800 Y2 = 99,1033 Y3 = 97,8900

VARIANCIA S02 = 0,6617 S12 = 0,2316 S22 = 1,3082 S32 = 0,6597
2(0,6617 )  2(0,2316 ) 1,7866

Sp21    0,2978
2 (2  1) 6
2 2(0,6617 )  2(1,3082 ) 3,9398
Sp 2    0,6566
2 (2  1) 6
2(0,6617 )  2(0,6597 2,6428
Sp21    0,4405
2 (2  1) 6 •322
Ejemplo
3. Cálculos Finales para el Intervalo de Confianza (Para cada Condición x Tiempo):
Para T.A. / 24 horas

2
IC  (98,1800  97,8767)  2,86 . 0,2978   IC   0,9710 a 1,5776
3
La muestra es estable en condiciones ambientales por 24 hs., ya que el IC
incluye el valor cero(0)
Para T.A. / 72 horas

2
IC  (99,1033  97,8767)  2,86 . 0,6566   IC   0,6656 a 1,5776
3
La muestra es estable en condiciones ambientales por 48 hs., ya que el IC
incluye el valor cero(0)
Para T.4. / 24 horas

2 
IC  (97,8900  97,8767)  2,86 . 0,4405   IC   1,55366 a 1,5632
3 
La muestra es estable en condiciones ambientales por 72 hs., ya que el IC incluye
•323
el valor cero(0)
Ejemplo
4. Cálculos preliminares para el coeficiente de variación: Para cada condición
/ tiempo / muestra, calcular el factor (I) con la siguiente formula.
(análisis muestra / condición / tiempo )i

I
(análisis inicial i )
I1 = 97,72 / 97,79. 100 I2 = 98,68 / 98,73 . 100 I3 = 98,14 / 97,11 . 100

=99,93% = 99,95% = 101,06%
Para T.A. 72 horas

I4 = 97,80 / 97,79 . 100 I5 = 99,94 / 98,73 . 100 I6 = 99,57 / 97,11 . 100
= 100,01% = 101,23% = 101,23%
Para T. 4ºC / 24 horas
I7 = 97,32/97,79 . 100 = I8 = 97,53 / 98,73. 100 I9 = 98,52 / 97,11 . 100
99,52% = 98,79% = 101,76%
•324
Comparación de Dos Métodos
Analíticos
En este apunte se detallan los parámetros analíticos que se consideran mínimos
para comparar, así como los criterios para establecer la igualdad de dichos
parámetros.
A.Repetibilidad.
Criterio: En el intervalo de confianza para la razón de las variancias (calculados a
partir del porcentaje recuperado al 100%, del porcentaje recuperado para
la linealidad del método y de la variancia de la precisión del método en
estudio), debe encontrarse el valor de 1.
B. Exactitud al 100%
Criterio: En el intervalo de confianza para la diferencia de las medias aritméticas
del porcentaje recuperado, debe encontrarse el valor de 0 (cero).
C. Linealidad del Método
Criterios:
1. En el intervalo de confianza para la diferencia de las medias del porcentaje
de recuperación, debe encontrarse el valor (cero).
2. En el intervalo de confianza para la diferencia de la pendiente de la cantidad
agregada – cantidad recuperada, debe encontrarse el valor (cero).
3. En el intervalo de confianza para la diferencia de las ordenadas al origen
de la cantidad agregada – cantidad recuperada, debe encontrarse el valor (cero)
•325
Analíticos
A. Repetibilidad
1. Información requerida:
EXACTITUD AL 100% LINEALIDAD DEL METODO PRECISION
DE Desviación Estándar % Desviación Estándar % Desviación Estándar

1 recuperación método 1 recuperación método 1 método 1
DE Desviación Estándar % Desviación Estándar % Desviación Estándar

2 recuperación método 2 recuperación método 2 método 2
N1 Número de % recuperación Número % recuperación

método 1 método 1
N2 Número de % recuperación Número % recuperación

método 2 método 2
•326
Analíticos
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
b. Estudio de Precisión: Los cálculos que se detallan, solo se aplican

cuando el ensayo se realiza en dos días, con dos analistas y tres
determinaciones.
DE12 DE12
LSIC  x 4,43 LIIC  x 0,226
DE22 DE22
•327
Analíticos
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
b. Estudio de Precisión: Los cálculos que se detallan, solo se aplican

cuando el ensayo se realiza en dos días, con dos analistas y tres
determinaciones.
DE12 DE12
LSIC  x 4,43 LIIC  x 0,226
DE22 DE22
•328
Analíticos
B. Exactitud al 100% y Linealidad del Método (porcentaje de
recuperación)
Caso 1: Los métodos tienen la misma repetibilidad
1. Información Requerida:
R1 : Media del porcentaje de recuperación del método 1
N1 : Número de porcentajes de recuperación del método 1
DE1 : Desviación Estándar del porcentaje de recuperación del método 1
DE2 : Desviación Estándar del porcentaje de recuperación del método 2
1
 (N1  1) DE12  (N2  2) DE22  2
DEp   
 N1  N2  2  •329
Analíticos
  1 1
LSIC  (R 1  R 2 )  t .DEp . 
N1 N2
  1 1
LIIC  (R 1  R 2 )  t .DEp . 
N1 N2
•330
Analíticos
Caso 2: Los métodos no tienen la misma repetibilidad
1. Información Requerida:

DE1 : Desviación Estándar del porcentaje de recuperación del
método 1
DE2 : Desviación Estándar del porcentaje de recuperación del
método 2
•331
Analíticos
[DE12 / N1  DE22 / N2 ]2
gl  2 2 2 2
2
[DE1 / N1 ] [DE2 / N2 ]

N1  1 N2  1
  DE12 DE22
LSIC  (R 1  R 2 )  t . 
N1 N2
  DE12 DE22
LIIC  (R 1  R 2 )  t . 
N1 N2 •332
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
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.a. Pendientes de la Cantidad Agregada – Cantidad Recuperada.
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
LSIC  (m1  m2 )  t . S2dm LIIC  (m1  m2 )  t . S2dm
t = valor de la Distribución de Student con (t1 n1 + t2 n2 – 4) grados de libertad y

•334
una probabilidad acumulada de 0,975.
Analíticos
2.b. Ordenadas al origen de la cantidad agregada
– cantidad recuperada
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.
LSIC  (b1  b2 )  t . S2do LIIC  (b1  b2 )  t . S2do
t = valor de la Distribución de Student con (t1 n1 + t2 n2 – 4) grados de libertad y una probabilidad acumulada de 0,975.
•335
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.
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
[DE12 / N1  DE22 / N2 ]2 [ 2,6175 2 / 25  1,2028 2 / 25 ]2

gl  2 2 2 2
2  2 2
2 ; gl  34,5
[DE1 / N1 ] [DE2 / N2 ] [ 2,6175 / 25 ] [1,2028 / 25 ]
 
N1  1 N2  1 25  1 25  1
•337
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
Los métodos tienen una linealidad equivalente, en términos de porcentaje de recuperación,

ya que el intervalos de confianza, se encuentra el valor cero.
•338
C. Linealidad del Método:
Método 1 Método Cromatografía en Capa Delgada para cuantificar Hidrocortisona
Método 2 Método Cromatografía Líquida de Alta Resolución para cuantificar
Hidrocortisona
•339
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
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
Cálculos Finales
Límites Superior (LSIC) e Inferior (LIIC) para la diferencia de pendientes de
la cantidad adicionada – cantidad recuperada (LSIC)
LSIC  (m1  m2 )  t . S2dm

LSIC  (0,984332142  0,932142856)  t. 2,08594. 10  3
LSIC  0,052189286  0,094481857  0,146671143
LIIC  (m1  m2 )  t . S2dm
LIIC  0,052189286  0,094481857  0,04229257
•342
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
Límites Superior (LSIC) e Inferior (LIIC) para la diferencia de las ordenadas al
origen de la cantidad adicionada – cantidad recuperada (LSIC)
LSIC  (b1  b2 )  t . S 2do

LSIC  29,80382134  2,0687 (22,2578397 )
LSIC  29,80382134  46,04479299  16,24097165 .
LIIC  (b1  b2 )  t . S2do
LIIC  29,80382134  46,04479299  46,04479299 .
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
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
PRECISION (REPRODUCIBILIDAD)
1. Tabular los resultados de acuerdo con el siguiente esquema:
ANALISTA (i)
1 2
DÍA 1 Y111 Y211
(j) Y112 Y212
Y113 Y213
2 Y121 Y221
Y122 Y222
Y123 Y223
•347
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
2.3) Calcular la suma total (y ....):

y.... = y1 ... + y2 ....
2.4 Calcular la suma del cuadrado de cada analista para cada día
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
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),
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
Cálculos Finales
1. Con los datos anteriores construir la Tabla de Análisis de la Variancia (ANOVA).
Fuentes de Grados de Suma de Media de Fcal F0,05*

Variación Libertad Cuadrados Cuadrados
Analista () gla = a -1 SCa MCa= Fa = Fgla/gld
SCa/gla MCa/MCd
Día () gld = (d –1)a SCd MCd= Fd = Fgld/gle

SCd/gld MCd/MCe
Error () gle = (r –1)ad SCe MCe= --------- --------

SCe/gle
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
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
Si el método no es reproducible para los analistas y/o entre días

para un mismo analista, la variación en el método analítico para estos
se calcula usando las ecuaciones.
1
 MCa  MCd  2
Variación entre analistas   
 rd 
1
 MCd  MCe  2
Variación entre días para analista   
 r •351
REPETIBILIDAD DEL METODO ANALITICO
1. Calcular la repetibilidad del método usando la siguiente ecuación:
Repetibilidad =  (MCe)½
COEFICIENTE DE VARIACION TOTAL

1. Calcular la media aritmética total, usando la siguiente ecuación:
 y....
y donde : n  adr
n
2. Calcular la desviación estándar total usando la ecuación:
1
2 2
 n.  yijk  ( y....)  2
S 
 n (n  1) 
3. Calcular el coeficiente de variación total (CV), usando la ecuación:
s
CV  
x 100 •352
y
PRECISION (REPRODUCIBILIDAD) (ejemplo Nº 1)
1. Tabular los resultados:
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%
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
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

y.... = 599,46 + 603,84 = 1203,3
2
 xij  (299,86)2  (299,60)  (302,67)2  (301,17)2  361988 ,6774
( yi...)2  (599,46)2  (603,84)2  723975,0372

2
  xij  (99,86 )2  (100 ,38)2  (99,62)2  (100,25 )2  (99,99)2  (99,36)2 
•354
 (100 ,60 )2  (101,20)2  (100,87)2  (100,33)2  (100 ,77 )2  (100 ,07)2  120664 ,0442
2.7. Calcular la suma de cuadrados del analista (SCa), efecto del factor
analista, con la siguiente formula:
723975 ,0372 (1203 ,3)2

SCa    120662 ,8925  120660 ,9075  1,5987
(2) (3) (2) (2) (3)
2.8. Calcular la suma de cuadrados del día anidado con el analista (Scd)
361988,6674 (1203,3)2
SCd    120662,8925  120662,5062  0,3863
3 (2) (3)
2,9. Calcular la suma de cuadrados para el error (SCe),

361988 ,6774
SCe  120664 ,0442   120664 ,0442  120662 ,8925  1,1517
3 •355
Cálculos Finales:
1. Con los datos anteriores construir la Tabla de Análisis de la Variancia (ANOVA).
Fuentes de Grados de Suma de Media de Fcal F0,05*

Variación Libertad Cuadrados Cuadrados
Analista () gla= 2 –1 = 1,5987 MCa= Fa = 8,2677 Fgla/gld =
1 1,5987 38,51
Día () gld =(2– 0,19315 MCd= Fd = 1,3417 Fgld/gle =
1)2= 2 0,19315 0,06
Error () gle = (3 – 0,14396 MCe= --------- --------
1)(2.2)=8 0,14396

Ya que Fa < Fgla; gld; 0,05 El método analítico es reproducible para los analistas
Ya que Fa < Fgld; gle; 0,05 El método analítico es reproducible en distintos días para
los analistas
•356
Repetibilidad =  (0,14396)½ = 0,3794

 1203 ,3
y  100,275
(2)(2)(3)
2. Calcular la desviación estándar total usando la siguiente ecuación:
1 1
1
12. (120664,0442)  (1203,3)2  2  1447968,53  (1447930,89)  2 2
S     (0,2852515152)  0,5339958
 12(12  1)   12(12  1) 
3. Calcular el coeficiente de variación total (CV), usando la siguiente ecuación:

0,5339958
CV  x 100  0,5325%
•357
100,275
PRECISION (REPRODUCIBILIDAD) (ejemplo Nº 2)
1. Tabular los resultados:
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%
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
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

y.... = 605,84 + 590,83 = 1196,67
2
 xij  (302,63)2  (303,21)  (294,66)2  (296,17)2  358062,4055
( yi...)2  (605,84)2  (590,83)2  716122,1945

2
  xij  (101,53)2  (101,07)2  (100,03)2  (100,57)2  (101,61)2  (101,03)2 
•359
 (98,43 )2  (98,01)2  (98,22)2  (98,75 )2  (98,63)2  (98,79 )2  119353 ,6991
2.7. Calcular la suma de cuadrados del analista (SCa), efecto del factor
analista, con la siguiente formula:
716122 ,4055 (1196,67)2

SCa    119354 ,1352  119334 ,9241  18,775
(2) (3) (2) (2) (3)
2.8. Calcular la suma de cuadrados del día anidado con el analista (Scd)
358062,4055 716122,1945
SCd    119354 ,1352  119353,6991  0,4361
3 (2) (3)
2,9. Calcular la suma de cuadrados para el error (SCe), con la formula:

358062 ,4055
SCe  119355 ,9615   119355 ,9615  119354 ,1352  1,8263
3
•360
Cálculos Finales:
1. Con los datos anteriores construir la Tabla de Análisis de la
Variancia (ANOVA).
Fuentes Grados de Suma de Media de Fcal F0,05*

de Libertad Cuadrado Cuadrado
Variación s s
Analista gla= 2 –1 = 18,775 MCa= Fa = Fgla/gld =
() 1 18,775 86,10477 38,51
Día () gld =(2– 0,4361 MCd= Fd = Fgld/gle =
1)2= 2 0,21805 0,9551 0,06
Error () gle = (3 – 1,8263 MCe= --------- --------
1)(2.2)=8 0,22829
•361
Ya que Fa > Fgla; gld; El método analítico no es reproducible para

0,05 los analistas
Ya que Fa < Fgld; gle; El método analítico es reproducible en
0,05 distintos días para los analistas
Como el método no es reproducible por los analistas, Calcular la

variación para el método analítico
1
 18,775  0,2185 
2
Variación entre analistas      1,7586
 (3 )(2 ) 
•362
Repetibilidad =  (0,22829)½ = 0,4778
 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) 
3. Calcular el coeficiente de variación total (CV), usando la siguiente ecuación:

1,3829289
CV  x 100  1,3868 %
•363
99,7225
Muy
agradecido!
El Final
Gracias
Por su atención
No conciliaron el sueño ( Espero!!)
Fin del Curso ADIOS! !
Hay Preguntas?
(antes que ustedes crucen la puerta)
Puede Excusarme, Mi Cerebro está Lleno

Técnicas Estadísticas para Validación de Métodos de Análisis 2016expFINAL

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Técnicas Estadísticas para Validación de Métodos de Análisis 2016expFINAL

Uploaded by

Copyright:

Available Formats

Técnicas Estadísticas para la

¿Requisitos No Averiguar los

¿Método No Seleccionar algún

2 Aptitud del método Averiguación

El outlier causa un cambio

El coeficiente de rechazo se lo denomina Q0.95; los valores para los

Para ejecutar el test Q, los resultados son odenados en oreden creciente

La diferencia entre un resultado sospechoso y el dato más próximo es

Si el valor de Q es igual o mayor que el coeficiente de la Tabla 1 para n

5 0.64 0.73 0.82

6 0.56 0.64 0.74

Valor Mayor (Xn) 7 0.51 0.59 0.68

9 0.44 0.51 0.6

10 0.41 0.48 0.57

Usando el test Q, se retienen los datos más bajos. El cálculo del

Como Q es igual a Q0.90 (Tabla 1), el rsultado sospechosos debe ser

Si es posible, lo major es hacer un Nuevo replicado, más que informar

No convencido por el fracaso de la prueba Q de eliminar un resultado "sabiendo" que no

Si se elimina alguno, debe ensayarse el valor mayor de los remanentes

Ejemplo: Usar el test Q para evaluar los siete valores en la muestra:

Ordenar los valores en orden creciente e identificarlo como se

Resultados n=7 n=6 n=5 n=5

5,12 X1 Eliminado Eliminado Eliminado

6,32 X5 X4 Xn-1 Xn-1

6,32 Xn-1 Xn-1 Xn Xn

6,82 Xn Xn Eliminado Eliminado

• Quedan 14 valores y ahora se ensaya 1,01

x14  x12 1,01  0,48 0,53

A. Si el valor del estadístico C es menor o igual al 5% de su valor

Dilución Dilución Dilución Dilución

Inyección Inyección Inyección Inyección Inyección Inyección Inyección Inyección

Inyección 1 Inyección 2 Inyección 1 Inyección 2 Inyección 1 Inyección 2

Inyección 1 Inyección 2 Inyección 2 Inyección 1 Inyección 1 Inyección 2

S P: Patrón para Precisión

S P: Patrón para Precisión

• El valor informado para la precisión

Paso 1: Ordenar los número de mayor al menor

Paso 2: Identificar la Mediana

Paso 3: Identificar el Número Más Bajo y el Más Alto

Paso 4: Identificar la Mediana entre el Número Más Bajo

9 – Mediana entre el Más BAJO y la Mediana

14 - Mediana de todo el grupo de datos

17 - Mediana entre el Más ALTO y la Mediana

40 – Es el Número Más ALTO en el grupo

Estos son los 5 Números que vamos a necesitar

1er 2do 3er 4to

El Cuartilo Superior (Q3) es el cuarto

25% de todos los números del grupo son mayores que Q3

Esto se llama Rango Inter-Cuartilo (IQR)

Media =15 Media = 11,875

Mediana =14 Mediana = 13

La ecuación de Horwitz, esta definida como:

CVh = 2(1-0.5.log c) ó sH = 0.02 x c 0,8495

Poniéndolo de otra manera, si el 95% de M

5% de M están fuera de 1,96 σM de µ,

• El objetivo de la inferencia estadística

Si el valor t calculado es superior al t crítico, entonces, existirá una

Se desea determinar si son iguales las medias de la experiencia 1 y 2.

Se procede a comparar el t crítico y el t calculado, t calc= 3,09.

Se desea demostrar si existen diferencias significativas entre la experiencia

Se procede a comparar el t crítico y el t calculado, t calc= 3,48. Se observa

Se analiza de un material de referencia certificado de hierro en cereal,

El valor asignado, informado en el certificado del MRC es;  = 6,3 mg/Kg