Herramientas Estadísticas en El Marco de La Norma 17025 ECOGECOLAB

Aplicaciones estadísticas para el
Ensayos en Laboratorio
JUNIO 2018
Alberto García Méndez

ÍNDICE
1. Conceptos de estadística.
Estadística Descriptiva y Diferencial
2. Conceptos y parámetros de Validación
3. Aseguramiento de la Calidad de Resultados de

Ensayo
2
CONCEPTOS DE
ESTADÍSTICA.
3
CONCEPTOS GENERALES DE
ESTADISTICA
MEDICIONE RESULTADO
S S
INFORMACIÓN
Sujeta a VARIABILIDAD
ESTADISTICA
¿Para qué?
Para tomar decisiones
4
ESTADISTICA
FASES
Planteamiento del problema
Recolección de datos
Análisis de datos
Toma de decisiones
5
ESTADISTICA
INFORMACIÓN A EVALUAR
Resultados Cómo varían los Resultados
Promedio Varianza
Sesgo-veracidad Precisión
Incertidumbre
Trazabilidad
6
ESTADISTICA
RAMAS DE LA ESTADISTICA
Organización de datos en
Estadística tablas y graficas.
Descriptiva Se encarga de establecer
los parámetros que
definen a una población.
ESTADISTICA
Estimaciones de
Estadística parámetros y
Inferencial pruebas de
Hipótesis en base a
muestras
7
ESTADISTICA DESCRIPTIVA
MEDIDAS DE MEDIDAS DE
POSICIÓN CENTRALIDAD
 Cuartiles.  Media
 Deciles  Mediana
 Percentiles  Moda
8
MEDIDAS DE MEDIDAS DE
DISPERSIÓN FORMA
 Varianza.  Asimetría o sesgo
 Desviación Estándar  Kurtosis
 Rango
 Coeficiente de
variabilidad (CV)
9
MEDIDAS DE POSICIÓN
Cuartiles: Son los tres valores que dividen al conjunto de datos
ordenados en cuatro partes iguales.
El primer cuartil Q1 es el menor valor que es mayor que una cuarta
parte de los datos.
El segundo cuartil Q2 (la mediana), es el menor valor que es mayor
que la mitad de los datos.
El tercer cuartil Q3 es el menor valor que es mayor que tres cuartas
partes de los datos
10
DECILES: Son los nueve valores que dividen al conjunto de datos

ordenados en diez partes iguales, son también un caso particular de
los percentiles.
Percentiles: Son 99 valores que dividen en cien partes iguales el
conjunto de datos ordenados.
11
 Q1 (25% de los datos)

 Q2 o Mediana (50% de los datos)
 Q3 (75% de los datos)
 Rango inter-cuartílico = Q3–Q1
Q1 – 1.5(Q3 – Q1) Mediana Q3 + 1.5(Q3 – Q1)
12
MEDIDAS DE CENTRALIDAD
Al describir grupos de observaciones, con frecuencia es conveniente
resumir la información con un solo número. Este número que, para
tal fin, suele situarse hacia el centro de la distribución de datos se
denomina medida o parámetro de tendencia central o de centralización.
13
Media Aritmética
La media aritmética es el valor obtenido sumando todas las
observaciones y dividiendo el total por el número de observaciones que
hay en el grupo.
Ejemplo:
Si se consideran el conjunto de resultados: 54,54,54,55,58,62,63,64,64,65,
la media aritmética es = 59.3
La media resume en un valor las características de una variable teniendo

en cuenta a todos los casos. Solamente puede utilizarse con variables
cuantitativas.
14
Media Aritmética
Inconvenientes
1. Intervalos que se consideren.

2. Es una medida a cuyo significado afecta sobremanera la dispersión,
de modo que cuanto menos homogéneos son los datos, menos
información proporciona.
Pesos de 5 piezas Pesos de 5 piezas
200 gr 300 gr
200 gr 100 gr
201 gr 200 gr
200 gr 50 gr
200 gr 350 gr
Media = 200 gr Media = 200 gr
La media es representativa Aquí la media no es representativa

15
Moda
La moda es el dato más repetido, el valor de la variable con mayor
frecuencia absoluta.
Su cálculo es extremadamente sencillo, pues sólo necesita de un

recuento. En variables continuas, expresadas en intervalos, existe el
denominado intervalo modal o, en su defecto, si es necesario obtener
un valor concreto de la variable, se recurre a la interpolación.
Ejemplos: 1-2-6-4-6-2-4-6-9-1-2-9-6-2-6 Moda = 6
16
Moda
Inconvenientes
1. Su valor es independiente de la mayor parte de los datos, lo que la
hace muy sensible a variaciones muestrales.
2. No siempre se sitúa hacia el centro de la distribución.
3. Puede haber más de una moda en el caso en que dos o más
valores de la variable presenten la misma frecuencia
(distribuciones bimodales o multimodales).
17
Mediana
La mediana es un valor de la variable que deja por debajo de sí al 50% de
las observaciones menores y por encima de él está el 50% de las
observaciones mayores, una vez que estos están ordenados de menor a
mayor
Ejemplo Nro.1:
Número de defectos
3, 4, 2, 3, 2, 1, 1, 2, 1, 1, 2, 1 y 1
Ordenándolos se tiene:
1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 4
18
Ejemplo Nro. 2:
Número de defectos
3, 4, 2, 3, 2, 1, 1, 2, 1, 1, 2, 1
Ordenándolos se tiene:
1, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 4
En caso de un número par de datos, la mediana no correspondería a ningún

valor de la variable, por lo que se conviene en tomar como mediana el valor
intermedio entre los dos valores centrales.
19
MEDICIONES DE DISPERSIÓN
¿Según lo visto una medida de tendencia central es suficiente para
describir a un grupo de elementos?
Para grupos homogéneos lo es, sin embargo para grupos no
homogéneos, deja de ser una medida representativa al no indicar la
variabilidad de cada uno de los datos respecto a si misma.
Es por eso que se requiere de un segundo tipo de medidas: las medidas
de DISPERSIÓN.
Las medidas de dispersión muestran la variabilidad de una distribución,
indicando numéricamente si las diferentes puntuaciones de una variable
están muy alejadas de la media. Cuanto mayor sea ese valor, mayor
será la variabilidad, cuanto menor sea, más homogénea será a la media.
20
Rango
El rango estadístico es la diferencia entre el valor mínimo y el valor
máximo en un grupo de números aleatorios. Para averiguar el rango de un
grupo de números. Nos da una idea general de qué tan grande es la
variación.
En Excel el rango usa la siguiente fórmula:
=Max(Datos)-Min(Datos).
Ejemplo:
Si los datos fueran los de la temperatura con los que se halló la media
fueron: 15, 16, 18, 17, 15, 16 y 19°C, el rango seria:
R= 19°C -15°C = 4°C

21
Varianza
La varianza es una variable estadística que mide la dispersión de los
valores respecto a un valor central (media), es decir, la media de las
diferencias cuadráticas de las puntuaciones respecto a su media
aritmética:
Varianza muestral Varianza Poblacional
En Excel la formula es :
=VAR.S(números) =VAR.P(números)
22
Varianza
• La varianza siempre es mayor a cero.
• Si a los datos de una distribución se les suma una constante la varianza
no se modifica.
• Si a los datos de una distribución se les multiplica una constante la
varianza queda multiplicada por el cuadrado de la constante.
Ejemplo:
Calcule la varianza de los sgtes valores:
2.55 , 2.68 , 2.72 , 2.49 , 2.84
Promedio = 2.656
n= 5
Varianza = 0.01933
23
Desviación Estándar
La varianza a veces no se interpreta claramente, ya que se mide en
unidades cuadráticas. Para evitar ese problema se define otra medida de
dispersión, que es la desviación estándar, que se halla como la raíz
cuadrada positiva de la varianza. La desviación típica nos informa sobre la
dispersión de los datos respecto al valor de la media; cuanto mayor sea su
valor, más dispersos estarán los datos.
Desviación estándar muestral Desviación estándar poblacional
=DESVEST.M(números) =DESVEST.P(números)
24
Coeficiente de Variación (CV)

El coeficiente de variación es una medida de dispersión que describe la
cantidad de variabilidad en relación con la media.
Se conoce también como desviación estándar relativa
Ejemplo:
Línea 1 Línea 2
Promedio 25 mg 402 mg
Desviación Estándar 2.1 mg 2.0 7mg
Coef. de variación 8.40% 0.52%
25
Covarianza
La covarianza entre dos variables es un estadístico resumen indicador de
si las puntuaciones están relacionadas entre sí.
Este estadístico, refleja la relación lineal entre dos variables. El resultado

numérico fluctúa entre los rangos de +infinito a -infinito. Al no tener unos
límites establecidos no puede determinarse el grado de relación lineal que
existe entre las dos variables, solo es posible ver la tendencia.
26
Coeficiente de Correlación de Pearson

El coeficiente de correlación de Pearson (r) nos permite saber si el ajuste
de la nube de puntos a la recta de regresión obtenida es satisfactorio. Se
define como el cociente entre la covarianza y el producto de las
desviaciones estándar (raíz cuadrada de las varianzas)
=PEARSON(matriz1,
Matriz2) 27
DETERMINACIÓN DE VALORES ATÍPICOS
Q DE DIXON
1. Se disponen los datos en orden de menor a mayor.

2. Se decide si el más pequeño o el más grande es sospechoso de ser
discrepante.
3. Se selecciona el riesgo que se quiere tomar para un falso rechazo.
4. Se calcula el valor correspondiente y se compara con el valor de
tablas. Si el valor calculado es mayor que el valor tabulado se puede
rechazar ese dato con el riesgo asumido.
Si: Q > Qtabla, el valor sospechoso

se descarta del conjunto de datos.
28
PRUEBA DE GRUBBS
1. Se disponen los datos en orden de menor a mayor.

2. Se decide si el más pequeño o el más grande es sospechoso de ser
discrepante.
3. Se estima la desviación estándar "s" de todos los datos.
4. Se selecciona el riesgo que se quiere tomar para un falso rechazo.
Si: Rexp > Rtabla, el valor sospechoso

se descarta del conjunto de datos.
29

DIAGRAMA DE CAJAS (BOXPLOT)
Ordenar los datos y obtener el valor mínimo, el máximo, los cuartiles Q1,
Q2 y Q3 y el rango inter-cuartílico (RIC)
30

Ejemplo: Determine el valor atípico del siguiente conjunto de datos.
DBO5 (mg/L)
9.36
9.24
9.31
9.45
9.78
9.4
9.29
9.33
9.47
9.38
31

Ejemplo: Determine el valor atípico del siguiente conjunto de datos.
DBO5 (mg/L)
9.36
9.24
9.31
9.45
9.78
9.4
9.29
9.33
9.47
9.38
32
ESTADISTICA INFERENCIAL
DISTRIBUCIÓN NORMAL
Al efectuarse un gran número de mediciones repetitivas, los resultados
podrán visualizarse fácilmente mediante histogramas. En este tipo de
gráfico, se representa el intervalo de resultados considerados como las
bases de rectángulos, mientras que las alturas son proporcionales a las
frecuencias con las que se obtienen dichos resultados.
33
La experiencia condujo a descubrir que la función de probabilidad
obtenida de mediciones repetidas de un mismo parámetro sigue el
mismo modelo de distribución normal.
En el caso de considerar en el eje de las ordenadas las frecuencias

relativas, la curva, que recibe el nombre de función de densidad de
probabilidad, englobará una área igual a 1 cumpliéndose:
34
Distribuciones gaussianas con diferentes medias e igual dispersión.
35
Si se llevan a cabo un número mucho mayor de repeticiones y se
representasen los intervalos de resultados mucho más.
36
CARACTERÍSTICAS DE UNA DISTRIBUCIÓN NORMAL “TÍPICA”

 Para cualquier distribución Gaussiana, independientemente del valor
que posean µ y σ se cumple que:
 La desviación estándar, σ, mide la distancia desde la media µ hasta el
punto de inflexión de la curva.
 El 95% de los valores están comprendidos en el intervalo µ ± 1.960 σ.

 El 99% de los valores están comprendidos en el intervalo µ ± 2.576 σ.
 El 99.9% de los valores están comprendidos en el intervalo µ ± 3.290 σ.
37
ESTANDARIZACIÓN O TIPIFICACIÓN DE VARIABLES
Las medidas reales suelen tener diferentes resultados de dispersión y de

medida central pues provienen de diferentes poblaciones pero comparten
una sola variable bajo investigación.
Se pueden establecer comparaciones entre ellas.
Se requiere simplificarlos
Se lleva a cabo la estandarización de las variables, con el fin de
independizarse de las unidades de medida.
Una forma bastante corriente de llevar a cabo este proceso, consiste en

la conversión de la variable “x” en “z”, de tal forma que:
38
Las medidas reales suelen tener diferentes resultados de dispersión y de

medida central pues provienen de diferentes poblaciones pero comparten
una sola variable bajo investigación.
Se pueden establecer comparaciones entre ellas.
Se requiere simplificarlos
Se lleva a cabo la estandarización de las variables, con el fin de
independizarse de las unidades de medida.
Una forma bastante corriente de llevar a cabo este proceso, consiste en

la conversión de la variable “x” en “z”, de tal forma que:
39

La nueva variable z tiene las siguientes propiedades:
 su valor promedio es z = 0 y
 su desviación estándar es sz = 1.
De esta manera, z también está normalmente distribuido: z ≈ N(0,1).
40
EVALUACIÓN DE PROBABILIDADES EN FUNCIÓN DE “Z”

A cada valor “z” (estandarizado o tipificado) le corresponde una
PROBABILIDAD ya establecida.
Se usan tablas pre-calculadas para un amplio rango de valores z
Las tablas suelen presentarse de distintas maneras, de una o dos colas.
 Por ejemplo podríamos preguntamos, ¿cuál es el valor de z para que

el 5% de todos los datos distribuidos normalmente caigan fuera del
intervalo (-z, +z)?
41
INTERVALO DE CONFIANZA
Esto aplica para todas las distribuciones normales poblacionales.
Como los promedios de las muestras están también normalmente
distribuidos, el intervalo de confianza aplicará también para las
distribuciones de estos promedios.
Por ello se aplica el error estándar o desviación de la media muestral.
σx =
Desv. de la
media muestral
o
Error Estándar
de la media.
42
Se puede establecer que:
 El 95% de probabilidades de que todos los promedios de la muestra de
tamaño n caen dentro de los límites:
 El 5% de probabilidades (área sombreada) de que, la media de una

muestra de n resultados, tenga un valor fuera de:
43
es posible estimar µ (obviamente desconocido) a partir de n mediciones de

muestras y a la vez expresando el intervalo de confianza.
µ= x ± 1.96  
n
El valor medio de la población está comprendido en este intervalo con un
95 % de seguridad, certeza o confianza.
Los ejemplos anteriores han sido una particularización del valor tipificado
z = ± 1.96
44
La expresión general del intervalo de confianza a un nivel de confianza
(1-ᾳ)x100% alrededor de la media es:
 
x ± z  
2 n
El hecho de usar ᾳ/2 significa que el intervalo es de dos colas.
Ejemplo: si ᾳ = 5%, los límites serán 2.5% para cada lado.
Ejemplo:
¿Como sería la ecuación para un 90 % de confianza o un ᾳ = 0.10 ?
45

La ecuación µ = x  z  n es el Intervalo de Confianza.
Los Límites + z   y -z   n
son denominados Límites de
n
Confianza.
Ejemplo de interpretación:
Se ha analizado un cierto material y se ha obtenido el resultado 14.25  0.10,
donde  0.10 describe el intervalo de confianza al 95%;
Interpretación: 14.25 es la mejor estimación del valor desconocido y existe
un 95% de probabilidad de que el intervalo (14.15 –14.35) contenga a µ.
Supongamos que el resultado no le resulta satisfactorio a nuestro cliente, él

desea otorgar un intervalo de confianza menor que 0.05 ¿De qué manera
puede alcanzarse ese valor? Dato: el 0.10 fue calculado con:
1.96    0.10 46
n
HIPÓTESIS ESTADÍSTICAS
Una hipótesis es una suposición respecto a un hecho y cuya validez se
evalúa a través de observaciones repetidas.
 Las medidas no se llevan a cabo sobre poblaciones estadísticas,
 Las medidas se llevan a cabo sobre muestras estadísticas extraídas
aleatoriamente de las poblaciones.
 Esto permite hacer generalizaciones (inferencias) a partir de pocas
observaciones.
 Existen riesgos de tomar una decisión errónea pues las características
de la muestra pueden diferir de las de la población.
 Este riesgo debe hacerse cuantificable y para ello se sigue una mecánica
de trabajo llamada hipótesis estadística.
 Dicha evaluación de la validez se realiza a través de un Test estadístico

sobre las observaciones repetidas.
47
HIPÓTESIS ESTADÍSTICAS
¿Qué tipo de preguntas se pueden formular en las pruebas de hipótesis?
 La medición del oxígeno disuelto por el método W es tan preciso como el
método Y.
 El oxígeno disuelto del lago ha disminuido a menos de 4.1 mg/L
 El aumento de la cianobacteria exógena está correlacionado a la
disminución del oxígeno disuelto en el lago.
 Si se mantienen los vertimientos de fosfatos y nitratos en más de 30mg/L
se proyecta un aumento de la cianobacteria en 10% a fin de año.
 Existen la probabilidad del 7% de que el oxígeno disuelto aumente en
2mg/L con la nueva técnica de aireación.
 El nuevo analista emite valores más exactos que sus compañeros en el
método de oxígeno disuelto.
 El nuevo analista emite resultados con variabilidad menor a 0.3mg/L para
concentraciones de 7mg/L de oxígeno disuelto.
 El nuevo analista no tiene la misma precisión y exactitud que los demás. 48
PLANTEAMIENTO DE HIPÓTESIS ESTADÍSTICAS
Hipótesis Nula (H0)

Es la teoría o suposición que requiere ser probada ya sea
porque se cree que es verdadera o porque va a ser usada
como base de algún argumento.
Hipótesis Alterna (Ha ó H1)

Es la que el investigador plantea como cierta pero sin
embargo debe ser rechazada, es decir el investigador
apuesta por lo opuesto a lo que debería suceder “apostamos
a perdedor”. Finalmente, al rechazarse, nuestra “apuesta a
perdedor” habrá fracasado. Así, en realidad ganamos (al
aceptarse la H0).
49
PLANTEAMIENTO DE HIPÓTESIS ESTADÍSTICAS

Planteamiento con una variable:
CASO I CASO II CASO III
*Ho: µ = 10 min *Ho: µ = 10 min *Ho: µ = 10 min
*H1: µ ≠ 10 min *H1: µ > 10 min *H1: µ < 10 min
El tiempo promedio que se El tiempo promedio que se
El tiempo promedio que se
demora una persona en demora una persona en
demora una persona en
vestirse vestirse
vestirse no es igual o es
es más o superior a 10 es menos o inferior a 10
diferente a 10 minutos
minutos minutos
Planteamiento con dos variables:
CASO I CASO II CASO III
*Ho: µ1 = µ2 *Ho: µ1 = µ2 *Ho: µ1 = µ2

*H1: µ1 ≠ µ2 *H1: µ1 > µ2 *H1: µ1 < µ2
Las ganancias de las
Las ganancias de las Las ganancias de las
empresas medianas en este
empresas medianas en este empresas medianas en este
año
año no son iguales o son año son más o superiores al
son menos o inferiores al
diferentes al año anterior año anterior 50
año anterior
PROCEDIMIENTO GENERAL DE PRUEBAS DE HIPÓTESIS
Paso 1 Identificar el parámetro de interés.

Paso 2 Planteamiento de la hipótesis a probar H0 y la hipótesis alterna H1.
Paso 3 Fijar el nivel de significación o bien el nivel de confianza
Paso 4 Definir las Pruebas (Test) estadísticas. Dependiendo del parámetro
a probar se usa un estadístico definido.
Paso 5 Calcular las cantidades muestrales necesarias, sustituirlas en la
ecuación del test estadístico y calcular el valor del parámetro
estadístico correspondiente (por ejm, el Pvalue, ρ de Pearson).
Paso 6 Resultados y conclusiones.
51
52
Conceptos de Parámetros de
Validación
VERACIDAD
La veracidad de la medición es una expresión de qué

tan cerca está la media de un número infinito de
resultados (producidos por el método).
Es un valor de referencia puesto que no es posible
tomar un número infinito de las mediciones por lo que
la veracidad no puede medirse.
Sin embargo, se puede evaluar expresándola

cuantitivamente en términos de "sesgo".
53
Validación
PRECISIÓN
Grado de coincidencia existente entre los resultados

independientes de un ensayo, obtenidos en condiciones
estipuladas .
La precisión depende únicamente de la distribución de

los errores aleatorios y no está relacionada con el valor
verdadero. Expresa la variabilidad de un conjunto de
datos.
- Condiciones de Repetibilidad
- Condiciones de Reproducibilidad
54
Validación
55
Desarrollo de Parámetros de
Validación
VERACIDAD
CASO 1: Se participa en una Prueba de Aptitud - Interlaboratorio
Método a Validar Repetición 1

Muestra de
Aptitud Repetición 2
Repetición 3
Repetición n
Evaluación por: Z-Score (por parte del Proveedor de Ensayos de Aptitud)
56
Validación
VERACIDAD
CASO 2: Se adquiere un MRC
Método a Validar Repetición 1
MRC Repetición 2
Repetición 3
Repetición n
Evaluación por:
Prueba T de una muestra Pvalue < 0.05
Prueba de Wilcoxon
57
Validación
VERACIDAD
Recordar:
Datos
Atípicos
Prueba de Normalidad
58
Validación
VERACIDAD
CASO 3: Se compara el método a valuar con un método estándar
con un MRC
MRC
Método a Validar Método Estándar
Repetición 1 Repetición 1
Repetición n Repetición n
Evaluación por:
Prueba T de dos muestras Pvalue < 0.05
Prueba de Mann Whitney
59
Validación
VERACIDAD
Recordar:
Prueba F
Datos
Atípicos de
cada grupo Prueba
Levene
Prueba de Normalidad
de cada grupo
 T de 2 muestras o
 Mann Whitney
60
Validación
VERACIDAD
CASO 4: Recuperación diaria de un Estándar de control
Repetición 1
Repetición 2
MRC
Repetición 3
Repetición n
También para Muestras

Adicionadas :
61
Validación
PRECISIÓN
Caso 1: Evaluación de REPETIBILIDAD y REPRODUCIBILIDAD
Horwitz Resultados interlaboratorios 62

Validación
PRECISIÓN
Dentro de Laboratorio:
Repetición 1
Repetición 2
Muestra
Repetición 3
o Repetición n
Muestra + MRC
C0
C1
Cn
63
Validación
PRECISIÓN - Horwitz
La ecuación de Horwitz,
esta definida como:
CVH = 2(1-0.5.log C)
64
Validación
Horwitz está definida para Corrección para Repetibilidad

Condiciones de Reproducibilidad
RSDr experimental < RSDr Horwitz

65
Validación
Este coeficiente de variación (CVh) esta expresado en potencia de 2, y la
concentración media del analito expresado como potencia de 10, de esta
forma independiente del analito y el método utilizado se puede estimar el
CV esperado para la precisión.
66
Validación
PRECISIÓN – REPETIBILIDAD - Horwitz
Horwitz está definida para Corrección para Repetibilidad

Condiciones de Reproducibilidad
RSDr experimental < RSDr Horwitz

67
Validación
PRECISIÓN – REPRODUCIBILIDAD
REPRODUCIBILIDAD por medio de Variables de Ponderación (ISO
5725)
De donde:
Entre laboratorios:
S2R = S2r + S2L

Base para calcular los
Límites de Repetibilidad
ASEGURAMIENTO DE LA
CALIDAD DE
RESULTADOS DE ENSAYO
69
INTRODUCCION
Los resultados de medición deben ser confiables, lo que significa que

deben ser exactos (veraces y con precisión) y reflejar el contenido real
(cantidad) del analito en una muestra que sea representativa del
material objeto de investigación.
PRECI
SO
MUESTRA
VERAZ
La noción de fiabilidad está estrechamente asociada con la noción de

calidad. Es la calidad de un resultado, junto con su control y seguridad,
los que determinan y confirman su fiabilidad.
70
Recordemos
Calidad analítica –
Puede ser dividida en:
La calidad del proceso,
La calidad de los resultados,
La calidad de los instrumentos,
La calidad del trabajo y la organización.
• Repetibilidad
• Precisión Intermedia
Precisión (Reproducibilidad interna)
• Reproducibilidad
• Conformidad
Exactitud
• Sesgo
Veracidad • Recuperación
• Intervalo de Confianza
• Eficacia Relativa
71
SISTEMA DE ASEGURAMIENTO DE LA CALIDAD DE LOS RESULTADOS
Actividades para Garantizar la Calidad de un Resultado
El sistema de aseguramiento de la calidad de los resultados por lo general

incluye para estos, las siguientes actividades:
•El seguimiento y la estimación de la precisión de los resultados obtenidos

por el análisis periódico de muestras de ensayo
•Estimación de la veracidad de los resultados por:
---- Análisis de las muestras de referencia certificadas
---- Comparación de los resultados obtenidos con los resultados obtenidos
para la misma muestra utilizando el método de referencia
---- Análisis de las muestras después de la adición de un estándar
---- Ejercicios Comparativos entre laboratorios (comparación)
---- Los gráficos de control
•Adecuado sistema de auditoría
72
Si un laboratorio analítico dado no es responsable de la etapa de muestreo, el

sistema de gestión de la calidad no tiene en cuenta estos puntos débiles del
proceso analítico.
Por otra parte, si las etapas de preparación de la muestra (extracción, purificación
de extractos) no se han llevado a cabo correctamente, entonces incluso los más
modernos instrumentos de análisis y técnicas complejas de ordenador no puede
mejorar la situación. Tales resultados analíticos no tienen valor y, en lugar de ser
una fuente de información, puede provocar desinformación grave.
ERROR DE
ERROR ERROR DE
PREPARACION ANALISIS
DE DE MUESTRAS
+/- 5%
RESULTADO
MUESTRE +/- 15%
+/-O80%
73
DESARROLLO DEL
Desarrollar :
•Un Procedimiento:
De Control de Calidad Interno y Externo o de Aseguramiento de la
Calidad de los Resultados o como se le llame.
•Registros.
Sobre todo aquellos en el que se pueda determinar o identificar las
tendencias de las medidas o los resultados. Las cartas de control son
una buena opción.
•Uso de técnicas estadísticas (de la más simple a la más

compleja)
74
DESARROLLO DEL
Desarrollar :
• Pruebas Intralaboratorio.
Haciendo uso de materiales de referencias ó caracterizados y
ejecutando la Repetición de ensayos (periódico). El uso de
estadísticos para evaluar la precisión y veracidad de los resultados
deben ser consideradas en este item.
•Correlacionar resultados.
En los ensayos de laboratorio la correlación de resultados, aunque no
es una norma, se puede dar entre métodos diferentes o
características químicas, físicas o microbiológicas de un producto.
75
DESARROLLO DEL
Desarrollar /Participar:
•En Pruebas Interlaboratorios.

Se trata de participar, con otros laboratorios, en programas
organizados por entes de referencia, en la realización de ensayos
sobre una misma muestra para la evaluación comparativa de los
resultados. Se mide la performance de cada laboratorio
•Detectar tendencias y acciones correctivas.

Todo resultado para su liberación (autorización y su entrega al
cliente) debe ser evaluado contra criterios de control establecidos por
el laboratorio. Cualquier tendencia al fuera de control o desviación
respecto a los criterios de control se corregirán de acuerdo a lo
establecido por la norma o referencias internas.
76
DESARROLLO DEL
Desarrollar /Participar:
Las cartas de control muestran el desarrollo de esta
evaluación y en ellos se puede detectar fácilmente las tendencias
de los resultados o mediciones.
Las acciones correctivas deben estar establecidas para cuando se
excedan los límites establecidos por el Laboratorio.
77
DESARROLLO
USO DE BLANCO
Incluir el blanco:
•Al iniciar la calibración del equipo (blanco de calibración)
•Al realizar verificaciones de la calibración
•Después de cualquier muestra con una concentración más alta que la del
estándar más alto, lo cual podría generar problema de concentración en las
siguientes muestras a leer.
•Al iniciar las lecturas de cada batch de muestras (blanco de análisis).
Un blanco es una porción de agua de grado reactivo tratado exactamente

como una muestra
Ningún analito de interés debería estar presente en un blanco.
Tomar acción correctiva inmediatamente cuando el blanco da lecturas de

concentraciones por encima del LDM.
78
RECUPERACION DE ESTANDAR (MUESTRA DE CONTROL)
Prepárese una muestra de control por cada analito de interés y úsese

cada vez que se inicie un nuevo día de análisis para el analito a
determinar.
La concentración es conocida por el Jefe de Laboratorio, quien define

la concentración y el tiempo a usar de acuerdo a criterios de los
resultados Históricos del día a día.
Desarrollar el procedimiento de rutina y determinar el analito en la

muestra de Control.
79
ANALISIS DE DUPLICADOS
La diferencia de resultados duplicados (sugeridos):

< al 10 % para valores mayores que 1 y menores que 100
< al 20% para valores menores o igual que 1 hasta el LDM.
% PDR = [ RM - RD ] x 100
X
Donde:
PDR : Porcentaje de Diferencia Relativa
RM : Resultado de la muestra
RD : Resultado de la muestra duplicado
X : Media Aritmética de muestra y duplicado.
Cualquier desviación de este porcentaje conllevara a la verificación de

la calibración (uso de blanco y estándar de verificación) y la posterior
repetición de las lecturas en la muestra. Si persiste la desviación,
proceder al Re-análisis.
80
Gráfico de Valor Central de Shewhart
• El fundamento de los Gráficos de

Control se basa en la asunci6n de
la normalidad de los resultados de
medici6n.
• Se dirá que un proceso analitico

esta bajo control si los resultados
obtenidos con este proceso siguen
las caracteristicas de una
distribuci6n normal
Límite de Advertencia Superior (LAS)

Límite de Control Superior (LCS)
+3S
+2S
Línea Central
95%
-2S
-3S
Límite de Control Inferior (LCI)

Límite de Advertencia Inferior (LAI)
Control Estadistico: ¿C6mo ponerlo en marcha?
1a Etapa: Periodo Sí 2a Etapa: Control del

Proceso
Preliminar Ajustado? Proceso
No
1a Etapa: Periodo Preliminar

El objetivo es obtener los datos caracteristicos para preparar el
gráfico de control.
Para ello se aconseja que exista un periodo de prueba que
consiste en 20 dias consecutivos de trabajo o 20 serie de análisis
Se calcula el promedio y la desviaci6n estándar.
n
 (x − x )
_
X= X i _ S
i S(x) =
n n
i=1
S= n -1

Luego se calcula los limites de advertencia y control:
Limite de Control Superior = X + 3S
Limite de Advertencia Superior = X + 2S
Limite de Advertencia Inferior = X − 2S
Limite de Control Inferior = X − 3S


Calculado los limites se grafica primero la linea central y luego las otras
lineas.
En este gráfico se representan los puntos correspondientes a los datos
con los que se calcularon los limites de control.
En este gráfico de prueba se analiza detenidamente para verificar si esta
de acuerdo con la hip6tesis de que la variabilidad del proceso se
debe s6lo a causa aleatorias o si, por el contrario, existen causas
asignables de variaci6n (sistemáticas)
Gráfico de Control de Prueba
La mayor parte
de los puntos
están muy cerca
+3S del promedio
+2S
95%
-2S
-3S
Lejos del
promedio
+3S
hay menos
+2S
95%
-2S
-3S
Más afuera casi
no hay puntos
+3S
+2S
95%
-2S
-3S
2a Etapa: Etapa de Control

En esta etapa se representa frente al tiempo los diversos resultados de
los materiales de control con el objetivo de detectar tendencias y
situaciones fuera de control.
Si estos valores representados están siempre entre los limites de
advertencia, el proceso esta bajo control y los resultados generados
para las muestras reales cumplen los requisitos de calidad impuestos.
Gráfico de Porcentaje de Recuperaci6n
• Son especialmente útiles cuando en el proceso analitico hay etapas

de extracci6n de los analitos.
• Estos gráficos detectan errores producidos por la matiz de la
muestra, se emplean muestras reales fortificadas y el cálculo de la
recuperaci6n (% R) se obtiene de la siguiente manera:
CFortificada − CSin fortificar
%R =
C Adicionada
• Se construyen tantos gráficos de control como tipos de matrices

existen, eligiendose una muestra diaria de concentraci6n intermedia
GRACIAS
www.avantia.com.pe
92

Herramientas Estadísticas en El Marco de La Norma 17025 ECOGECOLAB

Cargado por

Copyright:

Formatos disponibles

Herramientas Estadísticas en El Marco de La Norma 17025 ECOGECOLAB

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Herramientas Estadísticas en El Marco de La Norma 17025 ECOGECOLAB

Cargado por

Copyright:

Formatos disponibles

Aplicaciones estadísticas para el

Alberto García Méndez

Estadística Descriptiva y Diferencial

2. Conceptos y parámetros de Validación

3. Aseguramiento de la Calidad de Resultados de

Para tomar decisiones

Planteamiento del problema

Resultados Cómo varían los Resultados

DECILES: Son los nueve valores que dividen al conjunto de datos

 Q1 (25% de los datos)

Q1 – 1.5(Q3 – Q1) Mediana Q3 + 1.5(Q3 – Q1)

La media resume en un valor las características de una variable teniendo

1. Intervalos que se consideren.

La media es representativa Aquí la media no es representativa

Su cálculo es extremadamente sencillo, pues sólo necesita de un

Ejemplos: 1-2-6-4-6-2-4-6-9-1-2-9-6-2-6 Moda = 6

En caso de un número par de datos, la mediana no correspondería a ningún

En Excel el rango usa la siguiente fórmula:

R= 19°C -15°C = 4°C

Varianza muestral Varianza Poblacional

2.55 , 2.68 , 2.72 , 2.49 , 2.84

Desviación estándar muestral Desviación estándar poblacional

Coeficiente de Variación (CV)

Coef. de variación 8.40% 0.52%

Este estadístico, refleja la relación lineal entre dos variables. El resultado

Coeficiente de Correlación de Pearson

DETERMINACIÓN DE VALORES ATÍPICOS

1. Se disponen los datos en orden de menor a mayor.

Si: Q > Qtabla, el valor sospechoso

DETERMINACIÓN DE VALORES ATÍPICOS

1. Se disponen los datos en orden de menor a mayor.

Si: Rexp > Rtabla, el valor sospechoso

DETERMINACIÓN DE VALORES ATÍPICOS

DETERMINACIÓN DE VALORES ATÍPICOS

DIAGRAMA DE CAJAS (BOXPLOT)

DETERMINACIÓN DE VALORES ATÍPICOS

DIAGRAMA DE CAJAS (BOXPLOT)

En el caso de considerar en el eje de las ordenadas las frecuencias

CARACTERÍSTICAS DE UNA DISTRIBUCIÓN NORMAL “TÍPICA”

 El 95% de los valores están comprendidos en el intervalo µ ± 1.960 σ.

ESTANDARIZACIÓN O TIPIFICACIÓN DE VARIABLES

Las medidas reales suelen tener diferentes resultados de dispersión y de

Una forma bastante corriente de llevar a cabo este proceso, consiste en

ESTANDARIZACIÓN O TIPIFICACIÓN DE VARIABLES

Las medidas reales suelen tener diferentes resultados de dispersión y de

Una forma bastante corriente de llevar a cabo este proceso, consiste en

ESTANDARIZACIÓN O TIPIFICACIÓN DE VARIABLES

EVALUACIÓN DE PROBABILIDADES EN FUNCIÓN DE “Z”

 Por ejemplo podríamos preguntamos, ¿cuál es el valor de z para que

 El 5% de probabilidades (área sombreada) de que, la media de una

es posible estimar µ (obviamente desconocido) a partir de n mediciones de

Supongamos que el resultado no le resulta satisfactorio a nuestro cliente, él

 Dicha evaluación de la validez se realiza a través de un Test estadístico

PLANTEAMIENTO DE HIPÓTESIS ESTADÍSTICAS

Hipótesis Nula (H0)

Hipótesis Alterna (Ha ó H1)

PLANTEAMIENTO DE HIPÓTESIS ESTADÍSTICAS

*Ho: µ1 = µ2 *Ho: µ1 = µ2 *Ho: µ1 = µ2

PROCEDIMIENTO GENERAL DE PRUEBAS DE HIPÓTESIS

Paso 1 Identificar el parámetro de interés.

Ho: µ1 = µ2 Ho: µ1 = µ2 *Ho: µ1 = µ2