P. 1
TRATAMIENTO ESTADÍSTICO DE DATOS QUÍMICOS

TRATAMIENTO ESTADÍSTICO DE DATOS QUÍMICOS

|Views: 1,406|Likes:
Published by cjacintoh

More info:

Published by: cjacintoh on Aug 15, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

08/16/2013

pdf

text

original

TRATAMIENTO ESTADÍSTICO DE DATOS QUÍMICOS

UNIVERSIDAD NACIONAL DE INGENIERÍA FACULTAD DE CIENCIAS III CURSO DE TITULACIÓN POR ACTUALIZACIÓN DE CONOCIMIENTOS Lic. Christian Jacinto Hernández christian@uni.edu.pe Lima, 2006

Introducción
Un químico analista puede enfrentarse a dos problemas: una respuesta cualitativa y una cuantitativa. La química analítica moderna es predominantemente cuantitativa, es por eso que es necesario estimar los errores que se cometen cuando se quiere dar una respuesta cuantitativa.

¡NO EXISTEN RESULTADOS CUANTITATIVOS VÁLIDOS SI NO VAN ACOMPAÑADOS DE ALGUNA ESTIMACIÓN DE LOS ERRORES INHERENTES A ELLOS!

Los errores aleatorios son los que provocan que los errores individuales caigan a ambos lados del valor medio. Los errores sistemáticos son los que provocan que los resultados sean erróneos en un mismo sentido. Los errores sistemáticos afectan la exactitud. es decir. la proximidad al valor verdadero. .Tipos de Errores Los errores crasos puede definirse como errores tan graves que no queda otra alternativa que abandonar el experimento y empezar de nuevo. Los estadísticos afirman que afectan la precisión o reproducibilidad de un experimento.

. es decir. la varianza y el coeficiente de variación. Habitualmente se utilizan tres términos para describir la precisión de un conjunto de datos de replicados que incluye la desviación estándar. La exactitud es una medida de la proximidad del valor medido al valor ³verdadero´. la concordancia entre los valores numéricos de dos o mas medidas replicadas o medidas que se han realizado exactamente de la misma forma.Precisión y Exactitud La precisión describe la reproducibilidad de los resultados.

Precisión y Exactitud .

Planificación y Diseño de Experimentos  Las pruebas estadísticas no solo se utilizan para juzgar los resultados de un experimento concluido si no también es importante en la planificación y el diseño de experimentos. .

.

Población y Muestra Una población es el conjunto de todos los casos o unidades experimentales que son objeto de un estudio estadístico. El tratamiento de dichos datos para poner de manifiesto sus características mas relevantes en forma de parámetros muestrales. . es el objeto de la estadística descriptiva. Una muestra es un subconjunto tomado aleatoriamente de la población. o también en forma gráfica. El análisis de las gráficas y de los parámetros muestrales con el fin de obtener conclusiones sobre la población constituye el objeto de la Inferencia estadística.

La Distribución Normal 40 30 20 « .

03 Mean = 7. Dev = .30 7.38 7.40 N = 80.33 7.35 7.x  Q 2 » 1 R ! exp ¬  ¼ 2W 2 ½ W 2T ­ 10 Frecuenci Std.25 7.00 pH .28 7.33 0 7.

Descriptores Estadísticos Descriptores Poblacionales N Descriptores Muestrales n § Q! N i i !1 N i x!  Q n 2 §x i !1 i n i § .

x W ! I !1 § .

x s ! I !1 n  x 2 2 N n  1 W ! 2 § .

x  Q i I !1 N 2 s 2 ! § .

x i I !1  x N n 1 .

.La Tipificación z  Cuando se desea comparar datos o estimadores de muestras que tienen diferente Q y W. obtenemos: « z2 » 1 R ! exp ¬ ¼ 2 2T ­ 2½  Este modelo tiene una media de cero y desviación estándar de + 1. La tipificación se obtiene: xi  x zi ! s  Sustituyendo en la ecuación del modelo Normal o de Gauss. es necesario tipificar la variable o estandarizarla para que sirva de referencia.

z] o [+z.g.La Tipificación z  El área subtendida bajo esta curva para los intervalos [. . dicha probabilidad  z viene dada por: ´ R dz dz Area % = Probabilidad % =   g g ´  g R . + g] representa la probabilidad de que un valor cualquiera se encuentre a la izquierda de ±z o a la derecha de +z respectivamente. En el primer caso.

La Tipificación z (Ejercicios) Cual es la probabilidad de que al obtener un dato cualquiera. este se encuentre por debajo de z = -2? Cual es la probabilidad de que al obtener un dato cualquiera. este se encuentre dentro de los intervalos z = + 1 y z = + 2 Dentro de que intervalo [-z. con Q = 250 mg y W2 = 25. +z] se encuentra el 95 % de las medidas. En un muestreo aleatorio de comprimidos tomados de la línea de producción. Se sabe que la cantidad de aspirina contenida en los comprimidos analgésicos de un fabricante determinado sigue una distribución normal. ¿qué porcentaje es de esperar contenga entre 243 y 262 mg de aspirina? .

Tienen especial interés para muestras muy pequeñas (n = 3 o 5).Descriptores No Paramétricos  Los descriptores no paramétricos no utilizan modelos por lo que pueden utilizarse para cualquiera que sea la distribución de la población. Diagrama de cajas . La mediana Los cuantiles (o percentiles) Los cuartiles.

Número de observaciones impar: se toma la [(n+1)2]ésima Número de observaciones par: se toma el promedio entre la [n/2]ésima y la [(n+2)2]ésima.La Mediana Mediana Valor tal que el 50 % de las observaciones son menores (se sitúa a la mitad del intervalo de medida). .

Diagrama de Cajas 1er Cuartil (Q1) Valor tal que el 25 % de las observaciones son inferiores 2do Cuartil (Q2) Valor tal que el 25 % de las observaciones son superiores Gráficos Box Q1 Mediana Q3 .

Descriptores No Paramétricos Ensayar para los siguientes datos: 28 Serie 1 23 21 22 26 25 Serie 2 21 18 22 24 25 Serie 3 24 27 19 22 26 24 20 19 20 18 4 16 14 ¢ ¢ ¢ ¡  7 7 7 erie 1 erie 2 erie 3 .

33 7.38 7.35 7. pH . 3 ean = 7.30 7. 8 7.40 N = 80.33 0 7.Ensayos de Normalidad  Histograma: 40 30 20 10 Frecuencia Std. 5 7. Dev = .

§© ..5 § y = ..5 z . § -1. § 1.Ensayos de Normalidad  Diagrama de Posiciones o Q-Q: Di .5 0 0.1944 2 2...5 -1 . -3 ..5 2.5 1 1.5 § ¨§ 1.5 .5 - -1. ¦ ¦ £¥ £ ¤ £ r - §  § © ..5 z  § © © § -3.5 -1. 16x . § 0.

.!! !0 !& !# !3 !1 !2 1 &0 !  )( "'& " % $ ##"!   . .     r  Ensayos de Normalidad Diagrama de Proporciones acumuladas o P-P: Pr Di r i P-P lad a DCB 4 @A @69 8 7 6 45 4 rvada !" !' ! ! ! !' Pr !2 r i acumulada E EF G IH !3 !& QP PF rad a !! !' .

extraída de una muestra de s conocida.Inter alo de Confianza  Los intervalos de confianza también pueden expresarse usando la media de una muestra de tamaño n. si un análisis de cinco de ellos arroja una media de 245 mg de aspirina y una desviación estándar de 7 mg? . Por tanto el intervalo de confianza para la media de la población será: ts Q!Xs n ¿Cuál será el intervalo de confianza del 95 % para los comprimidos analgésicos.

57 2.45 2.18 2.36 2.14 2.30 3.18 2.78 2.10 2.31 2.71 4.12 2.96 Tabla t de student .26 2.Grados de Libertad 1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 30 50 ’ t 12.23 2.09 2.04 2.01 1.

Para saber cual es la primera cifra incierta se atiende al valor de la dispersión. la cual se redondea al entero mas próximo. Son cifras significativas de la media todas las que se conocen mas la primera incierta. mas los ceros necesarios para establecer el lugar donde se encuentra la coma decimal.Presentación de Resultados La dispersión se expresa con una sola cifra distinta de cero. La primera cifra de la izquierda que sea distinta de cero se redondea al entero mas próximo. .

58 + 0.7 4.25 + 2 825.282 0.67 + 59 .Presentación de Resultados Redondear para obtener la presentación final de los siguientes resultados:     27.00197 + 0.00186 48 767.

y se verifica si se encuentra dentro del intervalo de confianza a un nivel dado de confianza. se halla x y s sin considerar el dato anómalo. Ensayo de Dixon.Rechazo de Resultados Anómalos   Utilizando el intervalo de confianza. se calcula el estadístico: Qo !  x  xp * x *  xl Donde xpes el valor mas próximo y xl es el valor mas lejano al valor sospechoso. Qo se compara con el valor crítico Qc que se toma e la tabla de Dixon de dos lados: .

502 0.740 0.829 0.635 0.564 0.605 0.569 0.628 0.717 0.05 3 4 5 6 7 8 9 10 11 12 0.710 0.Tabla de Dixon n 0.608 0.821 0.970 0.926 0.530 0.994 0.579 .680 0.479 Ec 0.01 0.672 0.

Rechazo de Resultados Anómalos (ejemplo)  Se dispone de la serie: 423. 420. 421. 422.422. 421. 415. Analizar si se puede eliminar el valor sospechoso 415 .

Ensayos de Hipótesis 

Ensayar una hipótesis es realizar una comparación entre un dato o un descriptor muestral y un valor de referencia, o bien, entre dos o mas descriptores muestrales.

La Hipótesis Nula y la Alternati a 

La hipótesis nula, Ho, establece que los parámetros son iguales. Ejemplos: 


Igualdad de dos varianzas: Ho : s12 = s22 Igualdad de dos medias: Ho : x1 = x2  

La decisión de aceptar o rechazar Ho se toma estableciendo previamente su ³nivel de significación crítico´ o ³límite de decisión Ec´. El rechazo de la hipótesis nula supone la aceptación de una hipótesis alternativa H1. Esta puede ser:  

H1 de dos lados o dos colas, los parámetros que se comparan son distintos. H1 de un lado o una cola, un parámetro es mayor que otro, no siendo posible el caso inverso

La Hipótesis Nula y la Alternati a Hipótesis Nula (H0) Hipótesis Alternativa (H1) No existen diferencias significativas entre nuestras observaciones y una referencia o entre conjuntos de datos Si existen diferencias significativas entre nuestras observaciones y una referencia o entre conjuntos de datos Validez Tests Estadísticos .

.La Hipótesis Nula y la Alternati a  Establecer la hipótesis nula y alternativa de:    Se compara la varianza de medidas obtenidas a lo largo de una sesión de trabajo de un día. Se compara las varianzas obtenidas al aplicar el mismo método a la misma muestra en dos laboratorios distintos. con la varianza obtenida a lo largo de varios días. Se desea saber si las concentraciones de contaminantes y nutrientes han variado con respecto a lo observado el año anterior.

Comparación de dos Varianzas (Prueba F)     Ho : s12 = s22 (homogéneas u homocedásticas) Heterogéneas u H1 : s12 > s22 (ensayo de un lado) H1 : s12  s22 (ensayo de dos lados) Heterocedásticas 2 El estadístico Fo es: F ! s1 o 2 s2 Con grados de libertad del numerador. X1 = (n1-1) y del denominador.  . X2 = (n2-1).

Comparación de dos Varianzas (Prueba F)  Ejemplo:  Las dos series de n1 = 10 y n2 = 9 del cuadro se han obtenido midiendo un estándar de As(III) en dos espectrofotómetros de absorción atómica. Se desea saber si los dos instrumentos dan varianzas iguales o distintas. Serie 1 325 333 322 322 314 323 323 327 325 321 Serie 2 312 311 307 316 310 314 309 310 311 - .

Comparación de una media con un alor de referencia      Ho : x = Q H1 : x > Q (ensayo de un lado) H1 : x  Q (ensayo de dos lados) El estadístico to: (x  Q) n to ! s Se compara con el valor crítico de tc tomado de la tabla de Student de uno o de dos lados para un determinado nivel de significación. y n-1 grados de libertad. .

Comparación de una media con un alor de referencia  Ejemplo:  En el ciclismo profesional.0.9.3. 50. .2.05 si se ha sobrepasado el límite legal: 51.6. 49. 50. 51. 50. Para la siguiente serie de medidas se quiere decidir para E = 0. un hematocrito superior al 50 % implica sanción por dopaje con EPO (eritropoyetina).9.7. 50. 51.8.

(n  1) s 2  (n  1) s 2 s2 ! 1 1 2 2  Entonces:     n1  n2  2 Ho : x1 = x2 H1 : x1 > x2 (ensayo de un lado) H1 : x1  x2 (ensayo de dos lados) El to se calcula: x1  x 2 to ! « 2 ¨ 1 1 ¸» ¬ s ©  ¹¼ ©n n ¹ 2 º½ ­ ª 1  1 2 Los grados de libertad son n1 + n2 .2 . s2.Comparación de dos medias homogéneas  Primero se realiza un ensayo F. si se acepta Ho : s12 = s22 (muestras homogéneas). es posible calcular una varianza conjunta o promedio.

Comparación de dos medias homogéneas  Ejemplo:  Las dos series de n1 = 10 y n2 = 9 del cuadro se han obtenido midiendo un estándar de As(III) en dos espectrofotómetros de absorción atómica. Serie 1 325 333 322 322 314 323 323 327 325 321 Serie 2 312 311 307 316 310 314 309 310 311 - . Las medias de las dos series difieren significativamente a un nivl de confianza del 95 %?.

se utiliza la fórmula 2 aproximada: 2 2 ¨ s1 s2 ¸ ©  ¹ ©n n ¹ X ! ª 12 2 º 2  2 2 ¨ s12 ¸ ¨ s2 ¸ © ¹ © ¹ ©n ¹ ©n ¹ ª 1º ª 2º n1  1 n2  1 .Comparación de dos medias heterogéneas  Primero se realiza un ensayo F. si se acepta Ho : s12  s22 (muestras heterogéneas). to se obtiene: to ! x1  x 2 2 ¨ s12 s2 ¸ ©  ¹ ©n n ¹ 2 º ª 1 1 2  Para hallar los grados de libertad.

91 2.92 1.94 1. Se pide hallar si la media de los dos resultados difieren significativamente a un nivel de significancia de 0.92 1.81 4.85 1. siendo el primer grupo ³normal´ y el segundo sufriendo artritis reumatoide.05 Normal 1.62 3.76 .27 3.27 3.07 Reumatoide 2.06 3.84 1.Comparación de dos medias heterogéneas  Ejemplo:   Los datos de la siguiente tabla proporcionan la concentración de tiol (mM) en el lisado sanguíneo de dos grupos de voluntarios.

y2). (xn. se pueden reunir de dos en dos formando parejas: (x1. y1). di = xi ± yi. para cada pareja (con su signo) y se calcula la media aritmética xd de las diferencias y su desviación estándar sd Ho : xd = 0 xd n El estadístico to: t o !    sd  Los grados de libertad: n-1 .Comparación de resultados apareados  Se utiliza para comparar dos conjuntos de resultados cada uno. (x2. «. yn). Se halla la diferencia. cuyos datos en función de algún criterio objetivo.

373 0. que se va enriqueciendo de ciertos metales.299 0.218 0.383 Sn.388 0.365 0.244 0. Se desea saber si uno de los motores se desgasta mas rápidamente que el otro. motor 2 0. Horas 100 200 300 500 750 1000 Sn. motor 1 0.312 0.379 0. se tomaron muestras de aceite de lubricante a distintos tiempos de funcionamiento. o si por el contrario el desgaste es el mismo.353 0.394 . En un ensayo de comparación de motores.379 0.Comparación de resultados apareados  Ejemplo:  El desgaste de un motor se puede evaluar a partir del análisis del aceite lubricante.

Análisis de la Varianza (ANOVA)  En el trabajo analítico suelen presentarse a menudo comparaciones en las que intervienen más de dos medias.  ANOVA se utiliza para ³analizar medidas que dependen de arios tipos de efectos que actúan simultáneamente con el doble fin de decidir cuales de ellos son importantes y de poder estimarlos´ (Scheffé. a través de sus varianzas . 1953)  Compara medias de diversos conjuntos.

Posibles fuentes de variación Errores aleatorios Factor controlado Condiciones bajo las cuales se almacenó la solución Para los ejemplos anteriores Método de análisis empleado Operadores que realizaron la titulación Es posible separar la variación debida al error aleatorio de cualquier otra variación provocada al cambiar el factor de control. . Podemos asi evidenciar si una modificación del factor de control genera diferencias significativas entre los valores medios obtenidos.

también es aplicable a situaciones más complejas en las que existen dos o más factores. se conoce como ANOVA de un factor Este tipo de análisis. posiblemente interactuando entre sí . además del error aleatorio de las medidas. ya sea controlado o aleatorio.Análisis de la Varianza (ANOVA) ANOVA puede emplearse en situaciones donde existe más de una fuente de variación aleatoria Por ejemplo: Una situación de muestreo Las muestras se toman al azar Ambos tipos de análisis estadísticos. en donde hay un factor. con mayor grado de dificultad.

Medida de dispersión dentro de los laboratorios Medida de dispersión entre los laboratorios Si Fcal > Ftab Existe algún error sistemático .

Análisis de la Varianza (ANOVA)  Condiciones para aplicar ANOVA:  Los conjuntos de datos son independientes entre si  La distribución de los datos obtenidos para cada conjunto es normal  Las varianzas de cada conjunto de datos no difieren significativamente ANOVA evidencia o no la existencia de diferencias significativas entre laboratorios Pero . ANOVA no nos indica cuantos laboratorios difieren entre si ni cuales son ...

93. 92 . 99. 103 97. 96 90. 91.Análisis de la Varianza (ANOVA)  Ejemplo:  Se desea saber si las distintas condiciones de almacenaje de una disolución afectan a la intensidad de fluorescencia: Tratamiento A) Preparación reciente B) Oscuridad. 92. 1 h Intensidad de Fluorescencia 102. 100 102. 1 h D) Luz intensa. 102. 102. 103. 95. 98. 104. 101. 99. 95. 1 h C) Luz tenue. 101. 93. 100.

Se utiliza el ensayo de diferencia significativa menor (DSM). Las medias se ordenan de menor a mayor y se calculan las diferencias que los separan. para h x (n-1) grados de libertad. Se calcula DSM: 2 DSM ! sres t n Donde t se lee de la tabla de Student de dos lados. .Análisis de la Varianza (ANOVA) Si hay un resultado positivo. indica que al menos una de las medias es distinta de las demás. Las diferencias menores a DSM forman grupos.

Análisis de la Varianza (ANOVA)  Ejemplo:  Del problema anterior. . analizar los grupos que difieren significativamente.

.

r. La asociación entre variables se estima mediante la covarianza y el coeficiente de correlación lineal de Pearson. de forma que una variable proporciona información sobre la otra. cov( x. Los valores a lo largo de las dos variables están ligados entre sí de algún modo. y ) ! .Correlación La correlación es una medida de la asociación entre dos variables.

§ .

x  x y  y n i i i .

.

§ _x  x y i i i y a r! n 1 ® 2 »« 2 »¾ « ¯¬§ xi  x ¼ ¬§ yi  y ¼ ¿ ½À ­ ½­ i °i .

.

1 2 .

Coeficientes de Correlación r = +1 r = -1 r=0 .

H0 debe rechazarse. H0 : no existe correlación entre x e y. . Si tcal > ttab .Coeficientes de Correlación Es necesario hacer un test estadístico: t se compara con el valor tabulado para el nivel de significación deseado usando un prueba t de dos colas y (n-2) grados de libertad.

El método de Regresión de Mínimos Cuadrados  Considerando que existe una relación lineal entre la señal analítica (y) y la concentración (x). se puede calcular los coeficientes a y b por el método de mínimos cuadrados: y=a+bx  Los coeficientes a y b son: b! .

§ _x i i i a  x .

y i  y i § .

x  x 2 a ! y  bx .

Condiciones de alidez de un modelo de regresión Los errores aleatorios son despreciables en x y predominantes en y. La distribución de los residuos es normal y su media es cero. . La relación entre x e y es lineal en el intervalo considerado. Los residuos son homocedásticos.

Incertidumbre de los coeficientes de regresión sy/ x ® .

y i  y 2 ¾ Ö § ±i ± !¯ ¿ n2 ± ± ° À sy/ x ® .

x i  x 2 ¾ ¿ ¯§ °i À 1 2 1 2 sb ! ¾ 2 ± i ± sa ! s y / x ¯ 2 ¿ n ± § .

x i  x ± ° i À 1 §x 2 i .

Límites de confianza de los coeficientes de regresión Es posible obtener los límites de confianza para la pendiente y la ordenada al origen de nuestra recta de ajuste y = bx + a b s tSb a s tSa Para un nivel de confianza deseado y (n-2) grados de libertad .

x. obtenido en estudios anteriores.Límites de confianza de los coeficientes de regresión  Ejemplo:   Calcular las desviaciones estándar de la ordenada en el origen y de la pendiente.412 0.130 0.319 . Establecer si la ordenada en el origen no se distingue significativamente de cero.933 1. y sus límites de confianza.020. señal 0. y si la pendiente ha variado respecto al valor de referencia. Qg/mL 0 5 10 20 50 70 y. 0.190 0.008 0.

con (m+n-3) grados de libertad para los niveles de confianza deseados .Incertidumbre de las Predicciones Expresiónes aproximadas comunmente utilizadas Solo una lectura de y0 m lecturas de y0 Los límites de confianza se calculan como: x0 ± tsx0 .

hallar los límites de confianza de la predicción x = 21. suponiendo que el valor y = 0.246 sea la media de tres determinaciones.Incertidumbre de las Predicciones  Ejemplo:  Para la determinación de ascorbato.89 Qg/mL .

. y = yB + 3 sB  En la práctica los términos yB y sB se determinan cuando se utiliza una recta de regresión convencional para la calibración. yB. sB. mas tres veces la desviación estándar del blanco. es apropiado utilizar sy/x en lugar de sB en la estimación del límite de detección. Cantidad de concentración de analito que proporciona una señal igual a la señal del blanco.Límites de Detección   Aquella concentración que proporciona una señal en el instrumento significativamente diferente (¿?) de la señal del ³blanco´ o señal de fondo. Si consideramos que el método de los mínimos cuadrados sin ponderar cada punto en la representación gráfica tiene una distribución normal.

Límites de Detección  Ejemplo:  Hallar el límite de detección del análisis de arcorbato. .

El método de adición estándar Minimiza el efecto matriz Se agregan cantidades conocidas de un determinado analito a una misma muestra o a porciones de ésta y se representa la curva. Se debe extrapolar a y = 0 La desviación estándar del valor extrapolado se calcula según: Los limites de confianza se calculan como xE s tsxE Al ser un método de extrapolación es menos preciso que uno de interpolación .

pero todas salvo una son ³tratadas´ por separado con cantidades conocidas y diferentes del analito. . disminución o aumento de la señal de lectura del analito debido a la presencia de otros componentes en la muestra. pero sin embargo esta forma es impracticable. Una primera solución sería formar estándares de matriz parecida a la muestra. y todas se diluyen al mismo volumen. Otra forma utiliza el método de adición estándar.El método de adición estándar Cuando se usan soluciones puras para establecer las gráficas de calibración se supone que no hay ³efectos de matriz´. Después se determinan las señales instrumentales para todas estas soluciones. El método consiste en volúmenes iguales de la solución problema. es decir.

Aplicaciones de las Rectas de Regresión Identificación de errores sistemáticos Se utilizan para intervalos relativamente grandes de concentración En cada eje se representan los resultados de cada método a analizar Si se utiliza el método de los cuadrados mínimos debe colocarse en el eje x el método analítico mas preciso (referencia). (este método no admite error en el eje de abscisas) Supone que los errores en el eje de ordenadas son constantes Si los dos métodos comparados producen resultados que no difieren significativamente a un nivel de significancia E la ordenada de la recta de regresión no ha de ser estadísticamente diferente de 0 y la pendiente no ha de serlo de 1 Recientemente se ha desarrollado el test conjunto para la ordenada al origen y la pendiente considerando errores en ambos métodos analíticos (RIU 1996) .

Situacion ideal: a = 0. b = r= 1 curva a curva b Un error sistemático proporcional: b { 1 Un error sistemático constante: a { 0 curva c Error sistemático constante + error sistemático proporcional + errores aleatorios: curva d .

y los resultados fueron comparados con los obtenidos mediante la técnica de espectrometría de absorción atómica de llama (EAA). EAA AP .Aplicaciones de las Rectas de Regresión (ejemplo)   El nivel de plomo de diez muestras de jugo de fruta se determinó por un nuevo método de análisis potenciométrico de redisolución (APR) empleando un electrodo de trabajo de carbono vítreo. Se obtuvieron los siguientes datos (todo los resultados en Qg/L).

.

asociados a inevitables errores aleatorios. Esta comprobación debe tener en cuenta los errores aleatorios. Se trata de los métodos de control de calidad. .Introducción   Un laboratorio debe ofrecer una consistencia de sus resultados día a día. Existen técnicas estadísticas que demuestran si existen o no tendencias dependientes del tiempo en los resultados.

8 % n n 95 % Q o  2W n Q o  2W n .Diagramas de Shewhart Para medias: Q o  2W Q o  2W 99.

hacia arriba o abajo sin importar si se encuentra dentro de la línea de aviso. . Seis puntos en sucesión. Dos puntos sucesivos caen fuera de la línea de aviso.Diagramas de Shewhart  Criterios para detener el proceso mediante los diagramas e Shewhart:     Un punto cae fuera de la línea de acción. Ocho puntos sucesivos en un lado específico de la línea.

Diagramas de Shewhart Para Rangos: x + AR Rango x + WR Tiempo x .AR .WR x .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->