UNIVERSIDAD LAICA ELOY ALFARO DE MANAB

FACULTAD DE INGENIERA INDUSTRIAL

QUMICA ANALTICA

TEMA:

CONTRASTES DE SIGNIFICACIN

AUTORES:

MOJARRANGO DENISSE

SANTANA KAROLAY

CLEGAN DANIELA

GARCA RUBEN

PARRALES WILMER

HERNNDEZ MICHAEL

QUIROZ LEONEL

CURSO:

SEGUNDO SEMESTRE A

DOCENTE:

DR. SANTOS LAVA

Manta, 2015
 Objetivos

Objetivo general
Aplicar estadstica y quimiometra en la qumica analtica principalmente en
aspectos de contrastes de significacin y calidad de medidas analticas.

Objetivo especifico
Aplicar la comparacin de un medio experimental con un valor conocido.
Aplicar comparacin de dos medias experimentales.
Aplicar el contraste de pruebas por parejas
Aplicar prueba de 1 y 2 colas
Aplicar pruebas para comparacin de desviaciones estndar.
Aplicar valores anmalos
Exponer anlisis de la varianza
Exponer la comparacin de varias medias
Aplicar y exponer aritmtica de los clculos ANOVA
Exponer prueba del chi- cuadrado
Exponer las pruebas de la normalidad de una distribucin
Exponer el control de la calidad y el muestreo
Realizar estimacin y separacin de varianza utilizando ANOVA
Explicar lo que es estrategia de muestreo
Explicar de qu consta el ensayo de colaboracin
Realizar representacin grfica de dos muestras
 INTRODUCCIN

Las medidas experimentales estn afectadas de cierta imprecisin en sus valores debido a las
imperfecciones del aparato de medida o a las limitaciones de nuestros sentidos en el caso de
que sean ellos los que deben registrar la informacin. Las magnitudes de los valores se darn
de acuerdo al trabajo que se vaya a efectuar, esto involucrar distintas formas de aplicacin
que requerirn el aporte de diferentes materias.
De acuerdo a una investigacin vamos a dar a conocer los diferentes mtodos de representar
pruebas de significacin que nos llevaran a facilitar el anlisis de distintas muestras de
acuerdo a un modelo.
As pues, resulta imposible llegar a conocer el valor exacto de ninguna magnitud, ya que los
medios experimentales de comparacin con el patrn correspondiente en las medidas directas
vienen siempre afectado de imprecisiones inevitables. El problema es establecer los lmites
dentro de los cuales se encuentra dicho valor.
CONTRASTES DE SIGNIFICACIN

Comparacin de una media experimental

Una vez especificado el modelo correctamente, evidentemente es relevante determinar la

importancia de cada variable explicativa elegida para marcar la evolucin de la endgena; es
decir, estimar el valor de los parmetros. Dado el carcter aleatorio del modelo economtrico,
dicha estimacin no ofrece un clculo exacto como resultado, sino un valor aleatorio que,
como tal, tendr un rango de variacin determinado por su funcin de densidad.

Hiptesis nula Se nota por Ho y puede ser verdadera o falsa. La Hiptesis nula consiste en
una proposicin de no diferencia. Se establece con el nimo de rechazarla con base con los
resultados del estudio. Rechazar una Hiptesis nula significa que es muy poco probable que
la Hiptesis nula sea cierta y que los resultados obtenidos en el estudio se deban a simple
azar.
Las medidas que se realizan en un laboratorio pueden ser de dos tipos:

Medidas directas: El valor de la magnitud que se quiere conocer se mide directamente con
el instrumento de medida (esto es, mediante la comparacin con un patrn adecuado o la
utilizacin de un aparato calibrado). Ejemplos de medidas directas son: la medida de una
longitud con un calibre, el tiempo con un cronmetro, el voltaje con un voltmetro, etc.
Medidas indirectas: El valor de la magnitud deseada se obtiene como resultado del clculo
realizado a partir de otras magnitudes relacionadas con la magnitud a determinar y de ciertas
constantes. Por ejemplo, la determinacin (medida indirecta) del volumen V de un cilindro a
partir de la medida (directa) de su dimetro D y de su altura h

Ejemplo:
Comparacin de dos medias
En este caso se trata de dos mtodos analticos diferentes con los que se hace una nica
medida usando muestras diferentes. No se duplica ninguna medida. Son sistemticamente
diferentes ambos mtodos? Aplicamos el test de las diferencias individuales entre los
resultados de cada muestra, calculando el valor de t y comparndolo con el tabulado. Si T
calculada > T tabulada (al 95%de nivel de confianza) afirmamos que entre las dos tcnicas
existen diferencias significativas al nivel de confianza citado.

Comparacin de desviaciones estndar con el test F

El test F nos informa si dos desviaciones estndar son significativamente diferentes entre s.
F es el cociente de los cuadrados de las desviaciones estndar. Se coloca siempre en el
numerador la desviacin estndar mayor, de modo que se cumpla que el valor calculado para
F sea mayor o igual a 1. El valor de F se halla tabulado para un nivel de confianza del 95%.
Si F calculada > F tabulada, se concluye que los dos mtodos comparados s presentan
desviaciones estndar significativamente diferentes al nivel de confianza del 95%.
Contraste t para datos emparejados

El problema del contraste de hiptesis consiste bsicamente en comprobar cotejar, decidir,

en definitiva, sobre la veracidad de una hiptesis prefijada previamente como supuestamente
cierta. En trminos estadsticos, la o las hiptesis que formulamos lo sern lgicamente sobre
la poblacin. Bien afectando a algn parmetro de sta, lo que da origen a los contrastes
paramtricos o bien a otras caractersticas de la mismas que no lo sean estrictamente, lo que
origina contrates "no" paramtricos. La solucin estadstica del problema de contrastacin se
basar en los datos muestrales y la base estadstica (probabilstica) de la que arrancar el
contraste va a ser la distribucin de algn estadstico muestral.
Supongamos que deseamos hacer un contraste acerca de un parmetro q, de la poblacin
.Para llevarlo a cabo consideraremos la distribucin de algn estadstico muestral que de
alguna manera se corresponda y se relacione con el parmetro q; designemos en general a
este estadstico como T. Si con los datos muestrales obtenemos un valor concreto para T tal
que pertenezca a una determinada regin del campo de variacin de T optaremos por no
rechazar la hiptesis y en caso contrario por rechazarla. Obviamente la clave del problema
ser delimitar la regin del campo de variacin de T que consideraremos como zona de
aceptacin de la hiptesis .Esto se resolver por un criterio probabilstico partiendo de la
distribucin muestral de T.

Contraste bilateral o de dos colas

Se debe elegir un nivel de significacin: nivel crtico. Elegir un estadstico de contraste:
estadstico cuya distribucin muestral se conozca en H0 y que est relacionado con q y
establecer, en base a dicha distribucin, la regin crtica: regin en la que el estadstico tiene
una probabilidad menor que a si H0 fuera cierta y, en consecuencia, si el estadstico cayera
en la misma, se rechazara H0.

De esta manera, se est ms seguro cuando se rechaza una hiptesis que cuando no. Por eso
se fija como H0 lo que se quiere rechazar. Cuando no se rechaza, no se ha demostrado nada,
simplemente no se ha podido rechazar. Por otro lado, la decisin se toma en base a la
distribucin muestral en H0, por eso es necesario que tenga la igualdad.
Calcular el estadstico para una muestra aleatoria y compararlo con la regin crtica, o
equivalentemente, calcular el "valor p" del estadstico (probabilidad de obtener ese valor, u
otro ms alejado de la H0, si H0fuera cierta) y compararlo.

Datos anmalos
Uno de los problemas en el anlisis de datos es manejar los valores atpicos dentro de un
grupo de datos.
Un valor atpico es una observacin con un valor que no parece corresponderse con el resto
de los valores en el grupo de datos.
Antes de realizar cualquier anlisis estadstico con nuestros datos, es recomendable observar
si existen entre las variables a estudiar, valores anmalos o extraos que pueden alterar el
resultado final. En estadstica, a estos valores se les denomina outliers.
Pueden ser valores extremadamente elevados o bajos.
Test Q de datos sospechosos

Cuando un dato no es coherente con los restantes, es decir, es muy alto o muy bajo respecto
del resto de datos, se puede usar el test Q como ayuda para decidir si se mantiene o se desecha
dicho dato sospechoso.

Consideremos los 5 resultados siguientes: 130,1; 130,7; 128,8; 137,8 y 131,4. Se rechaza o
se mantiene el valor 137,8? Para aplicar el test Q, se ordenan los datos en orden creciente y
se calcula Q, segn la ecuacin: Q calculada = divergencia/recorrido donde el recorrido es la
dispersin mxima entre los datos y la divergencia es la diferencia entre el valor sospechoso
y el valor ms prximo. Los valores de Q tambin se hallan tabulados para el 90% de nivel
de confianza, y se selecciona aquel valor que corresponda al nmero de medidas llevadas a
cabo, no al nmero de grados de libertad. Si Q calculada > Q tabulada, se descarta el punto
sospechoso. En el caso propuesto el dato sospechoso no debe descartarse. En realidad la
decisin final depende de uno mismo, pues hay quien afirma que no se debe descartar nunca
un dato a no ser que se sepa que existe un error de procedimiento que condujo a esa medida
particular; hay quien repite la medida sospechosa varias veces hasta asegurarse si est o no
realmente fuera de los esperable. Ejemplo:
Contraste de Grubbs

Dada una muestra aleatoria simple de tamao n procedente de una poblacin univariante,

(x1, x2, ..., xn),

Podemos sospechar que una de sus observaciones, que forzosamente ser la menor o la mayor
de la muestra, es un dato atpico, es decir, el valor registrado para ese individuo es
anormalmente pequeo o grande.

Ante esta situacin, el analista debe investigar la procedencia de ese dato, y como
consecuencia de ello, eliminarlo de la muestra si se confirma que ha sido un error (quizs de
medida o de transcripcin manual del dato) o modificar sus hiptesis sobre la poblacin en
caso de verificarse su exactitud (quin nos asegura que un dato anmalo no es seal de la
presencia de una veta de mineral en un anlisis geolgico de cierto terreno?).

En todo caso, no se eliminar un dato sospechosamente atpico hasta no tener la certeza

absoluta de que su origen se debe a un error humano o de instrumentacin.

La presencia de un valor anmalo puede alterar sensiblemente las conclusiones de un anlisis

estadstico. Aquellos mtodos poco sensibles a estos datos extraos se denominan robustos,
y la estadstica robusta es un rea de intensa investigacin.

Como ayuda a la decisin sobre si un dato es o no atpico, se dispone de la prueba de Grubbs,

la cual exige que la muestra proceda de una poblacin normal.
Anlisis de la varianza

En estadstica, el anlisis de la varianza (ANOVA, ANalysis Of VAriance, segn

terminologa inglesa) es una coleccin de modelos estadsticos y sus procedimientos
asociados, en el cual la varianza est particionada en ciertos componentes debidos a
diferentes variables explicativas.

Las tcnicas iniciales del anlisis de varianza fueron desarrolladas por el estadstico y
genetista R. A. Fisher en los aos 1920 y 1930 y es algunas veces conocido como "Anova de
Fisher" o "anlisis de varianza de Fisher", debido al uso de la distribucin F de Fisher como
parte del contraste de hiptesis.Un anlisis de la varianza permite determinar si diferentes
tratamientos muestran diferencias significativas o por el contrario puede suponerse que sus
medias poblacionales no difieren. El anlisis de la varianza permite superar las limitaciones
de hacer contrastes bilaterales por parejas (que son un mal mtodo para determinar si un
conjunto de variables con n > 2 difieren entre s.
Modelo I: Efectos fijos

El modelo de efectos fijos de anlisis de la varianza se aplica a situaciones en las que el

experimentador ha sometido al grupo o material analizado a varios factores, cada uno de los
cuales le afecta slo a la media, permaneciendo la "variable respuesta" con una distribucin
normal. Este modelo se supone cuando el investigador se interesa nicamente por los niveles
del factor presentes en el experimento, por lo que cualquier variacin observada en las
puntuaciones se deber al error experimental.

Modelo II: Efectos aleatorios (componentes de varianza)

Los modelos de efectos aleatorios se usan para describir situaciones en que ocurren
diferencias incomparables en el material o grupo experimental. El ejemplo ms simple es el
de estimar la media desconocida de una poblacin compuesta de individuos diferentes y en
el que esas diferencias se mezclan con los errores del instrumento de medicin.

Este modelo se supone cuando el investigador est interesado en una poblacin de niveles,
tericamente infinitos, del factor de estudio, de los que nicamente una muestra al azar (t
niveles) estn presentes en el experimento. Ejemplo:

Tabla 1. Resultados en anlisis de plomo en agua de ro realizado por 5 laboratorios (k

indica el n de laboratorio)
El objetivo del ANOVA es comparar los diversos valores medios para determinar si alguno
de ellos difiere significativamente del resto. Para ello se utiliza una estrategia bien lgica: si
los resultados proporcionados por los diversos laboratorios no contienen errores sistemticos,
los valores medios respectivos no diferirn mucho los unos de los otros y su dispersin,
debida a los errores aleatorios, ser comparable a la dispersin presente individualmente en
cada laboratorio.

Comparacin de medias
Cuando se desea comprobar si los valores de una caracterstica que es posible cuantificar
(como podra ser la edad o la cifra de tensin arterial, entre otras) difieren al agruparlas en
dos o ms grupos (por ejemplo segn gnero, o diagnstico de hipertensin arterial)
hablaremos de comparacin de medias
.La comparacin de medias en un sentido ms general, abarca la comparacin de los valores
de una variable continua segn los valores de una variable (o factor) que se puede resumir en
dos o ms categoras (como el ejemplo expuesto previamente) y que englobaramos dentro
de las pruebas para datos independientes, as como la comparacin de los valores de una
variable continua evaluada en dos o ms momentos en el tiempo (por ejemplo comparar si
hay diferencias entre la medicin de la presin arterial realizada por la maana o por la noche)
y que englobaramos dentro de las pruebas para datos apareados.

Las medidas y representaciones grficas

Las medidas nos permiten informacin sobre la serie de datos que estamos analizando. Estas
medidas permiten conocer diversas caractersticas de esta serie de datos.

Medicin, Se ha definido como la asignacin de nmeros a los elementos u objetos para

representar o cuantificar una propiedad. El problema bsico est dado por la asignacin un
numeral que represente la magnitud de la caracterstica que queremos medir y que dicho
nmeros pueden analizarse por manipulaciones de acuerdo a ciertas reglas.
Medidas de posicin
Medidas de posicin central, informan sobre los valores medios de la serie de datos.
Medidas de posicin no centrales, informan de cmo se distribuye el resto de los valores de
la serie. Las principales medidas de posicin central son:
Valor Medio, Promedio o Valor Central, es el valor medio ponderado de la serie de datos. Se
pueden calcular diversos tipos de media, siendo las ms utilizadas:
Media Aritmtica, se calcula sumando los valores y dividiendo en el nmero de ellos, o
sumando los valores de multiplicar cada valor por el nmero de veces que se repite. La suma
de todos estos productos se divide por el total de datos de la muestra. Ejemplo:

Tabla 2. Fluorescencia de disoluciones almacenadas en diferentes condiciones:

Condiciones Medidas Media
repetidas
A: preparada recientemente 102,100,101 101
B: almacenada una hora en la oscuridad 101,101,104 102
C: almacenada una hora con luz tenue 97,95,99 97
D: almacenada una hora con luz brillante 90,92,94 92
Media global: 98

Diagrama de puntos de resultados

Contraste F de colas: F= 62/3 = 20.7

Aritmtica de los clculos de Anova

El anlisis de la varianza (ANOVA) es un mtodo que se emplea para comparar resultados

obtenidos por distintos mtodos, laboratorios, analistas, etc, cuando el nmero de medias
obtenidas es superior a dos. Tambin permite separar las contribuciones de uno o ms
factores ala varianza global del sistema. En el caso de realiza medidas replicadas variando
uno de los factores anteriormente mencionados siempre existen dos fuentes de error, la
primera, el error aleatorio de medida, la segunda los errores debidos al cambio de mtodo,
laboratorio, analista, etc.

Se calculan, por tanto, MSlab y MSR como una medida de las dispersiones comentadas y se
comparan mediante una prueba de hiptesis F. Si no existe diferencia estadsticamente
significativa entre ellas, la presencia de errores aleatorios ser la causa predominante de la
discrepancia entre los valores medios. Si, por el contrario, existe algn error sistemtico,
MSlab ser mucho mayor que MSR, con lo cual el valor calculado de F ser mayor que el
valor tabulado Ftab para el nivel de significacin a escogido y los grados de libertad
mencionados.

Demostrando que K es el nmero de laboratorios y N el nmero de resultados

Prueba Chi-Cuadrado

Esta prueba puede utilizarse incluso con datos medibles en una escala nominal. La hiptesis
nula de la prueba Chi-cuadrado postula una distribucin de probabilidad totalmente
especificada como el modelo matemtico de la poblacin que ha generado la muestra.

Para realizar este contraste se disponen los datos en una tabla de frecuencias. Para cada valor
o intervalo de valores se indica la frecuencia absoluta observada o emprica (Oi). A
continuacin, y suponiendo que la hiptesis nula es cierta, se calculan para cada valor o
intervalo de valores la frecuencia absoluta que cabra esperar o frecuencia esperada (Ei=npi)
donde n es el tamao de la muestra y pi la probabilidad del i-simo valor o intervalo de
valores segn la hiptesis nula).

El estadstico de prueba se basa en las diferencias entre la Oi y Ei y se define como:

Chi-cuadrado de ajuste
En una prueba de ajuste la hiptesis nula establece que una variable X tiene una cierta
distribucin de probabilidad con unos determinados valores de los parmetros. El tipo de
distribucin se determina, segn los casos, en funcin de: La propia definicin de la variable,
consideraciones tericas al margen de esta y/o evidencia aportada por datos anteriores al
experimento actual.
A menudo, la propia definicin del tipo de variable lleva implcitos los valores de sus
parmetros o de parte de ellos; si esto no fuera as dichos parmetros se estimarn a partir de
la muestra de valores de la variable que utilizaremos para realizar la prueba de ajuste.
Ejemplo:

A continuacin se muestra el nmero de roturas en el material de vidrio de cuatro trabajadores

de un laboratorio a lo largo de un periodo de tiempo. Hay alguna evidencia de que los
trabajadores difieran en su habilidad?

Nmero de roturas. 24, 17, 11, 9

Adoptando como hiptesis nula que no hay diferencias en cuanto a su habilidad Suponiendo que los
trabajadores utilizan el laboratorio el mismo tiempo, se esperara, a partir de la hiptesis nula, el
mismo nmero de roturas por cada trabajador. Puesto que el nmero total de roturas es 61, el nmero
de roturas esperado por trabajador es 61/4= 15,25. Obviamente, en la prctica no es posible que un
nmero no entero de roturas: este nmero corresponde a un concepto matemtico. La distribucin
<<igual>> ms prxima y manejable desde un punto de vista prctico es 15, 15, 15, 16 en algn
orden determinado.

Prueba de normalidad
Un caso especfico de ajuste a una distribucin terica es la correspondiente a la distribucin
normal. Este contraste se realiza para comprobar si se verifica la hiptesis de normalidad
necesaria para que el resultado de algunos anlisis sea fiable, como por ejemplo para el
ANOVA.

Para comprobar la hiptesis nula de que la muestra ha sido extrada de una poblacin con
distribucin de probabilidad normal se puede realizar un estudio grfico y/o analtico.
 Mtodo de Anderson Darling o Ryan Joiner

La prueba de Anderson-Darling es usada para probar si una muestra viene de una distribucin
especifica. Esta prueba es una modificacin de la prueba de Kolmogorov Smirnov donde se
le da ms peso a las colas de la distribucin que la prueba de Kolmogorov-Smirnov .

En estadstica, la prueba de Anderson-Darling es una prueba no paramtrica sobre si los datos

de una muestra provienen de una distribucin especfica.

La frmula para el estadstico determina si los datos (observar que los datos se deben ordenar)
vienen de una distribucin con funcin acumulativa F. Formulas:

A2 = N S

Donde:
El estadstico de la prueba se puede entonces comparar contra las distribuciones del
estadstico de prueba (dependiendo que F se utiliza) para determinar el P valor.

Ejemplo:
Si el valor de probabilidad P de la prueba es mayor a 0.05, se considera que los datos son
normales

Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar S = 32.02
con:

Probability Plot of Datos

Normal
99.9
Mean 269.3
StDev 30.72
99 N 100
RJ 0.994
95 P-Value >0.100
90
80
70
Percent

60
50
40
30
20
10
5

0.1
150 200 250 300 350
Datos
Grfico de probabilidad normal El grfico de probabilidad normal es una tcnica grfica,
utilizada para contrastar la normalidad de un conjunto de datos. Permite comparar la
distribucin emprica de una muestra de datos, con la distribucin normal. Es un caso
particular de grfico de probabilidad.

La idea bsica consiste en representar, en un mismo grfico, los datos empricos observados,
frente a los datos que se obtendran en una distribucin normal terica. Si la distribucin de
la variable es normal, los puntos quedarn cerca de una lnea recta. Es frecuente observar una
mayor variabilidad (separacin) en los extremos. El grfico de probabilidad normal es un
caso especial de grfico de probabilidad.

Para construir el grfico de probabilidad normal para un conjunto de datos

se representan:

Eje vertical: valores ordenados de los datos .

Eje horizontal: valor esperado del i-simo estadstico de orden de una distribucin
normal.

Test de ShapiroWilk

En estadstica, el Test de ShapiroWilk se usa para contrastar la normalidad de un conjunto

de datos. Se plantea como hiptesis nula que una muestra x1, ..., xn proviene de una poblacin
normalmente distribuida. Fue publicado en 1965 por Samuel Shapiro y Martin Wilk.1 Se
considera uno de los test ms potentes para el contraste de normalidad, sobre todo para
muestras pequeas (n<30).

El estadstico del test es:

Donde

x(i) (con el subndice i entre parntesis) es el nmero que ocupa la i-sima posicin en
la muestra;
= (x1 + ... + xn) / n es la media muestral;
las variables ai se calculan2

Donde

Siendo m1, ..., mn son los valores medios del estadstico ordenado, de variables
aleatorias independientes e idnticamente distribuidas, muestreadas de distribuciones
normales. V es la matriz de covarianzas de ese estadstico de orden. La hiptesis nula
se rechazar si W es demasiado pequeo.

Control de calidad y muestreo

Tipos de planes de muestreo

Los planes de muestreo de aceptacin son de dos tipos: por atributos y por variables.

Planes por variables se toma una muestra aleatoria del lote y a cada unidad de la muestra
de la mide una caractersticas de calidad de tipo continuo (longitud, peso, etc.).

Con las mediciones se calcula un estadstico, que generalmente est en funcin de la media,
la desviacin estndar muestral y las especificaciones, y dependiendo del valor de este
estadstico al compararlo con un valor permisible, se aceptar o rechazar todo el lote. En la
seccin "Muestreo de aceptacin por variables" de este trabajo se ver estos tipos de planes.

Planes por atributos se extrae aleatoriamente una muestra de un lote y cada pieza de la
muestra es clasificada de acuerdo a ciertos atributos como aceptable o defectuosa. Si el
nmero de piezas que se encuentran defectuosas es menor o igual que un cierto nmero
predefinido, entonces el lote es aceptado; en caso de que sea mayor, entonces el lote es
rechazado. Algunos de los planes por atributos son: simple, doble y mltiple.

En general los planes ms usuales son los de atributos, a pesar de que con los planes por
variables se requieren menor tamao de muestra para lograr los mismos niveles de seguridad.

Muestreo por atributos: simple, doble y mltiple

Plan de muestreo simple consiste en un tamao de muestra n, y en un nmero de aceptacin

c, ambos fijados de antemano. Si en la muestra se encuentra c o menos unidades defectuosas
entonces el lote es aceptado. Por su parte, la idea del plan de muestreo doble es tomar una
primera muestra de tamao ms pequeo que el plan simple para detectar los lotes muy
buenos o los muy malos, y si en la primera muestra no se puede decidir si aceptar o rechazar
porque la cantidad de unidades defectuosas ni es muy pequea ni muy grande. De esta
manera, un plan de muestreo doble est definido por

N = tamao de lote

n1 = tamao de la primera muestra

c1 = nmero de aceptacin para la primera muestra

n2 = tamao de la segunda muestra

c2 = nmero de aceptacin para las dos muestra

Por ejemplo, con el plan N = 3000, n1 = 80, c1 = 1, n2 = 80, c2 = 4; del lote de 3000 piezas
se toma una muestra inicial de 80 y con base a la informacin aportada por esta primera
muestra se toma una de las tres decisiones siguientes:

1. Aceptar el lote, cuando la cantidad de unidades defectuosas sea menor o igual que 1
(c1).
2. Rechazar el lote, cuando el nmero de piezas defectuosas sea mayor que 4 (c2).
3. Tomar una segunda muestra de 80 unidades, cuando el nmero de piezas defectuosas
detectadas en la primera muestra sea mayor que 1 (c1) pero no exceda de 4 (c2). Si al
sumar la cantidad de unidades defectuosas en las dos muestras, esta no es mayor que
4 (c2), el lote es aceptado, pero si es mayor que 4 (c2), entonces el lote es rechazado
TIPOS DE NIVELES DE CALIDAD

Nivel Aceptable de Calidad (NCA)

Es el mximo porciento defectivo (o el mximo nmero de defectos por cada cien unidades)
que, para los fines de un muestro de inspeccin, se puede considerar como satisfactorio para
la media del proceso. Significado: El NCA es un valor designado en porciento defectivo (o
defectos por cada cien unidades), que el consumidor indica que podr aceptar en la mayora
de los casos por medio del plan de aceptacin que se vaya a emplear. A la probabilidad de
aceptar los lotes que tengan un NCA , se le designa con 1- a, donde a por lo general, es un
valor pequeo (0.05; 0.010). A se conoce como riesgo del productor.
Nivel de Calidad Lmite (NCL)
Es el nivel de calidad que se considera como no satisfactorio y que los lotes que tengan este
tipo de calidad deben ser rechazados casi siempre. Al ser el NCL un nivel de calidad no
satisfactorio, entonces la probabilidad de aceptarlo debe ser muy baja (generalmente de 0.05,
0.10); es usual que esta probabilidad se le designe con la letra A este riesgo que tiene
probabilidad igual a se lo conoce como riesgo del consumidor.
Calidad de Salida Promedio (CSP)
Es la calidad promedio que se alcanza despus de aplicar el proceso de inspeccin. Este
concepto es otra forma de medir el efecto de un plan de muestreo sobre la calidad que se
tendr despus de aplicar el plan. Cuando un programa de muestreo de aceptacin aplica
muestreo 100% a los lotes rechazados, entonces la calidad de salida de esos lotes es perfecta
(si no hay error de inspeccin), ya que todas las unidades defectuosas de esos lotes son
sustituidas por artculos buenos. Mientras que en los lotes que son aceptados, su calidad de
salida despus de la inspeccin puede ser que mejore un poco, porque las unidades
defectuosas encontradas n las muestras son reemplazadas por unidades buenas.
Lmite de Calidad de salida promedio (LCSP)
Representa el peor promedio de calidad que puede obtenerse del programa de inspeccin.
Estimacin y separacin de la varianza utilizando ANOVA

El anlisis de la varianza (ANOVA) es una potente herramienta estadstica, de gran utilidad

tanto en la industria, para el control de procesos, como en el laboratorio de anlisis, para el
control de mtodos analticos. Los ejemplos de aplicacin son mltiples, pudindose agrupar,
segn el objetivo que persiguen, en dos principalmente: la comparacin de mltiples
columnas de datos y la estimacin de los componentes de variacin de un proceso. Nos
ocupamos en este artculo de la primera de ellas.
La comparacin de diversos conjuntos de resultados es habitual en los laboratorios analticos.
As, por ejemplo, puede interesar comparar diversos mtodos de anlisis con diferentes
caractersticas, diversos analistas entre s, o una serie de laboratorios que analizan una misma
muestra con el mismo mtodo (ensayos colaborativos). Tambin sera el caso cuando
queremos analizar una muestra que ha estado sometida a diferentes tratamientos o ha estado
almacenada en diferentes condiciones. En todos estos ejemplos hay dos posibles fuentes de
variacin: una es el error aleatorio en la medida y la otra es lo que se denomina factor
controlado (tipo de mtodo, diferentes condiciones, analista o laboratorio,...). Una de las
herramientas estadsticas ms utilizadas que permite la separacin de las diversas fuentes de
variacin es el anlisis de la varianza (ANOVA, del ingls Analysis of Variance) [Massart,
1997].

Para utilizar el ANOVA de forma satisfactoria deben cumplirse tres Cuando tengamos un
factor, controlado o aleatorio, aparte del error propio de la medida, hablaremos del ANOVA
de un factor. En el caso de que estuvisemos desarrollando un nuevo mtodo colorimtrico
y quisiramos investigar la influencia de diversos factores independientes sobre la
absorbancia, tales como la concentracin de reactivo A y la temperatura a la que tiene lugar
la reaccin, entonces hablaramos de un ANOVA de dos factores. En los casos donde
tenemos dos o ms factores que influyen, se realizan los experimentos para todas las
combinaciones de los factores estudiados, seguido del ANOVA.

Se puede deducir entonces si cada uno de los factores o una interaccin entre ellos tienen
influencia significativa tipos de hiptesis, aunque se aceptan ligeras desviaciones de las
condiciones ideales:
1. Cada conjunto de datos debe ser independiente del resto.

2. Los resultados obtenidos para cada conjunto deben seguir una distribucin normal.

3. Las varianzas de cada conjunto de datos no deben diferir de forma significativa.

ANOVA de un factor
Tomemos como ejemplo la comparacin de 5 laboratorios que analizan nk veces con el
mismo procedimiento la concentracin de Pb en una misma muestra de agua de ro. El
objetivo del ANOVA aqu es comparar los errores sistemticos con los aleatorios obtenidos
al realizar diversos anlisis en cada laboratorio. Hemos comentado antes que son condiciones
importantes que cada laboratorio analice sus muestras de manera independiente y con
precisiones parecidas a las del resto de laboratorios. En la tabla 1 se muestran los resultados
obtenidos (expresados en mg/L).

Tabla 3. Resultados del anlisis de plomo en agua de ro realizado por 5 laboratorios (k indica
el n de laboratorio).

Por su lado, SSlab mide las desviaciones entre los resultados medios de los laboratorios y el
resultado medio global y, dividido por sus grados de libertad, (k - 1), constituye el cuadrado
medio "entre laboratorios", MSlab. La Tabla muestra las diferentes expresiones para calcular
las sumas de cuadrados y las correspondientes varianzas.
Expresiones para el clculo del ANOVA de un factor (K indica el nmero de laboratorios y
N el nmero total de resultados).

Se calculan, por tanto, MSlab y MSR como una medida de las dispersiones comentadas y se
comparan mediante una prueba de hiptesis F. Si no existe diferencia estadsticamente
significativa entre ellas, la presencia de errores aleatorios ser la causa predominante de la
discrepancia entre los valores medios. Si, por el contrario, existe algn error sistemtico,
MSlab ser mucho mayor que MSR, con lo cual el valor calculado de F ser mayor que el
valor tabulado Ftab para el nivel de significacin a escogido y los grados de libertad
mencionados. A continuacin se muestra la tpica tabla ANOVA obtenida para los resultados
del ejemplo de la Tabla 1:
Tabla 3. Tabla ANOVA para los resultados de la Tabla anterior.

Como Fcal > Ftab, en este caso se podra concluir que al menos uno de los laboratorios ha
producido resultados la media de los cuales difiere de forma estadsticamente significativa
del resto de laboratorios. As pues, a menor valor de probabilidad, mayor seguridad de que
existen diferencias significativas.

El ANOVA no indica cuntos laboratorios difieren ni cules son. Una inspeccin visual de
los resultados puede proporcionar sin duda alguna pista, pero si se quieren tener criterios ms
slidos, hay diversas pruebas estadsticas que permiten saber de qu laboratorios se trata
[Massart, 1997]
Estrategia de muestreo
Las estrategias de muestreo pueden basarse en un muestreo probabilstico o en un muestreo
no probabilstico.

Muestreo probabilstico
En este tipo de muestreo se intenta que las generalizaciones que realizan a partir de las
muestras, sean correctas. Se basan en la probabilidad. Cunto ms precisa y ms amplia sea
la muestra, ms probabilidades habr de que los resultados sean ptimos.

Se conocen cuatro tipos de estrategias de muestreo: muestreo aleatorio simple, muestreo

aleatorio estratificado, muestreo sistemtico y muestreo sistemtico estratificado.

Muestreo no probabilstico
Esta estrategia de muestreo se basa en la intuicin, la documentacin histrica o una gran
experiencia de campo de la zona. El muestreo no probabilstico no sera tan cientfico como
pudiera ser el probabilstico, ya que si se quiere saber de forma cuantitativa la importancia
de un yacimiento o regin es ms factible utilizar el muestreo probabilstico. Vase muestreo
accidental, uno de los nombres del tambin llamado muestreo de oportunidad o muestreo de
conveniencia.
Una estrategia de muestreo posible con materiales a granel es tomar h incrementos de muestra
y mezclarlos antes de realizar n medidas repetidas.

Ensayos de colaboracin
El estudio de las disfunciones en los resultados de anlisis abre la puerta a los ensayos de
colaboracin entre laboratorios con objeto de decidir la robustez de un mtodo analtico o
para los propios laboratorios, cuyos resultados se aparten de los valores medios del grupo,
puedan autoevaluarse y corregirse. En este tipo de ensayo las medidas de exactitud y
precisin se establecen a partir de los valores medios de los distintos laboratorios
participantes.

Los ensayos de colaboracin son de uso obligado para aquellos laboratorios cuya repercusin
social sea notoria, como los de anlisis clnicos, potabilidad del agua o cualquier otro que
deba ceirse a una normativa legal establecida.

Para llevar a cabo un ejercicio de este tipo, usualmente un laboratorio de arbitraje (un
laboratorio de prestigio dentro del campo concreto que se va a ensayar o un laboratorio de la
administracin pblica cuando se trate de estudiar un ajuste a normativas) entra en contacto
con distintos laboratorios participantes de su misma especialidad para que el ensayo de
colaboracin produzca los frutos esperados (usualmente participan entre 12 y 20
laboratorios).

La preparacin de un ensayo de colaboracin requiere de un esfuerzo adicional por parte del

laboratorio de arbitraje para disear y estudiar las condiciones previas al ensayo. As, es
prioritaria una prueba de entereza para identificar y estudiar aquellos factores experimentales
(ph, temperatura, disolvente, humedad, concentracin de analito, pureza de los reactivos) que
puedan afectar de manera notoria a los resultados. En ocasiones el mtodo puede ser tan
sensible a pequeos cambios de un factor que, en la prctica, resulte muy difcil su control,
por lo que deba rechazarse. En otros casos es posible seguir adelante con el ensayo, pero
advirtiendo a los laboratorios participantes sobre los factores que deben ser controlados ms
cuidadosamente.
 CONCLUSIN

Esto temas mediante la aplicacin de sus ejercicios nos ayudan a calcular y conocer los
distintos anlisis que se puedan dar durante el proceso de una muestra dada. La probabilidad
y los modelos de distribucin junto con las tcnicas descriptivas, constituyen la base de una
nueva forma de interpretar la informacin suministrada por una parte de la realidad que
interesa investigar.

Lo cual convierte a estos ejercicios como una forma importante de apoyo para los procesos
qumicos, porque por medio de estos se pueden hacer clculos que ayudaran a encontrar algn
tipo de erro o una cantidad determinada. Los mtodos descriptivos proporcionan una idea de
cmo es la muestra. Para obtener conclusiones relativas a la muestra necesitamos utilizar
tcnicas de inferencia estadstica.

En definitiva, la idea es, a partir de una necesidad se extrae una muestra por algunos de los
mtodos existentes, con la que se generan datos numricos que se van a utilizar para generar
estadsticos con los que realizar estimaciones o contrastes.
Bibliografa

http://www.ciens.ucv.ve:8080/generador/sites/QAII-pregrado/archivos/miller-
estadistica%20y%20quimiometria%20para%20quimica%20analitica%202005.pdf
http://www.uv.es/ceaces/tex1t/6%20para/tparame.html
http://www.ugr.es/~jnieves/web_labdocencia/index_archivos/Apendice%20II%20d
e%20Teoria%20de%20errores_rev02Feb.pdf
http://rodi.urv.es/quimio/general/anovacast.pdf
http://elestadistico.blogspot.com/2013/02/datos-atipicos-o-outliers.html
http://sistemas.unla.edu.ar/sistemas/gisi/papers-
HK/procedimientos%20para%20la%20identidficacion%20de%20datso%20anomalo
s%20en%20bases%20de%20datos.pdf
http://www2.uiah.fi/projects/metodi/280.htm
http://www.hrc.es/bioest/ch_medias.html
http://www.monografias.com/trabajos46/muestreo-de-aceptacion/muestreo-de-
aceptacion2.shtml
http://www.monografias.com/trabajos99/sobre-muestreo-de-aceptacion/sobre-
muestreo-de-aceptacion.shtml
http://es.slideshare.net/sorayac/muestreo-en-control-de-calidad
http://www.monografias.com/trabajos96/muestreo-aceptacion-calidad/muestreo-
aceptacion-calidad.shtml
http://www.monografias.com/trabajos96/calidad-del-muestreo-aceptacion/calidad-
del-muestreo-aceptacion.shtml
http://www.academia.edu/9323239/PRUEBAS_DE_NORMALIDAD_NO_PARA
METRICAS
http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0034-79732001000400008
http://www.ub.edu/aplica_infor/spss/cap5-6.htm
https://es.wikipedia.org/w/index.php?title=Test_de_normalidad&action=edit&redlin
k=1
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal#Tests_de_normalidad
http://ocw.um.es/ciencias/analisis-quimico/material-de-clase-1/tema-3.pdf
http://rodi.urv.es/quimio/general/anovacast.pdf
http://www.ub.edu/aplica_infor/spss/cap4-7.htm
https://books.google.com.ec/books?id=1xNQAZeNUrgC&pg=PA396&lpg=PA396&dq=en
sayos+de+colaboracion&source=bl&ots=BL2Ta3QM2y&sig=b0i3FtE7_BV0jS7hGbHw3h
3KKVA&hl=es&sa=X&ved=0CCQQ6AEwAWoVChMIvqCKt_LYxgIVxYyQCh23SgV1
#v=onepage&q=ensayos%20de%20colaboracion&f=false