TEMA 11: CALIBRACIÓN

METODOLÓGICA UNIVARIANTE
- Introducción
- Modelos de regresión
- Regresión lineal simple: análisis de residuos y método de
mínimos cuadrados
- Calibración instrumental y metodológica
- Calibración por el método del patrón externo: error en la
predicción
- Calibración por el método de adiciones patrón: error en la
predicción
- Calibración por el método del patrón interno: error en la
predicción
- Validación de un modelo lineal: ANOVA de la regresión
- La regresión lineal simple en la comparación de métodos
de análisis
INTRODUCCIÓN
- La correlación es una medida de la asociación entre dos variables.

- Cuando existe correlación entre dos variables, sus valores están ligados entre
sí de modo que una variable puede proporcionar información sobre la otra.

La asociación lineal entre variables se

estima mediante el coeficiente de
correlación lineal, r.

En el cálculo del coeficiente de correlación

lineal sólo interesa el grado de asociación
entre las dos variables siendo indiferente si
son dependientes o independientes.
 Coeficiente de correlación lineal

Permite estimar la bondad con que se ajustan los puntos experimentales a una
línea recta.
Adimensional
 (( x  x)( y  y ))
i i
r i

( ( x  x) )(  ( y  y )
i
2
i
2
)
i i

La experiencia muestra que aún con datos

con carácter no lineal es posible obtener
valores de “r” elevados.

Interpretación errónea de los resultados

El cálculo de “r” es una primera medida

para comprobar la correlación lineal de
los datos pero ha de completarse
mediante la representación de los
mismos
 r = 0.948

EJEMPLO DE DATOS QUE

MUESTRAN ASOCIACIÓN LINEAL

r = 0.948
EJEMPLO DE DATOS QUE NO
MUESTRAN ASOCIACIÓN LINEAL
Se han examinado una serie de disoluciones patrón de fluoresceína en un
espectrómetro de fluorescencia y han conducido a las siguientes intensidades
de fluorescencia:

Señal (F) 2.1 5.0 9.0 12.6 17.3 21.0 24.7

Conc (pg/mL) 0 2 4 6 8 10 12

Determinar el coeficiente de correlación

 (( x  x)( y  y))
i i
216.2
r i
  0.9989
( ( xi  x) 2 )(  ( yi  y ) 2 ) 112 X 418.28
i i
MODELOS DE REGRESIÓN
A veces una variable (que vamos a denominar variable dependiente) no se
mide directamente sino que se estima a partir de otra variable (que vamos a
denominar variable independiente) con la que está correlacionada.

Los modelos de regresión establecen matemáticamente la relación cuantitativa

entre una variable dependiente (variable respuesta) y un conjunto de variables
independientes (variables explicativas o regresoras) con las que está
correlacionada.

Los modelos de regresión establecen relaciones matemáticas que

relacionan la variable dependiente con la/s independiente/s

y = f (ßo, ß1, ….ßm) + εi

Variable
Variables Errores aleatorios
dependiente
independientes (diferencia entre los valores
predichos por el modelo y
los valores observados)
Clasificación de modelos de regresión

 Regresión univariante: todas las observaciones (y)

dependen únicamente de una variable (x).

 Modelos lineales: la respuesta presenta una función lineal respecto a

todos los parámetros.
y   o  1 x
m
Modelos polinomiales y   i

i 0
x i m = 1, modelo lineal simple
m > 2, modelo polinomial
1
y  o    2 log x
x
 Modelos no lineales y curvilineos: la respuesta presenta una función no
lineal respecto a alguno de los parámetros.

Modelos exponenciales y  1 exp (  2 x)

Modelos Gaussianos y  1 exp  [  2 ( x   3 )]2
Modelos de Lorenz 1
y
1  2 ( x  3 )
2

 Regresión multivariante: las observaciones (y) dependen

de varias variables (x1, x2, etc.). y   o  1 x1   2 x2  ...
Aplicaciones más importantes de la regresión en Química Analítica

Calibración Comparación de
metodológica métodos de análisis

En Química Analítica
las curvas de
calibrado suelen ser
rectilíneas

Modelos de Regresión lineal simple

regresión lineal
Regresión ponderada
univariante
 REGRESIÓN LINEAL SIMPLE
y=a+bx
ordenada pendiente
en el origen

Coordenadas del centro de gravedad (centroide): x, y

Coeficiente de determinación (R2): Expresa el porcentaje de variación total de
los datos explicados por el modelo.

R2 = SSreg/SStotal R2 = r2 (solo para modelos lineales)

)  ni  yˆi  y
2
SS(regresion El método más frecuentemente
i utilizado para estimar la ordenada

SS(total)   yij  y

2 en el origen “a” y la pendiente “b”
de un modelo de regresión es el
método de los mínimos cuadrados
i j
SS = varianza
 Análisis de residuos
Los residuos (o residuales) son las desviaciones entre los puntos
experimentales y la línea teórica establecida por el modelo matemático utilizado.

 i  y i  yˆ i Predicción de “y”

Se acepta que estos residuos presentan una varianza como consecuencia de

los errores aleatorios (sy/x2) que presentan una distribución normal.

Residuos Residuos
homocedásticos heterocedásticos
La varianza sy/x2 es La varianza sy/x2 es
independiente de la dependiente de la
variable X variable X

MODELO DE REGRESIÓN MODELO DE REGRESIÓN

LINEAL SIMPLE PONDERADA
Análisis gráfico de los residuos Cuando el yexp = ypredicho  ε = 0
residuos

Linealidad y
Homocedasticidad
(Ʃε = 0)

Linealidad y
Heterocedasticidad
(Ʃε = 0)

No linealidad y
Homocedasticidad
(Ʃε ≠ 0)

No linealidad y
Heterocedasticidad
(Ʃε ≠ 0)
 Método de mínimos cuadrados
Calcula la mejor recta que pasa por los puntos de una gráfica

Recta que minimiza las desviaciones en la dirección “y” entre los

puntos experimentales y los calculados por el modelo
(minimiza los residuos)

 i  mínimo

i
2

- Los errores aleatorios son despreciables en “x” y

predominantes en “y”.
- La relación entre “x” e “y” es lineal en el intervalo
Condiciones de considerado.
validez del modelo - Los residuos son homocedásticos (varianza
independiente de “x”).
- La distribución de los residuos es normal y su media es
cero.
 Pendiente de la recta de mínimos cuadrados:

 (( x  x)( y  y))
i i
b i

 ( x  x) i
i
2

 Ordenada en el origen de la recta de mínimos cuadrados: a  y b x

 Errores aleatorios en la dirección “y” (error de la recta)

 i i
( y  y
ˆ ) 2 Cuadrado de los residuos

sy / x  i
Grados de libertad: Se
n2 necesitan dos puntos para
 Desviación estándar (error) de la pendiente: definir una recta
sy / x
sb 
 ( x  x)
i
i
2

 Desviación estándar (error) de la ordenada en el origen:

x 2
i
sa  s y / x i
n ( x  x) i
2

i
 Intervalos de confianza de la pendiente y la ordenada en el origen

Pendiente: b ± t(n-2) sb

Ordenada en el origen: a ± t(n-2) sa

CALIBRACIÓN INSTRUMENTAL Y METODOLÓGICA
El objetivo de la calibración es evaluar la capacidad de medida de los
instrumentos con el objetivo de garantizar la comparabilidad de los
resultados con los obtenidos por otros laboratorios.

CALIBRACIÓN INSTRUMENTAL CALIBRACIÓN METODOLÓGICA

Evalúa el correcto Caracteriza la respuesta analítica de un
funcionamiento de un instrumento de acuerdo a las
instrumento propiedades de un/os analito/s

La respuesta del instrumento es distinta

de la magnitud del patrón pero existe
una correlación entre ellas

Ejem.: Calibración de un pH-metro

Ejem.: Curva de calibración
señal-concentración
Calibración metodológica

Señal analítica = f (concentración o cantidad de muestra)

 Calibración externa o calibración por el método del

patrón externo (curva de calibrado)  rápido y sencillo.

 Calibración interna o calibración por el método de las

adiciones patrón  elimina las interferencias de la matriz.

 Patrón interno  se aplica cuando se dan pérdidas

inevitables de analito.
CALIBRACIÓN POR EL MÉTODO DEL PATRÓN EXTERNO:
ERROR EN LA PREDICCIÓN
Procedimiento
Determinar la
Medir los patrones de Establecer la concentración de analito
calibración en el gráfica de en el material de ensayo
instrumento analítico calibrado por interpolación

Aspectos a tener en cuenta:

 La curva de calibrado se traza con la

respuesta del instrumento en el eje
vertical (y) y la concentración del patrón
sobre el eje horizontal (x). Por convenio
se supone que los errores residen en
los valores de “y”.

 La preparación de los patrones por

pesada es más exacto que mediante la
medida de un volumen y una pesada.
 Es importante incluir un blanco que deberá contener los mismos
disolventes, reactivos, etc. que el resto de patrones y muestras y estará
sujeto al mismo procedimiento analítico.

 Es importante comenzar representando los puntos y definir los

dominios lineales. Los patrones de calibración deben cubrir todo el
intervalo de concentraciones que se empleen en el análisis.

 La concentración de analito se determina por interpolación.

 Se supone que cuando se hacen varias medidas de un patrón estas

medidas tienen una distribución de errores normal.

 La magnitud de errores en los valores de “y” es independiente de la

concentración de analito (residuos homocedásticos).

REGRESIÓN LINEAL SIMPLE

 Pendiente de la recta de mínimos cuadrados
 Ordenada en el origen de la recta de mínimos cuadrados

 Errores aleatorios en la dirección “y” (error de la recta)

 Desviación estándar (error) de la pendiente

 Desviación estándar (error) de la ordenada en el origen
 Cálculo del error que acompaña a la medida por interpolación

sy/ x 1 1 ( yo  y ) 2
s xo    2
b m n b  ( xi  x) 2
i
Número de puntos
Número de veces que se mide de calibrado
la muestra

 Intervalos de confianza para la concentración de la muestra

Calcular la pendiente y ordenada en el origen junto con sus desviaciones
estándar y los límites de confianza de la recta e regresión para los datos
expuestos en el ejemplo de la fluoresceína.

𝒊
1,52
5,38
9,24
13,1
17,0
20,8
24,7

 (( x  x)( y  y)) 216.2

i i
b i
  1.93 a  y  b x  13.1  (1.93 x 6)  1.52
 ( x  x)
i
i
2
112

y = 1.93 X + 1.52
  i i
( y  ˆ
y ) 2

sy / x  i
 0.9368 / 5  0.4329
n2
sy / x
0.4329
sb    0.0409
 ( xi  x)
i
2 112

 i
x 2

sa  s y / x i
 0.4329 364  0.2950
n ( xi  x) 2 7 x112
i

Límites de confianza:

Pendiente: b ± t(n-2) sb = 1.93 ± t5 x 0.0409 = 1.93 ± 0.10

O. o.: a ± t(n-2) sa = 1.52 ± t5 x 0.2950 = 1.52 ± 0.56

t5 (95%) = 2.57
 Determinar los valores de xo y sxo y los límites de confianza de xo para
disoluciones problema que contienen fluoresceína y cuya intensidad de
fluorescencia es 2.9, 13.5 y 23 UA.

Señal (yo) Con. Calculada (pg/mL)

y = 1.93 X + 1.52 2.9 0.72
13.5 6.21
23 11.3

0.26
sy / x 1 1 ( y  y) 2
0.4329 1 ( yo  13.1) 2
s xo    2 o  1   
b m n b  ( xi  x) 2
1.93 2
7 1.93 x112 0.24
i
0.26
0.72 ± 0.68 pg/mL

Xo ± t5 sxo = Xo ± 2.57 sxo = 6.21 ± 0.62 pg/mL Centroide: (6 , 13.1)

11.3 ± 0.68 pg/mL

Consideraciones con fines a reducir el error asociado a una medida

sy / x 1 1 ( yo  y ) 2
s xo    2
b m n b  ( xi  x) 2
i

El medir muchas veces la señal (yo) de una muestra (aumentar “m”) no

mejora apreciablemente el error asociado a esta.

Si m = 1
Si m = 4
6.21 ± 0.22
6.21 ± 0.14 
Si m = 8 6.21 ± 0.11 
El efecto del aumento del número de puntos de calibrado sobre los
límites de confianza en la determinación de la concentración es mínimo

Normalmente seis puntos de calibrado son suficientes en estos experimentos

Cuando “yo” se aproxima al valor medio de “y”, el tercer término se

aproxima a “0” y el error asociado a la medida (sx) será mínimo
 Forma general de los límites de
confianza para una
concentración calculada

Un experimento de calibración proporcionará los resultados más precisos

cuando la señal en el instrumento corresponda a un punto próximo al centro
de gravedad (centroide) de la recta de regresión
 Límites de detección

El límite de detección es la mínima concentración de analito que proporciona una

señal, yLOD , que es significativamente distinta de la media de las señales del
blanco, yB.

Región de ausencia Región de presencia

de analito de analito
(Acepta H0) (Rechaza H0)

Los blancos pueden dar z = 3 para un nivel de

concentraciones de analito significación de  = 0.0013
distintas a cero

Distribución de
probabilidad del blanco
+ 3 B

yB yLOD

IUPAC (1987): “ Criterio 3B ” LDD = 3 σB = 3 SB

 yLOD

Error α = 0.13%  FALSOS POSITIVOS

¡¡ Error β = 50%  FALSOS NEGATIVOS !!

El criterio de la IUPAC (1987) se preocupa de minimizar los falsos
positivos, pero los falsos negativos son muy elevados  CRITERIO
INADECUADO
 Distribución de
probabilidad del Distribución de
blanco probabilidad [LOD]

yLOD

LÍMITE DE DECISIÓN (LC) LÍMITE DE DETECCIÓN (LOD)

Límite a partir del que se toma la Habiendo aceptado la presencia de

decisión de aceptar la presencia de analito, este límite se encuentra
analito con una probabilidad de suficientemente alejado de LC como
falso positivo muy pequeña (5 %) para que error β sea muy pequeño (5%)
IUPAC (1997)

Distribución de
probabilidad del Distribución de
blanco probabilidad [LOD]

Falso Negativo Falso Positivo

5% 5%

+ 1,645 B + 1,645 LD

YLD = YB + 1,645 σB + 1,645 σLD ≈ YB + 3,29 B

* Para que α = 0,05, el nivel de certeza (z) debe ser 1,645

 y LOD  y B  3.29 s B

y LOQ  y B  10 s B

Interpolar en la recta
y LOD  a  3.29 s y x (y = a + b x)
y LOD  a  3.29 s a

y LOQ  a  10 s y x

y LOQ  a  10 s a

LOD: concentración o cantidad de analito derivada de la medida más pequeña

(YLOD) que puede detectarse con una certeza razonable mediante un
procedimiento analítico.
LOQ: concentración o cantidad de analito derivada de la medida más pequeña
(YLOQ) que puede cuantificarse con una precisión y exactitud razonable
mediante un procedimiento analítico.
 Estimación del límite de detección

En la determinación de Se en plantas por espectroscopia de emisión atómica

con ICP se ha medido la señal correspondiente a 15 disoluciones blanco y sus
señales han sido las indicadas en la tabla. Asimismo, se ha preparado una recta
de calibrado cuyos parámetros se dan también a continuación. Calcula el límite
de detección:

o.o. (a): 170.0

Sa : 3.5
Pendiente (b): 23.5 (mL/ng)
Sb: 1.70
Sy/x: 3.36

YLOD =Ymdblanco + 3.29 Sblanco = 170.4 + 3 .29 x 7.67 = 195.63

CLOD = (195.63 – 170.0) / 23.5 = 1.09 ng/mL

YLOD = a + 3.29 Sa = 170.0 + 3 .29 x 3.5 = 181.52

CLOD = (181.52 – 170.0) / 23.5 = 0.49 ng/mL
 ¿Tiene sentido decir que la mínima cantidad de Se que puede
detectarse en plantas es 1,09 o 0,49 ng/mL ?

“ Supongamos que se han pesado 0,2 g de planta, que se han tratado y

disuelto en un volumen de 25 mL y que se han tomado 5 mL de estos y
diluido hasta 10 mL siendo esta la disolución que se ha medido “

1.09 ng/mL x 10 mL = 10.9 ng x 25/5 = 54.5 ng

54.5 ng / 0.2 g = 272.5 ng/g

0.49 ng/mL x 10 mL = 4.9 ng x 25/5 = 24.5 ng

24.5 ng / 0.2 g = 122.5 ng/g
CALIBRACIÓN POR EL MÉTODO DE ADICIONES PATRÓN:
ERROR EN LA PREDICCIÓN

Se aplica cuando existe un efecto de la matriz que no se puede corregir

como consecuencia de la interacción del analito con el entorno
químico-físico en el que se encuentra  se produce una disminución o
aumento de la respuesta instrumental afectando a su sensibilidad

La concentración del analito determinada en una muestra mediante

la interpolación de la señal correspondiente en una recta de
calibrado está sujeta a errores sistemáticos

Con fines a evitar tal error sistemático, las disoluciones de calibración

deben contener, además del patrón del analito, la misma matriz que la
muestra
Procedimiento

Se preparan patrones de
calibración que contengan,
además del patrón de analito
(P), una cantidad conocida e
idéntica de muestra (M).

Establecer la
gráfica de
calibrado

Determinar la
concentración de analito
en el material de ensayo
por extrapolación
Detección de interferencias de matriz
Existe efecto de matriz cuando la pendiente de la recta de adiciones
patrón difiere de la pendiente de la recta de calibración externa

Si la pendiente de la recta de calibración

por el método del patrón externo = a la
pendiente de la recta de adiciones patrón

No hay efectos de matriz

Si la pendiente de la recta de calibración

por el método del patrón externo es < que
la pendiente de la recta de adiciones patrón
Sí hay efectos de matriz

Si la pendiente de la recta de calibración

por el método del patrón externa es > que
la pendiente de la recta de adiciones patrón

Sí hay efectos de matriz

La recta de regresión

El modelo de calibración es el mismo que en el método de calibración

externa, sin embargo, la predicción de la concentración se realiza por
extrapolación.
 Pendiente de la recta de mínimos cuadrados
 Ordenada en el origen de la recta de mínimos cuadrados

 Errores aleatorios en la dirección “y” (error de la recta)

 Desviación estándar (error) de la pendiente

 Desviación estándar (error) de la ordenada en el origen
 Cálculo del error que acompaña a la medida por extrapolación

2
sy / x 1 y
s xE   2
b n b  ( xi  x) 2
i

 Intervalos de confianza para la concentración de la muestra

XE ± t(n-2) sxE
Consideraciones a tener en cuenta con fines a reducir el error asociado
a una medida
2
sy / x 1 y
s xE   2
b n b  ( xi  x) 2
i

Al aumentar el número de puntos del calibrado, mejorará la

precisión, pero la mejora es despreciable cuando n > 4

Cuando la cantidad de analito en la muestra es igual a la cantidad de

analito correspondiente al centroide de la recta de regresión (x = xE ) el
error asociado a medida (sxE) será mínimo
 Diseño ideal de un
(y ;x ) calibrado por el método
de adiciones patrón
x = xE

( xE ) (x )

x >>>> xE x <<<< xE
Diseños incorrectos
de calibrado por el
método de adiciones
patrón
( xE ) (x ) ( xE ) (x )

Intervalo de concentraciones Intervalo de concentraciones

demasiado grande demasiado pequeño
 Limitaciones del método de adiciones patrón

 NO GARANTIZA que el error sistemático por efecto matriz

se elimine por completo.

 NO es capaz de descubrir ni corregir interferencias que no sean de

la matriz.

 Su error es mayor que el obtenido cuando se utiliza el método de

calibración de patrón externo.

 El método sólo se puede aplicar si existe linealidad.

 Exige mucho trabajo experimental ya que cada muestra requiere

su propia calibración.

 Implica un mayor gasto de muestra.

CALIBRACIÓN POR EL MÉTODO DEL PATRÓN INTERNO:
ERROR EN LA PREDICCIÓN
Se aplica cuando se producen pérdidas incontroladas de analito
debidas a variaciones en la inyección, en los parámetros
instrumentales o en el proceso de tratamiento de la muestra

Aparecen errores sistemáticos en la medida del analito de la muestra

Con fines a evitar el error sistemático, se realizará una calibración en

la que todas las disoluciones contengan, además del analito, un
patrón de un compuesto similar al analito (PATRÓN INTERNO).

Se compensan los efectos que tienen los factores no

controlados en la medida de la muestra con los que se dan
en la medida del patrón interno, obteniendo resultados con
una elevada exactitud y precisión
Procedimiento

Se añaden tanto a las muestras como

a los patrones una misma cantidad
conocida de un patrón interno (PI)

El PI puede ser un análogo

químico o un isótopo estable
(dilución isotópica)

Se establece la recta de calibrado

que relaciona el cociente de las
Canalito
señales del analito en la muestra y el
patrón interno (Yanalito/YPI) con la
concentración de analito
La recta de regresión

El cálculo de los parámetros del modelo de calibración y la estimación

del error en la interpolación se hace de la misma forma que en el caso
del método de calibración externa.
Patrón interno: análogos químicos

 Condiciones que debe cumplir un análogo químico para ser utilizado

como patrón interno:
1. Ser compatible (soluble y estable) con las muestras y patrones.
2. No debe estar presente en las muestras a analizar.
3. Tener características químico-físicas similares a las del analito.
4. Tener una respuesta similar pero distinguible de la del analito.
(p. ejem., tener un tiempo de retención en la separación
cromatográfica similar al analito pero resuelto adecuadamente)
mAU
2000

1750
Analito
1500

1250 Patrón interno

1000

750

500

250

0
1.4 1.5 1.6 1.7 1.8
Patrón interno: dilución isotópica

 El patrón interno adicionado es un compuesto idéntico al analito que

se quiere determinar pero marcado con isótopos no radiactivos: 13C, 2H,
15N.

 El analito coeluye con el patrón interno pero se diferencia en su

masa (medidas por espectrometría de masas) por lo que es posible
diferenciar la señal del analito de la del patrón interno.

mAU
2000

1750 Analito
1500

1250

1000

750 Patrón interno

500

250

0
1.4 1.5 1.6 1.7 1.8 1.9 min
YAnalito 2e8 4
YIsotopo
1.6e8

3
1.2e8
2
8e7

4e7
1
}P
0 2 4

ConcAnalito

Factor de Pureza (P)  pureza isotópica del patrón interno

 Limitaciones del método del patrón interno

 SÓLO ES APLICABLE EN SISTEMAS DE ANÁLISIS SIMULTÁNEO.

 ÚTIL cuando se esperan pérdidas incontroladas en la cantidad

analizada antes o durante su medida.

 El patrón interno debe ser elegido adecuadamente.

 Las concentraciones del analito en las disoluciones de calibración

deben cubrir el intervalo de concentraciones de interés.

 La señal del patrón interno debe estar centrada en el intervalo de

señales del analito.

 El patrón interno debe añadirse en la primeras etapas del proceso

analítico.
VALIDACIÓN DEL MODELO LINEAL: ANOVA DE LA
REGRESIÓN

El Análisis de la Varianza permite obtener la mejor curva que se ajusta

a los datos partiendo de la hipótesis de que los errores ocurren sólo en
la dirección “y”.

Procedimiento:

- Para aplicar un test de análisis de la varianza es necesario preparar “n”

disoluciones de cada patrón de concentración “xi”.

- Cada patrón mostrará una distribución que se entiende que es normal.

 Concn.
disoluciones patrón Señales obtenidas

X1 Y11 Y12 Y13 ……… Y1n

X2 Y21 Y22 Y23 ……… Y2n

X3 Y31 Y32 Y33 ……… Y3n

………….
….
Xh Yh1 Yh2 Yh3 ……… Yhn

C
 FUENTES DE VARIACIÓN EN LA DIRECCIÓN “Y”

Error experimental aleatorio en los

Variación debida a
valores “y” (variación sobre la regresión o
la regresión
variación residual)

i
( ˆ
y  y ) 2

 i i
( y  ˆ
y ) 2

i
SSreg SSr
Variación Variación no
explicada explicada

Una línea que ajuste los puntos experimentales de forma adecuada

mostrará una variación debida a la regresión grande y una variación
residual lo más pequeña posible
SS: suma de cuadrados
VARIACIÓN TOTAL = VARIACIÓN DE RESIDUOS + VARIACIÓN DE REGRESIÓN

SSTOTAL = SSRESIDUAL + SSREGRESIÓN

y  y   yij  yˆi   ni  yˆi  y

2 2 2
ij
i j i j i

  y  yi    n i  y i  yˆ i 
2 2
ij
i j i

SSPE + SSLOF = SSRESIDUAL

Variación dentro de cada grupo de Variación debida a la falta de
“n” replicas de una concentración. ajuste. Diferencia entre el Y
Variación asociada al error puro (experimental) y el valor predicho
 centroide

S y total

SSREG
ŷ i

SST
y SSLOF

SSRES
i

y ij SSPE

ŷi
Ci C
 H0= el modelo es lineal = no hay diferencia significativa
entre el modelo lineal y el experimental

SS LOF
Varianza LOF h  2  CM LOF
Fcal  
Varianza PE SS PE CM PE
 ni  h
Se acepta Ho
Fcalculada < Ftabulada (una cola) El modelo es lineal

La comparación se lleva a cabo para “h-2” y “n-h” grados de libertad (“h”

es el número de patrones de calibración diferentes (concentraciones) y
“n” es el número de observaciones para cada patrón).
La fluorescencia de un conjunto de disoluciones ácidas de quinina fue
determinada cinco veces utilizando seis disoluciones patrón con
concentración conocida de quinina y un blanco.

C 0 10 20 30 40 50 60
IF 4 24 45 60 83 101 108
3 22 46 63 81 102 110
4 23 46 60 83 100 109
5 23 43 62 81 102 108
4 24 42 63 85 103 110
I̅F 4 23.2 44.4 61.6 82.6 101.6 108.0
 Resolución del ejemplo con Statgraphics
(relacionar → un factor → regresión simple (meter los datos en dos filas))

En el gráfico se observa
que el último punto hay
que despreciarlo
 Error Estadístico
Parámetro Estimación estándar T P-Valor
-----------------------------------------------------------------------------
Ordenada 4.08571 0.469907 8.69473 0.0000
Pendiente 1.95257 0.0155205 125.806 0.0000
-----------------------------------------------------------------------------
Coeficiente de Correlación = 0.999117
R-cuadrado = 99.8234 porcentaje
Error estándar de est. = 1.45181
 C 0 10 20 30 40 50 60
Grados de libertad:
IF 4 24 45 60 83 101 108
3 22 46 63 81 102 110
4 23 46 60 83 100 109 h–2=6-2=4
5 23 43 62 81 102 108
4 24 42 63 85 103 110
∑ni –h = 30 – 6 = 24
I̅F 4 23.2 44.4 61.6 82.6 101.6 108.0
y^ 4.08 23.6 43.1 62.7 82.2 101.7 - Y = 4.08 + 1.95 X

SS LOF   ni  yi  yˆ i 
2
= 5 (4 - 4.08)2 + 5 (23.2 - 23.6)2 + 5 (44.4 – 43.1)2 + 5 (61.6
i – 62.7)2 + 5 (82.6 – 82.2)2 + 5 (101.6 – 101.7)2 = 15.42

  y  y i  = (4-4)2 + (3-4)2 + (4-4)2 + (5-4)2 + (4-4)2 + (24-23.2)2

2
SS PE  ij
i j +…….+ (102-101.6)2 + (103-101.6)2 = 43.6

Ftab (α = 0.05, h-2, n-h, una cola) = 2.8

SS LOF 15.42
Fcal  h  2  4  2.12
SS PE 43.6 SE ACEPTA Ho
Fcal < Ftab
 ni  h 24 EL MODELO ES LINEAL
Análisis de Varianza con Falta de ajuste
--------------------------------------------------------------------------------
Fuente Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor
--------------------------------------------------------------------------------
Modelo 33359.7 1 33359.7 15827.12 0.0000
Residuo 59.0171 28 2.10776
--------------------------------------------------------------------------------
Falta de ajuste 15.4171 4 3.85429 2.12 0.1093
Error puro 43.6 24 1.81667
--------------------------------------------------------------------------------
Total (Corr.) 33418.7 29

p-valor > α SE ACEPTA LA Ho

El modelo matemático
establecido es válido
LA REGRESIÓN LINEAL SIMPLE EN LA COMPARACIÓN DE
MÉTODOS DE ANÁLISIS
La utilización de la regresión lineal para comparar métodos de análisis
permite identificar errores sistemáticos.

Comparación de dos
métodos de análisis

Contraste “t” para Contraste “t” para Regresión lineal

comparar dos medias comparar datos
experimentales pareados

El intervalo de
Las determinaciones se dan en un concentraciones es
intervalo de concentraciones limitado más amplio
 Se asigna a cada método un eje y se representa la concentración de
cada muestra obtenida por un método frente a la concentración de la
misma muestra obtenida por el otro método
Método menos preciso

- Representar el método más preciso en el eje

“x” y el menos preciso en el eje “y”.

- Es necesario un número de muestras (al

menos 10) que cubra de forma razonable el
intervalo de concentraciones de interés.

Método más preciso

Si la muestra conduce a un resultado idéntico por ambos métodos, la

recta de regresión tendrá un valor de la ordenada en el origen de
“cero” y una pendiente y un coeficiente de correlación de “uno”

MÉTODO 1: UTILIZAR INTERVALOS DE CONFIANZA

MÉTODO 2: APLICAR TEST-T
MÉTODO 1: UTILIZAR INTERVALOS DE CONFIANZA

Para contrastar si una ordenada en el

origen es significativamente diferente de
“0” y una pendiente es significativamente
diferente de “1”, se determinan los límites
de confianza al 95% de nivel de a≠0
a=0
significación para la pendiente y la b=1
b=1
ordenada en el origen

Pendiente: b ± t(n-2) sb
Ordenada en el origen: a ± t(n-2) sa a≠0
a=0
b≠ 1 b≠ 1

No existirán diferencias significativas entre los resultados obtenidos

por los dos métodos si los valores ideales para la ordenada en el origen
(“0”) y para la pendiente (“1”) están incluidos en sus respectivos
intervalos de confianza
Se determinó el nivel de ácido fítico en 20 muestras de orina mediante un
método catalítico fluorimétrico (CF) y los resultados se compararon con los
obtenidos utilizando una técnica extracto-fotométrica (EF) establecida. Se
obtuvieron los siguientes datos (Todos los resultados en mg/L, son medidas de
medias triplicadas)

Y = -0.0456 + 0.9879 X
Sa = 0.0426
Sb=0.0190

(-0.135 a 0.438)
a ± t(n-2) sa = -0.0456 ± 2.10 x 0.0426 = -0.0456 ± 0.0894
b ± t(n-2) sb = 0.9879 ± 2.10 x 0.0190 = 0.9879 ± 0.0399 (1.028 a 0.948)

Como los intervalos de confianza tanto de la ordenada como de la pendiente

incluyen, respectivamente, los valores ideales de “0” y “1”, se puede decir que
no existen diferencias significativas entre los métodos comparados
MÉTODO 2: APLICAR TEST-T
 Resolución del ejemplo con Statgraphics
(relacionar → un factor → modelos de calibración)
Error
Parámetro Estimado Estándar Límite Inferior Límite Superior
---------------------------------------------------------------------------------
CONSTANTE -0.0497128 0.042914 -0.139872 0.0404464
PENDIENTE 0.992415 0.0192045 0.952068 1.03276
---------------------------------------------------------------------------------

Contraste de Hipótesis
----------------------

Hipótesis nula: punto de corte = 0.0

Hipótesis alternativa: punto de corte no igual 0.0
Estadístico t calculado = -1.15843
P-valor = 0.261829
No rechazar la hipótesis nula para alfa = 0.05.

Hipótesis nula: pendiente = 1.0

Hipótesis alternativa: pendiente no igual 1.0
Estadístico t calculado = -0.394952
P-valor = 0.69752
No rechazar la hipótesis nula para alfa = 0.05.