Publicación de Lucas Venturi

¿calibración? ¿de equipos? ¿de métodos? 😱 Repasos y ejemplos del tema dónde se mezcla la física, la química, la matemática y la estadística dentro del laboratorio de análisis. - PARTE 1- Hoy, el pHmetro, un ejemplo para todos ;) Lamento si aún te toca medir con la tirita 😓 Cada vez que hacemos un análisis físico químico donde la variable que mide el equipo (Y) es indirecta y proporcional a lo que queremos determinar (X), estaremos usando una calibración lineal. ¿Qué significa eso? Le daremos al equipo uno o varios valores de referencia confiable (preferentemente je) de nuestra X, el equipo medirá la magnitud física que "sabe" medir (Y), con cálculos estadísticos estimará una ÚNICA recta (¿la mejor?) y nos dará una ley/ecuación que vincula a ambas magnitudes (función lineal de grado 1; Y= a.X + b) Luego, usaremos dicha ecuación para averiguar X de una muestra incógnita a la cuál la pudimos procesar en el equipo, obtener su Y y realizar los cálculos despejando nuestra X de la pendiente y ordenada al origen. No siempre la relación es de grado 1, eso dependerá de la física. A veces puede ser de grado 2, otras veces logarítmica y transformarse en algo lineal, como lo hace un pHmetro ¿Usaste un pHmetro alguna vez, no 😁? El phmetro es un potenciómetro, mide diferencia de potencial ΔV entre electrodos. Según la ecuación de Nerst, la diferencia de potencial es proporcional al ln[H], que vendría a ser como el -pH. Es decir, el phmetro UTILIZA CURVA DE CALIBRACIÓN que relaciona pH (variable X) y ΔV (variable Y). Claro, quién no calibró un phmetro en su carrera de analista de laboratorio. Como verás en la imagen, la recta es decreciente. No estamos acostumbrados a ver ese tipo de recta cuando calibramos, pero como te expliqué, tiene que ver con leyes de la físico química. Con los buffers le damos valores de referencia (Ejemplo: pH 4 - 7 y 10), el equipo mide diferencia ΔV, traza la curva de calibración (es probable que no te enteres) y ya está listo para trabajar (con la curva guardada en la memoria hasta que se sobrescriba). ¿Por qué es importante la temperatura en la medición de pH? Pues ni más ni menos que es parte de la estimación de la pendiente. Si calibramos a una temperatura y luego medimos a otra, bueno, no tendrá mucho sentido. Por suerte los equipos traen la compensación automática. Las calibraciones también pueden ser puntual (por ejemplo si calibras el pHmetro sólo en pH 7). Lo que hace el equipo es directamente aplicar una regla de 3. Es más simple pero mucho más peligroso. Si la medición del valor de referencia tuvo un desvío, tu resultado será poco confiable (no te vas a enterar). En los próximos días voy a continuar este hilo para charlar sobre los métodos más comunes de calibración, como ser estándar interno, externo o agregado de patrón. En cada curso de re-dox donde se apliquen curvas de calibraciones, como las cromatografías o las espectrofotometrías, tendrás este tema bien desarrollado. Hasta la próxima

SIIIII, llevo bastante tiempo mencionando la incertidumbre no solo de la pureza de los calibradores, sino también del error humano en la realización de estándares. Lo peor es que hay personas que niegan esta parte estadística y solamente se enfrascan en la detección del error total y relativo de la respuesta instrumental. El error puede ser mínimo, pero en la interpolación solamente se toman en cuenta los valores del eje Y como dice el post. En mi tesis se procuró realizar el ajuste de los valores en X realizando la misma medición con distintos estándares preparados en momentos diferentes, de esa forma se puede observar más el error humano y el del calibrador madre (en segundo plano).

Interesante Información la cual puede aplicarse a todas las ciencias!

Todo lo que necesitas saber sobre Calibraciones - POST Nº3- ¿cuántos puntos le doy a la curva de calibración? En los comentarios del Post 1 salió el tema de calibrar el phmetro en un sólo punto. Veamos los pro y los contra de esta situación vs la de calibrar en más puntos. Primero pensemos un poco en álgebra y algunas consideraciones de las rectas en el plano. Ya dijimos que la recta en el plano tiene ecuación Y=aX + b. La pendiente se define como el cociente entre el ΔY/ΔX entre 2 puntos... Si yo tengo un único punto (x0; y0) hay INFINITAS RECTAS QUE PASARÍAN POR ÉL. Ahora, si yo defino otro punto (x1;y1), hay UNA única recta que pasa por ambos. Entonces, ¿podría calibrar en un punto único? bueno, poder se puede.. el cálculo implicaría sumar el origen (0;0) y sabemos que esta suposición es fisica/químicamente incorrecta. Sería lo ideal, sí. Pero hay interferencias/ruido que haría esto imposible. entonces: ¿cuál es la ventaja? Simple: ahorro de tiempo y dinero. el cálculo se reduce a una regla de 3 simple. ¿las contras? una suposición que puede llevar a resultados no confiables. Cuando armamos nuestra curva, entonces, pondremos soluciones de referencia con valores MUY cerca de 0 (X) (lo más posible según el límite de cuantificación del método) y esperaremos que el valor de Y sea muy cercano a 0. Es más, esto es un criterio de aceptación que suele colocarse en validaciones de métodos para garantizar la linealidad: El intervalo de confianza para la estimación de la ordenada al origen debe contener al 0. para cerrar el post, los voy a meter ya en el próximo tema, planteando esta duda.. Cuando calibramos en varios niveles, incluso hacemos varios replicados de análisis. Es decir, tendremos por ejemplo para un triplicado. (Xa,Ya) (XaYb) (XaYc). ¿Cuántas rectas entonces puedo formar con esas series de datos? La respuesta en el Post Nº4 No se olviden de seguir a re-dox y comprar todos los cursos 🙉 #validacion #curva #calibracion #metodo #analitico #cuantificacion

El saber de la ciencia Capsula 26 Validación Continuamos con las cápsulas, en esta ocasión veremos cómo hacer un análisis de reducción de dimensiones o bien la validación de un instrumento de acuerdo a la prueba de kaiser meyer olkin mejor conocida como KMO. Le vamos a dar en la opción analizar en nuestra base de datos, luego le vamos a dar en la opción reducción de dimensiones donde dice factor seleccionamos y aquí en este caso tenemos un instrumento de 12 preguntas vamos a seleccionar las 12 preguntas y las pasamos al apartado de variables, posteriormente seleccionamos la opción de: descriptivos y vamos a seleccionar la prueba de KMO y prueba de esfericidad de bartlett y en este caso vamos a seleccionar también la matriz anti imagen le damos continuar posteriormente vamos a darle la opción extracción donde aquí le vamos a dejar así como viene matriz de correlaciones análisis del método, el método tiene que decir componentes principales y le damos la opción continuar, en rotación le vamos a dar a la opción vari max posteriormente seleccionamos solución rotada y le damos continuar y en opciones le vamos a dar ordenar por tamaño posteriormente que hacemos todo este procedimiento le damos aceptar y con esto nos va a aparecer en la parte de resultados la prueba de KMO y de barlet donde la adecuación muestral de este instrumento en este caso es de .878, aquí es importante que la adecuación muestral este arriba del 8, la adecuación muestral significa que el instrumento sí se puede proceder para que se continúe con el análisis de la validación, la matriz anti imagen nos sirve para identificar en la correlación ante todas las variables tengan una buena correlación en caso de no tenerla se recomienda eliminar la pregunta para mejorar el instrumento que nosotros estamos diseñando; posteriormente nos aparece la tabla de comunidades donde aparecen las 12 preguntas; después la varianza total es explicada en esta varianza total explicada nos muestra que todo el instrumento esas 12 preguntas se tienen que evaluar únicamente en 2 variables es decir en 2 dimensiones y la teoría nos dice que tiene que ser en 5 principios pero ya con este análisis estamos viendo que únicamente se tienen que evaluar con 2 dimensiones; aquí nos aparece la matriz de componente o componente número 1, componente número 2 aparece su correlación y si nos vamos un poquito más para abajo, aquí ya aparece el orden en la matriz de componentes rotado, nosotros podemos observar que de la pregunta que corresponde a la primera variable viene siendo la pregunta número 3 posteriormente las 5 posteriormente la número 2 después de la número 2 la número 3 posteriormente la número 4, después la 8 y la 10 en este caso que vienen siendo las de mayor correlación y el resto de las preguntas podemos observar que la correlación se inclina en el segundo componente y aquí con esto nosotros estamos terminando de hacer una reducción de dimensiones en cuanto a nuestros instrumento de medición según sea el caso.

🔎 Incertidumbre de la calibración para no matemáticos -Blog Beamex 🎯 No está diseñado para matemáticos ni expertos en #metrología, sino para ti: el profesional que cada día enfrenta el desafío de realizar #mediciones y #calibraciones en entornos industriales. ¿Qué encontrarás en el artículo? 🔹 Terminología 🔹 Medición individual vs desviación estándar 🔹 El patrón de referencia y su trazabilidad 🔹 Otras fuentes de incertidumbre 🔹 Incertidumbre combinada 🔹 Factor de cobertura/nivel de confianza 🔹 Incertidumbre expandida 🔹 Declaración de conformidad 🔹 Un ejemplo real 🔹 Relación TUR/TAR ¡Descarga el artículo en la liga [https://lnkd.in/dS3rfvhB] o contáctanos! Blog: https://lnkd.in/d_dJhKY

Blancos para la validación de métodos, 🧑🏽🔬👩🔬 🔎Los blancos son una herramienta de validación fundamental, ya que se utilizan en la determinación de la mayoría de las características de desempeño. También suelen incluirse en cada ejecución analítica durante el uso rutinario del método de ensayo. ✍🏻 Hay diferentes tipos de blancos y aunque no todos son necesarios para cada validación, la imagen compartida en este post ⬇️ permite visualizar la clasificación junto con sus posibles usos en estos procesos. Comento algunos datos adicionales: 👨🏻💻 ✅ Blanco de calibración: es un estándar de calibración que no contiene los analitos de interés en un nivel detectable. ✅ Blancos de preparación: se refiere a una muestra que no contiene la matriz, y que se somete a todo el procedimiento de análisis de la misma manera que una muestra de ensayo. A menudo es agua que se utiliza como blanco en lugar de la matriz de la muestra. ✅ Blanco de reactivo: es una mezcla de cualquier disolvente y/o reactivo que se presenta al detector instrumental para el análisis de una muestra de ensayo, o cuando se requiere una reacción con el analito en las muestras de ensayo antes del análisis. Este blanco no contiene la matriz. ✅ Blanco de disolvente: se prepara a partir del disolvente(s) contenido en la solución presentada al instrumento analítico. A menudo se utilizan en métodos cromatográficos para evaluar si existen algún arrastre de una muestra a la siguiente. ✅ Blanco de muestra: se trata esencialmente de matrices de muestra sin analito presente. Si tienes inquietud en saber más, atentos que seguiré informando 🙋🏻♂️📬 #chemquimica #capacitacion #webinar #blancos #usos #VDM #validacion #metodos #analitica

Aspectos a tener en cuenta a nivel de aseguramiento de calidad 👇🏻

🎯 ¿CUÁNTO ES SUFICIENTE? El tamaño de muestra ideal explicado fácil y rápido 🚀 Cuando diseñas un experimento, surge la GRAN PREGUNTA: ¿Cuántos sujetos o muestras necesito? 🤔 🔍 ¿Por qué calcular el tamaño de muestra? 📉 Demasiado pequeño: Podrías pasar por alto un efecto importante. Resultados poco confiables o "ruido". 💸 Demasiado grande: ¡Desperdicias recursos y esfuerzo! 🏆 El tamaño justo: Como en el cuento de Ricitos de oro, buscamos un tamaño “justo” para detectar efectos relevantes sin malgastar recursos. ✨ La RESPUESTA está en el CÁLCULO del tamaño de muestra. Objetivo: Tener suficientes muestras para detectar un efecto real sin exagerar con muestras innecesarias. 🔑 Factores clave en el cálculo del tamaño de muestra: 1️⃣ Tamaño del efecto (Effect Size): Es la magnitud del efecto que esperas bajo la hipótesis alternativa. Efectos grandes → Más fáciles de detectar → Necesitas menos muestras. Efectos pequeños → Más difíciles de detectar → Necesitas más muestras. 2️⃣ Potencia (Power): Es la probabilidad de detectar una diferencia real si existe. Fórmula: Potencia=1−𝛽, donde 𝛽 es la probabilidad de cometer un error tipo II (falso negativo). Configuración estándar: Potencia de 80% (0.80). 3️⃣ Nivel de significación (𝛼): Es la probabilidad de cometer un error tipo I (falso positivo). Configuración estándar: 𝛼=0.05 Con estos elementos, puedes calcular el tamaño de muestra para la mayoría de las pruebas estadísticas. 💡 Más sobre el tamaño del efecto (Effect Size). 🔍 Cómo estimarlo: A. Usa datos preliminares o ensayos previos para calcular directamente. B. Toma datos de estudios similares para obtener estimaciones. C. Si no tienes datos previos, haz una estimación razonable o usa categorías comunes: Pequeño, mediano y grande (según la prueba estadística). D. Utiliza el MCID, la diferencia mínima clínicamente importante. Ver https://buff.ly/3CQ0dSE 💻 Cálculo en R: 1️⃣ Selecciona la prueba adecuada. 2️⃣ Define los parámetros. 3️⃣ Calcula el tamaño del efecto manualmente (usa fórmulas específicas según la prueba). 🚫 ¿Y si el caso es más complejo? En casos como ensayos longitudinales, estudios de tiempo hasta el evento, etc., ¡las fórmulas simples no son suficientes! En esos casos, usa herramientas especializadas para análisis de potencia que permiten explorar múltiples escenarios y parámetros. Puedes utilizar simulaciones para un enfoque más flexible. 📌 Recuerda: Elegir el tamaño de muestra correcto es clave para garantizar resultados confiables sin desperdiciar recursos. 💪 🔥🔥🔥 Sample Size Justification 🔥🔥🔥 https://buff.ly/3Vbs5XA 🔥🔥🔥 Descarga estos ejemplos prácticos de cálculo de tamaño de muestra en R 🔥🔥🔥 https://buff.ly/4fLF8XV https://buff.ly/4i6QFmh 💬 ¡Deja tu experiencia en los comentarios! 👇 #Estadística #DataScience #TamañoDeMuestra #Rsoftware #RStats #stats #analytics #research #phd #thesis

La importancia de calcular el tamaño de muestra que te garantice un análisis estadístico significativo. También te puede valer para saber si tu análisis no es significativo porque necesitas una muestra mayor.