El Pánico ante la Hoja de Cálculo

Era martes por la tarde, y el ambiente en «El Laboratorio» estaba cargado, no por los vapores de los reactivos, sino por la tensión que emanaba de la sala de reuniones. En la pantalla proyectada brillaba una hoja de cálculo de Excel con más de mil celdas llenas de datos.

Daniela, la auxiliar, se frotaba las manos nerviosamente. Había pasado las últimas dos semanas corriendo el nuevo método para determinar Cobre en aguas residuales, un servicio que Sergio, el Director, ya había prometido a tres clientes importantes para «el próximo lunes».

—Entonces… —dijo Sergio, tamborileando los dedos sobre la mesa de caoba falsa—. ¿Sirve o no sirve el método? Necesito un «sí» o un «no», equipo. Los clientes no pagan por incertidumbres.

David, el Analista Senior, se recostó en su silla, cruzando los brazos con esa actitud de «yo ya hice mi parte» que a veces desesperaba a Andrea.

—Los datos están ahí, Sergio. Hice las 10 réplicas, inyecté el estándar certificado. El equipo leyó bien. No se tapó el nebulizador. Para mí, el método corre.

Andrea, la Jefe de Calidad, ajustó sus gafas y se inclinó hacia la pantalla, entrecerrando los ojos.

—David, que el equipo «lea bien» no significa que el método esté validado —dijo ella, con ese tono de paciencia infinita que había cultivado tras años de auditorías—. Veo un Coeficiente de Variación del 8% en el nivel bajo. ¿Eso es aceptable según nuestros criterios? Y… espera, ¿qué es este valor de aquí? ¿Un 15 mg/L cuando el estándar era de 10?

—Fue un error de pipeteo, seguramente. Lo borré mentalmente —se defendió David.

—No puedes «borrar mentalmente» un dato, David —intervino Daniela, sorprendiéndose a sí misma por su audacia. Todos la miraron. Ella tragó saliva y continuó—. Quiero decir… leí en el procedimiento que debemos aplicar un test de outliers. Si lo borramos solo porque se ve feo, estamos manipulando la validación, ¿no?

Sergio suspiró, mirando el reloj.

—Tests de outliers, coeficientes, varianzas… —masculló—. Suenan a excusas para no facturar. Andrea, ¿por qué complicamos tanto esto? Si el promedio da 10 y el estándar es 10, ¡estamos listos!

Andrea se levantó y tomó un marcador para la pizarra blanca.

—Sergio, si tú pones un pie en un cubo de agua hirviendo y otro en un cubo de hielo, en «promedio» estás a una temperatura agradable, pero en la realidad estás muerto. El promedio nos miente.

Necesitamos saber qué tan dispersos están los datos (precisión) y qué tan cerca estamos realmente del valor verdadero (veracidad). Y para eso necesitamos a la estadística. No para molestar, sino para asegurarnos de que cuando le digamos al cliente «tienes 5 mg/L de contaminante», no sea una mentira disfrazada de ciencia.

David resopló, pero abrió su laptop.

—Está bien. ¿Qué quieres que calcule? ¿La t-Student? ¿Fisher? ¿O vamos a invocar a Gauss?

—A todos ellos —sonrió Andrea—. Y a Grubb también. Daniela, abre el Excel. Vamos a torturar a los datos hasta que confiesen la verdad.

Desmenuzando la Norma: ¿Qué nos pide la ISO/IEC 17025?

Si vas al apartado 7.2.2.1 de la norma ISO/IEC 17025:2017, encontrarás una lista de técnicas para validar métodos. Entre ellas, menciona la evaluación de la incertidumbre, la comparación con otros métodos…

La Traducción al Español Humano

Imagina que el método de ensayo es un rifle de francotirador.

• Validar/Verificar es ir al campo de tiro y disparar 20 veces a un blanco.
• La Estadística es la herramienta que usas para medir dónde pegaron las balas.

Sin estadística, solo tienes agujeros en un papel. Con estadística, puedes responder las preguntas que el auditor (y tu cliente, en el fondo) te hacen:

• Precisión: ¿Las balas pegan todas juntas o dispersas? (Desviación Estándar, CV).
• Veracidad (Sesgo): ¿Las balas pegaron en el centro o se fueron a la derecha? (Error relativo, t-Student).
• Linealidad: Si apunto más lejos, ¿el rifle sigue respondiendo igual? (Regresión lineal, R²).
• Límites: ¿A qué distancia mínima puedo ver el blanco? (LOD/LOQ).

La norma quiere que demuestres, con números y probabilidades, que tu método es apto para el uso previsto. No basta con decir «yo creo que funciona»; tienes que probarlo con una probabilidad de error conocida (usualmente el 95% de confianza).

La Caja de Herramientas: Estadística Práctica para el Laboratorio

Aquí es donde David suele perder la paciencia y Daniela entra en pánico. Pero no teman. Vamos a ver las herramientas esenciales que tu laboratorio necesita para sobrevivir a una validación o verificación, explicadas para que las uses el próximo lunes.

Herramienta 1: Limpieza de Datos (Detección de Outliers)

Antes de calcular nada, debes revisar si hay «datos basura». Un error de dedo, una muestra contaminada, o David distraído mirando el celular mientras pipeteaba.

¿Qué es? Un valor atípico (outlier) es un dato que se aleja sospechosamente de los demás.

¿Cómo se usa?

• Test de Dixon (Q-test): Ideal para pocos datos (3 a 7 réplicas). Es rápido.
• Test de Grubbs: El estándar de oro para conjuntos de datos más grandes (se recomienda usarlo si tienes >6 datos).

Herramienta 2: Evaluando la Precisión (Repetibilidad y Precisión Intermedia)

Aquí respondemos: «¿Qué tan consistentes somos?».

Los Estadísticos:

Desviación Estándar (s): Nos dice cuánto se alejan los datos del promedio.

Coeficiente de Variación (CV o RSD): Es la desviación estándar expresada como porcentaje del promedio. ¡Es el rey de la validación!

Fórmula:

Criterio de Aceptación: ¿Contra qué comparo mi CV?

• Ecuación de Horwitz (HorRat): Una fórmula empírica genial para química. Te dice cuál es el CV máximo esperado dependiendo de la concentración del mensurando. Si tu CV experimental es menor al predicho por Horwitz (ratio ≤ 2), estás excelente.

• Comparación de Varianzas (Test F de Fisher): Si quieres saber si Daniela es tan precisa como David, comparas sus varianzas (s²) usando la prueba F. Si el valor calculado es menor al de la tabla, ambos trabajan con la misma precisión.

Herramienta 3: Evaluando la Veracidad (Sesgo)

Aquí respondemos: «¿Le estamos dando al centro del blanco?». Usualmente comparamos nuestros resultados contra un Material de Referencia Certificado (MRC).

El Estadístico: t-Student.

El escenario: Has medido 7 veces un estándar que vale 10.0 mg/L. Tu promedio dio 10.2 mg/L. ¿Ese 0.2 de diferencia es real o es puro azar?

Cómo funciona: Calculas el valor «t_calculado» con tu promedio, tu desviación estándar y el valor de referencia.

Si t_calc < t_tabla (para tus grados de libertad y 95% confianza): ¡Felicidades! La diferencia no es significativa. Estadísticamente, tu resultado es igual al certificado. No hay sesgo.

Si t_calc > t_tabla: Houston, tenemos un problema. Tienes un sesgo sistemático que debes corregir o investigar.

Herramienta 4: Linealidad (La Curva de Calibración)

Casi todos los equipos instrumentales usan curvas de calibración.

Lo básico: Coeficiente de correlación (r) o determinación (R²).

Todo el mundo busca el famoso R² > 0.99 o 0.995. Pero cuidado…

La herramienta real: Análisis de Residuales.

Debes graficar la diferencia entre el valor real y el valor predicho por tu recta.

Gráfico de residuales: Debe verse como una «nube aleatoria» alrededor del cero. Si ves una forma de «U» o una trompeta, tu modelo lineal no sirve, aunque tengas R² = 0.999.

Herramienta 5: Límites de Detección (LOD) y Cuantificación (LOQ)

Fundamental para trazas (contaminantes, venenos, impurezas).

Método Estadístico: Basado en la desviación estándar del blanco o de muestras de muy baja concentración.

• LOD = 3.3 x s (del blanco/baja conc)
• LOQ = 10 x s (del blanco/baja conc)

Nota: Hay formas más complejas usando la regresión lineal, pero esta es la más común para empezar.

Implementación: ¿Qué necesito comprar o descargar?

Sergio se preocupa por el presupuesto, así que aquí está la buena noticia:

1. Software:

• Excel: Es suficiente para el 90% de los laboratorios pequeños y medianos. PERO, debes asegurarte de usar las fórmulas correctas (DESVEST.M, PRUEBA.T, etc.) y validar tus hojas de cálculo.
• Complementos: Activa la herramienta «Análisis de Datos» en Excel. Es gratuita y hace regresiones, pruebas t y ANOVAs en segundos.
• Software Especializado (Minitab, SPSS, R): Son geniales y te ahorran validación de hojas de cálculo, pero son caros (excepto R, que es gratis pero tiene una curva de aprendizaje empinada). Para empezar, Excel bien validado basta.

2. Capacitación:

• No necesitas enviar a todos a un máster en estadística.
• Capacita a los analistas (David y Daniela) en estadística aplicada al laboratorio. No necesitan saber derivar la fórmula de la campana de Gauss, necesitan saber cuándo usar una prueba t y cómo interpretar el p-valor (p-value).

3. Protocolos y Hojas de Registro:

• Debes diseñar un formato de validación estandarizado. No dejes que cada analista invente su Excel. Crea una «Plantilla Maestra de Validación» que ya tenga los cálculos de t, F, y Grubbs incorporados y bloqueados.

El Café con el Experto: Preguntas Frecuentes

Daniela pregunta: «¿Qué es el Nivel de Confianza del 95% y por qué siempre usamos ese?»

Experto: Imagina que repites la validación 100 veces. El 95% de confianza significa que aceptas el riesgo de equivocarte en 5 de esas 100 veces. Es el estándar internacional para química y biología analítica (k=2). En medicina o aeronáutica a veces usan 99%, pero en nuestra industria, 95% es el equilibrio perfecto entre costo y seguridad.

Sergio pregunta: «¿Puedo validar con solo 3 datos para ahorrar reactivos?»

Experto: Poder, puedes calcular el promedio de 3 datos. Pero estadísticamente es muy pobre. La «t-Student» te castigará severamente. Con pocos datos, tu incertidumbre será enorme y tus límites de confianza muy amplios. Lo recomendado para una validación robusta son mínimo 7 a 10 réplicas. Menos de eso es jugar a la lotería.

David pregunta: «¿Qué hago si mi validación falla la prueba t (hay sesgo) pero es muy pequeña la diferencia?»

Experto: Buena pregunta. A veces la estadística detecta diferencias que técnicamente no importan (ej. diferencia de 0.001 pH). Si hay significancia estadística, debes evaluar la significancia práctica. Compara ese sesgo contra tu error máximo permitido o la incertidumbre. Si el sesgo es despreciable frente a la incertidumbre del método, puedes declararlo apto, pero debes documentar esa justificación.

Lecciones Aprendidas y Conexión

Al final de la semana, Daniela y David presentaron el informe de validación a Sergio y Andrea.

Habían eliminado un outlier (justificado por una falla de voltaje registrada en la bitácora), calculado la precisión (que cumplió con Horwitz) y la veracidad. Aunque el test de linealidad mostró un punto dudoso, el análisis de residuales confirmó que el modelo lineal era adecuado en el rango de trabajo.

—¿Entonces? —preguntó Sergio—. ¿Puedo llamar a los clientes?

Andrea revisó la hoja de cálculo. Esta vez no era una masa de números sin sentido; era una historia contada con datos. Había conclusiones claras basadas en pruebas de hipótesis.

—La precisión es adecuada y el sesgo es nulo estadísticamente —dijo Andrea firmando la carátula—. El método es válido, Sergio. Puedes venderlo.

Daniela sonrió, sintiéndose por primera vez dueña de sus resultados. Había entendido que la estadística no era un obstáculo, sino su escudo protector ante cualquier duda.

En la próxima parada, dejaremos la validación completa y veremos qué pasa cuando usamos métodos normalizados (como ASTM o ISO). ¿Necesitamos hacer todo esto de nuevo? Spoiler: No todo, pero sí lo suficiente. Hablaremos de la Verificación de Métodos Normalizados.