EPA Data Quality-4.en - Es

4.
6 Transformaciones
La mayoría de las pruebas y procedimientos estadísticos contienen supuestos acerca de los datos a los que se aplicarán. Por ejemplo,
algunos supuestos comunes son que los datos se distribuyen normalmente; componentes de varianza de un modelo estadístico son aditivos; dos
conjuntos de datos independientes tienen la misma diferencia; y un conjunto de datos no tiene tendencias en el tiempo o en el espacio. Si los datos
no satisfacen tales supuestos, a continuación, los resultados de un procedimiento estadístico o la prueba pueden estar sesgados o incorrecta.
Afortunadamente, los datos que no satisfacen supuestos estadísticos a menudo pueden convertirse o transformarse matemáticamente en una
forma que permite a los ensayos estadísticos estándar para llevar a cabo adecuadamente.
4.6.1 Tipos de transformaciones de datos
Cualquier función matemática que se aplica a todos los puntos de un conjunto de datos se denomina una
transformación. Algunas transformaciones de uso general incluyen:
Logarítmica (log X o Ln X): Esta transformación puede ser utilizado cuando los datos de medición originales siguen una distribución
logarítmica normal o cuando la varianza en cada nivel de los datos es proporcional al cuadrado de la media de los puntos de datos en
ese nivel. Por ejemplo, si la varianza de los datos recogidos alrededor de 50 ppm es de aproximadamente 250, pero la varianza de los
datos recogidos alrededor de 100 ppm es de aproximadamente 1000, a continuación, una transformación logarítmica puede ser útil.
Esta situación se caracteriza a menudo por tener un coeficiente constante de variación (relación de la desviación estándar de la media)
sobre todos los valores de datos posibles. La base logarítmica (por ejemplo, natural o base 10) necesita ser constante durante todo el
análisis. Si algunos de los valores originales son cero, se acostumbra a añadir una pequeña cantidad para que el valor de los datos no
cero como el logaritmo de cero no existe. El tamaño de la pequeña cantidad depende de la magnitud de los datos que no son cero y las
consecuencias de inferencia potencialmente errónea de los datos transformados resultantes. Como punto de trabajo, un valor de una
décima parte del valor distinto de cero más pequeño podría ser seleccionado. No importa si un natural (ln) o base 10 (log) de
transformación se utiliza porque las dos transformaciones están relacionadas por la expresión ln (x) = 2,303 log (X). Instrucciones para
la aplicación de una transformación logarítmica con un ejemplo se dan en No importa si un natural (ln) o base 10 (log) de transformación
se utiliza porque las dos transformaciones están relacionadas por la expresión ln (x) = 2,303 log (X). Instrucciones para la aplicación de
una transformación logarítmica con un ejemplo se dan en No importa si un natural (ln) o base 10 (log) de transformación se utiliza
porque las dos transformaciones están relacionadas por la expresión ln (x) = 2,303 log (X). Instrucciones para la aplicación de una
transformación logarítmica con un ejemplo se dan en cuadro 4-28 .
Raíz cuadrada (% & X): Esta transformación se puede utilizar cuando se trata de toda pequeña
números, como los recuentos bacteriológicos, o la ocurrencia de eventos raros, tales como violaciónes de un estándar en el
transcurso de un año. La suposición subyacente es que los datos originales siguen una Poisson-como distribución en cuyo
caso la media y la varianza de los datos son iguales. Cabe señalar que la transformación ov raíz cuadrada ERCO rrects
cuando valores muy pequeños y ceros aparecen en los datos originales. En estos casos, X + 1 se utiliza a menudo como una
transformación.
EPA QA / G-9 Final

Versión QA00 4-39 de julio de el año 2000
Cuadro 4-28: Instrucciones para transformar los datos y un ejemplo
Sea X 1, X 2, . . . , X norte representar los puntos de datos n. función a cadaPara aplicar una transformación, basta con aplicar la transformación
punto de datos. Cuando una transformación se lleva a cabo para que los datos satisfacen algunas
hipótesis estadística, que tendrá que ser verificado que los datos transformados satisfacen esta suposición.
Ejemplo: Transformar los datos lognormal
Una transformación logarítmica es particularmente útil para los datos de contaminación. por lo tanto los datos datos de contaminación son a menudo sesgada, Considere el
transformados logarítmicamente tenderán a ser simétrica. puntos. conjunto de datos se muestra a continuación con 15 datos
La trama de frecuencia de estos datos (a continuación) muestra que los datos se distribuyen posiblemente lognormal.
Si cualquier análisis realizado con estos datos asume la normalidad, entonces los datos pueden ser transformados logarítmicamente para lograr la
normalidad. Los datos transformados se muestran en la columna 2. Una parcela frecuencia de la
datos transformados (abajo) muestra que aparecen los datos transformados para ser distribuidos normalmente.
Observado transformado Observado transformado

X 6 ln (X) X 6 ln (X)
0.22 6 -1.51 0.47 6 -0,76
3.48 6 1.25 0.67 6 -0.40
6.67 6 1.90 0.75 6 -0.29
2.53 6 0.93 0.60 6 -0.51
1.11 6 0.10 0.99 6 -0.01
0.33 6 -1.11 0.90 6 -0.11
1.64 6 0.50 0.26 6 -1.35
1.37 0.31
Número de observaciones
67
45
23
01
-1 0 1 2 3 4 5 6 7
Los valores observados
Número de observaciones
67
45
23
01
-4 -3 -2 -1 0 1 2 3 4
Los valores transformados
EPA QA / G-9 Final

Seno inverso (Arcoseno X): Esta transformación puede ser utilizado para proporciones binomiales basados en datos de recuento
para lograr la estabilidad de la varianza. Los datos resultantes transformado se expresan en radianes (grados angulares). mesas
especiales deben ser utilizados para transformar las proporciones en grados.
Box-Cox Transformaciones: Esta transformación es una transformación potencia compleja que toma los datos originales y eleva
cada observación de datos a la lambda de potencia ( 8). Una transformación logarítmica es un caso especial de la transformación
de Box-Cox. La razón fundamental es encontrar 8 de tal manera que los datos transformados tienen el mejor modelo aditivo
posible para la estructura de varianza, los errores están distribuidos normalmente, y la varianza es tan constante como sea
posible sobre todos los posibles valores de concentración. La técnica de máxima probabilidad se utiliza para encontrar 8 de tal
manera que se minimiza el error residual de ajustar el modelo teorizado. En la práctica, el valor exacto de 8 a menudo se
redondea a un valor conveniente para la facilidad en la interpretación (por ejemplo, 8 = - 1,1 se redondeará a -1, ya que tendría
entonces la interpretación de un recíproco transformar). Uno de los inconvenientes de la transformación de Box-Cox es la
dificultad en la interpretación física de los datos transformados.
4.6.2 Razones para transformar los datos
Mediante la transformación de los datos, hipótesis que no están satisfechos en los datos originales pueden ser satisfechas por los
datos transformados. Por ejemplo, un derecho de distribución sesgada puede ser transformado para ser aproximadamente gaussiana (normal)
mediante el uso de una transformación logarítmica o de raíz cuadrada. A continuación, los procedimientos de la teoría normal, pueden ser
aplicados a los datos transformados. Si los datos se distribuyen lognormal, a continuación, aplicar los procedimientos de los logaritmos de los
datos. Sin embargo, la selección de la transformación correcta puede ser difícil. Si transformaciones convencionales no se aplican, se sugiere que
el usuario consulte los datos de un estadístico.
Otro uso importante de las transformaciones es en la interpretación de los datos recogidos en condiciones que conducen a un
análisis de varianza (ANOVA). Algunos de los supuestos clave necesarios para el análisis (por ejemplo, la aditividad de los componentes de
la varianza) sólo puede ser satisfecha si los datos se transforman adecuadamente. La selección de una transformación adecuada depende
de la estructura del diseño de la colección de datos; Sin embargo, la interpretación de los datos transformados sigue siendo un problema.
Mientras que las transformaciones son útiles para trabajar con los datos que no satisfacen las hipótesis estadísticas, sino que también
pueden ser utilizados para otros fines diversos. Por ejemplo, las transformaciones son útiles para la consolidación de datos que pueden ser
extendidas o que tienen varios valores extremos. Además, las transformaciones se pueden utilizar para derivar una relación lineal entre dos
variables, por lo que el análisis de regresión lineal se puede aplicar. También pueden ser utilizados para estimar eficientemente cantidades tales
como la media y la varianza de una distribución logarítmica normal. Las transformaciones también pueden hacer el análisis de datos más fácil
cambiando la escala en uno que es más familiar o más fáciles de trabajar.
Una vez que los datos han sido transformados, todos los análisis estadísticos se debe realizar en los datos transformados. No
debe hacerse ningún intento de transformar la parte trasera de datos a la forma original ya que esto puede conducir a estimaciones
sesgadas. Por ejemplo, la estimación de cantidades tales como medios,
EPA QA / G-9 Final

varianzas, los límites de confianza, y los coeficientes de regresión en la escala transformada por lo general conduce a estimaciones
sesgadas cuando se transforma de nuevo en escala original. Sin embargo, puede ser difícil de entender o aplicar resultados del análisis
estadístico expresado en la escala transformada. Por lo tanto, si los datos transformados no dan beneficios notables para el análisis, es
mejor utilizar los datos originales. No hay ningún punto en el trabajo con datos transformados a menos que aporta un valor añadido al
análisis.
4.7 Los valores inferiores a los límites de detección
Los datos generados a partir del análisis químico pueden caer por debajo del límite de detección (DL) del procedimiento
analítico. Estos datos de medición se describen en general como no se detecta, o nondetects, (en lugar de como cero o no está
presente) y el límite apropiado de detección generalmente se informa. En los casos en que se describen los datos de medición como no
se detecta, la concentración de la sustancia química es desconocida aunque se encuentra en algún lugar entre cero y el límite de
detección. Datos que incluye tanto detectados y resultados no detectados se llaman censurados datos en la literatura estadística.
Hay una variedad de maneras de evaluar los datos que incluyen los valores por debajo del límite de detección. Sin embargo, no
existen procedimientos generales que son aplicables en todos los casos. Algunas pautas generales se presentan en Tabla 4-4 . Aunque estas
directrices son generalmente adecuados, que deberían ser implementados con cautela.
Tabla 4-4. Directrices para el análisis de datos con Nondetects
Porcentaje de
Nondetects Sección Análisis estadístico
Método
<15% 4.7.1 Reemplazar nondetects con DL / 2,

DL, o un número muy pequeño.
15% - 50% 4.7.2 Media recortada, el ajuste de Cohen,

Winsorized media y desviación
estándar.
> 50% - 90% 4.7.3 Use pruebas para proporciones ( sección

3.2.2 )
Todos los procedimientos sugeridos para el análisis de datos con nondetects dependen de la cantidad de datos por debajo del límite de
detección. Para cantidades relativamente pequeñas por debajo de los valores límite de detección, en sustitución de los nondetects con un número
pequeño y de proceder con el análisis habitual puede ser satisfactoria. Para cantidades moderadas de datos por debajo del límite de detección, un
ajuste más detallado es apropiado. En situaciones en las cantidades relativamente grandes de datos por debajo del límite de detección existen,
EPA QA / G-9 Final

uno puede necesitar sólo para considerar si el producto químico fue detectado como por encima de un cierto nivel o no. La interpretación de
cantidades pequeñas, moderados y grandes de datos por debajo de la lista de lesionados es subjetiva.
Tabla 4-4 proporciona porcentajes para ayudar al usuario en la evaluación de su situación particular. Sin embargo, se debe
reconocer que estos porcentajes no son reglas duras y rápidas, pero deben basarse en el juicio.
Además del porcentaje de muestras por debajo del límite de detección, las influencias tamaño de la muestra que los
procedimientos deben ser usados para evaluar los datos. Por ejemplo, el caso en el que no se detecta 1 muestra de 4 debe ser tratado de
manera diferente desde el caso en el que no se detectan 25 muestras de 100. Por lo tanto, esta guía sugiere que el analista de datos
consultar a un estadístico para la forma más adecuada para evaluar los datos que contienen valores por debajo del nivel de detección.
4.7.1 Menos de 15% Nondetects - métodos de sustitución
Si no se detecta una pequeña proporción de las observaciones, estos pueden ser reemplazados con un número pequeño, por
lo general el límite de detección dividido por 2 (DL / 2), y el análisis de costumbre realiza. Como pauta, si no se detecta 15% o menos de
los valores, reemplazarlos con el límite de detección del método dividido por dos y proceder con el análisis apropiado el uso de estos
valores modificados. Si se propone simple sustitución de valores por debajo del límite de detección cuando se informó de más de 15% de
los valores que no se detecta, considerar el uso de métodos no paramétricos o una prueba de proporciones para analizar los datos. Si un
método más preciso se ha de considerar, véase el método de Cohen ( sección 4.7.2.1 ).
4.7.2 Entre 15-50% Nondetects
4.7.2.1 Método de Cohen
el método de Cohen proporciona estimaciones de la desviación media y estándar de la muestra que da cuenta de los datos por
debajo del nivel de detección ajustada. Las estimaciones ajustadas se basan en la técnica estadística de la estimación de máxima
verosimilitud de la media y la varianza de manera que el hecho de que los nondetects están por debajo del límite de detección, pero puede
no ser se contabiliza cero para. La desviación media y estándar ajustado entonces se puede utilizar en los ensayos descritos en paramétricas
Capítulo 3 (Por ejemplo, la muestra de prueba de la t de sección 3.2.1 ). Sin embargo, si no se detectan más de 50% de las
observaciones, el método de Cohen no debe utilizarse. Además, este método requiere que los datos sin la nondetects se
distribuyen normalmente y el límite de detección es siempre la misma. Instrucciones para el método de Cohen están contenidas en cuadro
4-29 ; se da un ejemplo en cuadro 4-30 .
EPA QA / G-9 Final

Cuadro 4-29: Instrucciones para el método de Cohen
Sea X 1, X 2, . . . , X norte representar los puntos de datos n con los primeros valores de m que representan los puntos de datos por encima del límite de detección (DL).
Por lo tanto, hay (nm) puntos de datos están por debajo del DL.
PASO 1: Calcular la media de la muestra X ¯ re a partir de los datos anteriores el límite de detección:
metro
X̄ d = 1
X X yo
metroyo'j 1
PASO 2: Calcular las muestras s varianza 2 d a partir de los datos anteriores el límite de detección:
2
1
X yo2 - X yo
yo' 1 metro jyo'
metro
1
s d2 = j metro
m-1
s re2
PASO 3: Calcular H = ( n - m) y (=
norte
X re - DL) 2
(X̄
ETAPA 4: Uso h y (en Tabla A-10 del Apéndice A para determinar ˆ 8 . Por ejemplo, si h = 0,4 y (= 0,30, entonces
ˆ 8 = 0,6713. Si el valor exacto de hy ( no aparecen en la tabla, utilice la interpolación lineal doble
( cuadro 4-31 ) para estimar ˆ 8 .
PASO 5: Estimar la media de la muestra corregida, X ¯, y la varianza de la muestra, s 2, para tener en cuenta los datos por debajo del límite de detección, como
sigue: X̄ = ¯ X d - ˆ 8 ( X
X X̄
¯ d - DL) y s 2=s 2 d+ ˆ 8 (X
X̄
¯ d - DL) 2.
Cuadro 4-30: Un ejemplo del método de Cohen
Las concentraciones de sulfato se midieron por 24 puntos de datos. El límite de detección fue de 1,450 mg / L y 3 de los 24 valores estaban por debajo del
nivel de detección. Los 24 valores son 1,850, 1,760, <1,450 (ND), 1710, 1575, 1475, 1780,
1790, 1780, <1,450 (ND), 1790, 1800, <1,450 (ND), 1800, 1840, 1820, 1860, 1780, 1760, 1800, 1900, 1770,
1790, 1780 mg / L. Método de Cohen se utiliza para ajustar la media de la muestra para su uso en una prueba t para determinar si la media es mayor que 1600
mg / L.
PASO 1: La media de la muestra de los M = 21 valores por encima del nivel de detección es X ¯ d = 1771.9
PASO 2: La varianza de la muestra de los 21 valores cuantificados es s 2d = 8.593,69.
PASO 3: h = (durante 24 - 21) / 24 = 0,125 y (= 8593,69 / (1771,9 - 1450) 2 = 0,083
ETAPA 4: Tabla A-10 del Apéndice A se utilizó para h = 0.125 y (= 0,083 para encontrar el valor de 8 . Dado que la tabla no contiene estas
entradas exactamente, la interpolación lineal doble se utilizó para estimar ˆ 8 =
0.149839 (véase cuadro 4-31 ).
PASO 5: La media y la varianza de la muestra ajustada se calcularon entonces de la siguiente manera:
X̄ = 1771,9-0,149839 (1.771,9-1450) = 1723,67 y

X
s 2 = 8593,69 + 0,149839 (1.771,9-1450) 2 = 24.119,95
EPA QA / G-9 Final

Cuadro 4-31: Doble interpolación lineal
Se proporcionan los detalles de la interpolación lineal doble para ayudar en el uso de Tabla A-10 del apéndice
ˆ
UN . El valor deseado para 8 corresponde a (= 0.083 y, h = 0,125 de Box 4-30, Etapa 3. Los valores de Tabla A-10 para
interpolatation son:
( h = 0,10 h = 0,15
0.05 0.11431 0.17925
0.10 0.11804 0.18479
Hay 0,05 unidades entre 0,10 y 0,15 en el h-escala y 0,025 unidades entre 0,10 y 0,125. Por lo tanto, el valor de mentiras de
interés (0,025 / 0,05) 100% = 50% de la distancia a lo largo del intervalo entre
0,10 y 0,15. Para interpolar linealmente entre los valores tabulados en el eje h para (= 0,05, el intervalo entre los valores se debe
calcular, 0.17925 - 0.11431 = 0.06494; el valor que es 50% de la distancia a lo largo del rango debe ser calculado, 0.06494 x 0.50
= 0,03247; y luego ese valor debe añadirse al punto más bajo en los valores tabulados, 0,11431 + 0,03247 = 0,14678 del mismo
modo para (= 0,10,.
,18479-0,11804 = 0,06675, 0,06675 x 0,50 = 0,033375 y 0,11804 + 0,033375 = 0,151415.
En el (eje x hay 0.033 unidades entre 0,05 y 0,083 y hay 0,05 unidades entre 0,05 y
0.10. El valor de interés (0.083) mentiras (0,033 / 0,05 x 100) = 66% de la distancia a lo largo del intervalo entre 0,05 y 0,10, de
modo ,151415-,14678 = 0,004635, 0,004635 * 0,66 = 0,003059. Por lo tanto,
8̂ = 0,14678 + 0,003059 = 0,149839.

8
4.7.2.2 media recortada
Recorte de los descartes de los datos en las colas de un conjunto de datos con el fin de desarrollar una estimación no sesgada de la
media de la población. Para los datos ambientales, nondetects por lo general se producen en la cola izquierda de los datos para el recorte de los
datos se puede utilizar para ajustar el conjunto de datos para tener en cuenta nondetects al estimar una media. El desarrollo de un 100p% media
recortada implica el recorte de p% de los datos tanto en la inferior y la cola superior. Tenga en cuenta que p debe ser entre 0 y 0,5 ya que p
representa la parte borrada, tanto en la parte superior y la cola inferior. Después np de los valores más grandes y np de los valores más pequeños
se recortan, hay n valores (1-2p) de datos restantes. Por lo tanto, la proporción recortado depende del tamaño total de la muestra (n) puesto que
una cantidad razonable de muestras debe permanecer para el análisis. Para distribuciones simétricas aproximadamente, un 25% recortado media
(la midmean) es un buen estimador de la media de la población. Sin embargo, los datos ambientales son a menudo sesgada (no simétrica) y en
estos casos un rendimiento medio recortado un 15% pueden ser un buen estimador de la media poblacional. También es posible recortar los datos
sólo para reemplazar los nondetects. Por ejemplo, si 3% de los datos están por debajo del límite de detección, una media recortada 3% podría ser
usado para estimar la media poblacional. Instrucciones para el desarrollo de una media recortada están contenidas en un 3% media recortada se
podría utilizar para estimar la media de la población. Instrucciones para el desarrollo de una media recortada están contenidas en un 3% media
recortada se podría utilizar para estimar la media de la población. Instrucciones para el desarrollo de una media recortada están contenidas en cuadro
4-32 y un ejemplo se da en cuadro 4-33 . Una variación recortado rara vez se calcula y es de uso limitado.
4.7.2.3 Winsorized media y desviación estándar
Winsorizing de datos sustituye en la cola de un conjunto de datos con el siguiente valor de datos más extrema. Para los datos del
medio ambiente, nondetects por lo general se producen en la cola izquierda de los datos. Por lo tanto, winsorizing se puede utilizar para ajustar el
conjunto de datos para tener en cuenta nondetects. La media y la desviación estándar, entonces se puede calcular en el nuevo conjunto de
datos. Instrucciones de winsorizing de datos (y la revisión del tamaño de la muestra) están contenidos en cuadro 4-34 y un ejemplo se da en cuadro
4-35
EPA QA / G-9 Final

4.7.2.4 Método de Atchison
ajustes previos a la media y la varianza supone que los valores de los datos realmente estaban presentes, pero no ha sido
posible grabar o "ven" como estaban por debajo del límite de detección. En otras palabras, si el límite de detección había sido
sustancialmente más baja, se han registrado los valores de los datos. Sin embargo, hay casos en los que los valores de datos están por
debajo del límite de detección, ya que son realmente cero, el contaminante o sustancia química en cuestión ser totalmente ausente. Tales
conjuntos de datos son en realidad una mezcla - en parte la distribución supuesta (por ejemplo, una distribución normal) y en parte un
número de valores cero. Método de Aitchison se utiliza en esta situación para ajustar la media y la varianza de los valores cero.
Recuadro 4-32: Modo de desarrollo de una media truncada
Sea X 1, X 2, . . . , X norte representar los puntos de datos n. Para desarrollar un 100p% recortado media (0 <p <0,5):
PASO 1: Sea t la parte entera de la np producto. Por ejemplo, si p = 0,25 y n = 17, np = (0.25) (17) = 4,25, por lo que
t = 4.
PASO 2: Eliminar las camisetas valores más pequeños del conjunto de datos y los valores más grandes de la serie de datos t.
norte& 2 t
1
PASO 3: Calcular la media aritmética de los restantes n - valores 2t: X ¯ = norte -
2 t jyo'X1 yo
Este valor es la estimación de la media poblacional.
Box 4-33: Un ejemplo de la media truncada
Las concentraciones de sulfato se midieron por 24 puntos de datos. El límite de detección fue de 1,450 mg / L y 3 de los 24 valores
estaban por debajo de este límite. Los 24 valores listados en orden de menor a mayor son: <1450 (ND), <1,450 (ND), <1,450 (ND), 1475,
1575, 1710, 1760, 1760, 1770, 1780, 1780, 1780, 1780, 1790,
1.790, 1.790, 1.800, 1.800, 1.800, 1.820, 1.840, 1.850, 1.860, 1.900 mg / L. A media recortada 15% se utiliza para desarrollar una estimación de
la media de la población que las cuentas para los 3 nondetects.
PASO 1: Desde np = (24) (. 15) = 3,6, t = 3.
PASO 2: Se eliminaron los 3 valores más pequeños del conjunto de datos y los 3 valores más grandes del conjunto de datos.
El nuevo conjunto de datos es: 1475, 1575, 1710, 1760, 1760, 1770, 1780, 1780, 1780, 1780, 1790,
1.790, 1.790, 1.800, 1.800, 1.800, 1.820, 1.840 mg / L.
PASO 3: Calcular la media aritmética de los restantes valores de n-2T:
1
X ¯ = 24 -
(2) (3) (1475 +... 1840) = 1755,56
Por lo tanto, el 15% media recortada es 1755,56 mg / L.
EPA QA / G-9 Final

Cuadro 4-34: Instrucciones para el desarrollo de una Winsorized
Media y desviación estándar
Sea X 1, X 2, . . . , X norte representar los puntos de datos n y m representan el número de puntos de datos por encima del límite de detección (DL), y por lo tanto
nm por debajo de la DL.
PASO 1: Lista de los datos en orden de menor a mayor, incluyendo nondetects. Etiquetar estos puntos X (1), X(
2) ,. . ., X( n) ( de manera que X ( 1) es la más pequeña, X ( 2) es el segundo más pequeño, y X ( n) es el más grande).
PASO 2: Reemplazar los nondetects nm con X ( m + 1) y sustituir la nm con mayores valores X ( n - m).
PASO 3: Usando el conjunto de datos revisado, calcular la media de la muestra, X ¯, y la desviación estándar de la muestra,
s:
( j norteX 2yo ) - norteX

X̄¯ 2
X¯= 1
yo' 1
X yo y s=
norte
yo'j 1norte norte& 1
PASO 4: La media Winsorized X ¯ w es igual a X ¯. La desviación estándar es Winsorized
s w = s (n - 1)
(2 metro - n - 1).
Box 4-35: Un ejemplo de un Winsorized

Media y desviación estándar
Las concentraciones de sulfato se midieron por 24 puntos de datos. El límite de detección fue de 1,450 mg / L y 3 de los 24 valores estaban
por debajo del nivel de detección. Los 24 valores listados en orden de menor a mayor son: <1450 (ND), <1,450 (ND), <1,450 (ND), 1475,
1575, 1710, 1760, 1760, 1770, 1780, 1780, 1780, 1780,
1.790, 1.790, 1.790, 1.800, 1.800, 1.800, 1.820, 1.840, 1.850, 1.860, 1.900 mg / L.
PASO 1: Los datos anteriores ya se enumeran de menor a mayor. Hay n = 24 muestras, 21 por encima de
DL, y nm = 3 nondetects.
PASO 2: Los 3 nondetects fueron reemplazados con X ( 4) y los 3 valores más grandes fueron reemplazados con X ( 21).
El conjunto de datos resultante es: 1.475, 1.475, 1.475, 1.475, 1.575, 1.710, 1.760, 1.760, 1.770, 1.780, 1.780,
1.780, 1.780, 1.790, 1.790, 1.790, 1.800, 1.800, 1.800, 1.820, 1.840, 1.840, 1.840, 1.840 mg / L
PASO 3: Para el nuevo conjunto de datos, ¯ X= 1731 mg / L y s = 128,52 mg / L.
PASO 4: La media Winsorized X ¯ w = 1731 mg / L. La desviación estándar de la muestra Winsorized es:
s w = 128,52 (24 - 1) = 173.88

2 (21) - 24 de - 1
el método de Aitchison para el ajuste de la media y la varianza de la encima de los valores de nivel de detección funciona
bastante bien siempre que el porcentaje de no detecta es entre 15-50% del número total de valores. Se debe tener cuidado al usar el
ajuste de Aitchison a la media y la desviación estándar como la media y la varianza se reduce aumentó. Con un efecto tal que puede
llegar a ser muy difícil de utilizar los datos ajustados para pruebas de hipótesis o con fines predicativos. Como una herramienta de
diagnóstico, la relevancia de ajuste Aitchison' puede conducir a una evaluación de los datos para determinar si dos poblaciones están
siendo muestreados simultáneamente: una población que se está representada por una distribución normal, el otro ser simplemente
espacios en blanco. En algunas circunstancias, por
EPA QA / G-9 Final

ejemplo, la investigación de un sitio peligroso, puede ser posible relacionar la posición de la muestra a través de un gráfico de
desplazamiento ( sección 2.3.9 ) Y determinar si la población objetivo no ha sido estratificada de manera adecuada. Instrucciones para el
método de Aitchison están contenidas en cuadro 4-36 ; un ejemplo (con una comparación con el método de Cohen) está contenida en cuadro
4-37 .
Cuadro 4-36: 11 Instrucciones para el Método de Ajuste Aitchison a medias y varianzas
Sea X 1, X 2, . ., X metro, . . . , X norte representar los puntos de datos donde los primeros valores de M están por encima del límite de detección (DL) y la restante (nm) puntos de
datos están por debajo del PASO DL 1:
Utilizando los datos por encima del nivel de detección, calcular la media de la muestra,
2 1 2
� IIM -
Xm ( � X IIM)
1 2
X mre X= � IIM y la varianza de la muestra, s re =
=1 =1
=1
- 1
metro
PASO 2: Estimar la media de la muestra corregida, X m =

n X re
2 - 1 2
Minnesota mnmnn
( - ) 2
s = s re + X re
y la varianza de la muestra
- 1 ( - 1)
Cuadro 4-37: Un ejemplo del método de Aitchison
Los siguientes datos consisten en 10 muestras de cloruro de metileno: 1.9,1.3, <1, 2,0, 1,9, <1, <1, <1, 1,6, y 1,7. Hay 7 valores por encima del
límite de detección y 3 abajo, por lo que m = 7 y n - m = 3. utilizado para estimar la varianza media y la muestraElde
método de aitchison será
estos datos.
1 1
PASO 1: X re
= � X ii = (. + . + . + . + . + . + . ) = .
7 7 19 13 2 0 19 1 6 1 6 1 7 1 714
=1 7
2 177 2
� X ii - ( � X ii )
2 =1 7
1 =1 7
ys re
= = 0 .05 809
-
7 3 1714 12 (.
PASO 2: La media de la muestra corregida es entonces X = ) = .
7 1- 10 1 0 05 809 7 3 3 3 1 1 714 0 7,242

y la varianza de la muestra s 2 = (. +(
) () ) = .
- - ) (.
EPA QA / G-9 Final

4.7.2.5 Seleccionar entre el método de Atchison o el método de Cohen
Para determinar si un conjunto de datos se ajusta mejor por el método de Cohen o método de Aitchison, un procedimiento gráfica
sencilla utilizando papel de probabilidad normal ( sección 2.3 ) puede ser usado. Ejemplos de estos procedimientos se dan en cuadro 4-38 y un
ejemplo está contenido en cuadro 4-39 .
Cuadro 4-38: Direcciones para seleccionar entre

Método de Cohen o el método de Aitchison
Sea X 1, X 2, . ., X metro, . . . , X norte representar los puntos de datos con la primera m valores están por encima del límite de detección (DL) y los puntos restante (nm) de datos están
por debajo de la DL.
PASO 1: Utilizar cuadro 2-19 para construir un gráfico de probabilidad normal de todos los datos, pero sólo trazar los valores pertenecientes a aquellos por encima del
nivel de detección. Esto se llama el Terreno censurado.
PASO 2: Utilizar cuadro 2-19 para construir un gráfico de probabilidad normal de sólo aquellos valores por encima del nivel de detección. Este llamó a los Detecta Además
de Parcela.
PASO 3: Si la parcela Censurado es más lineal que los detecta solamente trama, utilice el método de Cohen para estimar la muestra variación media y la. Si
los detecta solamente trama es más lineal que la parcela censurado, a continuación, utilice el método de Aitchison para estimar la muestra
variación media y la.
Cuadro 4-39: Ejemplo de determinar Entre

Método de Cohen y método de Aitchison
En este ejemplo, 10 lecturas de clorobenceno se obtuvieron de un pozo seguimiento y sometidos a la consideración de un permiso
de: <1, 1,9, 1,4, 1,5, <1, 1,2, <1, 1,3, 1,9, 2,1 ppm. lecturas independientes. Los datos se puede pensar que sea
Paso 1: El uso de las instrucciones de cuadro 2-19 La siguiente es la parcela

Censurado:
PASO 2: El uso de las instrucciones de cuadro 2-19 La siguiente es la única Detecta

Terreno:
PASO 3: Desde las parcelas censurada es más lineal que los detecta solamente la trama, el método de Cohen se debe utilizar para calcular la media y la
varianza de la muestra.
EPA QA / G-9 Final

4.7.3 Más del 50% Nondetects - Prueba de las proporciones
Si más del 50% de los datos están por debajo del límite de detección, pero al menos 10% de las observaciones se cuantifican,
las pruebas de proporciones se pueden utilizar para probar hipótesis utilizando los datos. Así, si el parámetro de interés es una media,
considere cambiar el parámetro de interés para algunos mayor percentil que el porcentaje de los datos por debajo del límite de detección.
Por ejemplo, si 67% de los datos están por debajo de la DL, considere cambiar el parámetro de interés para la 75 º percentil. A
continuación, el método descrito en 3.2.2 se puede aplicar para probar la hipótesis relativa a la 75 º percentil. Es importante tener en cuenta
que las pruebas de proporciones pueden no ser aplicables para muestras compuestas. En este caso, el analista de datos debe consultar
un estadístico antes de proceder con el análisis.
Si se encuentran muy pocos valores cuantificados, un método basado en la distribución de Poisson se puede usar como un
enfoque alternativo. Sin embargo, con una gran proporción de nondetects en los datos, el analista de datos debe consultar con un
estadístico antes de proceder con el análisis.
4.7.4 Recomendaciones
Si el número de observaciones de la muestra es pequeño (n <20), métodos de máxima verosimilitud puede producir resultados
sesgados, ya que es difícil asegurar que la adecuada distribución subyacente y las soluciones de la ecuación de probabilidad para los
parámetros de interés son estadísticamente consistente sólo si el número de muestras es grande. Además, la mayoría de los métodos
rendirá parámetros con gran varianza de estimación, lo que reduce el poder de detectar diferencias de importación de normas o entre
poblaciones estimado. Si bien estos métodos pueden ser aplicados a conjuntos pequeños de datos, el usuario debe ser advertido de que
sólo serán eficaces en la detección de grandes desviaciones de la hipótesis nula.
Si el grado de censura (el porcentaje de datos por debajo del límite de detección) es relativamente baja, razonablemente buenas
estimaciones de medios, varianzas y percentiles superiores pueden ser obtenidos. Sin embargo, si la tasa de censura es muy alta (mayor que
50%) a continuación, poco se puede hacer estadísticamente excepto para centrarse en algunos cuantil superior de la distribución de
contaminantes, o en alguna proporción de mediciones por encima de un cierto nivel crítico que está en o por encima el límite de censura.
Cuando el estándar numérico está en o por debajo de uno de los niveles de censura y se utiliza una prueba de una muestra, el
método estadístico más útil es para probar si la proporción de una población está por encima (por debajo) el estándar es demasiado
grande, o a prueba si, y cuantil superior de la distribución de la población está por encima del estándar numérico. Tabla 4-5 da una
recomendación sobre qué parámetro estadístico para uso cuando censura está presente en los conjuntos de datos para los diferentes
tamaños del coeficiente de variación ( sección 2.2.3 ).
Al comparar dos conjuntos de datos con diferentes niveles de censura (es decir, diferentes límites de detección), se recomienda que
todos los datos ser censuradas por el valor más alto censura presente y un ensayo no paramétrico tal como el Rango prueba de suma de
Wilcoxon ( sección 3.3.3.1 ) Se utiliza para comparar los dos conjuntos de datos. Hay una pérdida correspondiente de potencia estadística pero
esto puede ser minimizado mediante el uso de muestras grandes.
EPA QA / G-9 Final

Tabla 4-5. Directrices para los parámetros recomendados para diferentes
Coeficiente de variaciones y censura
Proporción de datos por debajo del límite de detección
Supuesto Coeficiente de
Baja Alta (>
Variación (CV)
(<30%) 30%)
Large: CV> 1,5 Media o superior percentil superior

Percentil
Medio: 0.5 <CV <1,5 Media o superior percentil superior

Percentil
Pequeño: CV <0,5 Media o la Mediana

mediana
4.8 INDEPENDENCIA
El supuesto de independencia de los datos es clave para la validez del falso rechazo y las tasas de error de falsa aceptación
asociados con la prueba estadística seleccionada. Cuando los datos son realmente independientes entre sí, la correlación entre puntos
de datos es, por definición, cero y el trabajo seleccionado pruebas estadísticas con las tasas de error de decisión elegido deseados (dada
su caso, las hipótesis se han satisfecho). Cuando existe correlación (generalmente positivo), la eficacia de las pruebas estadísticas se ve
disminuida. Los datos medioambientales son particularmente susceptibles a los problemas de correlación debido al hecho de que dichos
datos ambientales se recogen bajo un patrón espacial (por ejemplo una rejilla) o secuencialmente en el tiempo (por ejemplo, lecturas
diarias de una estación de seguimiento).
La razón no independencia es un problema para situaciones de pruebas estadísticas es que si las observaciones se correlacionan
positivamente con el tiempo o el espacio, entonces el tamaño efectivo de la muestra para una prueba tiende a ser más pequeño que el tamaño real
de la muestra - es decir, cada observación adicional no proporciona mayor cantidad de información "nueva" porque su valor se determina
parcialmente por (o una función de) el valor de las observaciones adyacentes. Este medio de tamaño efectivo de las muestras más pequeñas que
los grados de libertad para la estadística de prueba es menor, o equivalentemente, la prueba no es tan potente como pensó originalmente. Además
de afectar a la tasa de error de falsa aceptación, la aplicación de las pruebas habituales para datos correlacionados tiende a resultar en una prueba
cuyo nivel de significancia real (tasa de error de falso rechazo) es mayor que la tasa de error nominal.
Cuando se correlacionan las observaciones, las estimaciones de la varianza que se utilizan en las pruebas fórmulas estadísticas
son a menudo subestimados. Por ejemplo, considere la media de una serie de n temporally- ordenó observaciones. Si estas observaciones
son independientes, entonces la varianza de la media es
F 2 / n, donde F 2 es la varianza de las observaciones individuales (ver sección 2.2.3 ). Sin embargo, si las observaciones no son
independientes y la correlación entre observaciones sucesivas es D ( por ejemplo, la correlación entre la primera y la segunda
observación es RE, entre las observaciones primera y la tercera es re 2, entre las observaciones primera y cuarta es re 3, etc.), entonces
la varianza de los aumentos medios a
EPA QA / G-9 Final

2 norte- 1
VAR ( X) = s 2 ( 1 + q), dónde q = ( n - t) r k
norte k = 1
que tenderá a ser mayor que F 2 / n si las correlaciones (en promedio) son positivos. Si uno conduce una prueba t en el nivel de significación,
utilizando la fórmula habitual para la estimación de la varianza ( Recuadro 2-3 ), Entonces el nivel de significación real puede ser aproximadamente
el doble de lo que se esperaba incluso para valores relativamente bajos de RE.
Una de las maneras más eficaces para determinar la independencia estadística es a través del uso de la prueba de von
Neumann Rank. Instrucciones para esta prueba se dan en cuadro 4-40 y un ejemplo en el contenido en cuadro 4-41 . En comparación con
otras pruebas de independencia estadística, la prueba de rango von Neumann ha demostrado ser más poderoso sobre una amplia variedad
de casos. También es una prueba razonable cuando los datos realmente siguen una distribución normal. En ese caso, la eficacia de la
prueba es siempre cerca de un 90 por ciento si se compara con la relación de von Neumann calculado sobre los datos originales en lugar de
las filas. Esto significa que muy poca efectividad se pierde usando siempre las filas en lugar de las concentraciones originales; el rango de
von Neumann raciones deben detectar correctamente los datos no independientes.
Cuadro 4-40: Instrucciones para la prueba de von Neumann Rango
Sea X 1, X 2, . . . , X norte representar los valores de los datos recogidos en la secuencia de más de períodos equidistantes de tiempo.
Paso 1. Solicitar las mediciones de datos de menor a mayor y asignar un rango único (r yo) a cada
medición (véase cuadro 3-20 A continuación, una lista de las observaciones y sus filas correspondientes en el orden en que
muestreo producido (es decir, mediante el muestreo de evento o orden de tiempo.)
Paso 2. Usando la lista de filas, r yo, para los períodos de muestreo i = 1, 2, ..., n, calcular el rango relación de von Neumann:
� ( r yo - r yo- 1 2)
=2 2 1
en 12
v =
nn( - )
Paso 3: Uso Tabla A-15 del Apéndice A para determinar el punto crítico inferior del rango von Neumann ración
Si la de
utilizando el tamaño de la muestra, n, y el nivel de significación deseado". este punto crítico, la conclusión relación calculada,
que la serie de datosv, es menor que
está
fuertemente correlacionada automático. correlaciona ligeramente, pero no hay ninguna evidencia estadísticamente significativa paralos
Si no es así, rechazar la
datos pueden ser
hipótesis de independencia.
Por lo tanto, los datos deben ser considerados como independientes en las pruebas estadístico posterior.
Nota: Si el rango de prueba de razón von Neumann indica evidencia significativa de la dependencia en los datos, un estadístico debe ser
consultado antes de realizar un análisis más detallado.
EPA QA / G-9 Final

Cuadro 4-41: Un ejemplo de la von Neumann Prueba de Rango
Th e siguientes son h r ourly mi ading s a partir de una controlador de descarga: lecturas por hora FRO metro una descarga m o nitor.
Hora: 13:00 14:00 15:00 12:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 24:00 Lectura 6.5
6.6 6.7 6.4 6.3 6.4 6.2 6.2 6.3 6.6 6.8 6.9 7.0
Rango 7 8.5 10 5.5 3.5 5.5 1.5 1.5 3.5 8.5 11 12 13
Paso 1: Las filas se muestran en la tabla anterior y los períodos de tiempo fueron etiquetados 1 a 13.
� - riin
( Rhode Island )
- 12 - 2 10
(.8 5 7 ) ( 8+ 5 2 - . ) + - 2 )
. . .+( 13 12
Paso 2: v = 2 2 1 12
= = = 0 .473
nn( - ) 13 (132 1 -12 ) /
Paso 3: Uso Tabla A-15 del Apéndice A con "= 0,05, el punto crítico inferior es 1,17. Desde v = 0,473 <1,17,
el hypot h ESIS º un t el re ATA son indepe norte Dent m u st sea r mi proyectada.
EPA QA / G-9 Final

Esta página está en blanco intencionalmente.
EPA QA / G-9 Final

CAPÍTULO 5
PASO 5: CONCLUSIONES extraer de los DATOS
EL PROCESO DE DATOS DE EVALUACIÓN DE LA CALIDAD
DQOs revisión y diseño de muestreo
Sacar conclusiones de los datos de

Conducta Examen preliminar de Datos
Propósito
Llevar a cabo la prueba de hipótesis e interpretar los resultados en el contexto
Seleccione la prueba estadística de los objetivos del usuario de datos.
Ocupaciones
Verificar las hipótesis

Realice la prueba estadística de hipótesis sacar conclusiones
del estudio. Evaluar el desempeño del diseño de muestreo
Sacar conclusiones de los Datos
Herramientas
Problemas en la prueba de hipótesis relacionadas con la comprensión y la comunicación de

los resultados de las pruebas
Paso 5: sacar conclusiones de los Datos
• Realizar los cálculos para la prueba de hipótesis estadística.

• Realizar los cálculos y documentar con claridad.
• Si anomalías o valores atípicos están presentes en el conjunto de datos, realizar los cálculos con y sin los
datos cuestionable.
• Evaluar los resultados de las pruebas estadísticas y sacar conclusiones.

• Si se rechaza la hipótesis nula, a continuación, sacar las conclusiones y documentar el análisis.
• Si no se rechaza la hipótesis nula, verificar si los límites tolerables de errores de decisión falsa aceptación
han sido satisfechas. Si es así, sacar conclusiones y documentar el análisis; en caso contrario, determinar las
acciones correctivas, en su caso.
• Interpretar los resultados de la prueba.
• Evaluar el desempeño del diseño de muestreo si el diseño se va a utilizar de nuevo.
• Evaluar la potencia estadística del diseño sobre la gama completa de valores de los parámetros; consultar a un
estadístico según sea necesario.
EPA QA / G-9 Final

Lista de recuadros
Página
Cuadro 5-1: Comprobación de Adecuación del tamaño de la muestra para un One-
Muestra de t-test para el muestreo aleatorio simple. . . . . . . . . . . . . . . . . . . . . . . . . 5-5
Cuadro 5-2: Ejemplo de Cálculos de potencia para la prueba de una muestra de una parte individual. . 5 - 6 En Box 5-3: Ejemplo de
una comparación de dos varianzas
que es estadísticamente pero no Prácticamente significativo. . . . . . . . . . . . . . . . . . . . 5 - 9
Box 5-4: Ejemplo de una comparación de dos sesgos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . De 5 - 10
Lista de Figuras
Página
La Figura 5-1. Ilustración de imparcial frente a las curvas de potencia en polarización negativa. . . . . . . . . . . . . . . . . . . 5-11
EPA QA / G-9 Final

CAPÍTULO 5
PASO 5: CONCLUSIONES extraer de los DATOS
5.1 RESUMEN Y ACTIVIDADES
En este paso final de la DQA, los analistas lleva a cabo la prueba de hipótesis estadística y saca conclusiones que abordan los
objetivos del usuario de datos. Este paso representa la culminación de las fases de planificación, ejecución y evaluación de las operaciones de
datos. se han revisado los objetivos de planificación del usuario de datos (o desarrollado de forma retrospectiva) y el diseño de la muestra
examinada en el Paso habrán sido revisados 1. Los informes sobre la aplicación del sistema de toma de muestras y efectuar una primera
evaluación de los resultados del muestreo desarrollado en el Paso 2. A la luz de la información obtenida en el paso 2, la prueba estadística se
habrá seleccionado en el paso 3. Para garantizar que los métodos estadísticos elegidos son válidos, la clave supuestos de la prueba estadística
subyacente habrá sido verificado en el paso 4. en consecuencia, todas las actividades llevadas a cabo hasta este punto debería garantizar que
los cálculos realizados en el conjunto de datos y las conclusiones extraídas aquí en 5 direcciones de las necesidades del usuario los datos de
paso de manera científicamente defendible. En este capítulo se describen las principales actividades que deben llevarse a cabo durante este
paso. Los procedimientos reales para la implementación de algunas pruebas estadísticas utilizadas comúnmente se describen en el paso 3,
seleccione la prueba estadística.
5.1.1 Realizar la prueba de hipótesis estadística
El objetivo de esta actividad es llevar a cabo la prueba de hipótesis estadística. Paso a paso instrucciones para varias pruebas
estadísticas utilizadas comúnmente se describen en Capítulo 3 . Los cálculos para la prueba deben estar claramente documentados y
fácilmente verificable. Además, la documentación de los resultados de la prueba debe ser tan comprensible que los resultados puedan
comunicarse con eficacia a los que podrá participar en la decisión resultante. Si el software de la computadora se utiliza para realizar los
cálculos, garantizar que los procedimientos están adecuadamente documentados, sobre todo si se han desarrollado algoritmos y
codificado específicamente para el proyecto.
El analista siempre debe ejercer mejor criterio profesional al realizar los cálculos. Por ejemplo, si los valores
atípicos o anomalías están presentes en el conjunto de datos, los cálculos deben realizarse con y sin los datos
cuestionable para ver qué efecto que pueden tener sobre los resultados.
5.1.2 Sacar conclusiones del estudio
El objetivo de esta actividad es traducir los resultados de la prueba de hipótesis estadística para que el usuario de datos puede
sacar una conclusión de los datos. Los resultados de la prueba de hipótesis estadística serán ya sea:
(un) rechazar la hipótesis nula, en cuyo caso, el analista está preocupado por un posible error de decisión
rechazo falso; o
EPA QA / G-9 Final

(si) dejar de rechazar la hipótesis nula, en cuyo caso, el analista está preocupado por un posible error de
decisión falsa aceptación.
En el caso (a), los datos han proporcionado la evidencia necesaria para rechazar la hipótesis nula, lo que la decisión se
puede hacer con suficiente confianza y sin análisis adicional. Esto se debe a la prueba estadística basada en la filosofía prueba de
hipótesis clásica, que es el enfoque descrito en capítulos anteriores, inherentemente controla la tasa de falsos decisión de rechazo error
dentro de límites tolerables de los usuarios de datos, siempre que las suposiciones subyacentes de la prueba se han verificado
correctamente .
En el caso (b), los datos no proporcionan evidencia suficiente para rechazar la hipótesis nula, y los datos deben ser
analizados para determinar si los límites tolerables de los usuarios de datos sobre errores de decisión falsa aceptación han sido
satisfechas. Una de las dos condiciones posibles puede prevalecer:
(1) Los datos no apoyan el rechazo de la hipótesis nula y se mostraron satisfechos de los límites de error de decisión
de falsa aceptación. En este caso, se saca la conclusión a favor de la hipótesis nula, ya que se cree que la
probabilidad de cometer un error de decisión de falsa aceptación a ser lo suficientemente pequeña en el contexto
del estudio actual (véase sección 5.2 ).
(2) Los datos no apoyan el rechazo de la hipótesis nula, y los límites de error de toma de falsa aceptación eran no satisfecho.
En este caso, la prueba estadística no era lo suficientemente potente como para satisfacer los criterios de rendimiento
de los usuarios de datos. El usuario de datos puede optar por tolerar una tasa de error de decisión mayor aceptación
falsa de lo especificado anteriormente y sacar la conclusión a favor de la hipótesis nula, o en su lugar tomar algún tipo
de acción correctiva, tales como la obtención de datos adicionales antes de sacar una conclusión y tomar una decisión .
Cuando falla la prueba para rechazar la hipótesis nula, el procedimiento más a fondo para verificar si los límites de error de toma de falsa
aceptación se han satisfecho es para calcular la potencia estimada de la prueba estadística, usando la variabilidad observada en los
datos. El cálculo de la potencia de la prueba estadística en toda la gama de posibles valores de los parámetros pueden ser complicadas y
por lo general requiere un software especializado. Los cálculos de energía también son necesarios para evaluar el rendimiento de un
diseño de muestreo. Por lo tanto, los cálculos de potencia serán discutidos adicionalmente en Sección
5.1.3 .
Un método más sencillo se puede utilizar para comprobar el rendimiento de la prueba estadística. Usando una estimación de la
varianza obtenida de los datos reales o superior límite de confianza del 95% sobre la varianza, el tamaño de muestra requerido para satisfacer los
objetivos del usuario de datos se pueden calcular retrospectivamente. Si este tamaño de la muestra teórica es menor que o igual que el número de
muestras tomadas en realidad, entonces la prueba es suficientemente potente. Si el número requerido de muestras es mayor que el número
efectivamente percibido, entonces se requieren muestras adicionales para satisfacer los criterios de rendimiento de los usuarios de datos para la
prueba estadística. Un ejemplo de este método está contenida en cuadro 5-1 . las ecuaciones
EPA QA / G-9 Final

Cuadro 5-1: Comprobación de Adecuación del tamaño de la muestra para un One-
Muestra de t-test para el muestreo aleatorio simple
En Recuadro 3-1 , Se utilizó la prueba t de una muestra para probar la hipótesis H 0: μ # 95 ppm frente a H UN: μ> 95 ppm. especifica que la pruebaDQOs
debe limitar la
tasa de error de falso rechazo a 5% y la tasa de error de falsa aceptación a 20% si la media verdadera eran 105 ppm.
Una muestra aleatoria de tamaño n = 9 tenía media de la muestra X ¯ = 99,38 ppm y el nivel
desviación s = 10,41 ppm. La hipótesis nula no se rechaza. Suponiendo que el verdadero valor de la norma
desviación era igual a su muestra de estimación 10,41 ppm, se encontró que se requeriría un tamaño de muestra de 9, que validó el tamaño de la
muestra de 9 que en realidad había sido utilizado.
La distribución de la desviación estándar de la muestra es sesgada con una cola derecha larga. son mayores que 50% que la se
De ello desviación
desprendeestándar de la
que las posibilidades
muestra será subestimar la verdadera desviación estándar. un caso tal, tiene sentido construir en algunos conservadurismo, por ejemplo, mediante el usoEnde
un límite superior de confianza del 90% para F en Paso 5 de Box 3-12 .
Utilizando cuadro 4-22 y n - 1 = 8 grados de libertad, se encuentra que L = 3,49, por lo
que un límite superior de confianza del 90% para la verdadera desviación estándar es
s [(N & 1) / L] ' 10,41 8 / 3,49 ' 15.76
Con este valor de s en Paso 5 de Box 3-1 conduce a la estimación del tamaño de muestra de 17 menos 17 deben ser Por lo tanto, un tamaño de muestra de por lo
utilizados para ser 90% seguro de alcanzar los DQOs. Puesto que es generalmente deseable evitar la
necesidad de un muestreo adicional, es recomendable estimar conservadoramente tamaño de la muestra en el primer lugar. donde DQOs dependen de En
unacasos
estimación de la varianza, este conservadurismo se consigue por sobreestimar intencionalmente la varianza.
requerido para realizar estos cálculos se han proporcionado en las instrucciones detalladas paso a paso para cada procedimiento de prueba
de hipótesis en Capítulo 3 .
5.1.3 Evaluar el desempeño del diseño de muestreo
Si el diseño de muestreo es para ser utilizado de nuevo, ya sea en una fase posterior del estudio actual o en
un estudio similar, el analista estará interesado en evaluar el rendimiento global del diseño. Para evaluar el diseño del
muestreo, el analista realiza un análisis de la potencia estadística que describe la potencia estimada de la prueba
estadística sobre el rango de posibles valores de los parámetros. La potencia de una prueba estadística es la
probabilidad de rechazar la hipótesis nula cuando la hipótesis nula es falsa. La potencia estimada se calcula para todos
los valores de los parámetros bajo la hipótesis alternativa para crear una curva de potencia. Un análisis de poder ayuda
al analista evaluar la adecuación del diseño de muestreo cuando el valor del parámetro verdaderas mentiras en las
inmediaciones del nivel de acción (que pueden no haber sido el resultado de este estudio). De esta forma,
Los cálculos necesarios para llevar a cabo un análisis de la potencia pueden ser relativamente complicado, dependiendo de la
complejidad del diseño de muestreo y prueba estadística seleccionado. cuadro 5-2
ilustra los cálculos de potencia para una prueba de un solo proporción, que es uno de los casos más simples. Una discusión adicional de las
curvas de potencia (curvas de rendimiento) está contenida en el Orientación para los objetivos de calidad de datos (QA / G-4) ( EPA 1994).
EPA QA / G-9 Final

Cuadro 5-2: Ejemplo de Cálculos de potencia para la prueba de una muestra de una parte individual
Este cuadro ilustra los cálculos de potencia para la prueba de H 0: P $ .20 vs. H UN: P <0,20, con una tasa de error de falso rechazo de 5% cuando P = 0.20
presenta en 3-10 cajas y 3-11 La potencia de la prueba se calculó suponiendo P 1=
. 15 y antes de que se dispone de ningún dato. Desde nP 1 y n (1-P 1) tanto exceder 4, el tamaño de la muestra es lo suficientemente grande
para la aproximación normal, y la prueba se puede llevar a cabo como en el los pasos 3 y 4 de la caja de 3-10
PASO 1: Determinar las condiciones generales para el rechazo de la hipótesis nula. En este caso, la hipótesis nula
hipótesis se rechaza si la proporción de la muestra es suficientemente más pequeña que P 0. (Claramente, una muestra
proporción por encima de P 0 no se puede poner en duda H 0.) Por los pasos 3 y 4 de la caja de 3-10 y 3-3 H 0 se rechaza
Si
pag % . 5 / N & PAG 0

<y z 1 y ".
PAG 0 Q 0 / norte
Aquí p es la proporción de la muestra, Q 0 = 1 - P 0, n es el tamaño de la muestra, y z 1-" es el valor crítico de tal manera que 100 (1 - ")% de la
distribución normal estándar está por debajo de z 1-". Esta desigualdad es verdadera si
pag % . 5 / n <P 0 & z 1 y " PAG 0 Q 0 / n.
Paso 2: Determinar las condiciones específicas para el rechazo de la hipótesis nula si P 1 (= 1-Q 1) es el verdadero valor de
la proporción P. Las mismas operaciones que se utilizan en paso 3 de la caja de 3-10 se realizan en ambos
lados de la desigualdad anterior. Sin embargo, P 0 se sustituye por P 1 ya que se supone que P 1 es la verdad
proporción. Estas operaciones hacen que la aproximación normal aplicable. Por lo tanto, el rechazo se produce si
pag % . 5 / N & PAG 1

< PAG 0 & PAG 1 y z 1 y " PAG 0 Q 0 / norte '. 20 y 0,15 y 1,645 (0,2) (0,8) / 85 '& 0.55
PAG ) PAG 1 Q 1 / norte (0,15) (0,85) / 85
1 Q 1 / norte
PASO 3: Encontrar la probabilidad de rechazo si P 1 es la proporción real. Por el mismo razonamiento que condujo a la
prueba de los pasos 3 y 4 de las cajas 3-10 y 3-11 la cantidad en el lado izquierdo de la desigualdad anterior es una variable
normal estándar. Por lo tanto la potencia en P 1=. 15 (es decir, la probabilidad de
rechazo de H 0 cuando 0.15 es la proporción real) es la probabilidad de que una variable normal estándar es inferior a -0,55.
En este caso, la probabilidad es de aproximadamente 0,3 (usando la última línea de Tabla A-1
del Apéndice A ) Que es bastante pequeña.
5.2 Interpretar y comunicar LOS RESULTADOS DE PRUEBAS
A veces pueden surgir dificultades al interpretar o explicar los resultados de una prueba estadística. Una de las
razones para tales dificultades pueden deberse a las inconsistencias en la terminología; otro puede ser debido a una falta
de comprensión de algunos de los conceptos básicos que subyacen en las pruebas de hipótesis. Como ejemplo, en la
explicación de los resultados a un usuario de datos, un analista puede utilizar una terminología diferente a la que aparece
en esta guía. Por ejemplo, en lugar de decir que la hipótesis nula fue o no fue rechazada, los analistas pueden informar del
resultado de una prueba diciendo que sus programas informáticos de salida un valor de p de 0,12. ¿Qué significa esto?
Problemas similares de interpretación pueden ocurrir cuando los intentos de los usuarios de datos para comprender la
importancia práctica de los resultados de las pruebas o para explicar los resultados de las pruebas a los demás.
EPA QA / G-9 Final

Versión QA00 5 - 6 En de julio de el año 2000
5.2.1 Interpretación de los valores de p
El enfoque clásico de las pruebas de hipótesis es prespecify el nivel de significación de la prueba, es decir, la tasa de error de
decisión de tipo I". Esta tasa se utiliza para definir la regla de decisión asociado con la prueba de hipótesis., Por ejemplo, en la prueba de si la
media de la población μ excede de un nivel umbral (por ejemplo, 100 ppm), la estadística de prueba puede depender X ¯, una estimación de μ.
La obtención de una estimación X ¯ que es mayor que 100 ppm puede ocurrir simplemente por casualidad incluso si el verdadero μ media es
menor que o igual a 100; Sin embargo, si X ¯ es "mucho más grande" que 100 ppm, entonces sólo hay una pequeña probabilidad de que la
hipótesis nula H 0 ( μ # 100 ppm) es verdadera. Por lo tanto la regla de decisión podría tomar la forma de "rechazo H 0 Si X ¯ excede 100 + C "donde
C es una cantidad positiva que depende de" (y de la variabilidad de X ¯). Si se cumple esta condición, entonces el resultado de la prueba
estadística se indica como "rechazar H 0" ; de lo contrario, el resultado se expresa como "no rechazar H 0."
Una forma alternativa de notificación de los resultados de una prueba estadística es informar de su valor de p, que se define como la
probabilidad, suponiendo que la hipótesis nula para ser verdad, de la observación de un resultado de la prueba al menos tan extremo como el que
se encuentra en la muestra. Muchos paquetes de software estadísticos informan los valores de p, en lugar de adoptar el enfoque clásico de la
utilización de una tasa de error de falso rechazo especificado de antemano. En el ejemplo anterior, por ejemplo, el valor de p sería la probabilidad
de observar una media de la muestra tan grande como X ¯ (o más grande) si, de hecho, la verdadera media era igual a 100 ppm. Obviamente, en la
toma de una decisión basada en el valor de p, se debe rechazar H 0 cuando p es pequeño y no rechazarla si p es grande. Así, la relación entre los
valores de p y el enfoque de la prueba de hipótesis clásica es que uno rechaza H 0 Si el valor p asociado con el resultado de la prueba es menor
que". Si el usuario de datos alineó a la tasa de error de falso rechazo como 0,05 a priori y el analista reportó un valor de p de 0,12, entonces el
usuario de datos informaría el resultado como "no rechazar la hipótesis nula;" si el valor de p había sido reportado como 0,03, entonces esa
persona podría reportar el resultado como "rechazar la hipótesis nula." Una ventaja de informar los valores de p es que proporcionan una medida
de la fuerza de la evidencia a favor o en contra de la hipótesis nula, lo que permite a los usuarios de datos para establecer sus propias tasas de
error de falso rechazo. El nivel de significancia se puede interpretar como que el p-valor ( ") que divide" no rechazan H O"
de "rechazar H O."
5.2.2 "Aceptar" frente a "no rechazar" la hipótesis nula
Como se ha señalado en los párrafos anteriores, el enfoque clásico a los resultados de prueba de hipótesis en una de dos
conclusiones: "rechazar H 0" ( llamado un resultado significativo) o "no rechazar H 0" ( un resultado no significativo). En este último caso se
podría estar tentado a equiparar "no rechazar H 0" con "aceptar H 0." No se recomienda esta terminología, sin embargo, debido a la filosofía
que subyace en el procedimiento de prueba clásica. Esta filosofía hace recaer la carga de la prueba sobre la hipótesis alternativa, es
decir, se rechaza la hipótesis nula sólo si las pruebas aportadas por los EE.UU. convence de datos que la hipótesis alternativa es la
más probable estado de la naturaleza. Si se obtiene un resultado no significativo, proporciona evidencia de que la hipótesis nula podría suficientemente
cuenta de los datos observados, pero no implica que la hipótesis es la única hipótesis que podría ser apoyado por los datos. En otras
palabras, un resultado altamente significativa (por ejemplo, un valor de p de
0.80) puede indicar que la hipótesis nula proporciona un modelo razonable para explicar los datos, pero no implica
necesariamente que la hipótesis nula es verdadera. Se puede, por ejemplo, simplemente
EPA QA / G-9 Final

Versión QA00 De 5 - 7 de julio de el año 2000
indican que el tamaño de la muestra no era lo suficientemente grande como para establecer de manera convincente que la alternativa
hipótesis más probable. Cuando se encuentra la frase "aceptarOH", se debe considerar
como "aceptada con las advertencias anteriores."
5.2.3 Significación estadística vs Significado Práctico
Hay una distinción importante entre estos dos conceptos. La significación estadística se refiere simplemente al resultado de la
prueba de hipótesis: se rechazó la hipótesis nula? La probabilidad de lograr un resultado estadísticamente significativo depende de la
verdadero valor del parámetro de la población que se está probando (por ejemplo, μ), la cantidad que se desvía de valor desde el valor
hipótesis bajo la hipótesis nula (por ejemplo, μ 0), y en el tamaño de la muestra. Esta dependencia (μ - μ 0) se representa por la curva de
potencia asociado con la prueba ( sección 5.1.3 ). Una curva de potencia empinada se puede lograr mediante el uso de una muestra de gran
tamaño; Esto significa que habrá una alta probabilidad de detectar incluso una pequeña diferencia. Por otro lado, si se utilizan pequeños
tamaños de muestra, la curva de potencia será menos pronunciada, lo que significa que sólo una diferencia muy grande entre μ y μ 0 será
detectable con alta probabilidad. Por lo tanto, supongamos que se obtiene un resultado estadísticamente significativo, pero no tiene
conocimiento de la potencia de la prueba. Entonces es posible, en el caso de la curva de potencia empinada, que uno puede estar
declarando significación (alegando μ> μ 0, por ejemplo) cuando la diferencia real, desde un punto de vista práctico, puede ser intrascendente.
O, en el caso de la curva de potencia aumentando lentamente, uno no puede encontrar un resultado significativo a pesar de que una "gran"
diferencia entre μ y μ 0 existe. Ninguna de estas situaciones es deseable: en el primer caso, se ha producido un exceso de recursos
gastados, mientras que en el último caso, es probable un error de falsa aceptación y se ha producido.
Pero la diferencia de una forma amplia entre el parámetro y el valor nulo es de real importancia? Esto se
relaciona con el concepto de importancia práctica. Lo ideal sería que se hizo esta pregunta y respondió como parte del
proceso de DQO durante la fase de planificación del estudio. El conocimiento de la magnitud de la diferencia que se
considera como siendo de importancia práctica es importante durante la etapa de diseño, porque esto le permite a uno, en
la medida en que los permisos de información previa, para determinar un plan de muestreo de tipo y tamaño que hará que
la magnitud de esa diferencia proporcional a la diferencia que se puede detectar con alta probabilidad. Desde una
perspectiva de diseño puramente estadístico, esto puede ser considerado como propósito principal del proceso de DQO.
Con esta planificación, cuadro 5-3 contiene un ejemplo de una diferencia estadísticamente significativa, pero bastante
intrascendente.
5.2.4 Impacto de los Resultados de la Prueba de polarización en la
Bias se define como la diferencia entre el valor esperado de una estadística y un parámetro de población. Es relevante cuando la
estadística de interés (por ejemplo, un promedio de la muestra X ¯) es para ser utilizado como una estimación del parámetro (por ejemplo, la
población μ media). Por ejemplo, el parámetro de la población de interés puede ser la concentración promedio de dioxina dentro de los límites
dados de un sitio de desechos peligrosos, y la estadística podría ser la muestra promedio tal como se obtiene a partir de una muestra aleatoria
de puntos dentro de esos límites. El valor esperado de una estadística puede interpretarse como suponiendo una implementarse varias veces
la de muestreo particular diseño de un número muy grande de
EPA QA / G-9 Final

veces y se calcula la estadística de interés en cada caso. El promedio de los valores de la estadística sería entonces considerarse como
su valor esperado. Sea E denota el valor esperado de X ¯ y denotar la relación entre el valor esperado y el parámetro, μ, como E = μ + b,
donde b es el sesgo. Por ejemplo, si el sesgo se produjo debido a la recuperación incompleta de un analito (y no se realizan ajustes),
entonces b = (R-100) μ / 100, donde R indica el porcentaje de recuperación. Bias también se puede producir por otras razones, como la
falta de cobertura de la población entera de destino (por ejemplo, si sólo los tambores dentro de un sitio de almacenamiento que son
fácilmente accesibles son elegibles para su inclusión en la muestra, entonces inferencias a todo el grupo de los tambores puede ser
parcial). Por otra parte, en los casos de cobertura incompleta, la magnitud y dirección de la polarización pueden ser desconocidos. Un
ejemplo que implica la comparación de los sesgos de dos métodos de medición está contenida en cuadro 5-4 .
Box 5-3: Ejemplo de una comparación de dos varianzas que es

estadísticamente significativo pero no Prácticamente
El programa de control de calidad (QC) asociado con un sistema de medición proporciona información importante sobre el rendimiento y también produce
datos que deben tenerse en cuenta en algunos análisis estadísticos. El programa de control de calidad debería incluir muestras de CC de verificación, es
decir, muestras de la composición y la concentración conocida que se ejecutan en las frecuencias regulares. El término precisión se refiere a la
consistencia de un método de medición en aplicaciones repetidas en condiciones fijas y por lo general se equipara con una desviación estándar. La
desviación estándar apropiado es uno que resulta de aplicar el sistema a la misma muestra durante un largo período de tiempo.
Este ejemplo se refiere dos métodos de medición de ozono en el aire ambiente, un método aprobado y un nuevo método candidato. Ambos métodos se
utilizan una vez por semana una vez por semana durante tres meses. Basado en 13 análisis con cada método de la muestra de verificación de control de
calidad de gama media a 100 ppb, la hipótesis nula de igualdad de las dos varianzas se pondrá a prueba con una tasa de error de falso rechazo de 5% o
menos. (Si las varianzas son iguales, entonces las desviaciones estándar son iguales.) Método 1 tenía una media de la muestra de 80 ppb y una desviación
estándar de 4 ppb. Método 2 tuvo una media de 90 ppb y una desviación estándar de 8 ppb. La prueba de Shapiro-Wilks no rechazó la hipótesis de
normalidad por alguno de ellos. La aplicación de la prueba F de cuadro 4-23 , La relación F es 8 2 / 4 2 = 2. El uso de 12 grados de libertad para el numerador y el
denominador, la relación F debe ser superior a 3,28 con el fin de rechazar la hipótesis de la igualdad de las varianzas ( Tabla A-9 del Apéndice A ). Desde 4>
3,28, se rechaza la hipótesis de igualdad de las diferencias, y se concluye que el método 1 es significativamente más preciso que el método 2.
En un entorno urbano industrializados, se conocen los verdaderos niveles de ozono en una ubicación fija y hora del día para variar a lo largo de un período
de meses con un coeficiente de variación de al menos 100%. Esto significa que la relación de la desviación estándar (SD) a la media en una localización
dada es al menos 1. Para una media de 100 ppb, la desviación estándar en el tiempo para los valores verdaderos de ozono en la ubicación serían al menos
100 ppb. En relación con este grado de variabilidad, una diferencia entre las desviaciones estándar de error de medición de 4 o 8 ppb es insignificante. La
varianza en general, la incorporación de la verdadera variabilidad del proceso y error de medición, se obtiene sumando las variaciones individuales. Por
ejemplo, si la desviación estándar de error de medición es de 8 ppb, entonces la varianza total es (100 ppb) (100 ppb) + (8 ppb) (8 ppb). Tomando la raíz
cuadrada de la varianza da una correspondiente desviación estándar total de 100,32 ppb. Para una desviación estándar de error de medición de 4 ppb, la
desviación estándar total sería de 100,08 ppb. Desde un punto de vista práctico, la diferencia de precisión entre los dos métodos es insignificante para la
aplicación dada, a pesar de la constatación de que existe una diferencia estadísticamente significativa entre las varianzas de los dos métodos.
EPA QA / G-9 Final

Cuadro 5-4: Ejemplo de una comparación de dos sesgos
Este ejemplo es una continuación de la comparación la medición de ozono se describe en cuadro 5-3 . Dejar X ¯y
s X denotar la desviación media y estándar de la muestra de método de medición 1 aplicada a la muestra de verificación de control de calidad, y dejar Y ¯
y s Y denotar la desviación media y estándar de la muestra de método 2. Luego X ° = 80 ppb,
s X = 4 ppb, Y ¯ = 90 ppb y s = Y 8 ppb. Los sesgos estimados son X ¯ - T = 80-100 = -20 ppb para el método
1, y Y ¯ - T = 90-100 = 10 ppb para el método 2, ya que 100 ppb es el verdadero valor T. Es decir, el método 1 parece Let μ
a subestimar por 20 ppb, y el método 2 parece subestimar por 10 ppb. 1 y μ 2 ser el
subyacente concentraciones medias para los métodos de medición 1 y 2 aplicado a la muestra de verificación de control de calidad. Estos medios corresponden a los
resultados medios que obtener mediante la aplicación de cada método de un gran número de veces para la muestra de verificación de control de calidad, durante un
largo período de tiempo.
Una prueba t de dos muestras ( 3-14 cajas y 3-16 ) Se puede utilizar para comprobar si una diferencia significativa entre estos dos sesgos.
En este caso, una prueba de dos colas de la hipótesis nula H μ 0: 1 - μ 2 = 0 contra el H alternativa UN:
μ 1 - μ 2 ... 0 es apropiada, porque no hay a priori razón (antes de la recolección de datos) para sospechar que un método de medición
es superior al otro. datos.) (En general, las hipótesis no deben ser adaptados a
Tenga en cuenta que la diferencia entre los dos sesgos es la misma que la diferencia (μ 1- μ 2) Entre los
dos medios subyacentes de los métodos de medición. tasa de error de La prueba se hace para limitar el falso rechazo
5% si los dos medios son iguales.
PASO 1: X ° = 80 ppb, s X = 4 ppb, Y ° = 90 ppb, s = Y 8 ppb.
PASO 2: De cuadro 5-3 , Se sabe que los métodos tienen significativamente diferentes variaciones, de modo que
La prueba t de Sattherthwaite se debe utilizar. Por lo tanto,
s X2 Y 42
s NE =
m+s2 n= 13 + 8 2 13 = 2,48
2
2
s X2 Y 42
m + s 2 norte 13 + 8 2 13
PASO 3: f= = = 17,65.
s X4 s Y4 44 84
metro 2 ( m - 1) + norte 2 ( n - 1)
13 2 12 + 13 2 12
El redondeo hacia abajo al entero más cercano da f = 17. Para una prueba de dos colas, el valor crítico es t
1 - "/ 2 = t. 975 = 2.110, de Tabla A-1 del Apéndice A .
X - ¯ YS Nebraska
ETAPA 4: t=¯ = 80-90
2,48 = - 4,032
PASO 5: Para una prueba de dos colas, comparar * t * con t 1 - "/ 2 = 2.11. Desde 4.032> 2.11, rechazar la hipótesis nula
hipótesis y concluyen que hay una diferencia significativa entre los dos sesgos método, a favor de método 2.
Este cuadro ilustra una situación en la que dos métodos de medición donde un método es más preciso, pero también más sesgada,
que el otro. menos sesgada método, más variableSiesno preferible.
se hace ningún ajuste por sesgo, a continuación, para muchos propósitos, la
Sin embargo, el ajuste de polarización adecuada puede hacer que tanto
tales ajustes
métodos imparciales, de modo que el método más preciso se convierte en el método preferido. puede basarse en resultados de la muestra de verificación de control de
calidad, si las muestras de verificación de control de calidad son considerados como representativo de muestras ambientales que involucran analitos y matrices
suficientemente similares.
EPA QA / G-9 Final

En el contexto de la prueba de hipótesis, el impacto del sesgo puede ser muy grave en algunas circunstancias. Esto se puede
ilustrar mediante la comparación de la curva de potencia de una prueba cuando sesgo no está presente con una curva de potencia para el
mismo t est cuando sesgo está presente. La influencia básica de sesgo es
para cambiar la antigua curva "no sesgo" a la derecha
o izquierda, dependiendo de la dirección de la
polarización. Si el sesgo es constante, entonces la 0.8 1
segunda curva será una traducción exacta de la
Decidir probabilidad de parámetro

0.6
antigua curva; si no, no habrá un cambio en la forma
Nivel excede Acction

sesgado al alza
de la segunda curva, además de la traducción. Si la Imparcial
0.4
existencia del sesgo es desconocido, entonces el ex
curva de potencia será considerado como la curva 0.2
que determina las propiedades de la prueba cuando

en realidad la segunda curva será el que realmente 0
80 100 120 140 160
representa el poder de la prueba. El verdadero valor del parámetro
La Figura 5-1. Ilustración de imparcial frente a las curvas de potencia

sesgada
Por ejemplo, en Figura 5-1 cuando el valor verdadero del parámetro es 120, la potencia "no sesgo" es
0,72 pero el verdadero poder (el poder sesgado) sólo es 0,4, una diferencia sustancial. Desde sesgo es
no afectados por el cambio de tamaño de la muestra, mientras que la precisión de las estimaciones y el poder de las pruebas aumenta con el
tamaño de la muestra, la importancia relativa de sesgo se vuelve más pronunciada cuando aumenta el tamaño de la muestra (es decir, cuando
uno hace la curva más pronunciada de potencia). Del mismo modo, si existe la misma magnitud de polarización para dos sitios diferentes,
entonces el impacto sobre los errores de prueba será más severo para el sitio que tiene la variabilidad inherente menor en la característica de
interés (es decir, cuando el sesgo representa una porción más grande de la variabilidad total) .
Para minimizar los efectos de sesgo: identificar y documentar las fuentes de sesgo potencial; adoptar procedimientos de
medición (incluyendo recolección, manejo, y procedimientos de análisis) que minimizan el potencial de sesgo; hacer un esfuerzo
concertado para cuantificar el sesgo siempre que sea posible; y hacer una compensación apropiada de sesgo cuando sea posible.
5.2.5 Cantidad vs Calidad de los Datos
Las conclusiones anteriores implican que, si la compensación de sesgo no se puede hacer y si las decisiones basadas en
estadística han de hacerse, entonces no habrá situaciones en las que debe considerarse seriamente la posibilidad de utilizar una imprecisa
(y tal vez relativamente barato) método químico que tiene sesgo insignificante en comparación con el uso de un método muy preciso que
tiene incluso un grado moderado de sesgo. La desventaja favoreciendo el método impreciso es especialmente relevante cuando la
variabilidad inherente en la población es muy grande en relación con el error de medición aleatorio.
Por ejemplo, supongamos que una concentración media para un área espacial dada (sitio) es de interés y que el coeficiente
de variación (CV) la caracterización de la variabilidad del sitio es 100%. Deje el método A denotar un método impreciso, con CV de
medición de error de 40%, y dejar que el método B denotan un método muy preciso, con CV de medición de error de 5%. La
variabilidad global, o total
EPA QA / G-9 Final

variabilidad, esencialmente, puede considerarse como la suma de la variabilidad espacial y la variabilidad de medición. Estos se obtienen a
partir de los CV individuales en la forma de varianzas. Como CV es igual a la desviación estándar dividida por la media, se deduce que la
desviación estándar sitio es entonces los tiempos de CV la media. Por lo tanto, para el sitio, la varianza es de 1,00 2 x media 2; para el método
A, la varianza es 0,40 2 x media 2; y para el método B, la varianza es 0,05 2 x media 2. La variabilidad general cuando se utiliza el método A es
entonces (1,00 2 x media 2) + ( 0.40 2 x media 2) = 1,16 x significan 2, y cuando se utiliza el método B, la varianza es (1,00 2 x media 2) + ( 0.05 2 x media 2) = 1,0025
media 2. Se deduce que el CV en general cuando se utiliza cada método es entonces (1.077 x media) / media = 107,7% para el método A, y
(1.001 x media) / media = 100,1% para el método B.
Consideremos ahora una muestra de 25 ejemplares del sitio. los precisión de la media de la muestra a continuación, se puede
caracterizar por el error relativo estándar (RSE) de la media (que por la sencilla situación muestra aleatoria es simplemente el CV general
dividido por la raíz cuadrada del tamaño de la muestra). Para el Método A, RSE = 21,54%; para el método B, RSE = 20,02%. Supongamos
ahora que el método impreciso (Método A) es imparcial, mientras que el método preciso (Método B) tiene un sesgo 10% (por ejemplo, un
porcentaje de recuperación del analito de 90%). Una medida global de error que refleja lo bien que las estimaciones de la media de la
muestra la media sitio es la raíz del error cuadrático relativa media (RRMSE):
RRMSE = (RB) 2 + ( RSE) 2
donde RB denota el sesgo relativo (RB = 0 para el Método A, ya que es imparcial y RB = ± 10% para el Método B, ya que está
sesgada) y RSE es como se define anteriormente. El error total en la estimación de la media de la población (el RRMSE) sería
entonces 21,54% para el Método A y 22,38% para el Método
B. Si el sesgo relativo para el Método B fue del 15% en lugar de 10%, entonces el RRMSE para el Método A sería 21,54% y el RRMSE para
el Método B sería 25,02%, por lo que la diferencia método es aún más pronunciada. Mientras que la ilustración anterior se representa en
términos de estimación de una media sobre la base de una muestra aleatoria simple, los conceptos básicos se aplican de manera más
general.
Este ejemplo sirve para ilustrar que un método que puede ser considerado preferible desde un punto de vista químico [por ejemplo, 85
o 90% de recuperación, 5% de desviación estándar relativa (RSD)] puede no funcionar tan bien en una aplicación estadística como un método con
menos sesgo y una mayor imprecisión (por ejemplo, polarización cero, 40% RSD), especialmente cuando la variabilidad inherente sitio es grande
con relación a la RSD de medición de errores.
5.2.6 "Prueba de Seguridad" "Prueba de luces de emergencia" vs.
Debido a la filosofía básica de hipótesis, la hipótesis nula se especifica generalmente en términos de la status quo ( por
ejemplo, ningún cambio o acción se llevará a cabo si no se rechaza la hipótesis nula). Además, dado que el enfoque clásico ejerce un
control directo sobre la tasa de error de falso rechazo, esta tasa se asocia generalmente con el error de mayor preocupación (para
mayor discusión sobre este punto, véase sección 1.2 ). Una de las dificultades, por lo tanto, puede ser la obtención de un consenso en
el que el error debe ser de mayor preocupación. No es improbable que el punto de vista de la Agencia en este sentido será diferente
del punto de vista de la parte regulada. En el uso de esta filosofía, enfoque ideal de la Agencia no sólo para establecer la dirección de
la hipótesis de tal manera que el control de la
EPA QA / G-9 Final

de error falso rechazo protege la salud y el medio ambiente, sino también para configurarlo de manera que fomente la calidad (alta
precisión y exactitud) y minimiza el gasto de recursos en situaciones donde las decisiones son relativamente "fácil" (por ejemplo,
todas las observaciones están lejos de ser el umbral nivel de interes).
En algunos casos, cómo una formula la hipótesis de ensayos problema puede dar lugar a muy diferentes
requisitos de muestreo. Por ejemplo, a raíz de las actividades de remediación en un sitio de desechos peligrosos,
uno puede tratar de responder "¿Es el sitio limpio?" Supongamos que uno intentos de abordar esta cuestión
mediante la comparación de un nivel medio a partir de muestras tomadas después de la remediación con un nivel de
umbral (elegido para reflejar la "seguridad"). Si el nivel de umbral es de cerca de los niveles de fondo que pudieran
haber existido en ausencia de la contaminación, entonces puede ser muy difícil (es decir, requieren enormes
tamaños de muestra) para "probar" que el sitio es "seguro". Esto es porque no se espera que las concentraciones
resultantes de incluso una remediación altamente eficiente en tales circunstancias desviarse considerablemente de
tal umbral a.
Para evitar gastos excesivos en la recogida y análisis de muestras para un contaminante, compromisos a veces será necesario.
Por ejemplo, supongamos que un nivel de significación de 0,05 se va a utilizar; sin embargo, puede esperarse que el tamaño de la muestra
asequible para producir una prueba con energía de solamente 0,40 en algún valor de parámetro especificado elegido tener importancia
práctica (ver Sección
5.2.3 ). Una posible manera que el compromiso puede hacerse en tal situación una es relajar el nivel de
significación, por ejemplo, el uso de "= 0,10, 0,15, o 0,20. Al relajar esta tasa de falso rechazo, un poder
superior (es decir, una tasa de falsa aceptación inferior $) se puede lograr. un argumento puede ser hecho,
por ejemplo, que uno debe desarrollar planes de muestreo y determinar los tamaños de muestra de tal manera
que tanto el falso rechazo y falsa aceptación errores se tratan de manera simultánea y de manera equilibrada
(por ejemplo, diseñar para lograr "= $ = 0,15) en lugar de utilizar el enfoque tradicional de la fijación de la tasa
de error de falso rechazo a 0,05 o 0,01 y dejando $ determinado por el tamaño de la muestra.
EPA QA / G-9 Final

Versión QA00 5 - 13 de julio de el año 2000
Esta página está en blanco intencionalmente.
EPA QA / G-9 Final

APÉNDICE A
TABLAS ESTADÍSTICAS
EPA QA / G-9 Final

Versión QA00 A-1 de julio de el año 2000
LISTA DE TABLAS
Cuadro No. Página

A-1: valores críticos de ESTUDIANTE t distribución. . . . . . . . . . . . . . . . . . . . A - 3 A-2: valores críticos para LA
studentizados rango de prueba. . . . . . . . . . . . . . A - 4 A-3: valores críticos para EXTREMO valor de prueba
(DIXON'S TEST). . . . A - 5 A-4: valores críticos para discordancia TEST. . . . . . . . . . . . . . . . . . . . . . . . . A - 6
A-5: valores críticos APPROXIMATE 8 r PARA LA PRUEBA ROSNER. . . . . . . . . . . . . . A - 7 A-6: cuantiles de la
prueba de rangos con signo de Wilcoxon. . . . . . . . . . . . . . . . . A - 9 A-7: valores críticos para la suma de
rangos de TEST. . . . . . . . . . . . . . . . . . . . . . . A - 10 A-8: percentiles de la distribución chi-cuadrado. . . . . . . . .
. . . . . . . . . . A - 12 A-9: percentiles de la F de distribución. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ESTIMACIONES valores del parámetro PARA Cohen: 13 A-10 - A
AJUSTE DE VALORES NONDETECTED. . . . . . . . . . . . . . . . . . . . A - 18

A-11: PROBABILIDADES PARA LA PEQUEÑA MUESTRA
MANN-KENDALL prueba de tendencia. . . . . . . . . . . . . . . . . . . . . . . . . . A - 19
A-12. Cuantiles PARA LA PRUEBA de Wald-Wolfowitz para tiradas. . . . . . . . . . . A - 20 A-13. MODIFICADOS
NÚMEROS QUANTILE prueba crítica. . . . . . . . . . . . . . . . . . . . A - 23 A-14. 'S prueba de Dunnett (ONE colas).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A - 27 A-15. Acercar "PUNTOS CRÍTICOS DE ALTO NIVEL
RANK VON NEUMANN RATIO TEST. . . . . . . . . . . . . . . . . . . . . . . . . . A - 29
EPA QA / G-9 Final

TABLA A-1: valores críticos de ESTUDIANTE t DISTRIBUCIÓN
1 -"
t ( 1- ")
1 - ""
Grados de
libertad . 70 . 75 . 80 . 85 . 90 . 95 . 975 . 99 . 995
1234 0,727 1,000 1,376 1,963 3,078 6,314 12.706 31.821 63.657
0,617 0,816 1,061 1,386 1,886 2.920 4.303 6,965 9,925
0,584 0,765 0,978 1,250 1,638 2,353 3.182 4.541 5,841
0,569 0,741 0,941 1.190 1,533 2.132 2,776 3,747 4,604
5 0,559 0,727 0,920 1.156 1.476 2.015 2,571 3,365 4,032
6789 0,553 0,718 0,906 1.134 1,440 1,943 2,447 3.143 3,707
0,549 0,711 0,896 1.119 1,415 1.895 2,365 2,998 3,499
0,546 0,706 0,889 1.108 1.397 1.860 2,306 2,896 3.355
0,543 0,703 0,883 1.100 1,383 1,833 2.262 2,821 3.250
10 0,542 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3.169
11 0,540 0,697 0,876 1,088 1,363 1,796 2.201 2,718 3.106

12 0,539 0,695 0,873 1.083 1,356 1,782 2,179 2.681 3,055
13 0,538 0,694 0,870 1,079 1,350 1,771 2.160 2.650 3.012
14 0,537 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977
15 0,536 0,691 0,866 1,074 1.34 1,753 2.131 2,602 2,947
16 0,535 0,690 0,865 1,071 1,337 1.746 2.120 2,583 2,921

17 0,534 0,689 0,863 1,069 1,333 1.740 2.110 2,567 2,898
18 0,534 0,688 0,862 1,067 1.330 1,734 2.101 2,552 2,878
19 0,533 0.6880 0,861 1,066 1.328 1,729 2,093 2,539 2,861
20 0,533 . 687 0,860 1,064 1.325 1.725 2.086 2,528 2.845
21 0,532 0,686 0,859 1,063 1,323 1,721 2.080 2,518 2,831

22 0,532 0,686 0,858 1,061 1.321 1,717 2,074 2,508 2,819
23 0,532 0,685 0,858 1.060 1.319 1,714 2,069 2,500 2.807
24 0,531 0,685 0,857 1,059 1,318 1,711 2,064 2.492 2,797
25 0,531 0,684 0,856 1,058 1.316 1,708 2.060 2,485 2,787
26 0,531 0,684 0,856 1,058 1.315 1,706 2,056 2,479 2,779

27 0,531 0,684 0,855 1.057 1,314 1,703 2.052 2,473 2,771
28 0,530 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2.763
29 0,530 0,683 0,854 1.055 1.311 1,699 2,045 2,462 2,756
30 0,530 0,683 0,854 1.055 1.310 1,697 2.042 2,457 2.750
40 0,529 0,681 0,851 1.050 1,303 1,684 2,021 2.423 2,704

60 0,527 0,679 0,848 1.046 1,296 1,671 2,000 2.390 2.660
120 0,526 0,677 0,845 1.041 1,289 1,658 1.980 2,358 2,617
4 0,524 0,674 0,842 1.036 1,282 1,645 1.960 2,326 2,576
Nota: La última fila de la tabla ( 4 grados de libertad) da los valores críticos para una distribución normal estándar (z), por ejemplo, t 4, 0.95
= z 0,95 = 1.645.
EPA QA / G-9 Final

TABL E A-2: C VALORES RITICAL PARA LA GAMA studentizados PRUEBA
Nivel de significancia " "
0.01 0.05 0.10
norte un si un si un si
345 1,737 2,000 1,758 1.999 1,782 1.997

1.87 2,445 1.98 2,429 2.04 2,409
2.02 2,803 2.15 2,753 2.22 2,712
6789 2.15 3,095 2.28 3.012 2.37 2,949

2.26 3,338 2.40 3,222 2.49 3.143
2.35 3,543 2.50 3,399 2.59 3,308
2.44 3.720 2.59 3,552 2.68 3,449
10 2.51 3,875 2.67 3,685 2.76 3.57
11 2.58 4.012 2.74 3.80 2.84 3.68

12 2.64 4.134 2.80 3.91 2.90 3.78
13 2.70 4.244 2.86 4.00 2.96 3.87
14 2.75 4.34 2.92 4.09 3.02 3.95
15 2.80 4.44 2.97 4.17 3.07 4.02
16 2.84 4.52 3.01 4.24 3.12 4.09

17 2.88 4.60 3.06 4.31 3.17 4.15
18 2.92 4.67 3.10 4.37 3.21 4.21
19 2.96 4.74 3.14 4.43 3.25 4.27
20 2.99 4.80 3.18 4.49 3.29 4.32
25 3.15 5.06 3.34 4.71 3.45 4.53

30 3.27 5.26 3.47 4.89 3.59 4.70
35 3.38 5.42 3.58 5.04 3.70 4.84
40 3.47 5.56 3.67 5.16 3.79 4.96
45 3.55 5.67 3.75 5.26 3.88 5.06
50 3.62 5.77 3.83 5.35 3.95 5.14

55 3.69 5.86 3.90 5.43 4.02 5.22
60 3.75 5.94 3.96 5.51 4.08 5.29
65 3.80 6.01 4.01 5.57 4.14 5.35
70 3.85 6.07 4.06 5.63 4.19 5.41
75 3.90 6.13 4.11 5.68 4.24 5.46

80 3.94 6.18 4.16 5.73 4.28 5.51
85 3.99 6.23 4.20 5.78 4.33 5.56
90 4.02 6.27 4.24 5.82 4.36 5.60
95 4.06 6.32 4.27 5.86 4.40 5.64
100 4.10 6.36 4.31 5.90 4.44 5.68

150 4.38 6,64 4.59 6.18 4.72 5.96
200 4.59 6.84 4.78 6.39 4.90 6.15
500 1 5.13 7.42 5.47 6.94 5.49 6.72
000 5.57 7.80 5.79 7,33 5.92 7.11
EPA QA / G-9 Final

TABLA A-3: valores críticos para EXTREMO valor de prueba
(DE PRUEBA DIXON)
Nivel de significancia " "
norte 0.10 0.05 0.01
34567 0,886 0,941 0,988

0,679 0,765 0,889
0,557 0,642 0,780
0,482 0,560 0,698
0,434 0,507 0,637
89 0,479 0,554 0,683

0,441 0,512 0,635
10 0,409 0,477 0,597
11 0,517 0,576 0,679

12 0,490 0,546 0,642
13 0,467 0,521 0,615
14 0,492 0,546 0,641

15 0,472 0,525 0,616
16 0,454 0,507 0,595
17 0,438 0,490 0,577
18 0,424 0,475 0,561
19 0,412 0,462 0,547
20 0,401 0,450 0,535

21 0,391 0,440 0,524
22 0,382 0,430 0,514
23 0,374 0,421 0,505
24 0,367 0,413 0,497
25 0,360 0,406 0,489
EPA QA / G-9 Final

TABLA A-4: valores críticos para la prueba de discordancia
Nivel de significancia " " Nivel de significancia " "
norte 0.01 0.05 norte 0.01 0.05
34 1.155 1.153 33 3.150 2.786

1,492 1,463 34 3.164 2.799
5 1.749 1,672 35 3.178 2,811
6789 1,944 1.822 36 3,191 2,823
2,097 1.938 37 3.204 2,835
2,221 2,032 38 3,216 2,846
2,323 2.110 39 3.228 2,857
10 2.410 2,176 40 3.240 2,866
11 2,485 2,234 41 3.251 2,877

12 2.550 2.285 42 3,261 2,887
13 2,607 2,331 43 3,271 2,896
14 2,659 2,371 44 3.282 2,905
15 2.705 2,409 45 3,292 2,914
16 2,747 2,443 46 3,302 2,923
17 2,785 2,475 47 3.310 2,931
18 2,821 2,504 48 3,319 2.940
19 2,854 2,532 49 3,329 2,948
20 2,884 2,557 50 3.336 2,956
21 2,912 2.580
22 2,939 2,603
23 2,963 2,624
24 2,987 2,644
25 3,009 2.663
26 3.029 2.681
27 3.049 2.698
28 3,068 2,714
29 3,085 2.730
30 3.103 2,745
31 3.119 2,759
32 3.135 2,773
EPA QA / G-9 Final

TABLA A-5: valores críticos APROXIMADAS 8 r PARA LA PRUEBA
8 ROSNER
"" "" ""
norte r 0.05 0.01 norte r 0.05 0.01 norte r 0.05 0.01
25 12345 2.82 3.14 32 12345 2.94 3.27 39 12345 3.03 3.37

2.80 3.11 2.92 3.25 3.01 3.36
2.78 3.09 2.91 3.24 3.00 3.34
2.76 3.06 2.89 3.22 2.99 3.33
2.73 3.03 2.88 3.20 2.98 3.32
10 2.59 2.85 10 2.78 3.09 10 2.91 3.24
26 12345 2.84 3.16 33 12345 2.95 3.29 40 12345 3.04 3.38

2.82 3.14 2.94 3.27 3.03 3.37
2.80 3.11 2.92 3.25 3.01 3.36
2.78 3.09 2.91 3.24 3.00 3.34
2.76 3.06 2.89 3.22 2.99 3.33
10 2.62 2.89 10 2.80 3.11 10 2.92 3.25
27 12345 2.86 3.18 34 12345 2.97 3.30 41 12345 3.05 3.39

2.84 3.16 2.95 3.29 3.04 3.38
2.82 3.14 2.94 3.27 3.03 3.37
2.80 3.11 2.92 3.25 3.01 3.36
2.78 3.09 2.91 3.24 3.00 3.34
10 2.65 2.93 10 2.82 3.14 10 2.94 3.27
28 12345 2.88 3.20 35 12345 2.98 3.32 42 12345 3.06 3.40

2.86 3.18 2.97 3.30 3.05 3.39
2.84 3.16 2.95 3.29 3.04 3.38
2.82 3.14 2.94 3.27 3.03 3.37
2.80 3.11 2.92 3.25 3.01 3.36
10 2.68 2.97 10 2.84 3.16 10 2.95 3.29
29 12345 2.89 3.22 36 12345 2.99 3.33 43 12345 3.07 3.41

2.88 3.20 2.98 3.32 3.06 3.40
2.86 3.18 2.97 3.30 3.05 3.39
2.84 3.16 2.95 3.29 3.04 3.38
2.82 3.14 2.94 3.27 3.03 3.37
10 2.71 3.00 10 2.86 3.18 10 2.97 3.30
30 12345 2.91 3.24 37 12345 3.00 3.34 44 12345 3.08 3.43

2.89 3.22 2.99 3.33 3.07 3.41
2.88 3.20 2.98 3.32 3.06 3.40
2.86 3.18 2.97 3.30 3.05 3.39
2.84 3.16 2.95 3.29 3.04 3.38
10 2.73 3.03 10 2.88 3.20 10 2.98 3.32
31 12345 2.92 3.25 38 12345 3.01 3.36 45 12345 3.09 3.44

2.91 3.24 3.00 3.34 3.08 3.43
2.89 3.22 2.99 3.33 3.07 3.41
2.88 3.20 2.98 3.32 3.06 3.40
2.86 3.18 2.97 3.30 3.05 3.39
10 2.76 3.06 10 2.91 3.22 10 2.99 3.33
EPA QA / G-9 Final

TABLA A-5: valores críticos APROXIMADAS 8 r PARA LA PRUEBA
8 ROSNER
"" "" ""
norte r 0.05 0.01 norte r 0.05 0.01 norte r 0.05 0.01
46 12345 3.09 3.45 70 12345 3.26 3.62 250 15 3.67 4.04

3.09 3.44 3.25 3.62 3.67 4.04
3.08 3.43 3.25 3.61 10 3.66 4.03
3.07 3.41 3.24 3.60
3.06 3.40 3.24 3.60
10 3.00 3.34 10 3.21 3.57
47 12345 3.10 3.46 80 12345 3.31 3.67 300 15 3.72 4.09

3.09 3.45 3.30 3.67 3.72 4.09
3.09 3.44 3.30 3.66 10 3.71 4.09
3.08 3.43 3.29 3.66
3.07 3.41 3.29 3.65
10 3.01 3.36 10 3.26 3.63
48 12345 3.11 3.46 90 12345 3.35 3.72 350 15 3.77 4.14

3.10 3.46 3.34 3.71 3.76 4.13
3.09 3.45 3.34 3.71 10 3.76 4.13
3.09 3.44 3.34 3.70
3.08 3.43 3.33 3.70
10 3.03 3.37 10 3.31 3.68
49 12345 3.12 3.47 100 12345 3.38 3.75 400 15 3.80 4.17
3.11 3.46 3.38 3.75 3.80 4.17
3.10 3.46 3.38 3.75 10 3.80 4.16
3.09 3.45 3.37 3.74
3.09 3.44 3.37 3.74
10 3.04 3.38 10 3.35 3.72
50 12345 3.13 3.48 150 12345 3.52 3.89 450 15 3.84 4.20
3.12 3.47 3.51 3.89 3.83 4.20
3.11 3.46 3.51 3.89 10 3.83 4.20
3.10 3.46 3.51 3.88
3.09 3.45 3.51 3.88
10 3.05 3.39 10 3.50 3.87
60 12345 3.20 3.56 200 12345 3.61 3.98 500 1 5 10 3.86 4.23
3.19 3.55 3.60 3.98 3.86 4.23
3.19 3.55 3.60 3.97 3.86 4.22
3.18 3.54 3.60 3.97
3.17 3.53 3.60 3.97
10 3.14 3.49 10 3.59 3.96
EPA QA / G-9 Final

TABLA A-6: cuantiles de la prueba de rangos con signo de Wilcoxon
norte w. 01 w. 05 w. 10 w. 20
456789 0001246 013469 13469 3469
12
11 15
10 11 15 19
11 8 14 18 23
12 10 18 22 28
13 13 22 27 33
14 16 26 32 39
15 20 31 37 45
16 24 36 43 51
17 28 42 49 58
18 33 48 56 66
19 38 54 63 74
20 44 61 70 82
EPA QA / G-9 Final

TABLA A-7: valores críticos para la suma de rangos de TEST
metro
norte "
2 3 4 5 6 7 8 9 10 11 12 13 14 15 dieciséis 17 18 19 20
2 0.05 00 01 01 12 12 12 23 23 24 24 35 35 45 46 46 47 57 58 58
0.10
3 0.05 01 12 12 23 34 35 46 56 57 68 69 7 8 8 9 10 10 11 12
0.10 10 11 11 12 13 14 15 16
4 0.05 01 12 24 35 46 57 68 7 8 9 10 11 12 13 15 16 17 18 19
0.10 10 11 12 13 14 16 17 18 19 21 22 23
5 0.05 12 23 35 56 68 79 9 10 12 13 14 16 17 19 20 21 23 24 26
0.10 11 13 14 16 18 19 21 23 24 26 28 29 31
6 0.05 12 34 46 68 8 9 11 13 15 17 18 20 22 24 26 27 29 31 33
0.10 10 12 14 16 18 20 22 24 26 28 30 32 35 37 39
7 0.05 12 35 57 79 9 12 14 16 18 20 22 25 27 29 31 34 36 38 40
0.10 12 14 17 19 22 24 27 29 32 34 37 39 42 44 47
8 0.05 23 46 68 9 11 111 4 14 16 19 21 24 27 29 32 34 37 40 42 45 48
0.10 17 20 23 25 28 31 34 37 40 43 46 49 52 55
9 0.05 23 56 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55
0.10 10 13 16 19 23 26 29 32 36 39 42 46 49 53 56 59 63
10 0.05 24 57 8 12 15 18 21 25 28 32 35 38 42 45 49 52 56 59 63
0.10 11 14 18 22 25 29 33 37 40 44 48 52 55 59 63 67 71
11 0.05 24 68 9 13 17 20 24 28 32 35 39 43 47 51 55 58 62 66 70
0.10 12 16 20 24 28 32 37 41 45 49 53 58 62 66 70 74 79
12 0.05 35 69 10 14 18 22 27 31 35 39 43 48 52 56 61 65 69 73 78
0.10 13 18 22 27 31 36 40 45 50 54 59 64 68 73 78 82 87
13 0.05 35 7 11 16 20 25 29 34 38 43 48 52 57 62 66 71 76 81 85
0.10 10 14 19 24 29 34 39 44 49 54 59 64 69 75 80 85 90 95
14 0.05 45 8 12 17 22 27 32 37 42 47 52 57 62 67 72 78 83 88 93
0.10 11 16 21 26 32 37 42 48 53 59 64 70 75 81 86 92 98 103
15 0.05 46 8 13 19 24 29 34 40 45 51 56 62 67 73 78 84 89 95 101
0.10 11 17 23 28 34 40 46 52 58 64 69 75 81 87 93 99 105 111
dieciséis 0.05 46 9 15 20 26 31 37 43 49 55 61 66 72 78 84 90 96 102 108

0.10 12 18 24 30 37 43 49 55 62 68 75 81 87 94 100 107 113 120
17 0.05 47 10 16 21 27 34 40 46 52 58 65 71 78 84 90 97 103 110 116

0.10 13 19 26 32 39 46 53 59 66 73 80 86 93 100 107 114 121 128
EPA QA / G-9 Final

Versión QA00 A - 10 de julio de el año 2000
TABLA A-7: valores críticos para la suma de rangos de TEST
metro
norte "
2 3 4 5 6 7 8 9 10 11 12 13 14 15 dieciséis 17 18 19 20
18 0.05 57 10 17 23 29 36 42 49 56 62 69 76 83 89 96 103 110 117 124

0.10 14 21 28 35 42 49 56 63 70 78 85 92 99 107 114 121 129 136
19 0.05 58 11 18 24 31 38 45 52 59 66 73 81 88 95 102 110 117 124 131

0.10 15 22 29 37 44 52 59 67 74 82 90 98 105 113 121 129 136 144
20 0.05 58 12 19 26 33 40 48 55 63 70 78 85 93 101 108 116 124 131 139

0.10 16 23 31 39 47 55 63 71 79 87 95 103 111 120 128 136 144 152
EPA QA / G-9 Final

TABLA A-8: percentiles de la distribución de chi-cuadrado
1- un
un
1-
un
1-
1 - ""
v
. 005 . 010 . 025 . 050 . 100 . 900 . 950 . 975 . 990 . 995
1234 0.0 4 393 0.0 3 157 0.0 3 982 0.0 2 393 0,0158 2.71 3.84 5.02 6.63 7.88
0,0100 0,0201 0,0506 0,103 0,211 4.61 5.99 7.38 9.21 10.60
0,072 0,115 0,216 0,352 0,584 6.25 7.81 9.35 11.34 12.84
0,207 0,297 0,484 0,711 1,064 7.78 9.49 11.14 13.28 14.86
5 0,412 0,554 0,831 1.145 1.61 9.24 11.07 12.83 15.09 16.75
6789 0,676 0,872 1.24 1.64 2.20 10,64 12.59 14.45 16.81 18.55
0,989 1.24 1.69 2.17 2.83 12.02 14.07 16.01 18.48 20.28
1.34 1.65 2.18 2.73 3.49 13,36 15.51 17.53 20.09 21.96
1.73 2.09 2.70 3.33 4.17 14.68 16.92 19.02 21.67 23.59
10 2.16 2.56 3.25 3.94 4.87 15.99 18.31 20.48 23.21 25.19
11 2.60 3.05 3.82 3.57 5.58 17.28 19.68 21.92 24.73 26.76
12 3.07 3.57 4.40 5.23 6.30 18.55 21.03 23.34 26.22 28.30
13 3.57 4.11 5.01 5.89 7.04 19.81 22.36 24.74 27.69 29.82
14 4.07 4.66 5.63 6.57 7.79 21.06 23.68 26.12 29.14 31.32
15 4.60 5.23 6.26 7.26 8.55 22.31 25.00 27.49 30.58 32.80
16 5.14 5.81 6.91 7.96 9.31 23,54 26.30 28.85 32.00 34.27
17 5.70 6.41 7.56 8.67 10,09 24.77 27.59 30.19 33.41 35.72
18 6.26 7.01 8.23 9.39 10.86 25.99 28.87 31.53 34.81 37.16
19 6.84 7.63 8.91 10.12 11.65 27.20 30.14 32.85 36.19 38.58
20 7.43 8.26 9.59 10.85 12,44 28.41 31.41 34.17 37.57 40.00
21 8.03 8.90 10,28 11,59 13.24 29.62 32.67 35.48 38.93 41.40
22 8.64 9.54 10.98 12.34 14.04 30.81 33.92 36.78 40.29 42.80
23 9.26 10.20 11.69 13.09 14.85 32.01 35.17 38.08 41.64 44.18
24 9.89 10.86 12.40 13.85 15.66 33.20 36.42 39.36 42.98 45.56
25 10.52 11,52 13.12 14.61 16.47 34.38 37.65 40.65 44.31 46.93
26 11.16 12.20 13.84 15.38 17.29 35.56 38.89 41.92 45.64 48.29
27 11,81 12.88 14.57 16.15 18.11 36.74 40.11 43.19 46.96 49.64
28 12.46 13,56 15.31 16.93 18.94 37.92 41.34 44.46 48.28 50.99
29 13.12 14.26 16.05 17.71 19,77 39.09 42.56 45.72 49.59 52.34
30 13.79 14.95 16.79 18.49 20.60 40.26 43.77 46.98 50.89 53.67
40 20.71 22.16 24.43 26.51 29.05 51.81 55.76 59.34 63.69 66.77
50 27.99 29.71 32.36 34.76 37.69 63.17 67.50 71.42 76.15 79.49
60 35.53 37.48 40.48 43.19 46.46 74.40 79.08 83.30 88.38 91.95
70
43.28 45.44 48.76 51.74 53.33 85.53 90.53 95.02 100.4 104.2
80 51.17 53.54 57.15 60.39 64.28 96.58 101.9 106,6 112.3 116,3
90 59.20 61.75 65.65 69,13 73.29 107,6 113,1 118,1 124,1 128,3
100 67.33 70.06 74.22 77.93 82.36 118,5 124,3 129,6 135,8 140,2
EPA QA / G-9 Final

TABLA A-9: percentiles de la F DISTRIBUCIÓN
1- un
un
F1-
un
F1-
grados de Grados de libertad para Numerador
libertad
para
Denom- 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 60 120 4
inator
1 . 50 1.00 1.50 1.71 1.82 1.89 1.94 1.98 2.00 2.03 2.04 2.07 2.09 2.12 2.13 2.15 2.17 2.18 2.20
. 90 39,9 49,5 53,6 55,8 57,2 58,2 58,9 59,4 59,9 60,2 60,7 61,2 61,7 62,0 62,3 62,8 63,1 63,3
. 95 161 200 216 225 230 234 237 239 241 242 244 246 248 249 250 252 253 254
. 975 648 800 864 900 922 937 948 957 963 969 977 985 993 997 1,001 1010 1,014 1,018
. 99 4052 5000 5403 5625 5764 5859 5928 5981 6022 6056 6106 6157 6209 6235 6,261 6313 6,339 6,366
2 . 50 0,667 1.00 1.13 1.21 1.25 1.28 1.30 1.32 1.33 1.34 1.36 1.38 1.39 1.40 1.41 1.43 1.43 1.44
. 90 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38 9.39 9.41 9.42 9.44 9.45 9.46 9.47 9.48 9.49
. 95 18.5 19.0 19.2 19.2 19.3 19.3 19.4 19.4 19.4 19.4 19.4 19.4 19.4 19.5 19.5 19.5 19.5 19.5
. 975 38.5 39.0 39.2 39.2 39.3 39.3 39.4 39.4 39.4 39.4 39.4 39.4 39.4 39.5 39.5 39.5 39.5 39.5
. 99 98.5 99,0 99.2 99.2 99.3 99.3 99.4 99.4 99.4 99.4 99.4 99.4 99.4 99.5 99.5 99.5 99.5 99.5
3 . 50 0,585 0,881 1.00 1.06 1.10 1.13 1.15 1.16 1.17 1.18 1.20 1.21 1.23 1.23 1.24 1.25 1.26 1.27
. 90 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24 5.23 5.22 5.20 5.18 5.18 5.17 5.15 5.14 5.13
. 95 10.1 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8,81 8.79 8.74 8.70 8.66 8.64 8.62 8.57 8.55 8.53
. 975 17.4 16.0 15.4 15.1 14.9 14.7 14.6 14.5 14.5 14.4 14.3 14.3 14.2 14.1 14.1 14.0 13.9 13.9
. 99 34.1 30.8 29.5 28.7 28.2 27.9 27.7 27.5 27.3 27.2 27.1 26.9 26.7 26.6 26.5 26.3 26.2 26.1
4 . 50 0,549 0,828 0,941 1.00 1.04 1.06 1.08 1.09 1.10 1.11 1.13 1.14 1.15 1.16 1.16 1.18 1.18 1.19
. 90 4.54 4.32 4.19 4.11 4.05 4.01 3.98 3.95 3.94 3.92 3.90 3.87 3.84 3.83 3.82 3.79 3.78 3.76
. 95 7,71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.91 5.86 5.80 5.77 5.75 5.69 5.66 5.63
. 975 12.2 10.6 9.98 9.60 9.36 9.20 9.07 8.98 8.90 8.84 8.75 8.66 8.56 8.51 8.46 8.36 8.31 8.26
. 99 21.2 18.0 16.7 16.0 15.5 15.2 15.0 14.8 14.7 14.5 14.4 14.2 14.0 13.9 13.8 13.7 13.6 13.5
. 999 74.1 61.2 56.2 53.4 51.7 50.5 49.7 49,0 48.5 48.1 47.4 46.8 46.1 45.8 45.4 44.7 44.4 44.1
EPA QA / G-9 Final

1- un
un
F1-
un
F1-
libertad
para
Denom- 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 60 120 4
inator
5 . 50 0,528 0,799 0,907 0,965 1.00 1.02 1.04 1.05 1.06 1.07 1.09 1.10 1.11 1.12 1.12 1.14 1.14 1.15
. 90 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32 3.39 3.27 3.24 3.21 3.19 3.17 3.14 3.12 3.11
. 95 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.62 4.56 4.53 4.50 4.43 4.40 4.37
. 975 10.0 8.43 7,76 7.39 7.15 6.98 6.85 6.76 6.68 6.62 6.52 6.43 6.33 6.28 6.23 6.12 6.07 6.02
. 99 16.3 13.3 12.1 11.4 11.0 10.7 10.5 10.3 10.2 10.1 9.89 9.72 9.55 9.47 9.38 9.20 9.11 9.02
. 999 47.2 37.1 33.2 31.1 29.8 28.8 28.2 27.6 27.2 26.9 26.4 25.9 25.4 25.1 24.9 24.3 24.1 23.8
6 . 50 0,515 0,780 0,886 0,942 0,977 1.00 1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.10 1.11 1.12 1.12
. 90 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96 2.94 2.90 2.87 2.84 2.82 2.80 2.76 2.74 2.72
. 95 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.94 3.87 3.84 3.81 3.74 3.70 3.67
. 975 8,81 7.26 6.60 6.23 5.99 5.82 5.70 5.60 5.52 5.46 5.37 5.27 5.17 5.12 5.07 4.96 4.90 4.85
. 99 22.8 10.9 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.72 7.56 7.40 7.31 7.23 7.06 6.97 6.88
. 999 35.5 27.0 23.7 21.9 20.8 20.0 19.5 19.0 18.7 18.4 18.0 17.6 17.1 16.9 16.7 16.2 16.0 15.7
7 . 50 0,506 . 0767 0,871 0,926 0,960 0,983 1.00 1.01 1.02 1.03 1.04 1.05 1.07 1.07 1.08 1.09 1.10 1.10
. 90 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72 2.70 2.67 2.63 2.59 2.58 2.56 2.51 2.49 2.47
. 95 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.51 3.44 3.41 3.38 3.30 3.27 3.23
. 975 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90 4.82 4.76 4.67 4.57 4.47 4.42 4.36 4.25 4.20 4.14
. 99 12.2 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.47 6.31 6.16 6.07 5.99 5.82 5.74 5.65
. 999 29.2 21.7 18.8 17.2 16.2 15.5 15.0 14.6 14.5 14.1 13.7 13.3 12.9 12.7 12.5 12.1 11.9 11.7
8 . 50 0,499 0,757 0,860 0,915 0,948 0,971 0,988 1.00 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.08 1.09
. 90 3.46 3.11 2.92 2.81 2.73 2.67 2.62 2.59 2.56 2.54 2.50 2.46 2.42 2.40 2.38 2.34 2.32 2.29
. 95 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.22 3.15 3.12 3.08 3.01 2.97 2.93
. 975 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43 4.36 4.30 4.20 4.10 4.00 3.95 3.89 3.78 3.73 3.67
. 99 11.3 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.67 5.52 5.36 5.28 5.20 5.03 4.95 4.86
. 999 25.4 18.5 15.8 14.4 13.5 12.9 12.4 12.0 11.8 11.5 11.2 10.8 10.5 10.3 10.1 9.73 9.53 9.33
EPA QA / G-9 Final

1- un
un
F1-
un
F1-
libertad
para
Denom- 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 60 120 4
inator
9 . 50 0,494 0,749 0,852 0,906 0,939 0,962 0,978 0,990 1.00 1.01 1.01 1.03 1.04 1.05 1.05 1.07 1.07 1.08
. 90 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44 2.42 2.38 2.34 2.30 2.28 2.25 2.21 2.18 2.16
. 95 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.01 2.94 2.90 2.86 2.79 2.75 2.71
. 975 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10 4.03 3.96 3.87 3.77 3.67 3.61 3.56 3.45 3.39 3.33
. 99 10.6 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.11 4.96 4.81 4.73 4.65 4.48 4.40 4.31
. 999 22.9 16.4 13.9 12.6 11.7 11.1 10.7 10.4 10.1 9.89 9.57 9.24 8.90 8.72 8.55 8.19 8.00 7.81
10 0.50 0,490 0,743 0,845 0,899 0,932 0,954 0,971 0,983 0,992 1.00 1.01 1.02 1.03 1.04 1.05 1.06 1.06 1.07
. 90 3.29 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35 2.32 2.28 2.24 2.20 2.18 2.16 2.11 2.08 2.06
. 95 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.84 2.77 2.74 2.70 2.62 2.58 2.54
. 975 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85 3.78 3.72 3.62 3.52 3.42 3.37 3.31 3.20 3.14 3.08
. 99 10.0 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4,94 4.85 4.71 4.56 4.41 4.33 4.25 4.08 4.00 3.91
. 999 21.0 14.9 12.6 11.3 10.5 9.93 9.52 9.20 8.96 8.75 8.45 8.13 7.80 7.64 7,47 7.12 6.94 6.76
12 0.50 0,484 0,735 0,835 0,888 0,921 0,943 0,959 0,972 0,981 0,989 1.00 1.01 1.02 1.03 1.03 1.05 1.05 1.06
. 90 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.24 2.21 2.19 2.15 2.10 2.06 2.04 2.01 1.96 1.93 1.90
. 95 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.62 2.54 2.51 2.47 2.38 2.34 2.30
. 975 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51 3.44 3.37 3.28 3.18 3.07 3.02 2.96 2.85 2.79 2.72
. 99 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.16 4.01 3.86 3.78 3.70 3.54 3.45 3.36
. 999 18.6 13.0 10.8 9.63 8.89 8.38 8.00 7,71 7.48 7.29 7.00 6.71 6.40 6.25 6.09 5.76 5.59 5.42
15 0.50 0,478 0,726 0,826 0,878 0,911 0,933 0,949 0,960 0,970 0,977 0,989 1.00 1.01 1.02 1.02 1.03 1.04 1.05
. 90 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 2.09 2.06 2.02 1.97 1.92 1.90 1.87 1.82 1.79 1.76
. 95 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.40 2.33 2.29 2.25 2.16 2.11 2.07
. 975 6.20 4.77 4.15 3.80 3.58 3.41 3.29 3.20 3.12 3.06 2.96 2.86 2.76 2.70 2.64 2.52 2.46 2.40
. 99 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.67 3.52 3.37 3.29 3.21 3.05 2.96 2.87
. 999 16.6 11.3 9.34 8.25 7.57 7.09 6.74 6.47 6.26 6.08 5.81 5.54 5.25 5.10 4.95 4.64 4.48 4.31
EPA QA / G-9 Final

1- un
un
F1-
un
F1-
libertad
para
Denom- 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 60 120 4
inator
20 0.50 0,472 0,718 0,816 0,868 0,900 0,922 0,938 0,950 0,959 0,966 0,977 0,989 1.00 1.01 1.01 1.02 1.03 1.03
. 90 2.97 2.59 2.38 2.25 2.16 2.09 2.04 2.00 1.96 1.94 1.89 1.84 1.79 1.77 1.74 1.68 1.64 1.61
. 95 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.20 2.12 2.08 2.04 1.95 1.90 1.84
. 975 5.87 4.46 3.86 3.51 3.29 3.13 3.01 2.91 2.84 2.77 2.68 2.57 2.46 2.41 2.35 2.22 2.16 2.09
. 99 8.10 5.85 4,94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.23 3.09 2.94 2.86 2.78 2.61 2.52 2.42
. 999 14.8 9.95 8.10 7.10 6.46 6.02 5.69 5.44 5.24 5.08 4.82 4.56 4.29 4.15 4.00 3.70 3.54 3.38
24 0.50 0,469 0,714 0,812 0,863 0,895 0,917 0,932 0,944 0,953 0,961 0,972 0,983 0,994 1.00 1.01 1.02 1.02 1.03
. 90 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91 1.88 1.83 1.78 1.73 1.70 1.67 1.61 1.57 1.53
. 95 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.18 2.11 2.03 1.98 1.94 1.84 1.79 1.73
. 975 5.72 4.32 3.72 3.38 3.15 2.99 2.87 2.78 2.70 2.64 2.54 2.44 2.33 2.27 2.21 2.08 2.01 1.94
. 99 7.82 6.66 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.03 2.89 2.74 2.66 2.58 2.40 2.31 2.21
. 999 14.0 9.34 7.55 6.59 5.98 5.55 5.23 4.99 4.80 4.64 4.39 4.14 3.87 3.74 3.59 3.29 3.14 2.97
30 0.50 0,466 0,709 0,807 0,858 0,890 0,912 0,927 0,939 0,948 0,955 0,966 0,978 0,989 0,994 1.00 1.01 1.02 1.02
. 90 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85 1.82 1.77 1.72 1.62 1.64 1.61 1.54 1.50 1.46
. 95 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.09 2.01 1.93 1.89 1.84 1.74 1.68 1.62
. 975 5.57 4.18 3.59 3.25 3.03 2.87 2.75 2.65 2.57 2.51 2.41 2.31 2.20 2.14 2.07 1.94 1.87 1.79
. 99 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.84 2.70 2.55 2.47 2.39 2.21 2.11 2.01
. 999 13.3 8.77 7.05 6.12 5.53 5.12 4.82 4.58 4.39 4.24 4.00 3.75 3.49 3.36 3.22 2.92 2.76 2.59
60 0.50 0,461 0,701 0,798 0,849 0,880 0,901 0,917 0,928 0,937 0,945 0,956 0,967 0,978 0,983 0,989 1.00 1.01 1.01
. 90 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74 1.71 1.66 1.60 1.54 1.51 1.48 1.40 1.35 1.29
. 95 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.84 1.75 1.70 1.65 1.53 1.47 1.39
. 975 5.29 3.93 3.34 3.01 2.79 2.63 2.51 2.41 2.33 2.27 2.17 2.06 1.94 1.88 1.82 1.67 1.58 1.48
. 99 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.50 2.35 2.20 2.12 2.03 1.84 1.73 1.60
. 999 12.0 7.77 6.17 5.31 4.76 4.37 4.09 3.86 3.69 3.54 3.32 3.08 2.83 2.69 2.55 2.25 2.08 1.89
EPA QA / G-9 Final

1- un
un
F1-
un
F1-
libertad
para
Denom- 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 60 120 4
inator
120. 90 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68 1.65 1.60 1.55 1.48 1.45 1.41 1.32 1.26 1.19
. 95 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.83 1.75 1.66 1.61 1.55 1.43 1.35 1.25
. 975 5.15 3.80 3.23 2.89 2.67 2.52 2.39 2.30 2.22 2.16 2.05 1.95 1.82 1.76 1.69 1.53 1.43 1.31
. 99 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.34 2.19 2.03 1.95 1.86 1.66 1.53 1.38
. 999 11.4 7.32 5.78 4.95 4.42 4.04 3.77 3.55 3.38 3.24 3.02 2.78 2.53 2.40 2.26 1.95 1.77 1.54
4 . 90 2.71 2.30 2.08 1.94 1.85 1.77 1.72 1.67 1.63 1.60 1.55 1.49 1.42 1.38 1.34 1.24 1.17 1.00
. 95 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.75 1.67 1.57 1.52 1.46 1.32 1.22 1.00
. 975 5.02 3.69 3.12 2.79 2.57 22.41 2.29 2.19 2.11 2.05 1.94 1.83 1.71 1.64 1.57 1.39 1.27 1.00
. 99 6.63 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.18 2.04 1.88 1.79 1.70 1.47 1.32 1.00
. 999 10.8 6.91 5.42 4.62 4.10 3.74 3.47 3.27 3.10 2.96 2.74 2.51 2.27 2.13 1.99 1.66 1.45 1.00
EPA QA / G-9 Final

TABLA A-10: valores del parámetro 8 DE ESTIMACIONES
8 DE COHEN
AJUSTE DE VALORES NONDETECTED
h . 07
( . 01 . 02 . 03 . 04 . 05 . 06 . 08 . 09 . 10 . 15 . 20
. 00 .010100 . 020400 . 030902 . 041583 . 052507 . 063625 . 074953 . 08649 . 09824 . 11020 . 17342 . 24268
. 05 .010551 . 021294 . 032225 . 043350 . 054670 . 066159 . 077909 . 08983 . 10197 . 11431 . 17925 . 25033
. 10 .010950 . 022082 . 033398 . 044902 . 056596 . 068483 . 080563 . 09285 . 10534 . 11804 . 18479 . 25741
. 15 .011310 . 022798 . 034466 . 046318 . 058356 . 070586 . 083009 . 09563 . 10845 . 12148 . 18985 . 26405
. 20 .011642 . 023459 . 035453 . 047829 . 059990 . 072539 . 085280 . 09822 . 11135 . 12469 . 19460 . 27031
. 25 .011952 . 024076 . 036377 . 048858 . 061522 . 074372 . 087413 . 10065 . 11408 . 12772 . 19910 . 27626
. 30 .012243 . 024658 . 037249 . 050018 . 062969 . 076106 . 089433 . 10295 . 11667 . 13059 . 20338 . 28193
. 35 .012520 . 025211 . 038077 . 051120 . 064345 . 077736 . 091355 . 10515 . 11914 . 13333 . 20747 . 28737
. 40 .012784 . 025738 . 038866 . 052173 . 065660 . 079332 . 093193 . 10725 . 12150 . 13595 . 21129 . 29250
. 45 .013036 . 026243 . 039624 . 053182 . 066921 . 080845 . 094958 . 10926 . 12377 . 13847 . 21517 . 29765
. 50 .013279 . 026728 . 040352 . 054153 . 068135 . 082301 . 096657 . 11121 . 12595 . 14090 . 21882 . 30253
. 55 .013513 . 027196 . 041054 . 055089 . 069306 . 083708 . 098298 . 11208 . 12806 . 14325 . 22225 . 30725
. 60 .013739 . 027849 . 041733 . 055995 . 070439 . 085068 . 099887 . 11490 . 13011 . 14552 . 22578 . 31184
.013958
.sesenta y cinco . 028087 . 042391 . 056874 . 071538 . 086388 . 10143 . 11666 . 13209 . 14773 . 22910 . 31630
. 70 .014171 . 028513 . 043030 . 057726 . 072505 . 087670 . 10292 . 11837 . 13402 . 14987 . 23234 . 32065
. 75 .014378 . 029927 . 043652 . 058556 . 073643 . 088917 . 10438 . 12004 . 13590 . 15196 . 23550 . 32489
. 80 .014579 . 029330 . 044258 . 059364 . 074655 . 090133 . 10580 . 12167 . 13775 . 15400 . 23858 . 32903
. 85 .014773 . 029723 . 044848 . 060153 . 075642 . 091319 . 10719 . 12225 . 13952 . 15599 . 24158 . 33307
. 90 .014967 . 030107 . 045425 . 060923 . 075606 . 092477 . 10854 . 12480 . 14126 . 15793 . 24452 . 33703
. 95 .015154 . 030483 . 045989 . 061676 . 077549 . 093611 . 10987 . 12632 . 14297 . 15983 . 24740 . 34091
1.00 .015338 . 030850 . 046540 . 062413 . 078471 . 094720 . 11116 . 12780 . 14465 . 16170 . 25022 . 34471
h
( . 25 . 30 . 35 . 40 . 45 . 50 . 55 . 60 .sesenta y cinco . 70 . 80 . 90
. 00 . 31862 . 4021 . 4941 . 5961 . 7096 . 8388 . 9808 1.145 1,336 1,561 2,176 3,283
. 05 . 32793 . 4130 . 5066 . 6101 . 7252 . 8540 . 9994 1.166 1,358 1,585 2.203 3,314
. 10 . 33662 . 4233 . 5184 . 6234 . 7400 . 8703 1.017 1,185 1,379 1,608 2,229 3,345
. 15 . 34480 . 4330 . 5296 . 6361 . 7542 . 8860 1,035 1,204 1,400 1.630 2.255 3,376
. 20 . 35255 . 4422 . 5403 . 6483 . 7673 . 9012 1.051 1.222 1,419 1,651 2.280 3.405
. 25 . 35993 . 4510 . 5506 . 6600 . 7810 . 9158 1,067 1.240 1.439 1,672 2.305 3,435
. 30 . 36700 . 4595 . 5604 . 6713 . 7937 . 9300 1.083 1,257 1,457 1,693 2,329 3,464
. 35 . 37379 . 4676 . 5699 . 6821 . 8060 . 9437 1,098 1,274 1.475 1,713 2,353 3,492
. 40 . 38033 . 4735 . 5791 . 6927 . 8179 . 9570 1.113 1.290 1,494 1.732 2,376 3.520
. 45 . 38665 . 4831 . 5880 . 7029 . 8295 . 9700 1.127 1,306 1,511 1.751 2,399 3,547
. 50 . 39276 . 4904 . 5967 . 7129 . 8408 . 9826 1,141 1.321 1,528 1.770 2.421 3,575
. 55 . 39679 . 4976 . 6061 . 7225 . 8517 . 9950 1.155 1,337 1.545 1.788 2,443 3,601
. 60 . 40447 . 5045 . 6133 . 7320 . 8625 1.007 1,169 1,351 1,561 1,806 2,465 3,628
.sesenta y cinco . 41008 . 5114 . 6213 . 7412 . 8729 1.019 1.182 1,368 1,577 1,824 2,486 3,654
. 70 . 41555 . 5180 . 6291 . 7502 . 8832 1.030 1.195 1.380 1.593 1,841 2.507 3,679
. 75 . 42090 . 5245 . 6367 . 7590 . 8932 1.042 1.207 1,394 1,608 1,851 2,528 3.705
. 80 . 42612 . 5308 . 6441 . 7676 . 9031 1,053 1.220 1,408 1,624 1,875 2,548 3.730
. 85 . 43122 . 5370 . 6515 . 7781 . 9127 1,064 1,232 1,422 1,639 1,892 2,568 3,754
. 90 . 43622 . 5430 . 6586 . 7844 . 9222 1,074 1,244 1,435 1.653 1,908 2,588 3,779
. 95 . 44112 . 5490 . 6656 . 7925 . 9314 1.085 1.255 1,448 1,668 1,924 2,607 3,803
1.00 . 44592 . 5548 . 6724 . 8005 . 9406 1.095 1,287 1,461 1,882 1.940 2,626 3,827
EPA QA / G-9 Final

TABLA A-11: PROBABILIDADES PARA LA PEQUEÑA MUESTRA
MANN-KENDALL prueba de tendencia
norte norte
S 4 5 8 9 S 6 7 10
0 0,625 0,592 0,548 0,540 1 0,500 0,500 0,500
24 0,375 0,408 0,452 0,460 35 0,360 0,386 0,431
68 0,167 0,242 0,360 0,381 79 0,235 0,281 0,364
10 0,042 0,117 0,274 0,306 11 0,136 0,191 0,300
12 0,042 0,199 0,238 13 0,068 0,119 0,242
14 0,0083 0,138 0,179 15 0,028 0,068 0,190
16 0,089 0,130 17 0,0083 0,035 0,146
18 0,054 0,090 19 0,0014 0,015 0,108
20 0,031 0,060 21 0,0054 0,078
22 0,016 0,038 23 0,0014 0,054
24 0,0071 0,022 25 0,00020 0,036
26 0,0028 0,012 27 0,023
28 0.00087 0,0063 29 0,014
30 0,00019 0,0029 31 0,0083
32 0.000025 0,0012 33 0,0046
34 0,00043 35 0,0023
36 0,00012 37 0,0011
0.000025 39 0.00047
0.0000028 41 0,00018
43 0.000058
45 0.000015
0.0000028
0.00000028
EPA QA / G-9 Final

TABLA A-12. CORRE cuantiles PARA EL de Wald-Wolfowitz prueba para
norte m W 0.01 W 0.05 W 0.10 norte m W 0.01 W 0.05 W 0.10 norte m W 0.01 W 0.05 W 0.10 norte m W 0.01 W 0.05 W 0.1
0
4 4 - -3 5 5 3 4 4 6 6 3 4 5 7
5 - -3 6 3 4 4 7 4 5 6 8 4 5 6
6 -3 4 7 3 4 5 8 4 5 6 9 4 5 6
7 -3 4 8 3 4 5 9 4 5 6 10 4 6 7
8 -3 4 9 3 4 5 10 4 6 7 11 5 6 7
9 -3 4 10 4 4 5 11 5 6 7 12 5 6 7
10 -4 5 11 4 5 6 12 5 6 7 13 5 7 7
11 3 4 5 12 4 5 6 13 5 7 8 14 5 7 8
12 3 4 5 13 4 5 6 14 5 7 8 15 6 7 8
13 3 4 5 14 5 6 6 15 5 7 8 dieciséis 6 7 8
14 3 5 6 15 5 6 7 dieciséis 6 7 8 17 6 8 8
15 3 5 6 dieciséis 5 6 7 17 6 7 8 18 7 8 9
dieciséis 4 5 6 17 5 6 7 18 6 7 8 19 7 8 9
17 4 5 6 18 5 6 7 19 6 7 8 20 7 8 9
18 4 5 6 19 5 6 7 20 6 7 8
19 4 5 6 20 5 6 7
20 4 5 6
EPA QA / G-9 Final


EPA Data Quality-4.en - Es

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

EPA Data Quality-4.en - Es

Caricato da

Copyright:

Formati disponibili

4.

4.6.1 Tipos de transformaciones de datos

transformación logarítmica con un ejemplo se dan en cuadro 4-28 .

EPA QA / G-9 Final

Ejemplo: Transformar los datos lognormal

Observado transformado Observado transformado

EPA QA / G-9 Final

4.6.2 Razones para transformar los datos

EPA QA / G-9 Final

4.7 Los valores inferiores a los límites de detección

Tabla 4-4. Directrices para el análisis de datos con Nondetects

<15% 4.7.1 Reemplazar nondetects con DL / 2,

15% - 50% 4.7.2 Media recortada, el ajuste de Cohen,

> 50% - 90% 4.7.3 Use pruebas para proporciones ( sección

EPA QA / G-9 Final

4.7.1 Menos de 15% Nondetects - métodos de sustitución

4.7.2 Entre 15-50% Nondetects

4.7.2.1 Método de Cohen

EPA QA / G-9 Final

ˆ 8 = 0,6713. Si el valor exacto de hy ( no aparecen en la tabla, utilice la interpolación lineal doble

( cuadro 4-31 ) para estimar ˆ 8 .

Cuadro 4-30: Un ejemplo del método de Cohen

PASO 2: La varianza de la muestra de los 21 valores cuantificados es s 2d = 8.593,69.

PASO 3: h = (durante 24 - 21) / 24 = 0,125 y (= 8593,69 / (1771,9 - 1450) 2 = 0,083

PASO 5: La media y la varianza de la muestra ajustada se calcularon entonces de la siguiente manera:

X̄ = 1771,9-0,149839 (1.771,9-1450) = 1723,67 y

s 2 = 8593,69 + 0,149839 (1.771,9-1450) 2 = 24.119,95

EPA QA / G-9 Final

8̂ = 0,14678 + 0,003059 = 0,149839.

4.7.2.2 media recortada

4.7.2.3 Winsorized media y desviación estándar

EPA QA / G-9 Final

Recuadro 4-32: Modo de desarrollo de una media truncada

Este valor es la estimación de la media poblacional.

Box 4-33: Un ejemplo de la media truncada

PASO 1: Desde np = (24) (. 15) = 3,6, t = 3.

PASO 3: Calcular la media aritmética de los restantes valores de n-2T:

Por lo tanto, el 15% media recortada es 1755,56 mg / L.

EPA QA / G-9 Final

( j norteX 2yo ) - norteX

PASO 4: La media Winsorized X ¯ w es igual a X ¯. La desviación estándar es Winsorized

Box 4-35: Un ejemplo de un Winsorized

PASO 3: Para el nuevo conjunto de datos, ¯ X= 1731 mg / L y s = 128,52 mg / L.

PASO 4: La media Winsorized X ¯ w = 1731 mg / L. La desviación estándar de la muestra Winsorized es:

s w = 128,52 (24 - 1) = 173.88

EPA QA / G-9 Final

Cuadro 4-36: 11 Instrucciones para el Método de Ajuste Aitchison a medias y varianzas

PASO 2: Estimar la media de la muestra corregida, X m =

Cuadro 4-37: Un ejemplo del método de Aitchison

7 1- 10 1 0 05 809 7 3 3 3 1 1 714 0 7,242

EPA QA / G-9 Final

Cuadro 4-38: Direcciones para seleccionar entre

Cuadro 4-39: Ejemplo de determinar Entre

Paso 1: El uso de las instrucciones de cuadro 2-19 La siguiente es la parcela

PASO 2: El uso de las instrucciones de cuadro 2-19 La siguiente es la única Detecta

EPA QA / G-9 Final

EPA QA / G-9 Final

Proporción de datos por debajo del límite de detección

Large: CV> 1,5 Media o superior percentil superior

Medio: 0.5 <CV <1,5 Media o superior percentil superior

Pequeño: CV <0,5 Media o la Mediana

EPA QA / G-9 Final

Cuadro 4-40: Instrucciones para la prueba de von Neumann Rango