Entre la Incertidumbre Oscura y la Realidad: Un Comentario sobre las Comparaciones Interlaboratoriales en Química

Introducción

El artículo comienza cuestionando la suposición común de que las observaciones de la misma magnitud provienen de una distribución gaussiana. Los autores, Juris Meija y Antonio Possolo, argumentan que esta suposición es a menudo incorrecta y citan a expertos como John Mandel, John Tukey y George Box, quienes también comenzaron sus carreras como químicos. Se destaca la necesidad de un tratamiento apropiado de los datos en química, subrayando que los estadísticos deben estudiar la realidad de los resultados de medición no normalmente distribuidos en química.

Comparaciones Interlaboratoriales

Los autores discuten el papel crucial de las comparaciones interlaboratoriales en la demostración de la fiabilidad de las mediciones químicas. Se menciona el Acuerdo de Reconocimiento Mutuo del CIPM como un marco esencial para que los Institutos Nacionales de Metrología demuestren la equivalencia de sus estándares de medición. Se introduce el concepto de "Valor de Referencia de Comparación Clave" (KCRV) y se describen las tareas principales en la reducción de resultados de una Comparación Clave (KC).

Críticas a los Métodos Estadísticos Actuales

Los autores critican el uso de criterios puramente estadísticos para descartar resultados de mediciones. Argumentan que esta práctica es desafortunada y lógicamente infundada. Se cuestiona la eliminación de valores atípicos basada en consideraciones estadísticas y se plantean preguntas desafiantes sobre la fiabilidad de tales prácticas.

Incertidumbre Oscura

Se introduce el concepto de "incertidumbre oscura" para describir la variabilidad que no se captura mediante las incertidumbres reportadas. Los autores sugieren un modelo estadístico que incorpora tanto las incertidumbres reportadas como la incertidumbre oscura. Se muestra que la incertidumbre oscura es un factor significativo en la mayoría de las comparaciones clave realizadas por los grupos de trabajo de análisis inorgánico y orgánico del CCQM.

Conclusión y Futuro

Los autores concluyen que es esencial una colaboración más estrecha entre las ciencias químicas y las artes estadísticas para una mejor comprensión de las mediciones químicas. Subrayan la importancia de manejar los datos "tal como son" y no forzarlos a ajustarse a modelos estadísticos preconcebidos. Se destaca que el legado de Paul De Bièvre en este campo seguirá siendo una luz guía para futuras investigaciones.

Puntos de Reflexión

1. Suposiciones Estadísticas: El artículo desafía la noción convencional de que los datos en química siempre seguirán una distribución gaussiana. Esto es crucial porque las suposiciones incorrectas pueden llevar a conclusiones erróneas. 

2. Valor de la Comparación Clave: Los autores argumentan que el KCRV no debe ser determinado meramente por criterios estadísticos, sino que debe incorporar consideraciones técnicas y científicas. 

3. Incertidumbre Oscura: Este es quizás el aspecto más innovador del artículo. La incertidumbre oscura es un concepto que va más allá de la incertidumbre reportada y captura variabilidades que a menudo se pasan por alto. 

4. Crítica a la Eliminación de Valores Atípicos: Los autores critican la práctica común de eliminar valores atípicos basándose únicamente en criterios estadísticos, lo cual es especialmente relevante en el contexto de las comparaciones interlaboratoriales. 

5. Colaboración entre Química y Estadística: El artículo concluye con un llamado a una mayor colaboración entre químicos y estadísticos, lo cual es esencial para avanzar en la comprensión de las mediciones químicas.

Este artículo es un llamado a la reflexión y a la acción tanto para químicos como para estadísticos. Plantea preguntas fundamentales sobre cómo se deben manejar y analizar los datos en química, y ofrece algunas respuestas provocadoras y perspicaces.

Descargue la publicación original desde de Oliveira, E.C. Assessment of liquids homogeneity in storage tanks in the oil industry through the comparison of uncertainties. Accred Qual Assur (2023).