y = a + bx

Esta es una, tan simple como interesante ecuación.

Se trata de la formula de Regresión lineal simple, donde podríamos representarla como que el valor predicho “y” (variable dependiente), es igual al valor de una constante o intercepto (a) más el valor de un coeficiente de regresión (b), multiplicado por la absorción de la muestra a una determinada longitud de onda “x”.

No obstante vamos a aplicar la fórmula a un X-Y plot, en donde X es el dato predicho por el NIR e Y es el dato de laboratorio. En un caso ideal y ausente de errores, tendríamos que Y = X. No obstante ya hemos visto en la entrada anterior que el dato de laboratorio (Y) ya lleva incorporado un error (de tipo sistemático o aleatorio). X también lo lleva en el mismo sentido.

Al error aleatorio, lo llamamos “Error no explicado”, pero puede reducirse su intervalo de confianza acercándose al valor verdadero con un mayor número de réplicas. Al error sistemático, lo llamamos “Error explicado” o también Bias, Sesgo,…, y puede venir por diversas causas.

Cuando se instala un modelo de calibración partimos de que se trata de un modelo robusto, y ausente de Bias o Sesgo, no obstante esto debe de ser comprobado con muestras de rutina. Por supuesto, en dicho modelo, tendremos un error aleatorio (SEP), que deberá de ser realista para la aplicación que se utilice, para de ese modo contrastarlo con los SEPs de validación que vayamos comprobando con muestras de rutina enviadas al laboratorio.

En la validación comprobaremos el SEP, el Bias, y sabremos el SEP que tendríamos corregido por el Bias, en el caso de que ese Bias sea significativo.

¿Cuándo es un Bias significativo?......En la próxima entrada.