Muestreo y calidad de muestras

en Microbiologa aplicada
Miguel Zazopulos G.
Secuencia de la presentacin
I. Definicin y objetivo de la toma de muestras.
II. Clase de toma de muestras
III. Procedimiento de toma de muestras
IV. Bases estadsticas
V. Distribucin de los microorganismos en los
alimentos
VI. Planes de muestreo por atributos y por variables
VII. Muestras para el control de fabricacin en
procesos
VIII. Casos prcticos
IX. Diseo de experimentos
Conclusin
I. Definicin y objetivo de la
toma de muestras
Muestra:
Es una porcin o artculo que indica la calidad del
todo del que ha sido tomado (FAO, 1989)
Objetivo del muestreo:
Es seleccionar una porcin o un nmero de
recipientes o de unidades de un producto que
sea altamente representativo de una partida o
lote de alimentos del que se ha tomado
Lote:
Es una porcin o una partida de alimentos
elaborados bajo condiciones homogneas.
II. Clases de toma de muestras
Toma de Muestra Selectiva.
Son muestras tomadas por la autoridad
sanitaria, no son aleatorias dado que
desean confirmar denuncias de
consumidores, observaciones puntuales
de la inspeccin o bien muestreo de
inspeccin por parte de la autoridad
sanitaria
II. Clases de toma de muestras
La muestra se puede tomar en
cualquier punto de la cadena de
produccin.
Incrementa la probabilidad de detectar
productos defectuosos o por debajo de
la norma.
II. Clases de toma de muestras
Toma de muestra objetiva:
Es una muestra aleatoria
Se aplica de forma rutinaria para la
supervisin de un lote de alimentos.
Se utilizan para recolectar datos que
permiten determinar si el lote de
alimentos es insatisfactorio por
cualquier razn
III. Procedimiento de toma de
muestras para el control de
inspeccin microbiolgica en
procesos de elaboracin: alimentos y
superficies
Ejemplo de caso: Servicio Agrcola
Ganadero de Chile (SAG)
Mtodo de toma de muestras de
superficies
Placa de contacto
Mtodo de hisopado o trula
Mtodo de la esponja
Mtodo del enjuague
Procedimiento de muestreo:
1. Lavar y desinfectar botas, pecheras y mesas de
trabajo
Lavado de manos y puesta de guantes
Procedimiento de hisopado
Procedimiento de hisopado
Procedimiento de hisopado
Procedimiento de hisopado
Frecuencia y nmero de muestras
Mnimo 15 muestras con frecuencia quincenal
2/3 de las muestras deben ser tomadas de superficie
sen contacto directo con el alimento.
Transporte: las muestras se mantienen entre 1 y 4C
(excepto Rodac) y deben analizarse de 4 a 12 horas
siguientes al muestreo, sembrndose en un plazo no
mayor a 24 horas (ISO 18 593).
Tcnica microbiolgica: dilucin y plaqueo para RAM
y enterobacterias.
Incubacin: 37 +/-1C por 24 horas
Muestreo en utensilios y equipos
Muestreo en utensilios y equipos
Superficies
Superficies
Manipuladores
Evaluacin de resultados
Los resultados son evaluados
respecto de los promedios
quincenales de las UFC/cm2.
Los resultados de las superficies en
contacto directo e indirecto con los
alimentos se promedian de forma
separada.
Rangos de aceptacin de los valores
medios del nmero de colonias en los
anlisis de superficies
Valores aceptables Valores inaceptables
RAM 0 10 cm
2
> 10 cm
2
Enterobacterias 0 1 cm
2
> 1 cm
2
Muestras para el control microbiolgico
en procesos de elaboracin
Metodologa de muestreo en pollos y
pavos:
1. Enjuague de carcasa de pollos
2. Esponjado de carcasa en pavos
3. Extraccin de trozos de piel.
Metodologa de muestreo en pollos y
pavos: materiales
Una bolsa estril resellable grande (3.500 ml).
-Una bolsa estril resellable pequea para cada
frasco.
-400 ml de Agua Peptonada Tamponada (APT) estril
pre-enfriada.
-Guantes estriles.
-Solucin de Hipoclorito de Sodio 500 ppm (o
equivalente) para limpieza y desinfeccin.
-Un Frasco estril tapa rosca para cada anlisis (tipo
Schott de 30 cc como mnimo).
Metodologa de toma de muestra post
enfriado mtodo del enjuague en pollos o
pavos (salida del chiller de agua o aire).
Mtodo de esponjado en carcasas de
pavo: materiales
Plantilla estril de rea interior 10 cm x 5 cm.
-Esponja estril de 8 cm x 4 cm.
-10 ml de Agua Peptonada Tamponada (APT)
estril pre-enfriada.
-2 pares de guantes estriles.
-Solucin de Hipoclorito de Sodio 500 ppm (o
equivalente) para limpieza y desinfeccin
Mtodo de esponjado en carcasas de
pavo: sitios de muestreo
Metodologa de toma de muestra post enfriado
mtodo del esponjado en pavos
(salida del chiller de agua o aire).
MTODOS PARA LA APLICACIN DE ESPONJA EN
PAVOS
Mtodo uno:
1. Sosteniendo firmemente la esponja, pasarla en una
direccin por la superficie. En la direccin vertical
debe pasarse de arriba abajo. En la direccin
horizontal debe pasarse de izquierda a derecha.
2. Al terminar levante la esponja y comience desde el
punto inicial, luego repita el mismo movimiento.
3. Reptalo 10 veces de la misma manera.
4. Al terminar, cambie a la otra direccin (horizontal),
siguiendo los mismos pasos,
utilizando el mismo lado de la esponja
MTODOS PARA LA APLICACIN DE ESPONJA EN
PAVOS
MTODOS PARA LA APLICACIN DE ESPONJA EN
PAVOS
Mtodo dos:
1. Sosteniendo firmemente la esponja, pasarla en
una direccin por la superficie. En la direccin
vertical debe pasarse de arriba a abajo. En la
direccin horizontal debe pasarse de izquierda a
derecha.
2. Al llegar al final, levantar la esponja y girar la
mueca, pasando la esponja en sentido contrario,
retornando al punto inicial. Debe mantenerse la
misma cara de la esponja en contacto con la
carcasa.
MTODOS PARA LA APLICACIN DE ESPONJA EN
PAVOS
3. Repetir hasta pasar 10 veces por la superficie
en cada direccin. (En la direccin vertical debe
pasarse 5 veces hacia abajo y 5 hacia arriba. Para
la direccin horizontal debe pasarse 5 veces
hacia la izquierda y 5 hacia la derecha).
4. Al terminar las 10 veces en una direccin,
cambiar a la otra (horizontal) y seguir los mismos
pasos.
Muestra de piel pre enfriado
Una bolsa estril resellable mediana
para cada muestra (mnimo de 35 g).
-Pinzas diente de ratn estril.
-Mango de bistur estril.
-Hojas de bistur estril.
-Guantes estriles.
-Solucin de Hipoclorito de Sodio 500
ppm (o equivalente) para limpieza y
desinfeccin.
Muestra de piel pre enfriado
Muestra de piel pre enfriado
Se seleccionan al
azar las carcasas
necesarias
(mnimo 5) para
obtener una
muestra de 35
gramos como
mnimo,inmediata
mente post ducha.
Muestra de piel pre enfriado
A cada carcasa
seleccionada se le
secciona un trozo
de piel (de 5
gramos
aproximados)
desde la
base del cuello
utilizando un
bistur estril.
Muestra de piel pre enfriado
Los trozos de piel
son depositados
en una bolsa
plstica o frasco
estril hasta
completar una
muestra de mnimo
35 gramos.
Muestra de piel post enfriado
Se seleccionan al azar
las carcasas
necesarias (mnimo 5)
para obtener una
muestra de 35 gramos
como mnimo,
inmediatamente a la
salida del enfriado
(Chiller).
Muestra de piel post enfriado
A cada carcasa
seleccionada se le
secciona un trozo
de piel (5 gramos
aproximadamente)
desde la base del
cuello, utilizando el
bistur estril.
Muestra de piel post enfriado
A cada carcasa
seleccionada se le
secciona un trozo
de piel (5 gramos
aproximadamente)
desde la base
del cuello,
utilizando el bistur
estril.
Muestra de piel post enfriado
Los trozos de piel
son depositados
en una bolsa
plstica o frasco
estril hasta
completar una
muestra como
mnimo 35 gramos.
Muestra de piel post enfriado
Identificar la
muestra y
mantenerlas en un
contenedor
refrigerado
para su traslado al
laboratorio.
Lugar, frecuencia y nmero de muestras para el
monitoreo microbiolgico en plantas de
exportacin.
Lugar N Muestras Tipo de
Muestras
Frecuencia Variables
microbiolgi
ca
Ducha
post
eviscerado
5 carcasas Piel de
cuello
Quincenal Salmonella
Recuento E.
coli
RAM
Salida del
Chiller
5 carcasas Piel de
cuello
Quincenal Salmonella
Recuento E.
coli
RAM
Carcasa
terminada
5 carcasas Enjuague
(rinse)
Semanal Salmonella
Recuento E.
coli
Criterios de aceptacin para
Salmonella en ciclos de 50 muestras
Especie Nivel de aceptacin
(muestras positivas)
Porcino 5
Pollos 7
Pavos 7
Bovinos 2
Ovinos 2
Qu hacer si no se cumplen los
criterios anteriores?
Se considera a la planta en Fallo y el MVIO
levanta un acta de No Conformidad
La planta tiene 72 horas para la
implementacin de acciones correctivas
(AC) informadas en el acta de no
conformidad.
A las 48 horas de aplicadas las AC, el
MVIO toma 5 muestras diarias para
Salmonella intercaladas hasta completar
un n=15.
Verificacin de acciones correctivas n=15
Especie Nivel de aceptacin
(muestras positivas)
Porcino 2
Pollos 2
Pavos 2
Bovinos 1
Ovinos 1
En caso de no cumplir con el
criterio se
Suspende la certificacin de
exportacin
Muestreo para E. coli tipo I.
Nmero de muestras diarias a tomar
Especie Nmero de muestras
Pollos 1 muestra cada 22 000 carcasas
Pavos 1 muestra cada 3 000 carcasas
Porcinos 1 muestra cada 1 000 canales
Bovinos 1 muestra cada 300 canales
Ovinos 1 muestra cada 833 canales
Situacin de E. coli tipo I
Lmites superiores por especie
Especie Tolerables No Tolerables
Bovinos 4 > 4
Porcinos 12 > 12
Ovinos 15 > 15
Pollos (UFC/ml),
enjuague
1 150 > 1 150
Pavos (UFC/ml,
enjuague)
2 000 > 2 000
Pavos (UFC/cm
2
por
esponja)
4 000 > 4 000
Los lmites superiores estn
relacionados con los intervalos de
confianza de la media ms menos 3
sigma de los valores histricos de la
situacin chilena de muestreos
realizados entre 2004 y 2008.
Criterios de clasificacin
Verde: El error tipo 1 para que el
proceso est fuera de control es < 0,05
Amarillo: El error tipo 1 para que el
proceso est fuera de control es < 0,10
Rojo: El error tipo 1 para que el
proceso est fuera de control es > 0,10
Criterios de evaluacin para
plantas faenadoras de pollo
Criterios de evaluacin para
plantas faenadoras de pavo
IV. Aplicacin estadstica para
el tratamiento de datos
A continuacin se describe una serie de
recuentos de colonias en n muestras
representadas por x1 x2 x3
Sean los datos: 1540, 1360,1620, 1970 y 1420 UFC / g
Para el ejemplo, los datos del rango 1970-1360 = 610
Para esta secuencia (1360, 1420, 1540, 1620, 1970) el
valor medio es= 1540
x = (x
1
+ x
2
+ x
3
+ . + x
n
)/ n = x
i
/n,
x/n = (1540+1360+1620+1970+1420)/5= 1582
n(x1 + x
2
+ x
3
+ . + x
n
)
=antilog [( log x
i
) ln] = antilog [( y
i
) / ln]
Para los datos, la media geomtrica del recuento
de colonias = antilog ( log
10
x/n)
= antilog [(log 1540+ log 1360+ log 1620 + log
1970+ log1420)/5]
= antilog [(3,1875 + 3,1335 + 3,2095 + 3,2945 +
3,1523)/5]
= antilog (15,9773/5)
= antilog (3,19456) = 1568.
Entonces la Desviacin Relativa Estndar, que es
el ratio entre la desviacin estndar y la media,
est dada por: 100 x 239,4/1582 = 15,1%
La varianza de los valores expresados como
logaritmos es
Un mtodo alternativo es utilizando la media
logartmica de los recuentos
La relacion entre el logaritmo de la media del
recuento (log x) y la media del logaritmo del
recuento (y) esta dado por:
S2 = varianza del log del recuento
L.S. Xgeo = 10
(3,1946 + 2x 0,0635)
L.I. Xgeo = 10
(3,1946 - 2x 0,0635)
Distribucin de Frecuencias:
media y varianza.
Variabilidad en la entrega de una pipeta
de 1 mL
0,948 1,012 1,085 1,063 1,010 0,994
0,986 0,995 0,999 0,969 0,965 0,945
0,977 0,957 0,946 0,960 0,955 1,010
0,965 0,975 0,972 0,957 0,961 0,975
0,988 0,989 0,974 0,980 0,980 1,001
0,977 1,021 1,051 0,965 0,963 0,971
0,983 0,962 0,984 0,978 0,968 0,960
1,027 0,959 0,985 0,985 0,967 0,960
1,000 0,992
Tabla 3.1
0.9400-0.9449 0 0.9400-0.9499 3 0.9450-0.0549 0.950 3
0.9450-0.9499 3 0.9500-0.9599 4 0.9550-0.9649 0.960 10
0.9500-0.9549 0 0.9600-0.9699 12 0.9650-0.9749 0.970 9
0.9550-0.9599 4 0.9700-0.9799 8 0.9750-0.9849 0.980 9
0.9600-0.9649 6 0.9800-0.9899 9 0.9850-0.9949 0.990 7
0.9650-0.9699 6 0.9900-0.9999 4 0.9950-1.0049 1.000 4
0.9700-0.9749 3 1.0000-1.0099 2 1.0050-1.0149 1.010 3
0.9750-0.9799 5 1.0100-1.0199 3 1.0150-1.0249 1.020 1
0.9800-0.9849 4 1.0200-1.0299 2 1.0250-1.0349 1.030 1
0.9850-0.9899 5 .. . 1.0450-1.0549 1.050 1
0.9900-0.9849 2 1.0500-1.0599 1 1.0550-1.0649 1.060 1
0.9950-0.9999 2 1.0600-1.0699 1 .. . .
1.0000-1.0049 2 .. . 1.0850-1.0949 1.090 1
1.0050-1.0099 0 1.0800-1.0899 1
1.0100-1.0149 3
1.0150-1.0199 0
1.0200-1.0249 1
1.0250-1.0299 1
1.0300-1.0349 0
..
1.0500-1.0549 1
1.0550-1.0599 0
1.0600-1.0649 1
..
1.0850-1.0899 1
Intervalo de clase
Frequencia (f) con
intervalo 0,005g
Intervalo de clases
0,010 (g)
Frequencia (f) con
intervalo 0,010g
intervalo de clases
(g)
Frequencia de clases
del punto central (x)
Frequencia (f) con
intervalo 0,010g
4 2 16 4
5 4 9 17 7 18
6 3 18 7
7 8 19 4
8 5 20 20 1 7
9 7 21 2
10 11 22 0
11 7 22 23 3 4
12 4 24 1
13 8 25 0
14 6 19 26 1 1
15 5 27 0
Bacteria/campo
(x)
Frequencia
(f)
Bacteria/campo
(x)
Frequencia
Variabilidad en los recuentos de clulas
microbianas cuantificadas en un microscopio.
n= 100
Promedio (x)= fX/n = [(9 x 5) +(20 x 8) + (22 x 11) +
(19 x 14) + (18 x 17) + (7 x 20) + (4 x 23) +
(1 x 26)]/100
=12.77
S
2
= [f(x
2
) - fx] / (n -1) = 24.0173
S = 24.0173 = +/- 4.9007
Tipos de distribucin de frecuencia
1. La dispersin espacial (ecolgica) de la
poblacin puede ser descrita en trminos
matemticos
2. La varianza de la poblacin puede ser estimada.
3. Los cambios en la densidad microbiologa en el
espacio y en el tiempo, pueden ser comparadas.
4. El efecto de los factores ambientales debe ser
considerado.
Funciones de distribucin
continua y discreta
La Distribucin Binomial ( < )
donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo
Clculo de frecuencias esperadas mediante
la distribucin binomial
En una muestra de 100 truchas de piscifactora, el nivel
medio de esporas de Clostridiumbotulinumse detect dos
esporas / pescado. Datos anteriores muestran que la prevalencia
mxima probable de contaminacin es de 10 esporas / pescado (n
= 10). Cul es la distribucin de frecuencias y cules son las
probabilidades de no detectar el organismo?
Se puede usar la distribucin binomial para determinar la
probabilidad (P) que no se puede detectar la contaminacin (P (x =
0)), o que 1,2, ... 10 esporas se encuentran (P (x = 1), P (x = 2), ... P
(x = 10)). Para ello, una estimacin de la muestra (p) del valor de la
poblacin en general est dada por:
Las probabilidades esperadas son dadas por la
expresin de:
(p +q) = (0,2 + 0,8)
10
P
(x)
= n! / x!(n x)![q
(n-x)
p
x
]
La probabilidad de no detectar esporas de C. botulinum
en el pescado es
x(esporas/pescado) P(x) f = NP(x) f (como integral)*
0 0.1074 10.74 11
1 0.2684 26.84 27
2 0.3020 30.20 30
3 0.2113 20.13 20
4 0.0881 8.81 9
5 0.0264 2.64 3
6 0.0055 0.55 1
7 0.0008 0.08 0
8 <0.0001 <0.01 0
9 ** - 0
10 ** - 0
Total 10.000 100.00 101
* Que es el nmero entero ms cercano
**<< 0.0001
La Distribucin Normal
Un estimado de la desviacin estndar normal
puede ser determinado usando Z= (x x) / s.
f(x) es la densidad de la probabilidad de la
variable X, con x = (x - ) /
La Distribucin de Poisson (
2
=
)
Parmetro de Poisson, media = np =
varianza
Base de logaritmos naturales = 2,71828
Factorial de x
Probabilidad de x eventos individuales
puedan ocurrir en la unidad de muestra.
La Distribucin de Poisson (
2
= )
Calculo de Frecuencias Esperadas
en la Distribucin de Poisson
Se desean inocular 1000 botellas con una
suspensin de esporas que tengan un nivel de 10
esporas por botella. Cules son las frecuencias
esperadas para, (a) menos de 1 de una espora,
(b) menos de 5 esporas y (c ) mas de 15 esporas
por botella.
P
(x=0)
= e
-m
= e
-10
= 0,000454
P
(x=1)
= P
(x=0)
m/(x+1) = 0.0000454 10/1=
0,000454
P
(x=2)
= 0,00454 10/2 = 0.00227
P
(x=3)
= 0,00227 10/3 =0.00757
x Px f =nPx f (integral)
0 0.0000454 0,0454 0
1 0.000454 0,454 0
2 0.002270 2,27 2 29
3 0.007566 7,567 8
4 0.01892 18,92 19
5 0.03783 37,83 38
6 0.06306 63,06 63
7 0.09008 90,08 90
8 0.1126 112,6 113
9 ETC 0.1251 125,1 125
10 0.1251 125,1 125
11 0.1137 113,7 114
12 0.09478 94,78 95
13 0.07291 72,91 73
14 0.05208 52,08 53
15 0.03472 34,72 35
16 0.02170 21,7 22
17 0.01276 12,76 13
18 0.007091 7,091 7
19 0.003732 3,732 4
20 0.001866 1,866 2 49
21 0.0008891 0,8891 1
22 0.0004039 0,4039 0
23 0.0001756 0,1756 0
24 0.00007317 0,07317 0
Total NP(x)= 999,90717
P(x=5) =P(x=4)10/5
P(x=6) =P(x=5)10/6
P(x=7) =P(x=6)10/7
P(x=8) =P(x=7)10/8
Px
P(x=0) = e-10
P(x=1) =P(x=0)10/1
P(x=2) =P(x=1)10/2
P(x=3) =P(x=2)10/3
P(x=4) =P(x=3)10/4
Trminos individuales (024) para la distribucin de Poisson
para m = 10 y n=1000; f es la frecuencia esperada
La Distribucin binomial
negativa (
2
> )
Clculo de "k y de la distribucin binomial negativa
para los datos de recuento microscpico de clulas
bacterianas en leche (Morgan et al, 1951)
0 1 2 3 4 5 6 7 8 9 10 >10 Total
F 56 104 80 62 42 27 9 9 5 3 2 1 400
f x 0 104 160 186 168 135 54 63 40 27 20 10 967
Ax 334 240 160 98 56 29 20 11 6 3 1 0
numero de celulas (x)
Donde x = el nmero de clulas, f = frecuencia observada
de los recuentos y Ax es la frecuencia acumulada de los
recuentos superiores a x. El nmero total (N) de unidades
de muestra (es decir, campos contados) est dado por N =
f = 400 y el total de Ax = fx = 967.
El recuento de la media aritmtica est dada por x = {fx /
f} = 967/400 = 2,4175, y la varianza s2 = ( fx2 - 'xfx)
(n - 1) = {3957 a 2,4175 (967 )} / 399 = 4,0583
Este mtodo se basa en la ecuacin de la varianza de una
distribucin binomial negativa.
La varianza de la poblacin viene dada por: 2 = + (2 / k) y por lo
tanto k = 2 / (2 - ) Sustituyendo las estadsticas de la muestra para
los parmetros de la poblacin nos k = x2 / (s2 - x).. El mtodo no es
muy eficiente para valores de k <4, pero ofrece una aproximacin que
puede ser utilizado en otros mtodos.
Estimacin de k (mtodo 1)
Test de
eficiencia =
La estimacin de k por el mtodo de mxima
exactitud
Ecuacin de la mxima exactitud
donde N = el nmero total de unidades de muestreo (es decir,
campos microscpicos examinados), 0,4, es el nmero total de
cuentas superior a x y log,; es el logaritmo natural. Diferentes
valores de k ^ son juzgados hasta que la ecuacin est equilibrada
por la iteracin.
Resolvemos cada lado de la ecuacin, en un principio con
la aproximacin de k1 = 3.6 ^ (obtenidas por el mtodo 1).
Resolver primero el lado izquierdo de la ecuacin:
Resolviendo el lado derecho de la ecuacin:
Usando k1 = 3.6, las 2 ecuaciones difieren en -0.344 (es decir,
el lado izquierdo es menor que el lado derecho).
Ahora se selecciona un valor mayor (por ejemplo, 5,0) para k ^
3 y otra vez se resolven los dos lados de la ecuacin:
K
k
1
3.6 -0.34
k
2
? 0.00
k
3
5.0 +1.65
Para este valor de prueba de k3, la diferencia entre las
dos partes es 1,65. A continuacin, se ordenan los datos
de la siguiente manera
:
Por lo tanto,
Promedio = 2,1475; S
2
=4,0583 ; k =3,84
La Curva de Distribucin binomial
Negativa
La curva de distribucin puede ser obtenida de la
ecuacin
En consecuencia P=0 = antilog (-
0.8144)= 0.153
La probabilidad de que haya 0 bacterias por
campo.
Este calculo se puede simplificar tomando ambos
logaritmos .
La frecuencia esperada de cero el recuento de clulas es: NP
(x = 0) = 400 x 0.153 = 61,2 La probabilidad de una clula
bacteriana / campo viene dada por:
Por lo tanto, Px(1) = (0.153) (3.84) (0.3863) 1 = 0.227. La
frecuencia esperada de una cuenta de 1 de las clulas
bacterianas / campo es: NP (x = l) = 0,227 = 90,8
Por lo tanto,
P
x=2
= 0.212
La probabilidad de encontrar 2 clulas por
campo
La frecuencia esperada para el recuento de dos clulas
bacterianas / campo es: NP (x = 2) = 400 x 0.212 = 84,8
La frecuencia esperada de un conteo de dos clulas bacterianas /
campo es: NP (x = 2) = 400 x 0.212 = 84,8
Este proceso contina hasta que P (x) = 1 y f = 400, como se
ilustra en la tabla al final del problema. Un diagrama de las
frecuencias observadas y esperadas se da en
Nota: en la ecuacin P
(x)
=
No es necesario derivar el segundo componente de los
tres
Para x = 0,
Para x = 1
valor x Probabilidad de
occurrenciaPx
Frecuencia
calculada
(nPx)
Frecuencia
aproximada
Frecuencia
observada
(f)
0 P
(x=0)
= (1+(x/h))
-h
=R
a
0.1528 61.20 61 56
1 P
(x=1)
= R(h/1)(Y
b
) 0.2269 90.79 91 104
2 P
(x=2)
= R
[(h+1)(h)/2!](Y)
0.2129 84.88 85 80
3 P
(x=3)
= R
[(h+2)(h+1)(h)/3!](Y)
0.1603 63.84 64 62
4 Etc. 0.1058 42.17 42 42
5 Etc. 0.06395 25.55 26 27
6 0.03628 14.54 15 9
7 0.01962 7.90 8 9
8 0.01022 4.13 4 5
9 0.00516
5
2.10 2 3
10 0.00254
71
1.04 1 2
>10 1
N P=0.994
9
398.16 400 400
Valores de x entre 0-10 con promedio 2,4175, n=400 y
k=3,84
Un valor aproximado de k se puede
obtener por sustitucin de la ecuacin
siguiente
N = numero total de muestras
Loge = logaritmo natural
Ax= frecuencia acumulada
k= valor obtenido por iteracin
Distribucin binomial negativa con k=0 y distintos
valores de media
Distribucin binomial negativa con media = 10 y
distintos valores de k.
Distribuciones estadsticas y su efecto sobre el
muestreo
El cuadro siguiente muestra los datos del ejemplo anterior
usando la expresin (a) log(x + (k/2)) utilizando el mejor
valor de k y (b) log (x + 1) que asume que la distribucin es
desconocida pero la varianza es menor que el promedio x
promedio =2,4175 y k= 3,915
Frecuencia
observada (F)
media(X) Log (x + (h/2)) (a) Log(x + 1) (b)
56 0 0,292 0,000
104 1 0,471 0,301
80 2 0,597 0,407
62 3 0,695 0,602
42 4 0,775 0,699
27 5 0,842 0,778
9 6 0,901 0,845
9 7 0,952 0,903
5 8 0,998 0,954
3 9 1,040 1,000
2 10 1,108 1,104
1 19 1,321 1,301
Transformacin de datos a una distribucin
binomial negativa
V. La Distribucin de los microorganismos
en los alimentos con relacin al muestreo
Los tipos de distribucin de los M.O en
los alimentos pueden ser:
1. Distribucin aleatoria
2. Distribucin regular
3. Distribucin contagiosa
Distribucin regular (no aleatoria)
Distribucin de los microorganismos en
superficies y alimentos
Distribucin heterognea (no aleatoria)
Misma prevalencia, diferente concentracin
Indice de dispersin y prueba X2 acuerdo
con una serie de Poisson
Para muestras pequeas (n < 30)
Aparente infradispersin
En una serie rplicas de recuento en placa de la dilucin 10 -8 se
observaron los recuentos siguientes (datos de Ziegler y
Halvorson, 1935):
69,69,68,79,81,90,81,80,72,78 UFC
x = 76.7; s
2
= 49.79; n = 10 y = 10-1 = 9 grados de
libertad
Primero se determina Indice de Dispersion (I):
Un valor de I <1, sugiere la presencia de infra dispersin y
por lo tanto la posibilidad de una distribucin regular.
Se utiliza la prueba de chi cuadrado para probar el
cumplimiento de una distribucin aleatoria:
De las tablas (por ejemplo, Pearson y Hartley, 1976) el
valor de probabilidad observados para x2 = 5,85 es ligeramente
superior a P = 0,75 con 9 grados de libertad (v = 9). Por lo tanto,
aunque el ndice de dispersin es menor que 1, de acuerdo con una
serie de Poisson no es refutada en el nivel de significancia del 5%
y la hiptesis de aleatoriedad no puede ser rechazada.
Aparente sobre dispersin
El nmero de colonias por placa de Ziegler y Halvorson
(1935), de la dilucin 10-7 de en leche es:
287, 307, 340, 332, 421, 309, 327, 310, 320, 358,
302, 304
Las estadstica de la muestra es: x = 326,41; s2 =
1254,8, n = 10, v = (n - 1) = 9. El ndice de dispersin (I) =
s2 = x 1254.8/326.4 = 4,84>> 1 lo cual es indicativo de l
distribucin contagiosa). La prueba de X2 se aplica, como
antes:
De las tablas, el valor observado para x2 es <<P = 0,001
con v = 9, por lo tanto, se debe rechazar la hiptesis de que
la distribucin de las colonias es aleatoria.
Para nmeros de muestras grandes (n > 30):
La distribucin de frecuencias de colonias de bacterias en el suelo
determinado por microscopa ( Jones et al, 1948) tenan un recuento
de la media (x) de 2,68 y una varianza (s2) de 2.074 con n = 80
El test del Indice de dispersin:
La hiptesis nula (H0) es que el nmero de colonias se
distribuyen al azar, la hiptesis alternativa (H), no es aleatoria.
El ndice de dispersin de I, mediante la ecuacin utilizada
anteriormente = s2 / fx - 2.074/2.68 = 0.774 para las que X2 =
I/ (n-1) = (0.774), 79 = 61,15.
Dado que la muestra es grande (n = 80), la desviacin normal
estandarizada id) se calcula:
Dado que el valor absoluto (1,55) de d es menor que 1,96 (es
decir, 1,55 <1,96) la hiptesis nula de acuerdo con una serie de
Poisson no se rechaza al nivel de probabilidad del 95%.
La prueba de bondad de ajuste
El ndice de dispersin de resultados se comprueba mediante una
prueba de bondad de ajuste.
El nmero de colonias observadas y esperados en la distribucin de
frecuencias de la tabla se utilizan para determinar un valor de chi
cuadrado para cada clase de frecuencia basado en la relacin
(observado - esperado) 2/Esperado
Estos valores son sumados para dar un valor acumulado de 4,83,
por lo que P> 0,30, con 4 grados de libertad (es decir, v = 6 - 2 =
4). Por lo tanto, la hiptesis nula de aleatoriedad no puede ser
rechazada
Numero de
colonias
Frecuencia
observada (O)
Frecuencia
esperada (E)
X
2
= (O E)
2
/
E
0 7 5.5 0.409
1 8 14.7 3.054
2 24 19.7 0.939
3 20 17.6 0.327
4 11 11.8 0.054
5 y otros 10 10.7 0.046
total 80 80 4.829
El ndice de dispersin de Fisher
(I)
V= la variacin normal con media = 0, y v grados
de libertad. Se utiliza cuando n > 30.
El ndice de probabilidad G se utiliza para evaluar
una sobre o baja dispersin. Este estadstico se
usa para determinar la homogeneidad en el
recuento de colonias
Ei = representa la fraccin de la suma de todas las colonias
en cada volumen de prueba de cada nivel de dilucin.
Vi = Es el volumen de prueba de cada replica
Vi = es la suma de los volmenes de cada dilucin.
Ci = es la suma de las colonias contadas en cada nivel de
dilucin.
Ci =es el numero de colonias en la i nesima placa
Vi =es el volumen de prueba de la i nesima placa
i = es el numero de conjunto de placas contadas
n= numero total de placas usadas.
El valor de G
2
se compara con los valores de la
distribucion chi cuadrado con n -1 grados de
libertad
Niveles de significancia del 5% para la
distribucion chi cuadrado (Elliott, 1977)
Estudio de dispersin del recuento de colonia en placas en
paralelo (Mtodo Norma ISO) (Anon, 2005)
Test de homogeneidad general
Asumir el recuento de placas del duplicado de diluciones
decimales seriadas en una muestra de alimentos.
Dilucin colonia Recuento
total
Volumen
relativo
Volumen
total
10
-3
211 226 437 10 10 20
10
-4
26 24 50 1 1 2
total 487 22
Las UFC estn dispersas aleatoriamente?
H0 = las colonias provienen de una poblacin
distribuida aleatoriamente
H1 = las colonias no provienen de una poblacin
distribuida aleatoriamente.
= 2[(642,39+704,36+84,71+76,27) 1508,35
=1,38
La aleatoriedad puede ser estimada por el ndice de la razn de
probabilidad G2
G =1,38 se comprara con chi cuadrado para 3 grados de
libertad, en consecuencia no se rechaza H0
Relacin de recuentos entre los dos niveles de dilucin =
437/50 = 8,74/1 (relacin ideal 10/1)
ndice de Fischer de dispersin = [211 +
226+(26*10)+(24*10)= 234,25
Varianza de los recuentos con 3 GL = 435,92
Indice de dispersin de Fisher = 234,5/435,9 = 0,54
Chi cuadrado de Fisher = 0,54*3 = 1,62.
Para chi cuadrado de 1,62 y 3 grados de libertad la
probabilidad es de 0,70>P>0,50 esto significa aceptar H0
de la posible aleatoriedad debido al pequeo numero de
datos involucrados
Test general de homogeneidad y su anlisis
de desviacin
Dilucin Conteo de
colonias
Total Volumen
relativo
Volumen
total
10
-4
190 220 165 575 10 30
10
-5
10 21 9 40 1 3
total 615 33
G = 2[ 190 Ln (190/10 ) + 220 Ln (220/10) + + 21
Ln (21/1) + 9 Ln (9/1) 615 ln (615/33)] =19,64
Para 5 g.l. el valor de chi cuadrado de 19,64
muestra que la probabilidad de p < 0,01 de la
hiptesis de aleatoriedad debe ser rechazada
sugiriendo sobredispersion de los recuentos.
La ecuacin de G
2
se puede utilizar para evaluar
las causas de la dispersion de los 3 componentes
del conjunto de datos de la dilucin 10-
4
y de la
dilucin 10-
5
y las diferencias entre los niveles de
dilucin.
Para el recuento 10
-4
:
G
2
= 2 [ 190 Ln (190/10) + 220 Ln (220/10) + 165 Ln
(165/10) 575 Ln (575/30)] =7,91, con 2 g.l
Para el recuento 10
-5
G
2
= 2 [ 10 Ln (10) + 21 Ln(21) + 9 Ln (9) 40 Ln
(40/3) ] = 6,25 con 2 g.l.
Para la razn de dilucin:
G
2
= 2 [ 575 Ln (575/30) + 40 Ln (40/3) 615 Ln
(615/33)] =5,48 con 1 g.l.
Fuente de
variacin
G
2
g.l. P
Entre las replicas
de la dilucin 10-
4
7,91 2 <0,02P>0,01
Entre las replicas
de la dilucin 10-
5
6,25 2 <0,05P>0,025
Entre diluciones 5,48 1 <0,02P>0,01
Total 19,64 5 < 0,005 P> 0,001
Cuadro resumen de los valores de G
2
La Distribucin binomial negativa
como modelo de distribucin
contagiosa
1. Verdadera distribucin contagiosa
2. Tazas de nacimiento, muerte,
migracin constante.
3. Distribucin aleatoria de grupos
K K K
2,0 0,1216 2,0 0,1612 6,5 0,0416 12,0 0,0217
2,1 0,1132 2,1 0,1517 6,6 0,0409 12,2 0,0214
2,2 0,1081 2,2 0,1432 6,7 0,0402 12,4 0,0210
2,3 0,1023 2,3 0,1356 6,8 0,0396 12,6 0,0207
2,4 0,0972 2,4 0,1288 6,9 0,0390 12,8 0,0203
2,5 0,0925 2,5 0,1226 7,0 0,0384 13,0 0,0200
2,6 0,0882 2,6 0,1170 7,1 0,0378 13,2 0,0197
2,7 0,0843 2,7 0,1118 7,2 0,0373 13,4 0,0194
2,8 0,0808 2,8 0,1071 7,3 0,0367 13,6 0,0191
2,9 0,0775 2,9 0,1028 7,4 0,0362 13,8 0,0188
3,0 0,0745 3,0 0,0987 7,5 0,0357 14,0 0,0185
3,1 0,0717 3,1 0,0950 7,6 0,0352 14,2 0,0183
3,2 0,0691 3,2 0,0916 7,7 0,0347 14,4 0,0180
3,3 0,0667 3,3 0,0884 7,8 0,0342 14,6 0,0177
3,4 0,0644 3,4 0,0854 7,9 0,0338 14,8 0,0175
3,5 0,0623 3,5 0,0826 8,0 0,0333 15,0 0,0172
3,6 0,0603 3,6 0,0800 8,1 0,0329 15,2 0,0170
3,7 0,0585 3,7 0,0775 8,2 0,0324 15,4 0,0168
3,8 0,0567 3,8 0,0752 8,3 0,0320 15,6 0,0166
3,9 0,0551 3,9 0,0730 8,4 0,0316 15,8 0,0163
4,0 0,0535 4,0 0,0710 8,5 0,0312 16,0 0,0161
4,1 0,0521 4,1 0,0690 8,6 0,0308 16,2 0,0159
4,2 0,0507 4,2 0,0672 8,7 0,0305 16,4 0,0157
0,1886 trigama
0,25 trigama k para x > 4 k para x >15
K
Valores esperados de varianza para recuentos
utilizando una distribucin binomial negativa
K K K
4,3 0,0494 4,3 0,0654 8,8 0,0301 16,6 0,0155
4,4 0,0481 4,4 0,0638 8,9 0,0297 16,8 0,0153
4,5 0,0469 4,5 0,0622 9 0,0294 17 0,0152
4,6 0,0458 4,6 0,0607 9,1 0,0291 17,2 0,015
4,7 0,0447 4,7 0,0593 9,2 0,0287 17,4 0,0148
4,8 0,0437 4,8 0,0579 9,3 0,0284 17,6 0,0146
4,9 0,0427 4,9 0,0566 9,4 0,0281 17,8 0,0145
5 0,0417 5 0,0553 9,5 0,0278 18 0,0143
5,2 0,04 5,1 0,0542 9,6 0,0275 18,2 0,0141
5,4 0,0384 5,2 0,053 9,7 0,0272 18,4 0,014
5,6 0,0369 5,3 0,0519 9,8 0,0269 18,6 0,0138
5,8 0,0365 5,4 0,0509 9,9 0,0266 18,8 0,0137
6 0,0342 5,5 0,0498 10 0,0263 19 0,0135
6,5 0,0314 5,6 0,0489 10,2 0,0258 19,2 0,0134
7 0,029 5,7 0,0479 10,4 0,0252 19,4 0,0132
7,5 0,0273 5,8 0,047 10,6 0,0247 19,6 0,0131
8 0,0251 5,9 0,0462 10,8 0,0243 19,8 0,013
8,5 0,0235 6 0,0453 11 0,0238 20 0,0128
9 0,022 6,1 0,0445 11,2 0,0234
K
k para x >15
0,1886 trigama
0,25 trigama k para x > 4
Efectos del tamao de muestra
Usos del estadstico U para estimar el parmetro k
de la distribucin binomial negativa y determinacin
de la bondad de ajuste
Los recuentos microbiolgicos de esporas bacterianas en
una suspensin muestran la siguiente distribucin:
total
x 0 1 2 3 7 8 9
frecuencia 14 6 8 4 2 4 2 40
(f x) 0 6 16 12 14 32 18 98
x2 0 1 4 9 49 64 81
f(x2 ) 0 6 32 36 98 256 162 590
numero de esporas/campo
La distribucin binomial negativa
provee una buen modelo de
distribucin para estos datos?
Media = f(x)/f = 98/40 = 2,45
Varianza
Una aproximado del valor de k se
obtiene de:
Las coordenadas x = 2,45 y x/k =2,45/0,9206 se
ubican en un Nomograma de error estndar de la
distribucin u
Nomograma para errores estandares para T y U ( Elliott,
1977
El estadstico k puede ser estimado de
acuerdo a la siguiente ecuacin:
En el lado izquierdo de la ecuacin
Insertando el valor k=0,92 en el lado
derecho de la ecuacin
Dado que el lado derecho es ms grande que el lado
izquierdo, el clculo del lado derecho se repite utilizando
un valor mas bajo (k = 0,60) para obtener :
Dado que este ultimo valor es menor que los dos
anteriores k debe estar entre 0,60 y 0,92. por iteracin se
encuentra que k es igual a 0,696 obtenido de:
Dado que el valor absoluto de u 2,140 es menor
que el error estndar 3,16 la hiptesis de que
los datos se distribuyen de acuerdo a una
distribucin binomial negativa se aceptan.
Uso del estadistico T para estimar el valor de
k y determinacin de una distribucin
binomial negativa.
Despus de un tratamiento de un detergente y desinfectante
las UFC/mL fueron obtenidas presentndose los siguientes
valores (Blood et al., 1979) :
21,19,21,34,38,30,9,8,12,16
La distribucin binomial negativa es un buen modelo de
distribucin para estos recuentos?
Promedio = 20,8 ;Varianza = 106,84 ; n =10
Un estimado del valor de k se puede calcular de acuerdo a la
expresin :
x x2 x3
21 441 9261
19 361 6859
21 441 9261
43 1156 39304
38 1444 54872
30 900 27000
9 81 729
8 64 512
12 144 1728
16 256 4096
suma 208 5288 153 622
Se completa la siguiente tabla
Se calcula el estadstico T de acuerdo a la
siguiente expresin
Para los valores x= 20,8 ; x/k=4,1 y n=10, el
error estndar de T se determina en el
nomograma y es : 320 (10 /10) = 1012.
El valor absoluto de T (627,8) es menor que el error
estndar (1012) por lo que la hiptesis de que los datos se
distribuyen de acuerdo a una distribucin binomial negativa
se aceptan.
si el promedio es mayor que 4 y k tiene un valor estimado
entre 2 y 5 se puede estimar el valor de k de acuerdo a la
expresin
y = log ( x + (k/2)). Se estima el valor de k = 4,9 ; se obtiene
x 21 19 21 34 38 30 9 8 12 16
y 1,3701 1,3314 1,3701 1,5617 1,6069 1,5112 1,0588 1,0191 1,1599 1,266
El valor de y/2 = 1,3255 y su varianza = 0,0411. La
varianza esperada de k =4,9 es 0,0427 de acuerdo
a la tabla varianza esperada de transformacin de
recuentos de una distribucin binomial negativa.
Se puede repetir la operacin utilizando otros
valores de k lo cuales se muestran en la tabla
siguiente:
VI. Planes de muestreo
por Atributos y por Variables
Por atributos : 2 clases
3 clases
Por variables
Plan de muestreo por atributos de tres clases
Muestreo por atributos:
Criterios microbiolgicos
Un estado que define la aceptabilidad de un
alimento basado en la p/a de un determinado
nmero de microorganismos, parsitos y una
cantidad especfica de toxinas/metabolitos por
unidad de masa, volumen, rea o lote (ICMSF,
1967)
Aplicado a lotes de alimentos.
Componentes de un criterio microbiolgico:
Ejemplo para ovoproductos pasteurizados
Microorganismo
Mtodo
analtico
N de
muestras
c
Lmite por gramo
m M
RAM ISO 4833 5 2 5x10
4
10
6
Coliformes ISO 4831 5 2 10
1
10
3
Salmonella sp. ISO 6579 5 0 0
(negativo/125)
10 0 0
(negativo/250)
20 0 0
(negativo/500)
Fundamento del muestreo por atributos:
Distribucin binomial y trinomial
La probabilidad de que un evento ocurra x
veces en n pruebas esta dado por la expresin
binomial
Donde q = (1 p)
Items defectuosos
en el lote (%) 0 1 2 0 1 2 0 1 2
0,01 99,9 <0,1 <<0,1 99,8 0,2 <<0,1 99 1 <0,1
0,1 99 1 <0,1 98 2 <0,1 90 9 0,5
1 90 9 0,4 82 17 2 37 37 18
2 82 17 1 67 27 5 13 27 27
5 60 32 7 36 38 19 0,6 3 8
10 35 39 19 12 27 29 <0,1 0,1 0,2
% Frecuencia para muestras de tamao (n)
Nmero de unidades defectuosos
10 20 100
Porcentaje de frecuencia para 0, 1 o 2 defectuosos
en muestras de diferentes tamaos.
Calculo de la probabilidad de
prevalencia de defectuosos
Asumir que 30 muestras de 25 g son analizadas para
determinar la presencia de Salmonella .
La posible prevalencia de defectuosos esta descrita por:
Si n =30 y p =0,95 se tiene:
Si el limite de confianza del 95 % para la prevalencia de
muestras defectuosas es igual a 9,5 % se observa que en 19
de 20 casos Salmonella es negativa lo que indica que la
prevalencia de Salmonella esta entre 0 y 9,5 %.
En un caso de 20 este nivel puede ser excedido.
Si se desea mayor precisin se puede determinar el limite de
confianza superior del 99% en cuyo caso
Por lo tanto la prevalencia de Salmonella puede estar entre
0 y 14 % en 99 ocasiones pero no puede exceder este nivel
en una ocasion de 100
Limite de confianza superior para la
prevalencia de Salmonella = d * 1000 / W.
Por lo tanto: LC 95% = 0,095 *1000/25 = 3,8
4 Salmonellas por kilo
Cuntas muestras se requieren
para realizar una prueba analtica?
Se puede calcular el numero de muestras
necesarias para asegurar con un 95 % de
confianza que el lote no contiene mas all del 0,1
% de muestras contaminadas .
La prevalencia esperada de defectuosos:
d = 0,1/100 = 0,001 con p = 0,95 , se observa
Esto no es prctico
Si la prevalencia esperada de defectuosos es 5 %, d
= 0,05.
Para ser capaz de asegurar con un 95% de
probabilidad que los lotes estn contaminados en
no mas de un 5 % se requieren 59 muestras a
analizar
Distribucin trinomial
La muestra se clasifica como aceptable,
marginalmente aceptable y defectuosa de
acuerdo a la siguiente expresin
Si la prevalencia de las unidades marginalmente
defectuosas (d1) = 0 la expresin se simplifica a la
binomial siguiente
Se puede determinar la probabilidad de aceptacin de
acuerdo a una distribucin trinomial por ejemplo: una
muestra de 20 unidades (n) conteniendo un 1 % de
defectuosos (d2 = 0,01) y un 10 % de marginalmente
defectuosos (d1 = 0,10). Los resultados se muestran en la
tabla siguiente:
0 1 2 3 4 5
0 9,7 21,9 23,3 15,7 7,5 2,7 80,8
1 2,2 4,7 4,7 3 1,4 0,5 16,5
2 0,2 0,5 0,4 0,3 0,1 <0,1 1,5
numero de unidades
defectuosas en la
numero unidades marginalmente
defectuosas en la muestra
acumulado
% Frecuencia para la determinacion de
metodo de calculo
distribucion binominal
Poisson series aproximacion
aproximacion normal
95% LC para 15% defectuosos
3-38 %
3,1-44 %
0,03-31 %
10-21 %
10,1-21,4 %
13,2-16,8 %
3 defectuosos en 20 unidades 30 defectuosen 200 unidades
Limites de confianza del 95% para estimar el
porcentaje de defectuosos de acuerdo a diferentes
distribuciones
B 9-.15 3 4 0 0,3 1,7 21 54
C 16-25 5 2,5 0 0,2 1 13 37
D 26-50 8 1,5 0 0,1 0,6 8,3 25
6,5 2 4,6 20 41
E 51-90 13 1 0 0,08 0,4 5,2 16
4 1 1,2 2,8 12 27
F 91-150 20 0,65 0 0,05 0,3 3,4 11
2,5 1 0,8 1,8 8,2 18
4 2 2,2 4,2 13 24
G 151-280 32 0,4 0 0,03 0,2 2,1 6,9
1,5 1 0,5 1,1 5,2 12
2,5 2 1,4 2,6 8,3 16
4 3 2,6 4,4 11 20
H 281-500 50 0,25 0 0,02 0,1 1,4 4,5
1 1 0,3 0,7 3,3 7,6
1,5 2 0,9 1,7 5,3 10
2,5 3 1,7 2,8 7,3 13
4 5 3,7 5,3 11 18
J 501-1200 80 0,65 1 0,2 0,4 2,1 4,8
1 2 0,6 1 3,3 6,5
1,5 3 1 1,7 4,6 8,2
2,5 5 2,3 3,3 7,1 11
4 7 3,7 5,1 9,6 14
K 1201-3200 125 0,4 1 0,1 0,3 1,3 3,1
0,65 2 0,3 0,7 2,1 4,3
1 3 0,7 1,1 2,9 5,3
1,5 5 1,4 2,1 4,5 7,4
2,5 7 2,3 3,2 6,1 9,4
L 3201-10000 200 0,4 2 0,2 0,4 1,3 2,7
0,65 3 0,4 0,7 1,8 3,3
1 5 0,9 1,3 3,8 4,6
1,5 7 1,5 2 3,8 5,9
2,5 10 2,4 3,1 5,3 7,7
0,95 (5%PR) 0,5 0,10 (10%CR)
porcentaje de defectuosos para ser aceptados
MIL STD codigo
tamao de
lote
numero de
muestras (n)
AQL%
numero de
aceptacion (c )
0,99
Muestreo por atributos, planes de muestreo de acuerdo proporcin
de defectuosos y tamao de muestra. Anon 2001
Planes de muestreo por atributos (British Standards,
1999)
Curvas de distribucin normal para limite
superior = 0,05 e inferior = 0,010 estos
limites de confianza son usados para el nivel
de calidad aceptable y el limite de calidad
rechazable
Atributos: Curva caracterstica de
operacin
Se calcula la probabilidad de aceptacin de un lote
de producto con un 2 % de defectuosos y un 30 %
de defectuosos marginales.
El plan de muestreo no permite aceptar unidades
defectuosas (c2 = 0) en 10 unidades de muestras
(n = 10).
Cul es la probabilidad de aceptacin del plan de
muestreo que tenga 0, 1 o 2 defectuosos
marginales?
La expresion
Pa = [10! / (10 0)! 0!] 0,02
0
(1 0,02)
10 - 0
= 0,82
Curvas
caractersticas de
operacin
10 0,5 25 3,5 39
20 0,3 12 1,8 20
30 0,2 8 1,2 13
50 0,1 5 0,7 8
100 0,05 2,5 0,35 4
150 0,04 1,7 0,23 2,6
200 0,03 1,2 0,18 2
500 0,01 0,5 0,07 0,8
% de defectuosos
numero de
unidades de
probabilidad de
aceptacion al 95%
Probabilidad de
rechazo al 90%
probabilidad
de aceptacion
Probabilidad
de rechazo al
C=0 C=1
Porcentaje de defectuosos para un AQL del 95% y
un LTPD al 90% para diferentes planes de muestreo
Cul es la probabilidad de aceptacin del plan de
muestreo que tenga 0, 1 o 2 defectuosos
marginales?
La expresin
Pa = [10! / (10 0)! 0!] 0,02
0
(1 0,02)
10 - 0
= 0,82
Calculo de probabilidades de
aceptacin
0 2 5 10 20 30 40 50
C1=2
70 0 0 0
60 0,01 0,01 0,01 0 0
50 0,05 0,04 0,03 0,02 0,01
40 0,17 0,14 0,1 0,06 0,02 0
30 0,38 0,31 0,23 0,13 0,04 0,01
20 0,68 0,55 0,41 0,24 0,07 0,02 0
10 0,93 0,76 0,56 0,32 0,1 0,03 0,01
0 1 0,82 0,6 0,35 0,11 0,03 0,01 0
C1=0
50 0
40 0,01 0 0 0
30 0,03 0,02 0,02 0,01 0
20 0,11 0,09 0,07 0,04 0,01 0
10 0,35 0,29 0,21 0,12 0,04 0,01 0
0 1 0,82 0,6 0,35 0,11 0,03 0,01 0
% de defectuosos
marginales en lote
defectuosos en lote %
Probabilidad de aceptacin para plan de 3 clases con
n=10 ; c1 = 0 o 2 y c2 = 0
C1 = numero de defectuosos permitidos
C2 = numero de defectuosos marginalmente
permitidos
acepatable Marg Malo 0 1 2 3 4 5 6 7 10
99 1 0 0,90 1,00 1,00
99 0 1 0,90 0,90
97 3 0 0,74 0,97 1,00 1,00
97 1 2 0,74 0,81 0,82 0,82
95 5 0 0,60 0,91 0,99 1,00 1,00
95 3 2 0,60 0,79 0,81 0,82 0,82
90 10 0 0,35 0,74 0,93 0,99 1,00 1,00
90 8 2 0,35 0,66 0,78 0,81 0,82 0,82
90 5 5 0,35 0,54 0,59 0,60 0,60
80 20 0 0,11 0,38 0,68 0,88 0,97 0,99 1,00 1,00
80 18 2 0,11 0,35 0,59 0,74 0,80 0,81 0,82 0,82
80 15 5 0,11 0,31 0,48 0,56 0,59 0,60 0,60
80 10 10 0,11 0,24 0,32 0,34 0,35 0,35
80 5 15 0,11 0,17 0,19 0,20 0,20
70 30 0 0,03 0,15 0,38 0,65 0,85 0,95 0,99 1,00 1,00
70 25 5 0,03 0,13 0,29 0,45 0,54 0,58 0,60 0,60
70 20 10 0,03 0,11 0,21 0,29 0,33 0,34 0,35 0,35
70 10 20 0,03 0,07 0,09 0,10 0,11 0,11
% de lote (Tamao muestra=10)
Probabilidad de aceptacin para planes de 3
clases usando c2 = 0 y c1 =1 igual numero de
defectuosos marginales
aceptable marg malo 0 1 2 3 4 5 6 7 8 9 10
60 40 0 0,01 0,05 0,17 0,38 0,63 0,83 0,95 0,99 1,00 1,00
60 35 5 0,01 0,04 0,13 0,28 0,42 0,53 0,58 0,59 0,60 0,60
60 30 10 0,01 0,04 0,10 0,20 0,27 0,32 0,34 0,35 0,35
60 20 20 0,01 0,03 0,06 0,08 0,10 0,11 0,11
60 10 30 0,01 0,02 0,02 0,03 0,03
50 50 0 0,00 0,01 0,05 0,17 0,38 0,62 0,83 0,95 0,99 1,00 1,00
50 45 5 0,01 0,05 0,13 0,27 0,41 0,52 0,58 0,59 0,60 0,60
50 40 10 0,01 0,04 0,10 0,18 0,26 0,32 0,34 0,35 0,35
50 30 20 0,01 0,02 0,05 0,07 0,09 0,10 0,11 0,11
50 20 30 0,00 0,01 0,02 0,02 0,03 0,03
50 10 40 0,00 0,00 0,01 0,01
40 60 0 0,00 0,01 0,05 0,17 0,37 0,62 0,83 0,95 0,99 1,00
40 50 10 0,01 0,03 0,09 0,17 0,25 0,31 0,34 0,35 0,35
40 40 20 0,01 0,02 0,04 0,07 0,09 0,10 0,11 0,11
40 30 30 0,00 0,01 0,02 0,02 0,03 0,03
30 70 0 0,00 0,01 0,05 0,15 0,35 0,62 0,85 0,97 1,00
30 60 10 0,01 0,03 0,07 0,15 0,24 0,31 0,34 0,35
30 50 20 0,00 0,01 0,03 0,06 0,08 0,10 0,11 0,11
30 40 30 0,00 0,01 0,01 0,02 0,02 0,03 0,03
20 80 0 0,00 0,01 0,03 0,12 0,32 0,62 0,89 1,00
tamao de muestra = 10 % de lote
porcentaje de lote
3 10 25 60
bueno marginal malo
1 2 5 9
99 1 0 1 1 1 1
95 5 0 0,99 0,99 1 1
AQL 90 10 0 0,97* 0,93* 0,97* 0,93*
80 20 0 0,9 0,68 0,62 0,21
70 30 0 0,78 0,38 0,19 0,01
60 40 0 0,65 0,17 0,03 0
LTPD 50 50 0 0,5 0,05* 0,00** **
40 60 0 0,35 0,01
30 70 0 0,22 0
99 0 1 0,97 0,9 0,78 0,55
90 9 1 0,95 0,85 0,75 0,52
80 19 1 0,88 0,63 0,56 0,14
60 30 1 0,64 0,16 0,02 0
40 59 1 0,35 0,01 0
98 0 2 0,94 0,82 0,6 0,3
90 8 2 0,92 0,78 0,6 0,29
80 18 2 0,86 0,59 0,42 0,09
tamao de muestra (n)
maximo numero de defectuosos marginales (c1)
Probabilidad de aceptacion para planes de 3
clases con AQL 95 % y LRPD 10% y C2 = 0.
ICMSF,2002
0 2 5 10 20 30 40 50
C1=2
70 0 0 0
60 0,01 0,01 0,01 0 0
50 0,05 0,04 0,03 0,02 0,01
40 0,17 0,14 0,1 0,06 0,02 0
30 0,38 0,31 0,23 0,13 0,04 0,01
20 0,68 0,55 0,41 0,24 0,07 0,02 0
10 0,93 0,76 0,56 0,32 0,1 0,03 0,01
0 1 0,82 0,6 0,35 0,11 0,03 0,01 0
C1=0
50 0
40 0,01 0 0 0
30 0,03 0,02 0,02 0,01 0
20 0,11 0,09 0,07 0,04 0,01 0
10 0,35 0,29 0,21 0,12 0,04 0,01 0
0 1 0,82 0,6 0,35 0,11 0,03 0,01 0
% de defectuosos
marginales en lote
defectuosos en lote %
Probabilidad de aceptacin para plan de 3 clases
con n=10 ; c1 = 0 o 2 y c2 = 0
Curva OC para
planes por atributos
de 3 clases con n
=10; c1 = 2 y c2 = 0.
grafica de la tabla
anterior
Planes de muestreo por variables
(ICMSF, 2002)
Se utiliza una distribucin log normal
con desviacin estndar conocida.
Es flexible en cuanto al tamao de
muestra
La aceptacin o rechazo esta
determinada por la aplicacin de los
datos del lote en inecuaciones.
Planes de muestreo por variables (ICMSF,
2002)
Variables para evaluar muestreos no agrupados en
datos analticos cuantitativos
Especificaciones:
Numero de unidades muestrales: n
Limite de aceptacin de calidad: V (en log cfu/g)
Mximo proporcional alrededor de V: p
o
Probabilidad de aceptar un lote no conforme:
Planes de muestreo por variables (ICMSF,
2002)
Los microorganismos se encuentran distribuidos de modo
normalmente logartmico en un lote de alimento.
(V - u) = K
s .
Si V representa el log de un lmite de inocuidad o calidad y
K determina el % de muestras aceptables que sobrepasan
el valor de V
u + Ks < V el lote es aceptable.
u + Ks > V el lote es inaceptable.
x + k
1
s > V
Plan de variables como pauta para las Buenas Prcticas de
Manufactura:
x + k
2
s < v
3 4 5 6 7 8 9 10
0,99 0,1 5,4 4,4 3,9 3,5 3,2 3
0,2 4 3,3 2,9 2,6 2,4 2,2
0,3 3 2,5 2,2 2 1,8 1,7
0,4 2,3 1,9 1,6 1,5 1,4 1,3
0,5 2,3 1,7 1,4 1,2 1,1 1 0,9
0,95 0,05 7,7 5,1 4,2 3,7 3,4 3,2 3 2,9
0,1 6,2 4,2 3,4 3 2,8 2,6 2,4 2,4
0,3 3,3 2,3 1,9 1,6 1,5 1,4 1,3 1,3
0,5 1,7 1,2 0,95 0,82 0,73 0,67 0,62 0,58
0,9 0,1 4,3 3,2 2,7 2,5 2,3 2,2 2,1 2,1
0,25 2,6 2 1,7 1,5 1,4 1,4 1,3 1,3
probabilidad de
rechazo (Pr)
Proporcion que
excede C (d)
numero de replicas (n)
Valores de K para inocuidad usando muestreo por
variables
3 4 5 6 7 8 9 10
0,95 0,1 0,33 0,44 0,52 0,57 0,62 0,66 0,69 0,71
0,2 -0,13 0,02 0,11 0,17 0,22 0,26 0,29 0,32
0,3 -0,58 -0,36 -0,24 -0,16 -0,1 -0,6 -0,02 0
0,9 0,05 0,84 0,92 0,98 1,03 1,07 1,1 1,12 1,14
0,1 0,53 0,62 0,68 0,72 0,75 0,78 0,81 0,83
0,2 0,11 0,21 0,27 0,32 0,35 0,38 0,41 0,43
0,3 -0,26 -0,13 -0,05 0,01 0,04 0,07 0,1 0,12
0,4 -0,65 -0,46 -0,36 -0,3 -0,25 -0,21 -0,17 -0,16
0,5 -1,09 -0,82 -0,69 -0,6 -0,54 -0,25 -0,47 -0,44
0,75 0,01 1,87 1,9 1,92 1,94 1,96 1,98 2 2,01
0,05 1,25 1,28 1,31 1,33 1,34 1,36 1,37 1,38
0,1 0,91 0,94 0,97 0,99 1,01 1,02 1,03 1,04
0,25 0,31 0,35 0,38 0,41 0,42 0,44 0,45 0,46
0,5 -0,47 -0,38 -0,33 -0,3 -0,27 -0,25 -0,24 -0,22
probabilidad de
aceptacion Pa
proprcion que
excede Cm d
numero de replicas
Valores de k para buenas practicas de manufactura
usando muestreo por variables
Ejemplo de aplicacin de muestreo
por variables
1. Si un alimento tiene un limite critico que
no debe superar los 10
6
UFC / g y, bajo
planes de BPM el limite operacional es
10
5
UFC / g
2. Se analizan 5 muestras por lote
3. El productor desea tener un 95 % de
confianza para rechazar lotes que
excedan un 10 % de fraccin defectuosa
La especificacin de inocuidad requiere
De la tabla para n = 5 ; P = 0,95; d = 0,10: K
= 3,4
Para el criterio de inocuidad se rechaza el
lote si
Por otra parte el productor desea tener un 90% de
probabilidad de aceptacin del lote si la
proporcin de defectuosos marginales es menor
al 20%
De la tabla para n = 5; P = 0,90 y d = 0,20; k = 0,27
, por lo que el lote se acepta si
Para 2 lotes de productos se obtienen los siguientes
datos
Para el lote A :
4,60 + 3,4 (0,25) = 5,45 < 6
El lote se acepta
4,60 + 0,27 (0,25) = 4,67 < 5
N de fila 1-4 5-8 9-12 13-16 17-20 21-24 25-28 29-32 33-36 37-40
1 87-08 83-09 40-14 39-15 99-24 21-85 00-45 54-19 36-18 03-88
2 88-33 78-20 40-40 24-73 77-70 00-31 84-59 26-06 50-30 95-96
3 22-50 09-11 00-37 36-51 55-95 83-97 13-75 46-22 77-50 11-72
4 48-70 56-57 16-24 21-74 91-53 18-05 59-61 74-97 31-82 77-68
5 93-45 40-93 12-80 88-63 26-93 85-05 19-87 84-37 59-76 16-65
6 50-76 70-02 39-19 40-69 57-23 09-33 20-70 86-45 13-94 98-39
7 91-64 01-34 67-13 11-00 32-09 39-76 21-64 29-85 65-14 51-74
8 33-20 63-71 95-94 13-77 12-44 12-94 91-04 41-83 79-72 44-08
9 90-59 65-46 78-82 16-45 97-85 57-75 79-96 79-08 16-83 43-99
10 05-10 93-57 80-32 86-65 26-90 27-54 34-94 46-33 65-35 56-84
11 92-85 63-26 69-69 81-54 70-56 17-62 43-17 86-78 99-62 34-15
12 08-50 36-55 82-11 26-54 76-88 85-67 82-21 65-00 83-89 06-09
13 59-36 77-09 83-87 81-77 93-77 48-44 88-30 37-21 74-02 93-10
14 05-85 86-43 25-50 76-70 36-32 26-68 54-92 84-90 02-38 77-40
15 13-46 99-31 30-29 71-70 91-10 99-84 55-31 95-20 90-28 49-78
16 56-27 09-33 66-79 32-29 50-54 76-94 27-01 45-87 29-66 23-15
17 54-15 62-11 22-33 39-39 58-30 73-43 59-32 26-43 76-12 99-10
18 83-01 86-58 89-77 68-87 29-71 49-50 46-53 56-53 41-53 52-20
19 00-28 17-33 81-42 24-33 55-75 42-70 73-65 16-96 47-17 42-69
20 52-29 68-59 32-69 40-30 89-12 11-07 18-53 27-13 46-54 85-40
21 64-43 09-80 68-29 86-65 60-27 87-70 77-45 31-69 12-31 21-79
22 80-68 13-48 80-84 25-33 70-89 76-61 03-41 57-89 87-07 56-12
23 28-72 57-80 54-05 80-92 82-65 25-01 74-58 89-39 25-05 57-66
24 23-48 49-96 00-17 88-90 63-67 02-64 71-12 21-02 29-86 88-54
25 04-41 27-70 10-49 13-76 99-38 64-14 90-60 69-75 10-97 16-60
N de columnas
Muestreo de lotes: Tabla de nmeros aleatorios
Uso de tabla de nmeros aleatorios para la
extraccin de muestras de un lote
Se debe muestrear un lote de 1400 sacos en pallet
de 20 sacos por pallet.
De la tabla de muestreo simple que relaciona el
tamao del lote y tamao de muestra se obtiene
que se deben extraer 125 muestras del lote.
Cada pallet se numera secuencialmente 1 20, 21
40, 41 - 60 1381 1400.
B 9-.15 3 4 0 0,3 1,7 21 54
C 16-25 5 2,5 0 0,2 1 13 37
D 26-50 8 1,5 0 0,1 0,6 8,3 25
6,5 2 4,6 20 41
E 51-90 13 1 0 0,08 0,4 5,2 16
4 1 1,2 2,8 12 27
F 91-150 20 0,65 0 0,05 0,3 3,4 11
2,5 1 0,8 1,8 8,2 18
4 2 2,2 4,2 13 24
G 151-280 32 0,4 0 0,03 0,2 2,1 6,9
1,5 1 0,5 1,1 5,2 12
2,5 2 1,4 2,6 8,3 16
4 3 2,6 4,4 11 20
H 281-500 50 0,25 0 0,02 0,1 1,4 4,5
1 1 0,3 0,7 3,3 7,6
1,5 2 0,9 1,7 5,3 10
2,5 3 1,7 2,8 7,3 13
4 5 3,7 5,3 11 18
J 501-1200 80 0,65 1 0,2 0,4 2,1 4,8
1 2 0,6 1 3,3 6,5
1,5 3 1 1,7 4,6 8,2
2,5 5 2,3 3,3 7,1 11
4 7 3,7 5,1 9,6 14
K 1201-3200 125 0,4 1 0,1 0,3 1,3 3,1
0,65 2 0,3 0,7 2,1 4,3
1 3 0,7 1,1 2,9 5,3
1,5 5 1,4 2,1 4,5 7,4
2,5 7 2,3 3,2 6,1 9,4
L 3201-10000 200 0,4 2 0,2 0,4 1,3 2,7
0,65 3 0,4 0,7 1,8 3,3
1 5 0,9 1,3 3,8 4,6
1,5 7 1,5 2 3,8 5,9
2,5 10 2,4 3,1 5,3 7,7
0,95 (5%PR) 0,5 0,10 (10%CR)
porcentaje de defectuosos para ser aceptados
MIL STD codigo
tamao de
lote
numero de
muestras (n)
AQL%
numero de
aceptacion (c )
0,99
Muestreo por atributos, planes de muestreo de acuerdo proporcin
de defectuosos y tamao de muestra. Anon 2001
Usando la tabla de nmeros de azar con cuatro
dgitos aleatorios en columnas consecutivas se eligi
la fila 10 de la columna 1.
El primer numero aleatorio a extraer es 0,510 el
siguiente valor en la fila 11 (82,85) es muy grande y
se ignora.
El tercer cuarto y sexto valores: 0,850; 0,585; 1346
son retenidos.
Se continua el procedimiento hasta completar 125
muestras.
N de fila 1-4 5-8 9-12 13-16 17-20 21-24 25-28 29-32 33-36 37-40
1 87-08 83-09 40-14 39-15 99-24 21-85 00-45 54-19 36-18 03-88
2 88-33 78-20 40-40 24-73 77-70 00-31 84-59 26-06 50-30 95-96
3 22-50 09-11 00-37 36-51 55-95 83-97 13-75 46-22 77-50 11-72
4 48-70 56-57 16-24 21-74 91-53 18-05 59-61 74-97 31-82 77-68
5 93-45 40-93 12-80 88-63 26-93 85-05 19-87 84-37 59-76 16-65
6 50-76 70-02 39-19 40-69 57-23 09-33 20-70 86-45 13-94 98-39
7 91-64 01-34 67-13 11-00 32-09 39-76 21-64 29-85 65-14 51-74
8 33-20 63-71 95-94 13-77 12-44 12-94 91-04 41-83 79-72 44-08
9 90-59 65-46 78-82 16-45 97-85 57-75 79-96 79-08 16-83 43-99
10 05-10 93-57 80-32 86-65 26-90 27-54 34-94 46-33 65-35 56-84
11 92-85 63-26 69-69 81-54 70-56 17-62 43-17 86-78 99-62 34-15
12 08-50 36-55 82-11 26-54 76-88 85-67 82-21 65-00 83-89 06-09
13 59-36 77-09 83-87 81-77 93-77 48-44 88-30 37-21 74-02 93-10
14 05-85 86-43 25-50 76-70 36-32 26-68 54-92 84-90 02-38 77-40
15 13-46 99-31 30-29 71-70 91-10 99-84 55-31 95-20 90-28 49-78
16 56-27 09-33 66-79 32-29 50-54 76-94 27-01 45-87 29-66 23-15
17 54-15 62-11 22-33 39-39 58-30 73-43 59-32 26-43 76-12 99-10
18 83-01 86-58 89-77 68-87 29-71 49-50 46-53 56-53 41-53 52-20
19 00-28 17-33 81-42 24-33 55-75 42-70 73-65 16-96 47-17 42-69
20 52-29 68-59 32-69 40-30 89-12 11-07 18-53 27-13 46-54 85-40
21 64-43 09-80 68-29 86-65 60-27 87-70 77-45 31-69 12-31 21-79
22 80-68 13-48 80-84 25-33 70-89 76-61 03-41 57-89 87-07 56-12
23 28-72 57-80 54-05 80-92 82-65 25-01 74-58 89-39 25-05 57-66
24 23-48 49-96 00-17 88-90 63-67 02-64 71-12 21-02 29-86 88-54
25 04-41 27-70 10-49 13-76 99-38 64-14 90-60 69-75 10-97 16-60
N de columnas
Muestreo de lotes: Tabla de nmeros aleatorios
Alternativamente se pueden estratificar
sacando 13 de los 70 pallet originales ej: 69,
11, 50, 29, 33, 42, 5, 17, 49, 39, 24, 36, 21
partiendo de la fila 11 de las columnas 11 y
12 de la tabla.
Para examinar 5 sacos aleatoriamente
de cada pallet identificado ej: pallet 69
examina el numero de sacos 17 (fila 11
columnas 21 y 22) 11, 2, 5 y7.
Del pallet 11 examinar los sacos 9 fila
16 columna (5 6) 17, 13, 20 y 11
VII. Muestras para control de
fabricacin en procesos
Control de la produccin
Objetivo de anlisis en lnea de procesos
1. Comprobar que se mantiene la aptitud del proceso
para elaborar alimentos inocuos
2. Examinar la marcha del proceso para tomar
decisiones correctivas.
3. Conocer la causa que ocasiona una prdida de
control
4. Indicar que las condiciones han cambiado lo
suficiente para que el plan HACCP original necesite
revisarse.
Cartas de control
Cartas de control Shewart con
recuentos microbiolgicos
Subgrupo Muestra 1 Muestra 2 Muestra 3 Muestra 4 MEDIA INTERVALO
1 3.1 3.0 2.8 3.1 3.00 0.30
2 2.7 2.9 3.0 2.8 2.85 0.30
3 2.8 3.3 2.8 2.9 2.95 0.50
4 2.9 2.5 2.6 2.7 2.68 0.40
5 2.6 2.7 2.7 2.6 2.65 0.10
6 3.1 3.0 3.0 3.1 3.05 0.10
7 3.2 2.9 2.8 3.1 3.00 0.40
8 3.8 2.8 2.7 3.5 3.20 1.10
9 3.5 3.0 2.5 2.8 2.95 1.00
10 2.6 2.5 2.6 2.6 2.58 0.10
11 2.8 2.8 2.8 2.8 2.80 0.00
Subgrupo Muestra 1 Muestra 2 Muestra 3 Muestra 4 MEDIA INTERVALO
12 2.9 2.9 2.7 2.8 2.83 0.10
13 3.0 3.3 3.4 3.4 3.28 0.40
14 2.9 2.5 2.7 2.6 2.68 0.40
15 2.5 2.6 2.7 2.7 2.63 0.20
16 3.1 2.8 3.1 3.1 3.03 0.30
17 2.6 2.6 2.6 2.6 2.60 0.00
18 2.8 3.4 3.7 2.9 3.20 0.90
19 2.9 3.0 3.1 3.0 3.00 0.20
20 2.4 2.3 2.7 2.4 2.45 0.40
Media de Medias 2.87
Media de Rangos 0.36
Cartas de control Shewart con
recuentos microbiolgicos
Cartas de control
Carta de medias logartmicas
Lmite superior:
X + (A
2
x R)
Valor central: X
Lmite inferior:
X (A
2
x R)
Parmetros para determinar
los limites de control de 3 para las
cartas de la media y el rango
Tamao de la muestra
(n/subgrupo)
A
2
D
3
D
4
2 1.880 0 3.268
3 1.023 0 2.574
4 0.729 0 2.282
5 0.577 0 2.114
6 0.483 0 2.004
7 0.419 0.076 1.924
8 0.373 0.136 1.864
9 0.337 0.184 1.816
10 0.308 0.223 1.777
Carta del rango
Carta del rango
Lmite superior:
D
4
x R
Valor central: R
Lmite inferior:
D
3
x R
Ejemplo de Grficas de Control
Sistema bajo control
Exceso de variabilidad
Falla sistemtica (gradual)
Fallas bruscas
Fallos recurrentes
Consecuencias de una limpieza
hmeda (Cordier, 2009)
X1 X2 X3 X4
1 Dic-26 8:50 6,35 6,40 6,32 6,37 6,36 0,08
2 11:30 6,46 6,37 6,36 6,41 6,40 0,10
3 1:45 6,34 6,40 6,34 6,36 6,36 0,06
4 3:45 6,69 6,64 6,68 6,59 6,65 0,10
5 4:20 6,38 6,34 6,44 6,40 6,39 0,10
6 Dic-27 8:35 6,42 6,41 6,43 6,34 6,40 0,09
7 9:00 6,44 6,41 6,41 6,46 6,43 0,05
8 9:40 6,33 6,41 6,38 6,36 6,37 0,08
9 1:30 6,48 6,44 6,47 6,45 6,46 0,04
10 2:50 6,47 6,43 6,36 6,42 6,42 0,11
11 Dic-28 8:30 6,38 6,41 6,39 6,38 6,39 0,03
12 1:35 6,37 6,37 6,41 6,37 6,38 0,04
13 2:25 6,40 6,38 6,47 6,35 6,40 0,12
14 2:35 6,38 6,39 6,45 6,42 6,41 0,07
15 3:55 6,50 6,42 6,43 6,45 6,45 0,08
16 Dic-29 8:25 6,33 6,35 6,29 6,39 6,34 0,10
17 9:25 6,41 6,40 6,29 6,34 6,36 0,12
18 11:00 6,38 6,44 6,28 6,58 6,42 0,30
19 2:35 6,35 6,41 6,37 6,38 6,38 0,06
20 3:15 6,56 6,55 6,45 6,48 6,51 0,11
21 Dic-30 9:35 6,38 6,40 6,45 6,37 6,40 0,08
22 10:20 6,39 6,42 6,35 6,40 6,39 0,07
23 11:35 6,42 6,39 6,39 6,36 6,39 0,06
24 2:00 6,43 6,36 6,35 6,38 6,38 0,08
25 4:25 6,39 6,38 6,43 6,44 6,41 0,06
Suma 160,25 2,19
FECHA
N DE
SUBGRUPO
RAM (log UFC/100 cm2)
RANGO PROMEDIO HORA
Carta de la media
Carta del rango
ndices de capacidad del proceso
La capacidad del proceso (6) es una
medida de la dispersin natural de la
variable que mide la calidad del
producto o servicio.
Bajo normalidad, el intervalo
3 (longitud 6) recoge al 99,7%
de la poblacin,
ndice de capacidad Cp
Compara el intervalo de tolerancia
con la capacidad natural del
proceso:
Si Cp > 1 se dice que el proceso es
capaz
Cp = LTS LTI
6
VIII. Casos prcticos: Tcnicas analticas
en superficies y su variabilidad
Hisopado
Esponja
Enjuague
Contacto (Rodac)
Escisin
Cuadro comparativo de resultados
de diferentes tcnicas analticas
Ejemplo: Fuentes de variabilidad en un ensayo
analtico de Recuento de enterobacterias en 5
rplicas analticas de una muestra de carne de
pavo
1
3
2 5
4
Misma
muestra
Escala
Logaritmica
4,0128
4,1139
4,0212
4,1335
3,7781
Promedio 4,0119
S 0,1414
CV 3,52
Escala
Matemtica
10 300
13 000
10 500
13 600
6 000
Promedio 10 680
S 3 000
CV 28,09
Clculos de Estadsticos para recuento de
enterobacterias en pavo (Escalas matemtica y log)
Estadsticos Enterobacterias en pavo
UFC/g Log
Media 10 680 4,0120
I.confianza: L.Inf. 6 956 3,8364
I.Confianza: L.sup. 14 404 4,1874
Mediana 10 500 4,0212
Desviacin estndar 3 000 0,1414
Valor mnimo 10 500 3,7781
Valor mximo 13 600 4.1335
Rango 7 600 0.3554
Asimetra -1.006 -1,463
Curtosis 0.978 2,3740
Coef. Variacin (%) 28.09 3,52
P. Kolmogorov- Smirnov
(estadstico)
0.250 0.303
Valor de P 0.200 0.152
Ejemplo: Efecto de la distribucin
contagiosa de enterobacterias en una
superficie de mesn de trabajo antes de
higienizar. UFC/100 cm
1
2
3
4
5
Muestra
Enterobacterias UFC/100cm
Escala matemtica Escala Logartmica
1 9,3x10
3
3,9685
2 1,1x10
4
4,0414
3 9,2x10
3
3,9638
4 1,1x10
3
3,0414
5 7,7x10 2,8865
Promedio 6,3x10
3
3,5803
S 4,9x10
3
0,5662
C.V(%) 77,77% 15,81%
X
g
3,8x10
3
Clculos de Estadsticos descriptivos para
Enterobacterias en Superficie
(Escalas matemtica y log)
Estadsticos
Enterobacterias en
Superficie
UFC/100cm
2
Log
Media 6 274 3,5804
I.confianza: L.Inf. 156 2,8775
I.Confianza: L.sup. 12 392 4,2833
Mediana 9 200 3,9638
Desviacin estndar 4 927 0,5661
Valor mnimo 770 2,8865
Valor mximo 11 000 4,0414
Rango 10 230 1,1549
Asimetra -0,512 -0,638
Curtosis -3,143 -3,064
Coef. variacin(%) 78,53 15,81
P. Kolmogorov- Smirnov
(estadstico)
0,324 0,351
valor de p 0,094 0,043
Ejemplo: Muestreo de superficies: Efecto
ANTES y DESPUES de la aplicacin de un
desinfectante.
A
D
D
A
D
A
D
A
A
D
1 3,9685 2,6232
2 4,0414 2,2788
3 3,9638 2,1761
4 3,0414 2,3979
5 2,8865 1,7993
Promedio 3,5803 2,2551
S 0,5662 0,3043
CV 15,81 13,50
Comparacin F = 1,86
log UFC/100cm
2
antes
Muestreo
log UFC/100cm
2
despus
Control
inculo
Expuesta luz
UV.
Con aditivo
fotocataltico
Sin aditivo
fotocataltico
No expuesta
luz UV
Con aditivo
fotocataltico
Sin aditivo
fotocataltico
IX. Diseo de experimentos para
actividad antimicrobiana de un cermico
con efecto fotocataltico activado con luz
UV.
Medida del nmero
de m.o. viable
calculo y reporte
Condicin de
irradiacin UV.
Preparacin superficie,
piezas de acero inox.de
25cm (15 piezas)
Bacteria
Inoculacin de la bacteria en las superficies de acero
Prueba sin
exposicin luz UV
lavado.
Post-inoculacin
y lavado
Prueba expuesta
a luz UV lavado.
3 estndares
3 tratados + 3 estndares
3 tratados + 3 estndares.
Frmulas de clculo
R
L
= [ log (B
l
/A) log (C
l
/A)]=log[B
l/
C
l
]
R
L
= actividad antimicrobiana de la cermica con aditivo fotocataltico
despus de exposicin UV.
A= promedio recuento de m.o. en cermicas no tratadas justo
despus de inocular (post-inoculacin).
B
L
=promedio de numero de m.o. en material sin aditivo fotocataltico
despus de la irradiacin UV.
C
L
=promedio del numero de m.o. en material con aditivo
fotocataltico despus de la irradiacin UV.
R= log[B
l/
C
l
] log(B
D
/A) log (C
D
/A) = log[B
l/
C
l
] log [B
D
/C
D
]
R = actividad antimicrobiana de cermica fotocataltica con radiacin UV.
B
D
= promedio de m.o. viables en material sin aditivo fotocataltico y no
expuesto a luz UV.
C
D
= promedio de m.o. viables en material con aditivo fotocataltico y no
expuesto a luz UV.
Datos y clculos:
Inoculo inicial 40 000 UFC/mL
Exposicin a UV con aditivo 75 UFC/mL.
sin aditivo 500 UFC/mL.
No exposin a UV con aditivo 3 200 UFC/mL.
sin aditivo 3 000 UFC/mL.
Ejemplo de clculo:
R
L
= [ log (B
l
/A) log (C
l
/A)]=log[B
l/
C
l
]
R
L
= log(500/40 000) log(75/40 000) = log (500/75)
R
L
= -1,9030 - (- 2,7270) = 0,8239
R = log[B
l/
C
l
] log [B
D
/C
D
]
R = log[500/75]- log[3 000/3 200]
R = log(0,8239) -0.028
R = 0,7958 ciclos log ==> 6,24 veces de efecto de disminucin
CONCLUSIONES
Recomendaciones de la ICMSF para
criterios microbiolgicos: aplicar
slo a producto final.
Utilizar preferentemente el control
por variables
Utilizar cartas de control para
verificar que las condiciones del
proceso son uniformes.
Gracias