Y es un escenario que resulta dif\u00edcil de entender y\/o implementar. Es importante que se comprendan tanto los resultados como el contenido de cualquier informe de an\u00e1lisis<\/a> que se haga tanto interna como externamente; y pueda interpretar adecuadamente su significado. Y cuando se encuentre que los resultados de las pruebas est\u00e1n fuera de los l\u00edmites establecidos, debe haber protocolos claros sobre las acciones a tomar.<\/p>\n\n\n\n Estas acciones pueden ser:<\/strong><\/p>\n\n\n\n La incertidumbre<\/strong> est\u00e1 definida como el rango de los valores que razonablemente podr\u00edan esperarse para el atributo (el microorganismo<\/a>, al\u00e9rgeno<\/a> o qu\u00edmico<\/a>) que se est\u00e1 midiendo – el \u00abmargen de duda\u00bb del resultado. En un gr\u00e1fico ser\u00eda:<\/p>\n\n\n Es decir, es claro que el valor A est\u00e1 dentro de lo aceptado, el valor D no lo est\u00e1, pero, \u00bfqu\u00e9 pasa con los valores de B y de C? Dependiendo de la incertidumbre que especifique el m\u00e9todo y acepte la empresa, estar\u00e1n o no aceptados.<\/p>\n\n\n\n Por ejemplo, para microbiolog\u00eda<\/a>, est\u00e1 bien aceptada la existencia de dicha incertidumbre. En noviembre de 2019 se public\u00f3 una nueva revisi\u00f3n de la norma ISO 19036<\/a> <\/strong>para la estimaci\u00f3n de la incertidumbre en los ensayos microbiol\u00f3gicos de los productos de la cadena alimentaria. <\/p>\n\n\n\n En esta nueva versi\u00f3n se describen tres tipos de contribuciones a la incertidumbre: <\/strong><\/p>\n\n\n\n a)<\/strong> Incertidumbre t\u00e9cnica<\/strong>: corresponde a la desviaci\u00f3n est\u00e1ndar de reproducibilidad, la cual depende del m\u00e9todo utilizado y del propio laboratorio. Debido a ello cada laboratorio debe obtenerla experimentalmente en la validaci\u00f3n del m\u00e9todo.<\/p>\n\n\n\n b)<\/strong> Incertidumbre de matriz<\/strong> hace referencia a la variaci\u00f3n entre los resultados de diferentes porciones de ensayo tomadas a partir de una misma muestra de laboratorio y refleja el hecho de que cada porci\u00f3n de an\u00e1lisis no sea representativa del total de la muestra de laboratorio. Esta incertidumbre ha de obtenerse experimentalmente. Va a depender principalmente de la homogeneidad de la matriz que se analice, de forma que en matrices muy homog\u00e9neas el valor de esta componente sea peque\u00f1o y m\u00e1s alto en productos s\u00f3lidos y matrices formadas por m\u00faltiples componentes; por lo que este valor debe estimarse para cada tipo de matriz.<\/p>\n\n\n\n c)<\/strong> Incertidumbre de distribuci\u00f3n<\/strong>, que incluye: la incertidumbre de Poisson, la incertidumbre de confirmaci\u00f3n y la incertidumbre de NMP, que se obtienen matem\u00e1ticamente y se aplicar\u00e1n en funci\u00f3n de la t\u00e9cnica utilizada en el an\u00e1lisis.<\/p>\n\n\n\n Para analizar las fuentes de incertidumbre se puede utilizar la herramienta de Ishikawa<\/strong>, como se ha hecho en este ejemplo debajo descrito, para la estimaci\u00f3n de la incertidumbre a partir de estudios de validaci\u00f3n internos, y la determinaci\u00f3n de Plaguicidas Organofosforados en Pan. Referencia: EURACHEM\/CITAC Guide, Quantifying Uncertainty in Analytical Measurement. Third Edition, QUAM:2012.P1:<\/p>\n\n\n Donde:<\/strong><\/p>\n\n\n\n\n
![\"Top](\"https:\/\/www.portaldeinocuidad.com\/web\/wp-content\/uploads\/2023\/08\/top-3-interpretacion-auditorias-brcgs-v-grafico-1.jpg\")
<\/figure>\n<\/div>\n\n\n![\"Top](\"https:\/\/www.portaldeinocuidad.com\/web\/wp-content\/uploads\/2023\/08\/top-3-interpretacion-auditorias-brcgs-v-grafico-2.jpg\")
<\/figure>\n<\/div>\n\n\n\n
![\"Leila](\"https:\/\/www.portaldeinocuidad.com\/web\/wp-content\/uploads\/2022\/03\/leila-burin-200x200-1.jpeg\")
<\/figure>\n<\/div>\n\n\n