UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE ING. QUÍMICA Y TEXTIL

LABORATORIO DE ANALISIS QUIMICO CUANTITATIVO – QU527 “B”

PERIODO ACADÉMICO 2011 – II
PRÁCTICA DE LABORATORIO N°1
“TRATAMIENTO ESTADISTICO DE DATOS EXPERIMENTALES”

o Profesores:

 Ing. PEREZ GALVEZ, José Víctor

 Ing. TUESTA CHAVEZ, Tarsila

o Integrantes:

 CHÁVEZ BARBOZA, Jorge Luis

 MANRIQUE MONTALVAN, Luis Jesús
 LLAURY ANGELES, Melissa Olga

Fecha de Entrega: 09/09/11

LIMA – PERÚ

INDICE
1. Teoría de Errores:
1.1. Definición de Error
1.2. Precisión y Exactitud
1.3. Tratamiento de datos en Series con pocos valores
1.3.1. Intervalo de Confianza
1.3.1.1. Método de T-Student
1.3.1.2. Método Cn
1.3.2. Prueba de Significancia
1.4. Clasificación de Errores
1.4.1. Por su Naturaleza
1.4.1.1. Absolutos
1.4.1.2. Relativos
1.4.2. Por su Origen
1.4.2.1. Crasos
1.4.2.2. Determinados
1.4.2.2.1. En balanzas del laboratorio 11
1.4.2.2.2. En utensilios volumétricos
1.4.2.2.3. En instrumentos graduados sin especificación de error
1.4.2.3. Indeterminados
1.4.2.4. Aleatorios

2. Redondeo
2.1. Cifra siguiente mayor que 5
2.2. Cifra siguiente menor que 5
2.3. Cifra siguiente igual que 5
2.3.1. Cifra subsiguiente nula
2.3.2. Cifras subsiguiente no nulas

3. Cifras significativas
3.1. Concepto:
3.2. Cifras significativas en una medición
3.3. Operaciones con cifras significativas
3.3.1. En suma y restas
3.3.2. En multiplicaciones y divisiones
3.3.3. En potenciación y radicación
3.3.4. En exponenciales y logaritmos
3.3.5. En formulas con cifras constantes

4. Propagación de errores determinados

4.1. En sumas y restas
4.2. En multiplicaciones y divisiones
4.3. En potenciación y radicación
4.4. En exponenciales y logarítmicos
4.5. En fórmulas con cifras constantes

5. Descarte de los valores dudosos

6. Bibliografía

TRATAMIENTOS ESTADISTICO DE DATOS EXPERIMENTALES

1. Teoría de Errores

1.1. Definición de error

En ciencias e ingeniería, el error está asociado al concepto de incerteza en la determinación

del resultado de una medición.
El error de las medidas es la incertidumbre que tienen éstas medidas y debe darse siempre
junto con el valor de la medida.
Nunca se puede medir algo exactamente, por lo tanto se trata de minimizar el error. Si no se
conociese el error de una medición no conocemos que tan confiable es el resultado, por eso
es que un resultado experimental sin un error asociado no representa nada.

1.2. Precisión y Exactitud

 Precisión:

La precisión es un término relacionado con la confiabilidad de un instrumento, es decir,

si un instrumento proporciona resultados similares cuando se mide un material de
referencia de manera repetida, entonces el instrumento es preciso. Por ejemplo, si se
mide con un micrómetro un patrón de longitud 10 o 15 veces y la desviación estándar
de los resultados de las mediciones es pequeña, digamos, 0,1% del valor central,
entonces se puede considerar al instrumento como preciso.
Nuevamente, depende de la aplicación si la precisión de un instrumento es aceptable o
no.

 Exactitud:

En términos sencillos, la exactitud de una medición es la concordancia del resultado de

la misma comparada con el valor verdadero del objeto que está siendo medido
(mensurando). Por ejemplo, si pesamos una masa patrón, calibrada y con trazabilidad,
con un valor certificado de 1,0052 g en una balanza analítica y el resultado de la pesada
es 1,0047 g, la diferencia entre el valor verdadero y el valor de la medición es de sólo
0,04%. La balanza del ejemplo es un instrumento exacto, con su parámetro de exactitud
cuantificado en un porcentaje. Si el resultado de la pesada hubiese sido 1,0145 g el
instrumento es menos exacto. La aplicación determina si la exactitud del instrumento es
apropiada, un error de 4,9% puede ser inaceptable en un laboratorio farmacéutico pero
puede ser aceptable en una balanza de campo utilizada para pesar muestras geológicas o
especímenes vivos. Es importante tener en cuenta que la exactitud de un instrumento de
medición sólo puede conocerse y cuantificarse con materiales de referencia.

1.3. Tratamiento de datos en Series con pocos valores

1.3.1. Intervalo de Confianza

1.3.1.1. Método de T-Student

Es un valioso auxiliar estadístico que se utiliza para medir la probabilidad,

utilizando principalmente para expresar intervalos de confianza y para
comparar los resultados de los diferentes experimentos.
A partir de un intervalo limitado de mediciones es imposible encontrar la
media real de la población (μ) o la desviación estándar real (δ). Lo que si
 podemos determinar son la media ( x ) y la desviación estándar ( s ) de
la muestra. El intervalo de confianza nos expresa que la media real, μ,
debe hallarse a cierta distancia de la media medida x . De esta forma se
tiene la fórmula siguiente:

t×s
μ=x±
√n
Dónde:
s = desviación estándar medida
n = cantidad de observaciones
t = número denominado t-Student, ubicado en una tabla
con su correspondiente nivel de confianza y grado de
libertad (n-1).

1.3.1.2. Método Cn

Otro modo de determinar intervalos de confianza para un conjunto de datos es

utilizando el rango (R = xmáx-xmín) acompañado de un multiplicador (Cn), de
este modo obtenemos la fórmula siguiente para determinar un intervalo de
confianza:

μ=x±Cn×R
Dónde:
μ = media real
x = media calculada
Cn = multiplicador característico, depende del número de
mediciones (n) y del, nivel de confianza

1.3.2. Prueba de Significancia

Al realizar dos pruebas diferentes, algunas veces, se obtienen datos que

aparentemente son “diferentes”, y nos llevan a pensar en que uno de los métodos, o
ambos, utilizados durante la medición es ineficaz y no representa bien al valor real
que queremos hallar. Para determinar si los resultados de estos dos métodos son
“iguales” o “diferentes”, aplicamos la prueba t utilizando la t-Student, para ello
asumiremos que la desviación estándar de la población (δ) para cada método es
esencialmente la misma.

Para dos conjuntos de datos, calculamos el valor:

x 1 −x 2 n 1 n2

Dónde:
t=
s √ n 1 + n2 ,

∑ ( x i −x1 )2+ ∑ ( x j−x 2) 2

s=
√ conj1
n1 +n2 −2
conj2
 Este valor de s es una desviación estándar combinada de las dos series de datos. El
valor calculado de t debe ser comparado con el obtenido de la tabla con un grado de
libertad de (n1+n2-2). Si el ttabulado es mayor que el tcalculado, las dos series de resultados
no son significativamente diferentes para el nivel de confianza considerado.

Pero este método sólo puede ser utilizado cuando s 1 y s2 no son significativamente
diferentes; para ello hacemos uso de la prueba F o de relación de varianza:
s
12
F=
s
22
Se coloca como numerador la varianza con el mayor valor numérico, de tal forma
que la relación F siempre sea mayor que 1. Comparando este valor de F con los
tabulados en un cuadro con cierto nivel de probabilidad. Si el valor Ftabulado es mayor
que el Fcalculado cualquier diferencia entre s1 y s2 no es significativa.

1.4. Clasificación de Errores

1.4.1. Por su Naturaleza

1.4.1.1. Absolutos

Es el valor de la incertidumbre combinada. Tiene las mismas dimensiones

que la magnitud medida y es conveniente expresarla con las mismas
unidades de ésta. Si Z es la magnitud en estudio, Z es el mejor valor
obtenido y Z su incertidumbre absoluta. El resultado se expresa
adecuadamente como:

(1.3)

El significado de esta notación es equivalente a decir que, según nuestra

medición, con una cierta probabilidad razonable p 0 (usualmente p 0 = 0.68,
68%) el valor de Z está contenido en el intervalo ( Z - Z, Z + Z), o sea:

Lo que es equivalente a:

Que significa que la probabilidad que el mejor estimador de Z esté

comprendido entre El valor de po se
conoce se conoce con el nombre de intervalo de confianza y los valores
determinan un intervalo de confianza para Z.

1.4.1.2. Relativos
 El cociente entre el error absoluto y el mejor valor de la magnitud.

1.4.2. Por su Origen

1.4.2.1. Crasos

La palabra “CRASO” se aplica a un error o equivocación que es muy grave y

no tiene solución.

1.4.2.2. Determinados

Son debidos a la presencia de algún factor que no ha sido tomado en cuenta y

que altera de un modo significativo el resultado de la misma.
Estos errores se repiten constantemente en las medidas y afectan el resultado
final siempre en el mismo sentido (una medida siempre mayor que la real o
siempre menor).

1.4.2.2.1. En balanzas del laboratorio 11

La balanza digital del Laboratorio 11 puede mostrar valores hasta la

cuarta cifra decimal. La exactitud de la medida es bastante buena, pero
una mala calibración o mal uso (falta de limpieza) pueden incrementar
el error de la medida.
La incertidumbre absoluta está dada por la menor medida dividida
entre dos, en este caso es de:

1×10−4
i=± =±5×10−5
2

1.4.2.2.2. En utensilios volumétricos

Tales como buretas, probetas, pipetas; en todos estos casos el error

generalmente se produce cuando no se calibran estos instrumentos.
Por ejemplo, la tolerancia del fabricante para una bureta Clase A de
50mL es de ±0 .05mL

1.4.2.2.3. En instrumentos graduados sin especificación de error

Con estos instrumentos es necesario determinar la incertidumbre que

tiene, de esa forma obtener una medición más confiable y acorde con
la real, una manera de corregir esto es trazando una curva de
calibración experimental; por ejemplo, en el caso de una bureta sin
calibrar, vertemos agua en un recipiente que se pesa, conociendo la
densidad, el volumen se determina mediante la masa de agua. Esto nos
ayudará a encontrar un factor de corrección para cada lectura que
hagamos con dicho instrumento.

1.4.2.3. Indeterminados
 Se debe a las limitaciones naturales para realizar mediciones físicas. Siempre
existe, no puede ser detectado y mucho menos corregido, es la limitante en
definitiva de las determinaciones experimentales. Por ejemplo, al momento de
realizar una lectura del voltaje en un circuito, las fluctuaciones provenientes
de la inestabilidad del instrumento hacen que la medida varíe y no sea estable.

1.4.2.4. Aleatorios

También llamados estadísticos, son el resultado de numerosas fuentes no

controladas que desplazan aleatoriamente (en un sentido o en otro) el valor de
la medida respecto a su valor real.
Esto puede ser debido a:

 Fluctuaciones en la corriente, variaciones de luminosidad, variaciones

de la presión, de la temperatura, señales eléctricas externas de
motores, etc.
 Los errores aleatorios tienen signo positivo o negativo,
indiferentemente, y la influencia sobre los resultados no sigue ninguna
ley constante.
 No se pueden evitar y para disminuir su influencia se tiene que
recurrir a la repetición de la medida varias veces.

2. Redondeo

2.1. Cifra siguiente mayor que 5

Cuando el último digito a redondear es mayor a 5 se procede a aumentar en una unidad al

digito anterior, por ejemplo:

8.3646 → 8.365 (redondeo a 3 decimales)

2.2. Cifra siguiente menor que 5

Cuando el último digito a redondear es menor a 5,el digito anterior a este se queda tal como
está, por ejemplo:

6.2614 → 6.261 (redondeo a 3 decimales)

2.3. Cifra siguiente igual que 5

Cuando el último digito a redondear es igual a 5, el digito anterior a este aumenta en una
unidad, por ejemplo:

3.2615 → 3.262 (redondeo a 3 decimales)

2.3.1. Cifra subsiguiente nula

 Para el caso que las cifras subsiguientes sean nulas, el digito a redondear queda tal y
como está, por ejemplo:

5.4610 → 5.461 (redondeo a 3 decimales)

2.3.2. Cifras subsiguiente no nulas

Para este caso se procede de la misma manera como en los incisos 2.1, 2.2 y 2.3

3. Cifras significativas

3.1. Concepto

Las cifras significativas son los números a partir del primer digito diferente de cero que se
encuentra a la izquierda de:

a) el último digito de la derecha en caso de que haya un punto decimal

b) el último digito diferente de cero del número en caso de que no haya punto decimal.

Donde van a indicar la precisión con la que se conoce una determina cantidad; pues a
mayor cantidad de cifras significativas, más preciso es el valor.

3.2. Cifras significativas en una medición

Las cifras significativas en una medición son el número de dígitos que no se ven afectadas
por la incertidumbre, por ejemplo al dar una medición de 19.7 ± 0.1 m, este tiene 2 cifras
significativas, pues el 7 de la parte decimal se le va agregar o restar la incertidumbre.

3.3. Operaciones con cifras significativas

3.3.1. En suma y restas

Para el caso de la suma y resta de números, se tiene que tomar en cuenta que el
resultado tendrá la misma cantidad de cifras significativas que el número que
contenga la menor cantidad de cifras significativas involucradas en dicha operación,
por ejemplo:

3.0000 + 0.046 + 0.78 = 3.9260 → 3.93

3.3.2. En multiplicaciones y divisiones

Para el caso de la multiplicación y división de números, se tiene que tomar en cuenta

que el resultado tendrá la misma cantidad de cifras significativas que el número que
contenga la menor cantidad de cifras significativas involucradas en dicha operación,
por ejemplo:

(3.57)(4.286) = 15.30102 → 15.30

3.3.3. En potenciación y radicación

 Para el caso de la potenciación y radicación de números, se tiene que tomar en
cuenta que el resultado tendrá la misma cantidad de cifras significativas después de
la coma decimal que el número al cual se está realizando dicha operación, por
ejemplo:

(2.32)2 → 5.38

3.3.4. En exponenciales y logaritmos

Procede de manera análoga que el inciso 3.3.3, por ejemplo:

Log(104.23) → 2.02

3.3.5. En formulas con cifras constantes

Como las constantes ya están explicitas, la cantidad de cifras significativas esta dado
por la cantidad de cifras significativas del número al cual se le está haciendo dicha
operación, por ejemplo:

2*5.36 → 10.72

4. Propagación de errores determinados

4.1. En sumas y restas

Sean:
A = x ± ∆x y B = z ± ∆z
A + B= (x + z) ± (∆x + ∆z)
A – B = (x – z) ± (∆x + ∆z)

Ejemplo:
A = 25.05 ± ∆0.005 y B = 10.2 ± ∆0.05
A + B= (35.6) ± 0.06
A – B = (14.9) ± 0.06

4.2. En multiplicaciones y divisiones

Sean:
A = x ± ∆x y B = z ± ∆z
q = x.y → A.B = (x.z) ± ∆q
q = x/y → A/B = (x/y) ± ∆q
∆q ∆z ∆ x
= +
|q| |z| |x|
∆ z ∆x
∆ q=|q|
[ +
|z| |x| ]
Ejemplo:
A = 25.05 ± ∆0.005 y B = 10.2 ± ∆0.05
q = 255.5 → A.B = (255.5) ± 1.2
q = 2.4 → A/B = (2.4) ± 1.1
4.3. En potenciación y radicación
 Sea:
A = x ± ∆x
q = x → An = (xn) ± ∆q
n

q = x1/n → A1/n = (x1/n) ± ∆q

∆q ∆x
|q|
=|n|
[ ]
|x|

Ejemplo:
A = 10.2 ± ∆0.05
q = 10.22 → A2 = 104.04 ± 1.0
q = 10.21/2 → A1/2 = 3.19 ± 0.031

4.4. En exponenciales y logarítmicos

Sea:
A = x ± ∆x
q = exp(x) → exp(A) = exp(x) ± ∆q
∆ q= [ ∆ x ]
q = Ln(x) → Ln(A) = Ln(x) ± ∆q
∆q ∆ x
=
[ ]
|q| | x|

Ejemplo:

A = 10.2 ± ∆0.05
q = exp(10.2) → exp(A) = 2.69x104 ± 0.05
q = Ln(10.2) → Ln(A) = 2.32 ± 0.011

4.5. En fórmulas con cifras constantes

Sea:
A = x ± ∆x
q = C.x → A.C = (C.x) ± ∆q
∆q ∆x
|q|
=C
[ ]
|x|

Ejemplo:

A = 10.2 ± ∆0.05
q = 2x10.2 → A.C = 20.4 ± 0.2

5. Descarte de los valores dudosos

Este criterio se tiene en cuenta para obtener un mejor resultado de los datos recopilados, así
como también obtener un menor porcentaje de error en su análisis.

Para este caso se tiene la “Prueba Q”, la cual después de ordenar los datos de forma ascendente,
se verifica el dato dudoso y se realiza el siguiente procedimiento:
 x dud −x cercano
Q=
x mayor −x menor

Restar al valor dudoso su vecino más cerca y dividir este valor entre la diferencia del mayor y
menor valor, luego se compara este cociente con un valor de tablas para concluir si este dato
puede o no ser eliminado.

Ejemplo:

Se tiene los siguientes datos de masa (g) del producto de una reacción realizada en el
laboratorio, sabiendo que el verdadero valor es 25.70 g.

25.56 25.79 26.10

24.23 25.48 25.59
25.69 25.70 25.60

Se desea saber el valor promedio de estos valores.

 Sin descarte de valor dudoso:

x́=25.53

 Con descarte de valor dudoso

Haciendo uso de los conceptos para descartar, se toma como primer valor dudso el valor
de 24.23 g y se analiza:
25.48−24.23
Q= =0.66
26.10−24.23

Con este valor de Q se puede rechazar el valor de 24.23 g con un nivel de confianza de 99%.
Con el descarte de este valor dudoso se tiene que el nuevo promedio de estos datos es:

x́=25.69

Es visible que descartando el valor dudoso se obtuvo un menor porcentaje de error en el valor
del promedio de los datos.

6. Bibliografía

 HARRIS, Daniel – “Análisis Químico Cuantitativo” – Editorial Iberoamericana S.A. –

3° Edición – México D.F – 1992 – Pág.: 24-63
 SPIEGUEL, MURRIA – “Estadística” – Editorial Mc Graw Hill – 2° Edición – México
D.F – 1991 – Pág.: 45-56.
 http://www.uam.es/personal_pdi/ciencias/jsoler/docencia/lab_informaticos/2010/introdu
ccion.pdf
 www.ucasal.net/templates/unid-academicas/agro-
veterinaria/apps/errores.ppt+propagacion+de+errores+en+sumas+y+restas&hl=es&gl=p
e&pid=bl&srcid=ADGEESgC5hHlbEsXmgKgWk