Universidad Central del Ecuador

Facultad de Ciencias Qumicas

ESTADSTICA
Carrera:
Qumica Farmacutica-Bioqumica
Clnica

Errores en el anlisis
cuantitativo
No existen resultados cuantitativos vlidos si no
van acompaados de alguna estimacin de los
errores inherentes en ellos.

Tipos de errores
Errores crasos: errores muy graves que no queda alternativa
que abandonar el experimento. Ej. La avera total de algn
instrumento.
Errores aleatorios: provocan que los resultados individuales
caigan a ambos lados del valor medio. Afectan a la precisin.
Errores sistemticos: todos los resultados son errneos en el
mismo sentido. Afectan la exactitud.

Errores aleatorios y
sistemticos

ALEATORIOS
(indeterminados)

SISTEMATICOS
(determinados)

No se pueden
conocer sus
causas, pero
juntos producen
un gran efecto
en los datos

Cuyas causas las

podemos
conocer y
podemos
eliminarlas

Tipos de errores

EJEMPLO

Precisos y no
exactos

No precisos
exactos

Preciso y
exacto

No preciso
ni exacto

pesas
volmenes

Sustancias
de alto peso
molecular

polvo

Al calibrar pesas

precipitados

Sustancias impuras

Ejemplos
Medida de un intervalo de tiempo con un cronmetro.
Error en el start y en el stop del experimentador:
error aleatorio.
El cronmetro funciona mal y da siempre un intervalo de tiempo menor
(o mayor):
error sistemtico.

Medida de una longitud con una regla.

Error en la interpolacin entre dos marcas por el experimentador: error
aleatorio.
La regla esta mal calibrada y da longitudes menores (o mayores)
siempre: error sistemtico.

1. CONCEPTOS Y DEFINICIN DE TRMINOS

1.2. ERROR Y DESVIACIN
ERROR

DESVIACIN

Diferencia que existe entre el valor verdadero de una

magnitud y el que se obtiene de una medida experimental
del mismo.

Diferencia entre el valor promedio de una serie de

medidas y el de una cualquiera de ellas..

Si aceptamos (clculo de probabilidades) que el verdadero valor de una magnitud

es el promedio de una serie de medidas de la misma

ERROR

= DESVIACIN

Si no lo aceptamos nunca podremos conocer el valor verdadero

1.2. PRECISIN Y EXACTITUD

EXACTITUD

Es el grado de concordancia o proximidad entre el valor

medido y el valor real aceptado.

- Efectuar comparaciones con una muestra estndar

- Aplicar procedimientos distintos
Una elevada concordancia entre los resultados de varios mtodos proporciona cierta confianza.

PRECISIN

Grado de concordancia entre rplicas de mediciones de la

misma cantidad. Repetibilidad de un resultado.

Buena precisin no asegura buena exactitud

El resultado de un experimento puede ser perfectamente reproducible pero equivocado
Todos los anlisis reales son desconocidos. Mientras mayor sea el grado de precisin, mayor
probabilidad habr de obtener el valor verdadero
A mayor n de medidas ms confiable ser la medicin de la precisin
El n de mediciones necesarias depender de la exactitud necesaria y de la reproducibilidad
conocida del mtodo.

FORMAS DE EXPRESAR LA EXACTITUD

Varias formas y unidades

ERROR ABSOLUTO

EA

- Diferencia entre el valor medido (xi) y el valor aceptado como verdadero

(). Las unidades corresponden a la medicin que se efecta

- El valor aceptado puede estar sujeto a error

E A = xi -
- El signo es muy importante

ERROR RELATIVO

ER

- Relacin que existe entre el error absoluto (EA) y el

valor real
- Se expresa en % o % . Adimensional

ER =

xi -

. 100

aumento
disminucin

Formas de expresar la precisin

( x i - x ) 2
s=
N -1

Desviacin estndar

Desviacin
estndar
(coeficiente de variacin)

varianza

relativa

s
CV
x
s2

Precisin absoluta

es la expresin del margen de precisin asociado a una medida

Precisin relativa

es una expresin que compara la magnitud de la

precisin absoluta con el tamao de la medida que se
realiza

Exactitud y precisin

Realizacin de 10
disparos a una diana

Valoracin de 10 mL de HCl
1M con NaOH 1M

2. LOS TIPOS DE ERRORES

Afectan a la exactitud o precisin de los datos experimentales

1. Blunders

(Patinazos o deslices)
2. Errores determinados o sistemticos
3. Errores indeterminados o aleatorios (al azar)
2.1 ERRORES DETERMINADOS O SISTEMTICOS
Tienen causas concretas y valores definidos

Pueden ser calculados y tenidos en cuenta

Pueden evitarse y corregirse
CARACTERSTICAS:

Unidireccionales
Resultados superiores o inferiores al valor real, pero no
en ambas direcciones

CLASIFICACIN:
Proporcionales al tamao

de la muestra (contaminantes)
De magnitud constante independiente de las dimensiones
de la cantidad medida (pesa mal calibrada)
CAUSAS:
Errores Instrumentales
Aparatos. La calibracin elimina la mayora de los errores de este tipo

Errores del Mtodo

Tienen su origen en las propiedades fsico-qumicas del sistema por lo
que son inherentes al mtodo
Son los ms graves y difciles de detectar (indicadores visuales,
coprecipitacin, reacciones secundarias)
No pueden cambiarse a menos que se modifiquen las condiciones de
la determinacin

Errores Personales
Asociados con las manipulaciones realizadas en la
tcnica
Su magnitud depende del analista (errores
matemticos, niveles de lquidos, posicin de agujas)
Pueden afectar a un slo valor o a una serie
completa de medidas
Son consecuencia del descuido y pueden eliminarse
con autodisciplina
Los errores sistemticos dan lugar a una prdida de
exactitud pero pueden afectar o no a la precisin segn
que dicho error sea constante o variable

DETECCIN Y ELIMINACIN DE ERRORES DETERMINADOS

Errores Instrumentales

Calibracin (Espectrofotometra: Recta

Relacin seal/conc. A/conc.)
Calibracin de pHmetros ( pH 4 y pH 7)
Calibracin de balanzas (pesas de 50 o 100 mg)
Material volumtricos (gravimetria con agua o
Hg)
Estufas (termmetros certificados)
Muflas (sales inorgnicas de alto PF)

Errores Personales

Autodisciplina
Se identifican y eliminan por alguno de los
siguientes mtodos:

Errores del Mtodo

Anlisis de muestras patrn

y (CRMs)
Anlisis independiente
Determinaciones en blanco

2.2 ERRORES INDETERMINADOS

Son de causa desconocida

Producidos por el efecto de variables que no se pueden determinar

No son constantes
Fluctan al azar alrededor de un valor medio
Sus fuentes son desconocidas, ya que estn formados por
innumerables incertidumbres insignificantes y no observables
El n y tamao de las incertidumbres + y - son aproximadamente
iguales
Son de pequea magnitud
Se revelan por las diferencias en los valores obtenidos en varias
determinaciones, en condiciones cercanas a lo ideal
No pueden evitarse, por ello es necesario dar una interpretacin
estadstica a los resultados

Deteccin: Fluctuacin aleatoria de los resultados que

se obtienen al repetir varias veces un anlisis.

Caractersticas fundamentales:
1.- Por exceso o defecto con igual probabilidad

2.- Un error pequeo es ms probable que uno de gran magnitud

(Fluctuaciones de T, de la lectura de un aparato, etc.)

Los E.I. producen una disminucin de la precisin de las

observaciones.

Aumentando N no se afecta grandemente la exactitud.

Los E.I. siguen una distribucin aleatoria. El resultado ms probable se
consigue aplicando las leyes matemticas de la probabilidad.
Los E.I. en Anlisis Qumico se distribuyen de una forma que se
aproxima a una distribucin gaussiana o normal.
Slo pueden reducirse a un mnimo, pero no ser eliminados.

3. CURVA NORMAL DEL ERROR

Tabla 2.1.- Resultados de 50 determinaciones de nitrato en aguas de un ro (g/mL)
0.51

0.51

0.51

0.50

0.51

0.52

0.53

0.48

0.49

0.48

0.46

0.49

0.51

0.51

0.51

0.48

0.51

0.50

0.50

0.53

0.51
0.47
0.49
0.50
0.49
0.47
0.50
0.48
0.52
0.51

0.49

0.52

0.53

0.50

0.50

0.52

0.49

0.49

0.48

0.49

0.49

0.51

0.47

0.50

0.51

0.49

0.52

0.50

0.50

0.51

Tabla 2.2.- Tabla de frecuencia para las medidas de concentraciones de in nitrato

Concentracin de in nitrato (g/mL)

Frecuencia

0.46
0.47
0.48
0.49
0.50
0.51
0.52
0.53

1
3
5
10
10
13
5
3

CURVA NORMAL DEL ERROR

Distribucin normal

Histograma de la concentracin de in
nitrato (datos de la Tabla 2.1)

La porcin encerrada bajo la curva

indica el porcentaje de datos de la
poblacin que se est considerando

68%

95 %

99.7%

INCERTIDUMBRE
DEFINICION
La incertidumbre de una medicin es la duda que existe respecto al resultado de
dicha medicin.
Ejemplo:
Se puede pensar que las reglas graduadas estn bien hechas, que los relojes y los
termmetros deben ser veraces y dar resultados correctos. Sin embargo, en toda
medicin, an en las ms cuidadosas, existe siempre un margen de duda. En
lenguaje comn, esto se puede expresar como mas o menos, por ejemplo, al
comprar o vender un tramo de una tela de dos metros, mas o menos un
centmetro

EXPRESIN DE LA INCERTIDUMBRE DE UNA MEDICIN

Dado que siempre existe un margen de duda en cualquier medicin, necesitamos
conocer cun grande es ese margen? Por esto se necesitan dos nmeros para
cuantificar una incertidumbre.
Uno es el ancho de este margen, llamado intervalo, el otro es el nivel de confianza, el
cual establece qu tan seguros estamos del valor verdadero dentro de ese margen.
Por ejemplo:
Si decimos que la longitud de cierta barra mide 20 cm, ms o menos () 1centmetro,
con un 95% de confianza decimos:
20 cm 1 cm, con un nivel de confianza del 95%
Esto significa que en 95 de cada 100 mediciones la longitud de la barra est
comprendida entre 19 y 21 centmetros

PASOS PARA CALCULAR LA INCERTIDUMBRE:

1.- Frmula que se va a utilizar
Y = f(p,q,r)
2.- Fuentes de incertidumbre
Se establece si se realizara mediante pesos (gr) o medidas (cm)
-Material A 0.1
-Fuentes por temperatura y factores ambientales

-3. Cuantificacin
-Todas las incertidumbres que se tiene hay que convertirlas en incertidumbres
estndar

3.1 Incertidumbre Incertidumbre estndar

X1= 5.3032
X2= 5.3038
X3= 5.3031
X4= 5.2989
X5= 5.3027

= 5.3025

S = 2.0577x10 tgl5= 4.60

3.2 Incertidumbre experimental

IC = t.s

IC = 5.3025 4.60 x 0.002 = 5.3025 0.004

Distribucin triangular
Se encarga en la medicin de volmenes,
Se emplea a siguiente formula:
u=

Ejemplo
Una certificacin estndar de calibracin dice que un baln
tiene una incertidumbre de 250 ml 0.15 ml
u=

u=

0.15
6

= 0.0061 (I.S)

Distribucin rectangular
Se utiliza en temperatura, peso, volumen, y variacin de
volumen.
Se usa la siguiente formula:
u=

Ejemplo:
Un certificado de calibracin nos da 0.063 gr:

u=
u=

3
0.003
=
3

0.0017 gr (I.S)

Combinada.
Es el resultado de las contribuciones de todas las fuentes a la que
la denomina como combinada.
La formula es:
Uc (x1)= + +
Ejemplo:
Pipeta con un volumen de 12ml 0.03ml

Incertidumbre expandida
Se la considera como el numero de veces de expresar las
incertidumbres y en algunos con los niveles de confianza
Uc (x1)= .

( )

( )

 Es una representacin grfica de una variable en forma de

barras.
La superficie de cada barra es proporcional a la frecuencia de
los valores representados, ya sea en forma diferencial o
acumulada.
Sirven para obtener una "primera vista" general, o panorama,
de la distribucin de la poblacin, o la muestra, respecto a una
caracterstica, cuantitativa y continua, de la misma y que es de
inters para el observador.

Diagramas de barras simples

Representa la frecuencia simple (absoluta o
relativa) mediante la altura de la barra la cual es
proporcional a la frecuencia simple de la
categora que representa.

Diagramas de barras compuesta

Se usa para representar la informacin de una tabla de doble
entrada o sea a partir de dos variables, las cuales se
representan as; la altura de la barra representa la frecuencia
simple de las modalidades o categoras de la variable y esta
altura es proporcional a la frecuencia simple de cada
modalidad.

Diagramas de barras agrupadas

Se usa para representar la informacin de una tabla
de doble entrada o sea a partir de dos variables, el
cual es representado mediante un conjunto de
barras como se clasifican respecto a las diferentes
modalidades.

Polgono de frecuencias
Es un grfico de lneas que de las frecuencias
absolutas de los valores de una distribucin en el
cual la altura del punto asociado a un valor de las
variables es proporcional a la frecuencia de dicho
valor.

Paso 1

Paso 2

Paso 3

Determinar el rango de los datos. Rango es

igual al dato mayor menos el dato menor.

Obtener todos los nmeros de clases, existen varios

criterios para determinar el nmero de clases (o barras).
Algunos autores recomiendan de cinco a quince clases,
dependiendo de cmo estn los datos y cuntos sean

Establecer la longitud de clase: es igual al

rango dividido por el nmero de clases.

Paso 4

Construir los intervalos de clases: Los intervalos

resultan de dividir el rango de los datos en
relacin al resultado del PASO 2 en intervalos
iguales.

Paso 5

Graficar el histograma: En caso de que las clases sean todas

de la misma amplitud, se hace un grfico de barras, las bases
de las barras son los intervalos de clases y altura son la
frecuencia de las clases.
Si se unen los puntos medios de la base superior de los
rectngulos se obtiene el polgono de frecuencias.

Tamao de muestra
POBLACION DESCONOCIDA
(/2) 2
=
2
POBLACION CONOCIDA
=

pHombres=
pMujeres=

=
=

14
40
26
20

(/2) 2
1 + (/2) 2

= 0,35
= 0,65

95% = 1,96
98% = 2,58

Ejemplos:
= % = ,
= % = ,
= % = ,

= ,

=
= ,
= % = ,
= % = ,
= , % = ,

(, ) , (, )
=
(, )
= ,

, , ,
+ , , ,
= ,

Tipos de muestreo
Probabilsticos. Son aquellos en los que todos los
individuos tienen la misma probabilidad de ser
elegidos para formar parte de una muestra.
Existen diferentes
criterios de
clasificacin,
aunque en general,
pueden dividirse en
:
No Probabilsticos. Es una tcnica donde las
muestras se recogen en un proceso que no brinda
a todos los individuos de la poblacin iguales
oportunidades de ser seleccionados.

Tipos de muestreo
Sistemticos

Muestreo
Probabilstico

Sistemticos
Estratificados
Estratificado
Proporcional
Estratificado
Constante

I. Sistemticos
Eligen un individuo al azar y a partir de l, a intervalos
constantes, se eligen los dems hasta completar la muestra.
As para una N = 600 y n = 20.

=
=

Entonces se ordenan los alumnos y se numeran, se elige

uno al azar, por ejemplo: 27 y de este, se eligen de 30 en 30
hasta completar la muestra.
As: 27; 57; 87; 117; 147; 177; 207; 237; 267; 297; 327; 357; 387; 417;
447;477; 507; 537; 567; 597

I. Sistemticos
Ejemplo 2: Un investigador desea saber como seleccionar
una muestra de 12 individuos de una poblacin de 60 para
determinar la incidencia de cncer por el consumo de
tabaco. Cmo recomendara que seleccione su muestra?
N = 60 y n = 12

=
=

Entonces debe elegir un nmero al azar, por ejemplo: 2 y de este, se elegir de 4 en

4 hasta completar su muestra.

II. Sistemticos estratificados

Los elementos de la muestra son proporcionales a su presencia
en la poblacin. Se divide a la poblacin en uno o varios grupos
o estratos con el fin de dar representatividad a los distintos
factores que integran el universo o poblacin de estudio.
Ejemplo: En una poblacin de 600 nios, se desea tomar una
muestra de 240; pero tambin se saben que existen 400 nios y
200 nias. Entonces se procede as:

240 400
=
600

200 240
=
600

En conclusin: de la muestra de 240, se deben seleccionar 160 nios y apenas

80 nias

II. Sistemticos estratificados

Ejemplo 2: En una fbrica que consta de 600 trabajadores
queremos tomar una muestra de 20. Sabemos que hay 200
trabajadores en la seccin A, 150 en la B, 150 en la C y 100
en la D.

III. Sistemticos proporcional

En este tipo de muestreo en donde cada estrato queda representado
en la muestra en una proporcin exacta a su frecuencia en la poblacin
total.
Por ejemplo, en una poblacin de estudiantes universitarios de 700 de
los cuales 300 son de primer semestre, 250 de segundo, 100 de tercero
y 50 de cuarto; se desea tomar una muestra de 255 estudiantes. Para
ello, se expresan cada uno de estos valore en sus respectivos
porcentajes, as:

X=42,86%

X=35,71%

X=14,29%

X=7,14%

III. Sistemticos proporcional

Estudiantes

Porcentajes

Calculo de la muestra

Primer Semestre

42,86 %

255 x 0,4286 = 109,29 109

Segundo Semestre

35,71 %

255 x 0,3571 = 91,06 91

TercerSemestre

14,29 %

255 x 0,1428 = 36,41 36

Cuarto Semestre

7,14 %

255 x 0,0714 = 18,20 18

En consecuencia, se tomaran 109 estudiantes de primer

semestre, 91 de segundo, 36 de tercero y 18 de cuarto a fin de
completar la muestra preestablecida

III. Sistemticos proporcional

Ejemplo 2: A travs de un proceso investigativo se desea conocer cuan
frecuentes son las enfermedades en los animales de un granja para ello se
toma una muestra de 266 en una poblacin 800 animales, diferentes como
se muestra en la tabla. Cuntos animales de cada clase se deben tomar
para completar la muestra de 266?

Animales

Cantidad

Vacas

300

Cerdos

200

Gallinas

150

Ovejas

100

Conejos

50

Donde:
N = 800

n = 266

III. Sistemticos proporcional

Entonces, luego de determinar los porcentajes que representan a cada uno
de estos grupos de animales tenemos
Animales

Porcentajes

Calculo de la muestra
266 x 0,375 = 99,75 100

Vacas

37,5 %

Cerdos

25 %

Gallinas

18,75 %

266 x 0,1875 = 49,87 50

Ovejas

12,5 %

266 x 0,125 = 33,25 33

Conejos

6,25 %

266 x 0,0625 = 16,625 16

266 x 0,25 = 66,5 67

Por lo tanto se deben tomar 100 vacas, 67 cerdos, 50 gallinas,

33 ovejas y 16 conejos para realizar el estudio en la muestra de
266.

IV. Estratificado constante

La muestra se obtiene seleccionando un nmero igual de
individuos de cada estrato, ejemplo:
En una poblacin de 600 ancianos se desea tomar una
muestra de 240, de los cuales se tiene cinco grupos de la
siguiente edad:
Edad
55
60
65
80
85

Entonces se procede as:

240
= 48
5
Por lo tanto, se deben tomar 48 individuos de
los cinco grupos existentes.

IV. Estratificado constante

Ejemplo 2: Una investigacin desarrollada para determinar
el grado de contaminacin de los automviles requiere
extraer una muestra de 338 de una poblacin de 2150, en
13 marcas de vehculos diferentes. Cmo se determinara
dicha muestra?
Entonces se procede as:
338
= 26
13

Por lo tanto, se deben

tomar 26 vehculos de
cada marca para realizar
el estudio.

COMPARACIN DE UN DATO
EXPERIMENTAL CON UN VALOR
VERDADERO
Nos permite identificar si un mtodo est libre de errores sistemticos

HIPTESIS

Media experimental = Media real

Media experimental Media real

Acepto Ho: no hay errores sistemticos

Rechazo Ho; Acepto H1: hay errores sistemticos

Ejemplo:
Si un mtodo para determinar Hg por asociacin atmica
obtuvo los siguientes resultados, para un material de referencia
que contiene 38% de Hg.
u

38,9

38,9

38,9

38,9

37,4

37,1

95%
n-1

Acepto Ho: no hay errores sistemticos

 En este caso tenemos dos medias muestrales 1 y 2

Si tomamos como hiptesis nula que los dos mtodos dan el mismo
resultado, necesitamos probar si (1 2 ) difiere en forma significativa de
cero. Si las dos muestras tienen desviacin estndar que no sean
significativamente diferentes.

: 1 = 2

1 : 1 2
1 = 2
1 2

0 : 1 2 = 2 2

1 2
2 2

0 : 1 2 2 2

t est dado por la siguiente

ecuacin

Se puede calcular una estimacin

conjunta de la desviacin estndar a
partir de las desviaciones estndar
individuales S1 y S2 utilizando la
ecuacin

(1 2 )
1
1
+
1
2

1 1 1 2 + 2 1 2 2
( 1 + 2 2

<

1 = 2

Grados libertad

(1 2 )
2

1
2
+
1
2

>

1 2

1 2 2 2
1 + 2
2 2

2 2

1
2
1
2
1 + 1 + 2 + 1

EJERCICIOS

1. En una comparacin de dos mtodos para determianar potasio en plantas

se obtuvieron los siguientes valores:
Mtodo Espectrofotomtrico

{X}

gl (n-1)

28.0

0,3

10

Mtodo Fluoromtrico

{X}

gl (n-1)

26.25

0.23

10

Son iguales las {X}?

Resolucin
=

1 2
2 2

(0.3)2
=
(0.23)2

= 1.70

Por lo tanto :
0 : 1 2 = 2 2

=
= 4.026

1.70

<

4.026

(1 2 )

1
1
+
1
2
=

28.0 26.25)
1
1
0.27 10 + 10

1 1 1 2 + 2 1 2 2
( 1 + 2 2

10 1 (0.3)2 + 10 1 (0.3)2
( 10 + 10 2

= 0.27

= 16.15
Grados libertad = 10 + 10 2

16.15

> 2.10

1 2

Grados libertad = 18
Escriba aqu la ecuacin.

2. Se est analizando tiol en la sangre con dos mtodos diferentes:

X

Mtodo 1%

Mtodo 2%

1.84

2.81

1.92

4.06

1.94

3.62

1.92

3.27

1.85

3.27

1.91

3.76

2.07

1 = 1.92
1 = 0.075

2 = 3.47
2 = 0.44

Resolucin
=

2 2

(0.44)2
=
(0.075)2

=
= 5.989

= 34,42
Por lo tanto : 0 : 1 2 2 2

34,42

>

5.989

(1 2 )

1 2 2 2
1 + 2

(3.47 1.92)
(0.44)2 (0.075)2
+
6
7

>

2.57

0.442 2
0.0752 2
(
)
( 7 )
6
+
(7 + 1)
(6 + 1)

= 5 95%
= 2.57

= 8.52

8.52

(0.075)2 (0.44)2
+
7
6

1 : 1 2

COMPARACIN DE
VARIAS MEDIAS

 X1=X2=X3=X4.
X1X2X3X4.

El objetivo de este proceso, es determinar y

demostrar si las medias obtenidas en un trabajo
varan debido a la influencia de un factor externo o
debido a errores aleatorios y sistemticos.

 Se toma en cuenta varios factores o fuentes de

variacin como:
1. Errores sistemticos
2. Errores aleatorios
3. Efecto
Factor:
Temperatura,
presin,
concentracin, etc.

 La varianza es la variable que utilizaremos para este

proceso, en caso de que estas sean iguales solo se
tienen errores aleatorios, si son diferentes el efecto
factor s influye.
Para realizar esta comparacin se pueden utilizar 2
mtodos:

Mtodo 1
Este mtodo analiza el error aleatorio y del factor presentes
dentro de las muestras y fuera de las muestras respectivamente
a travs de las siguientes ecuaciones:
CLCULO DE LA VARIANZA DENTRO DE LA MUESTRA O ERROR
ALEATORIO:
1.1 calculo de varianza de cada una de las muestras:

 1.2 Calculo de S2 promedio o estimacin dentro de la

muestra y de los grados de libertad.

Grados de libertad:
gl= n-1 + n-2 + n-3 + ..n-i

 CLCULO DE LA VARIANZA ENTRE MUESTRAS O FACTOR:

Para el clculo de esta varianza se calcula primeramente la
varianza de la media muestra:

Estimacin entre muestras:

Numero total de
medias a analizar
-1

Promedio de todos los datos

Grados de libertad:
gl= h - 1

 CLCULO DE F DE FISHER EXPERIMENTAL

El clculo de la F es el punto final que nos permite comparar si
las medias son iguales entre s, a travs de la comparacin de
la F experimental y la F tabulada.

La F tabulada se ubica en una tabla de F para dos colas con los

grados de libertad calculados de cada varianza.

Mtodo 2
Para este mtodo se puede utilizar una tabla:

Variacin

Grados de
libertad (gl)

Suma de
Cuadrados (SC)

^2=Cuadrado
Medio (CM)

F experimental

F Terica

Error
Dentro de
muestra

N-h

SCE=CME*glE

^2Error=CME

^2Error/^2Factor

Se la
encuentra
en tablas.

Factor
Entre
muestras

h-1

SCF=CMF*glF

^2Factor=CMF

Total

N-1

SCT=SCF+SCE

 De la tabla anterior:
N= # total de datos.
h= # de muestras.

Formulas:

Se quiere averiguar la cantidad de producto obtenido

luego de hacer una reaccin qumica, y se quiere
comprobar que la cantidad de producto obtenido es igual
o diferente, teniendo la muestra en diferentes
condiciones de almacenamiento.
Condiciones

Medias repetidas

Media

A Recin preparada

102

100

101

101

Oscuridad

101

101

104

102

Luz tnue

97

95

99

97

Luz brillante

90

92

94

92
Media global:
98

Factor error: Almacenamiento

- Varianza entre muestras
Se considera las medias obtenidas y la media obtenida en cada una de las condiciones
en las que se ha realizado la reaccin qumica.
( 1 )2 + ( 2 )2 + + ( )2
=
1
2 + (100 101)2 + (101 101)2
(102
101)
2 =
=1
31
2

2 =
2 =

(101 102)2 + (101 102)2 + (104 102)2

=3
31
(97 97)2 + (95 97)2 + (99 97)2
=4
31
(90 92)2 + (92 92)2 + (94 92)2
=4
31
2
2

2 =

2 + 2

1+3+ 4+4

2
2 =
=
3
=

4
g.l = 1 1 + 2 1 + + ( 1)
g.l = 3 1 + 3 1 + (3 1) + 3 1 = 8

Varianza entre muestras

Se considera las medias obtenidas y la media obtenida en cada una de las condiciones en
las que se ha realizado la reaccin qumica.
2
2
2
(

)
+
(

)
+

+
(

2 =
1
2 + (100 101)2 + (101 101)2
(102
101)
2 =
=1
31
2

2 =
2 =

(101 102)2 + (101 102)2 + (104 102)2

31
2
(97 97) + (95 97)2 + (99 97)2
=4
31
(90 92)2 + (92 92)2 + (94 92)2
=4
31
2
2
=
1+3+ 4+4

=3

+ 2 + 2 + 2

2
2 =
=
3
=

4
g.l = 1 1 + 2 1 + + ( 1)
g.l = 3 1 + 3 1 + (3 1) + 3 1 = 8

62,01
3

= 20,67

= 4,06
g.l (numerador): 3
g.l (numerador): 8

20,67 > 4,06

Entonces rechazo Ho: 1 = 2 = 3 = 4

Acepto Hi: 1 2 3 4

Como acepto Hi, las medias difieren unas de otras, lo que demuestra que el
efecto factor en este caso el almacenamiento si afecta los resultados.

Efecto

Dentro de
muestras

Grados de libertad

N-h

Suma de
cuadrados (SM)

2 = C.M =
20,67
S.C = C.M x g.l

12 -4 = 8

S.C = 3 X 8 = 24

h -1

S.C = C.M x g.l

4-1=3

S.C = 20,67 X 3 =
62,01

Entre muestras

N-1
Total

12 - 1 = 11

Cuadrados medios
F.
(C.M)
experimental

2 = C.M = 3

2 = C.M = 20,67

F.
tabulad
o

F exp. = 62/3 = F tab. =

20,67
4,06

20, 67 > 4,06

Acepto:

2 Los siguientes valores se refieren a la concentracin de albmina,

en el suero sanguneo de un adulto. Se tom la muestra de sangre
durante 4 das y se determin la concentracin de albmina en el
suero fortificado. Pruebe si la concentracin media de los diferentes
das vara significativamente.
Da

Hi : X1 X2 X3
Ho : X1 = X2 = X3

Concentraciones

63

61

62

62

57

56

56

56,3

50

46

48

57

54

59

56,7

55,8

Variacin dentro de muestra o de error

( )2
= 2
1

=
2
1
2
2

(6362)2 +(6162)2 +(6262)2

2

=1

(5756,3)2 +(5656,3)2 +(5656,3)2

=
2

(5048)2 +(4648)2
=
2

2
4

(5756,7)2 +(5456,7)2 +(5956,7)2

=
2

2
3

1+2+8+6,3
4

= 4,3

8
6,3

gl= (1 1) + (1 1) + (1 1)
gl= 7

 Variacin entre muestra o de factor

2 =
2

( )2
1

(6255,8)2 +(56,355,8)2 +(4855,8)2 +(56,755,8)2 +(55,855,8)2

4 1

2 = 2
2 = 33,37 * 2,8
2 = 93,5

= 33,37

3+3+2+3
= 2,8
4

93,5
= 21,74
4,3

21,74

2
= 2

1
=3
=7

>

4,347

Hi : se acepta, no es lo mismo tomar la concentracin el da 1 que el 4 da.

Ho : se rechaza

Grado de
libertad
(gl)
Error dentro
de muestra

Nh
11- 4 = 7

SC

CM

F exp

CM * gl
4,3
*7
= 30,1

4,3

93,5
4,3 =
21,74

Factor o
entre
muestra

h1
4-1 = 3

93,5
*3
= 280,5

F tab

93,5

>

4,347

Hi : se acepta, no es lo
mismo
tomar
la
concentracin el da 1 que
el 4 da.
Ho : se rechaza

n1

n2

n3

102

100

101

101

101

101

104

102

97

95

99

97

90

92

94

92
T = 98

Fuente de
variacin

gl

SC

CM

Factor

186

62

Error

24

11

40

Ho: 1 = 2 = 3 = 4 (rechazo)
H1: 1 2 3 4 (acepto)

Fexp

20.6

Ftab

>

4.06

2 1
2 2

(. . )

2 2

2 2

 Iguales valores de n:

Diferentes valores de n:
=

1
1
1
+
+
1 2 3
2 3
3

= 2.31 2
= 3.27

Comparar todas las muestras entre s, combinacin de muestras

( 1)
4(4 1)
4 3
=
=
=6
2
2
2
Ordeno las medias
2 = 102
1 = 101
3 = 97
4 = 92

DMS
1)

2 - 1

2)

2 - 3

3)

2 - 4

4)

1 - 3

5)

1 - 4

6)

3 - 4

102 - 101 = 1 <

3.27
102 - 97 = 5 >
3.27
102 - 92 = 10 >
3.27
101 97 = 4 >
3.27
101 - 92 = 9 >
3.27
97 - 92 = 5 > 3.27

No Significativo

2 = 1

Si Significativo

2 3

Si Significativo

2 4

Si Significativo

1 3

Si Significativo

1 4

Si Significativo

3 4

(2 = 1) 3 4

Medias iguales
Proximo al DMS

Medias 2 y 1 son iguales y son diferentes de la 3 y 4.

Para saber cunta diferencia hay entre las medias hacemos el

clculo de Turkey (Estricto, confiable)
Turkey
Shefer
1 < 2.5

No Significativo

1 < 2.5

No Significativo

5 > 2.5

Si Significativo

5 > 2.5

Si Significativo

10 > 2.5

Si Significativo

10 > 2.5

Si Significativo

4 > 2.5

Si Significativo

4 > 2.5

Si Significativo

9 > 2.5

Si Significativo

9 > 2.5

Si Significativo

5 > 2.5

Si Significativo

5 > 2.5

Si Significativo

Acepto el dato

Segundo caso

Primer caso

x
4%

7%

10

80

16%

14

140

20%

12

4%

8%

40

16%
20%

Medios
diferentes

: 1 = 2 = 3 = 4 ( rechazo)
1 : 1 2 3 4 ( acepto)

Primer caso: ordeno los medios

140
80
40
8
DMS

1 : 1 2 3 4

x
70C

120

80C

160

90C

170

100C

190

y= ax+b

Si los puntos siguen una

recta ideal, quiere decir
que los puntos estn
sobre la curva y hay un
coeficiente de variacin
r=1

Cuando no todos los puntos

estn sobre la recta ideal el
coeficiente de variacin esta
entre 0 y 1
01

r= 0

Puntos alejados de la recta ideal

1 0

Recta ideal con

pendiente
negativa
r= -1

Cuando r es casi igual a 1 los puntos

experimentales recaen sobre la recta
ideal

( )( )
=
( )2 ( )2

= +
a= pendiente de
la recta

( )( )
=
( )2

=
b

 Se ha examinada una serie de soluciones estndares de flourecina en

un flourometro y dio los siguientes intensidades de fluorescencia

Concentracin

2,1
0

5
2

9
4

12,6

17,5

21,0

24,7

10

12

Intensidad (Y) ppm

Xi

Yi

(Xi X )

(Xi X )

(Yi - Y)

2,1

0-6=-6

36

2,1-13,13=-11,03

2-6=-4

16

4-6= -2

12,6

(Yi Y) (Xi X ) (Yi - Y)

121,66

-6 * -11,08= 66,18

5-13,13= -8,13

66,1

-4* -8,13 = 35,52

9-13,33= -4,13

17,06

-2* -4,13= 8,26

6-6=0

12,6-13,33=-0,53

0,28

0*-0,53 = 0

17,5

8-6=2

17,5-13,33=4,37

19,1

2* 4,87 = 8,74

10

21,0

10-6=4

16

21,0-13,13=7,87

61,94

4* 7,87 = 31,41

12

24,7

12-6=6

36

24,7-13,13=11,57

133,9

6* 11,57 = 69,42

42

91,9

me
dia

13,1
3

112

420,01

216,6

(Xi X )(Yi Y)

(Xi X )2 (Yi Y) 2
=

216,6
112420,01

r= 0,999

(esta sobre la recta)

b = y ax
b = 13,13-1,93(6)
b = 1,55

(Xi X )(Yi Y)
(Xi X )

216,6
112

a= 1,93

(pendiente de la recta)

 Si te toma una alcuota y el flourometro da una intensidad de 1,14

y = ax + b

y = 1,93x + 1,55
I= 1,93 C + 1,55
=

11,4 1,55
1,93

C= 5,10+- 1,55

= 5,10 ppm +- Intervalo de confianza

 Segundo mtodo ( Sistema de ecuaciones)

n

2
3
4
5

X= C
0

Y= I
2,1

y= ax + b
2,1= a(0) + b

x0

5= a(2) + b

x2

10= 4 a + 2b

9= a(4) + b

x4

36= 16 a + 4b

12,6= a(6) +b

x6

75,6= 36 a + 6b

12,6 17,5 = a(8) + b

x8

140 = 64 a + 8b

10

17,5 21,0= a(10) + b x10

210 = 100 a + 10 b
24,7 = a(12) + b x12
296,4= 144 a + 12 b
21,0

12

24,7Suma= 91,9 = 42a + 7b

768= 364 a + 42 b

 (I) 91,9 = 42 a + 7b
768,0 = 364 a + 12b
-551,4 = -252 a 42 b

768,0= 364 a +42 b

768,0 = 364(1,93) +42b
768,0 = 702,52 -702,52

768,0 = 364 a + 42b

768702,52
b=
42

216,6 = 112 a

b= 1,55

a=

216,6
112

a= 1,93

 Se obtuvieron los siguientes resultados cuando se analizaron una

serie de soluciones estndar de plata por espectrometra de
absorcin atmica.

n1
Concentracin
Muestra=
0.308
Mg/ml
0
Absorvancia

0,003

n2
5

n3
10

n4
15

n5
20

n6
25

n7
30

0.127

0.251

0.390

0.498

0.625

0.713

CALCULO DE r

r= 0.999
CLCULO DE a

CLCULO DE b

2. SEGUNDO MTODO
X

0.003

0.127

10

0.251

15

0.390

20

0.498

25

0.625

30

0.763

2.657 =105a +7b

57.47=2275a +105b

Mediante sistema de ecuaciones buscamos a y b

 Cuando se tiene varias muestras se

realiza lo siguiente:
S= 0.72
g.l= n-1 = 3 t 95% =3.18
C mg/ml = 12.61 IC

 El contenido de oro de una muestra de agua de mar

concentrada se determin por espectrometra de absorcin
atmica mediante el mtodo de las adiciones estndar. Los
resultados obtenidos fueron los siguientes.

Oro aadido
mg/ml de
muestra
concentrada

10

20

30

40

50

60

70

Absorbancia

0. 257

0.314

0.364

0.413

0.468

0.528

0.574

0.635

( )

( )

( )

( )

( )

0.257

-35

1225

-0.187

0.035

6.545

10

0.314

-25

625

-0.13

0.017

3.25

20

0.364

-15

225

-0.08

0.006

1.2

30

0.413

-5

25

-0.031

0.0009

0.155

40

0.468

25

0.024

0.0005

0.12

50

0.528

15

225

0.084

0.007

1.26

60

0.574

25

625

0.13

0.017

3.25

70

0.635

35

1225

0.191

0.036

6.685

280

3.553

0.1194

22.465

35

0.444

4200

 =
=

=
=

( )( )
( ) ( )
22.465

= .

(4200)(00.1194)

( )( )
( )
22.465
4200

= .

=
= 0.444 0.005(35)
= .
= +
= . + .

 La respuesta de un ensayo calorimtrico para la glucosa

(GLU), se control con la ayuda de soluciones estndar de
glucosa. Determine el coeficiente de correlacin a partir de
los siguientes datos, y comente los resultados.

Concentracin de la
glucosa, mM
Absorbancia

10

0.002

0.150

0.294

0.434

0.570

0.704

( )

( )

( )

( )

( )

0.002

-5

25

-0.357

0.127

1.785

0.150

-3

-0.209

0.044

0.627

0.294

-1

-0.065

0.004

0.065

0.434

0.075

0.006

0.075

0.570

0.211

0.045

0.633

10

0.704

25

0.345

0.119

1.725

30

2.154

0.345

4.91

0.359

70

 =
=

=
=

( )( )
( ) ( )
4.91

= .

(70)(0.345)

( )( )
( )
4.91
70

= .

=
= 0.359 0.07(5)
= .
= +
= . + .

LOGARITMOS

PROPIEDADES DE LOS
LOGARITMOS
ln 1 = 0
ln e = 1
ln = ln + ln
ln( ) = ln + ln
ln + xln
ln

= ln ln

ln
= ln ln

 Dada la ecuacin:
=
= constante
= variable
=

=
ln = ln
ln = ln + ln
= +

= +

EJEMPLO
Dada la siguiente tabla de datos:
t

11

25

Calcular A y r

Desarrollo del ejercicio

ln = ln + ln
ln 3 = ln + 0 ln = 1,099 = 0 ln + ln
ln 4 = ln + 2 ln = 1,39 = 2 ln + ln
ln 11 = ln + 4 ln = 2,40 = 4 ln + ln
ln 25 = ln + 7 ln = 3,22 = 7 ln + ln

, = +

ln = ln + ln
0 = (ln = ln + 0 ln )
0 = (ln = ln + 0 ln )
0 = (ln = ln + 0 ln )
0 = (ln = ln + 0 ln )

 ln = ln + ln
0 = (ln = ln + 0 ln ) = 0
2 = (ln = ln + 2 ln ) = 2,78 = 2 ln + 4 ln
4 = (ln = ln + 4 ln ) = 9,6 = 4 ln + 16 ln
7 = (ln = ln + 7 ln ) = 22,54 = 7 ln + 49 ln

34,92 = +

Igualando las dos ecuaciones

8,11 = 13 ln + 4 ln
(13)
34,92 = 69 ln + 13 ln (4)
105,43 = 169 ln + 52 ln
139,6 = 276 ln + 52 ln
34,17 = 107 ln

8,11 = 13 ln + 4 ln
8,11 = 13 0,32 + 4 ln
8,11 4,16
ln =
4
= 0,98
= 2,66

34,17
ln =
=
107
= 0,32
= 1,38

=
= 2,66 1,38

= ,

Se obtuvieron los siguientes resultados cuando se analizaron una serie de soluciones

estndar de plata por espectrometra de absorcin atmica de llama
Concentracin ng/ml:
Calcular:
Absorbancia: 0.308
Calcule las concentraciones si se hizo por cuadriplicado: m1= 0.308, m2= 0.314,
m3=0.347, m4= 0.312
Concentracin
ng/ml:

10

15

20

25

30

Absorbancia:

0.003

0.127

0.251

0.390

0.498

0.625

0.763

(yi-)

(yi-)2

1= 0.025(0)+0.005=0.005

(0.003-0.005)=-0.002

(-0.002)2= 4x10-6

2=0.025(5)+0.005=0.13

(0.127-0.13)=-0.803

(-0.803)2= 9x10-6

3=0.025(10)+0.005=0.255

(0.251-0.255)=-0.004

(-0.004)2= 1.6x 10-5

4=0.025(15)+0.005=0.38

(0.390-0.38)=-0.010

(-0.010)2= 1x10-4

5=0.025(20)+0.005=0.505

(0.498-0.505)=-0.007

(-0.007)2= 4.9x10-5

6=0.025(25)+0.005=0.63

(0.625-0.63)=-0.005

(-0.005)2= 2.5x10-5

7=0.025(30)+0.005=0.755

(0.763-0.755)=0.008

(0.008)2= 6.4x10-5

(yi-)2

2.67x10-4

Cuando tengo un solo dato como absorbancia

a) Absorbancia= 0.308
= . + .
0.308 = 0.025 + 0.005
0.308 0.005
=
0.025

= 12.12
.

= 12.12

t= 95%
gl= n-2
gl= 7-2 =5
t gl= 2,57

( )
=
+ +

( )

0.0073 1 1 (0.308 0.380)2

Sxo =
+ +
0.025 1 7
(0.025)2 700
Sxo = 0.292 1 + 0.14 + 0.012 1/2
Sxo = 0.292 1.15 1/2
Sxo = 0.292 1.07
Sxo = 0.31
/

( )
/ =

2.67x10 4
Sy/x =
72

1/2

Sy/x = 5.3410 5
Sy/x = 0.0073

= .
.

= 12.12
2.57 (0.31)

= 12.12

0.80 /

1/2

Cuando tengo varios valores

b) Calcule las concentraciones si se hizo por cuadriplicado: m1= 0.308, m2= 0.314, m3=0.347, m4= 0.312

Abs= 0.025x+ 0,005

m1= 0.308

0.308= 0.025x+ 0,005

X= 0.3080,005/0.025

12.12

m2= 0.314

0.314= 0.025x+ 0,005

X= 0.3140,005/0.025

12.36

m3=0.347

0.347= 0.025x+ 0,005

X= 0.3470,005/0.025

13.68

m4= 0.312

0.312= 0.025x+ 0,005

X= 0.3120,005/0.025

12.28

M=

12.61

S=

0.72

t95%
gl= n-1
gl = 4-1= 3
tgl= 3.18

=
= 12.61

= 12.61

3.180,72
4

1,14

El contenido de oro en una muestra de agua de mar

concentrada se determino por espectrometra de
absorcin atmica mediante el mtodo de las adiciones
estndar .
Los resultados fueron los siguientes :
Oro aadido ng
/ml de muestra
concentrada

10

20

30

40

50

60

70

Absorbancia

0.257

0.314

0.364

0.413

0.468

0.528

0.574

0.634

TABLA DE CLCULOS

CALCULO DE r

CLCULO DE a

CLCULO DE b

SOLUCION MEDIANTE ECUACIONES

X

0.257

10

0.314

20

0.364

30

0.413

40

0.468

50

0.528

60

0.574

70

0.635

Resolvemos el sistema de ecuaciones

Despejamos el valor de a

Reemplazamos este valor en la segunda ecuacin para encontrar

b.

Despejamos el valor de b

Obtenemos la ecuacin de la recta

GRAFICAMOS LA RECTA
A=0,005C + 0,27
0.7
0.6

ABSORBANCIA

0.5

0.4
0.3

Series1

0.2
0.1
0
0

20

40
CONCENTRACION

60

80

LIMITE DE DETECCIN Y
CUANTIFICACIN

E s un analito como aquella concentracin que proporciona una

seal en el instrumento

Es significativamente
diferente de la seal de una
muestra en blanco o seal
de fondo

Esta descripcin da al analista

un buen margen de libertad
para definir la definicin exacta
del limite de deteccin

Se basa en una adecuada

interpretacin de la frase
SIGNIFICATIVAMENTE
DIFERENTE

Otra definicin que se utiliza

comnmente para el limite
de deteccin

Es la cantidad de concentracin de analito que proporciona

una seal igual a la seal del blanco.

Esto es mas dos veces la

desviacin estndar del blanco

La probabilidad de concluir que esta muestra

no difiere de la del blanco es errneo porque
difiere si quiera en un 50%

Esto seria y-yB=3sB

El contenido de oro de una muestra d agua de ro se determina por espectrometra

de absorcin atmica. Los resultados son los siguientes:
n

Y= ax + b

X[(y=ax + b )]

0.257

0.257=0a + b

10

0.319

0.319=a10 + b

10(0.319=a10 + b)=3.19=a100 + 10b

20

0.364

0.364=a20 + b

20(0.364=a20 + b)=7.28=a400 + 20b

30

0.413

0.413=a30 + b

30(0.413=a30 + b)=12.39=a900 + 30b

40

0.468

0.468=a40 + b

40(0.468=a40 + b)=18.72=a1600 + 40b

50

0.528

0.528=a50 + b

50(0.528=a50 + b)=26.4=a2500 + 50b

60

0.574

0.574=a60 + b

60(0.574=a60 + b)=34.3=a3600 + 60b

70

0.635

0.635=a70 + b

70(0.635a70 + b)=44.45=a4900 + 70b

3.58=280a +8b

146.83= 1400a +280b

Y= ax + b
Y= 0.0054x + 0.25

Calculo de a y b
3.588=290a +8b (280)
146.83=1400a +280b (8)
-1004.64 =-78400a -2240b
1174.64=112000a + 22406

3.588= 280(0.0054) +8b

3.588 1.512= 8b
2.076/8= 0.25
b= 0.25
Y=LIMITE DE DETECCIN
X= LIMITE DE CUANTIFICACION

170=33600a
a= 0.0054
0.7
GRFICA

0.6

0.257

0.5

10

0.319

0.4

20

0.364

30

0.413

40

0.468

0.2

50

0.528

0.1

60

0.574

70

0.635

0.3

10

20

30

40

50

60

70

El mtodo es aplicable cuando se posee

soluciones problemas en las cuales no es
aplicable el uso de soluciones puras o
reactivos puros para realizar nuestra curva de
calibracin.

Y luego de todas estas muestras se

obtendrn sus absorbancias y
calcularemos la ecuacin que rige a
nuestra curva de calibracin, en
donde encontraremos la
concentracin de nuestra muestra
cuando la absorbancia sea igual a
cero.

Este mtodo consiste en realizar

una curva de calibracin con la
propia muestra problema.

Es decir, se toman
volmenes iguales de
solucin problema, y se
les aade una
concentracin conocida
del analito que se
requiere saber, excepto a
una muestra de volumen
de solucin problema.

Ejercicio:
Se desea conocer la concentracin del in Na en una muestra de la
bebida Gatorage.
Resolucin:

Procedemos a tomar volmenes iguales de la muestra, en

este caso de la botella de Gatorade, luego a cada frasco

aadiremos una concentracin conocida de sodio puro,
excepto al primer frasco.
Aadimos Na puro

0
Gatorade

10

15

20

25

30

ppm Na

 Luego las colocamos en una mquina que nos presentar la

absorbancia de cada muestra realizada. Obteniendo los siguientes
datos:

Absorbancia

Concentracin de
Na puro

Muestra

0
ppm Na

5
ppm Na

10
ppm Na

15
ppm Na

20
ppm Na

25
ppm Na

30
ppm Na

0,32

0,41

0,52

0,60

0,70

0,77

0,89

 A continuacin se realizaran los clculos para obtener la ecuacin

de nuestra curva de calibracin como lo hemos hecho
anteriormente. As obtendremos:
A= pendiente= 0,018
B=ordenada al origen = 0,322
Por ende nuestra ecuacin es:
Donde:

x = concentracin de Na (Sodio)

Y = absorbancia

Y= 0,018 x + 0,322

 La grfica:
Ecuacin que rige :Y= 0,018 x + 0,322
1

m +30

0.9
0.8

Absorbancia

m +25

m +20

0.7

m +15

0.6
0.5

m +10

0.4

m +5

0.3
0.2 +0
m
0.1
0
0

10

15

20

Concentracin de Na en ppm

25

30

35

 Una vez realizada la grfica podemos realizar una

extrapolacin, y saber el corte con el eje x, o podemos
reemplazar en la ecuacin que Y=o; por ende
obtendremos:
Y= 0,018 x + 0,322 ; cuando y=o
0= 0,018 x + 0,322
X= - 0,322 0
0,018

X= ?

X= -17,88 ; punto en X = 17,88 y expresa la concentracin de la

muestra de Gatorade cuando se lo expresa en valor absoluto, es decir
17,88.

 Pero como sabemos debemos expresar esta concentracin con un

intervalo de confianza, es decir:

+ =

Y sabemos que t de
student al 95% de
confianza y con 5
grados de libertad es
igual a 2,57.

t de student
gl= n-2 ; son los
grados de libertad al
95%
n= al nmero de
muestras realizadas,
en este caso 7; por
ende gl=7-2=5.

 Calculamos
Empezando por

0,32 + 0,41 + 0,52 + 0,60 + 0,70 + 0,77 + 0,89

=
7
= ,
Luego

)2

(
2

0,2439
=
72

= ,

 Al final

+ 2
( )2
2

0,1094 1
0,60
=
+
0,0018 7 0,00182 700
= ,

 Calculamos el intervalo de confianza

+ =
+ = 17,88 2,57 0,70
As obtenemos la concentracin con un intervalo de confianza

+ = 17,88 1.8 +

Comparacin de Dos Mtodos

Analticos

2 1/2
1/2

= /

Ejercicio:
El nivel de plomo de 10 muestras de jugos de fruta se determin
por un nuevo mtodo de anlisis potencimetro de disolucin
(ARP) empleando un electrodo de carbono verificado y los
resultados fueron comparados con los obtenidos mediante la tcnica
de absorcin atmica, se obtuvieron los resultados (ug/ml)
determinar si los mtodos son diferentes o no.

Muestra
MEAA
MAPR

1
35
35

2
75
70

3
75
80

4
80
80

5
125
120

6
205
200

7
205
220

8
215
200

9
350
330

x
y

APR Vs. EAA

350

300

250

APR

200

150

100

50

0
0

50

100

150

200

EAA
APR Vs. EAA

250

300

350

400

Muestra
MEAA
MAPR
=

1
35
35
/

= 0,0357
r= 0,9945
gl= 10-2
t= 2,31
a= 0,963 t*Sa
a= 0,963
0,082467
b= 3,87 t*Sb
b= 3,87
15,3384

2
75
70

3
75
80

2 1/2
=

4
80
80

5
125
120

6
205
200

7
205
220

8
215
200

9
350
330

x
y

1/2
2

= 6,64
a= 0,963 0,082467
a= 1,045467
a= 0,880533
b= 3,87 15,3384
b= 19,2084
b= -11,4684

Ambos mtodos son

iguales por que
tanto a como b le
contienen al cero

Teorema de Lmite central

Este teorema establece que si tenemos un grupo numeroso de
variables independientes y todas ellas siguen el mismo modelo
de distribucin (cualquiera que ste sea), la suma de ellas se
distribuye segn una distribucin normal.

Conforme se aumenta los

datos de la muestra, la
media de la misma tiende a
ser la media poblacional

Curva Normal estndar

Propiedades de la Curva Normal

Estndar
La media moda y mediana son iguales.
Es una curva simtrica al eje y ( es decir el rea a la derecha es igual
al de la izquierda)
Es asinttica para el eje x ( es decir que nunca tocar este eje)
El rea bajo la curva es el 100%
Para esta transformacin de cualquier curva a una normal se requiere
la siguiente frmula:

EJERCICIOS :
Datos:
= 140 (peso de estudiantes UCE )
= 20

Z=

Z=

150 140
20

Z= 50

REA = 0,6915
REA = 69,15%

TABULADO

Qu porcentaje de chicas tienen un

peso a 120 libras?
Datos:
= 140
= 20
Z=

120 140
20

Z= -1,0
80

REA = 0,1587
REA = 15,87%

100

120

140

160

180

200

Qu porcentaje de chicas tienen

un peso entre 130 y 170 libras?
Datos:
= 140
= 20
1=

170 140
20

1= 1,5
2=

130140
20

2= - 0,5

= 0,9332

= 0,3085

, 170 = 93,32%
2
, 130 = 30%

80

100

120

A 130 170 = 93,32 30,85

A 130 170 = 62,47 %

140

160

180

200

Ejercicio
La resistencia de unas varillas obtenidas por determinado
proceso tiene una distribucin, con una media x de 24 y un
de 3, el cliente necesita que al menos el 95% de las varillas
tenga una resistencia de 20

 DATOS
:24
:3
x: 20

A>/95%
5%

Z= X1-

Z= 20-24
3
Z= -1,33

Con este valor procedemos a utilizar la tabla de valores de Z y que

sean -1,33 y ese valor nos dar el rea y al multiplicarlo por 100 nos
dara el porcentaje de las varillas deseadas que tendrn la resistencia
de 20.
A= 0,0968*100= 9,68%
A debe ser > 95%
100%-9,68%= 90,32%.Este valor es menor al 95 % por lo tanto el 90,32% de las
varillas tendrn una resistencia de 20 y no son las indicaciones que requiere el
cliente.

 Los pesos individuales de un lote de

ampollas sigue una distribucin normal
cuya medida es 1.433 g y un 0.033 g el
lmite de especificacin son
x=1.460.085.
a) Cual es el porcentaje de las ampollas por debajo de la
especificacin.
b) Cual es el porcentaje de las ampollas sobre la
especificacin.
c) El porcentaje total de las ampollas fuera de especificacin.
d) Que porcentaje cumple la especificacin.

a) Cual es el porcentaje de las ampollas

por debajo de la especificacin.
Datos:
=1.433 g
=0.033
lmite= 1.460.085
L.S.E= 1.545
L.I.E= 1.375
1.33 1.36
1.49

1.4

1.43

1.46

1.52
Limite de especificacin

a) Cual es el porcentaje de las ampollas por debajo de la

especificacin.
X1
=

1.3751.433
0.033

= -1.76

Tablas: 0.0392= 3.92 %

A1= 3.92%

b. Cual es el porcentaje de las

ampollas sobre la
especificacin. X1
=

1.5451.433
0.033

= 3.39

Tablas: 0.9997= 99.97 %

A2= 1-99.91= 0.03%

c.-El porcentaje total de las

ampollas fuera de
especificacin.
A1 + A2= 3.92+0.03= 3.95%

d.- Que porcentaje cumple la

especificacin.
100-3.95= 96.05%

LA DISTRIBUCIN BINOMIAL:
Llamamos experiencia aleatoria dicotmica a aquella
que slo puede tener dos posibles resultados A y A'.
Usualmente A recibe el nombre de xito, adems
representaremos como p = p(A) y q = 1-p=p(A').
A la funcin de probabilidad de una variable aleatoria
X resultado de contar el nmero de xitos al repetir n
veces una experiencia aleatoria dicotmica con
probabilidad de xito p la llamamos distribucin
binomial y la representamos por
B (n, p)
Para esta distribucin se verifica que, la variable X
puede tomar los valores:
0, 1, 2, ... , n
y que la variable toma cada uno de estos valores con
probabilidad

Propiedades
La muestra se compone de un nmero fijo de observaciones n
Cada observacin se clasifica en una de dos categoras,
mutuamente excluyentes (los eventos no pueden ocurrir de
manera simultnea. Ejemplo: Una persona no puede ser de
ambos sexos) y colectivamente exhaustivos (uno de los eventos
debe ocurrir. Ejemplo: Al lanzar una moneda, si no ocurre cruz,
entonces ocurre cara). A estas categoras se las denomina xito y
fracaso.
La probabilidad de que una observacin se clasifique como xito,
p, es constante de una observacin o otra. De la misma forma, la
probabilidad de que una observacin se clasifique como fracaso,
1-p, es constante en todas las observaciones.
La variable aleatoria binomial tiene un rango de 0 a n

Caractersticas
Una distribucin binomial o de Bernoulli tiene las
siguientes caractersticas:
1. En cada prueba del experimento slo son posibles
dos resultados: xito y fracaso.
2.La probabilidad de xito es constante, es decir, que
no vara de una prueba a otra. Se representa por p.
3.La probabilidad de fracaso tambin es constante, Se
representa por q,
q=1p
3.El resultado obtenido en cada prueba es
independiente
de
los
resultados
obtenidos
anteriormente.
5.La variable aleatoria binomial, X, expresa el nmero
de xitos obtenidos en las n pruebas. Por tanto, los
valores que puede tomar X son: 0, 1, 2, 3, 4, ..., n.
La distribucin bimomial se expresa por B(n, p)

ECUACION
() =

!
! !

Donde
=Probabilidad de X xitos, dadas
n = Nmero de observaciones
p = Probabilidad de xitos
1-p = Probabilidad de fracasos
X = Nmero de xitos en la muestra ( = 0, 1, 2, 3,
4, )

Ejemplo
En una moneda probabilidad que me caiga sello o
cara.
n=10; p=0.5; q=1-p=0.5; x=2
!
() =

! !

(2) =

10!
2! 102 !

0.52 10.5102

(2) = 0.04 Probabilidad que salga cara del 4%

2) Cul es la probabilidad de que

me salgan 5 caras.
X=5
() =

!
! !

(5) =

10!
5! 105 !

(5) = 0.21=21%

0.55 10.5105

Probabilidad que me salgan dos

caras o menos
(2)

10!
! 10 !
10!
2! 102 !

0.5 10.5 +
0.52 10.52

= 0.0597= 5.97%

+(2)

10!
1! 101 !

0.51 10.51 +

Probabilidad que salgan menos de

dos caras
(<2)

10!
! 10 !

0.5

10.5

(<2) =0.0109=10%

1
10!
1! 101 !

0.51 10.51

3) Probabilidad de que me
salgan
mas
de
dos

=

+
+
+
+
(2)

10

= 1-(<2)

X=0 x=1 x=2 x=3 x=4 x=5 x=6 x=7 x=8 x=9 x=10
?
P=0.85
(<2) = 1- X=0 x=1
= 1-0.0109
= 0.99

4) (<2) = 1- X=0 x=1

= 1-

= 0.99

=0

=1

5) (2)
a) =3 + =4 + =5 +
=8 + =9 + =10
b) 1- (2)
1- 0.0597=0.94

=6

=7

6) 3x5
3x5 =

=3

7) 3 < x 5
3<x5 =

=4

8) 3 x < 5
3x<5 = =3 +
9) 3 < x < 5
3<x<5 =

=4

=4

=5

=4

=5

EJERCICIO N1
La produccin de lmparas es continua y tiene una fraccin de no conformes de 0.725.
Un cartn es aceptado si una muestra de 4 no contiene cartones y esta aceptada cual es
la probabilidad de aceptar esas 4 cajas
n=4
p= 0.125
x=0

4!
=
0.125 1 0.125
0! 4 0 !

=0

=0

=0

4!
0.125 0.875
0! 4 0 !
= 0.586100% = . %

40

40

EJERCICIO N2
La empresa JBC dice en una campaa publicitaria que no ms de cada cliente llama a
reclamar, para comprobar esto se toma una muestra de 20 clientes y resulta que 4 de
ellos haban llamado a reclamar, esto destruye lo enunciado de la empresa JBC s o no
1
=
= 0.1
10
= 20
=4

= 1 0.1 = 0.9

=4

20!
=
0.1
4! 20 4 !
=4

0.9

= 0.09100% = %

204

EJERCICIO N3
En una fbrica de cmaras de fotos el 5% de productos sale defectuoso, a) determine
la probabilidad de que en una muestra de 10 cmaras se encuentran hasta 2 cmaras
defectuosas, en esa muestra, b) se encuentran 2 cmaras defectuosas, c) se
encuentran ms de 2 cmaras defectuosas, d) se encuentran de 2 a 3 cmaras en la
muestra de 10
= 0.05
= 1 0.05 = 0.95
= 10
a)

10!
=
0.05 2 0.95 10
0! 10 0 !
10!
+
0.05 1 0.95 9
1! 10 1 !
10!
+
0.05 2 0.95 8
2! 10 2 !

= 0.9885100% = . %

b)

=2

10!
0.05
2! 10 2 !

0.95

10

= 0.0745100% = . %

=2

c)

>2

>2

>2

=1

= 1 0.9885 = 0.0115

= 0.0115100% = . %

d)

23

= 7.4 +

23
23

10!
0.05
3! 10 3 !

0.95

= 0.074 + 0.0115 = 0.0845

= 0.0848100% = . %

EJERCICIO N 4
Un 10% producido en un producto de fabricacin sale de
defectuoso. Hallar la probabilidad que en una muestra de 50 se
encuentren dos defectuosas
50 l
Datos:
2 (0.9)48
(0.1)
2l 502 l
p= 10% -> 0.1
p(x=2)=0.078 -> 7.8%
n= 50
x ex
q= 0.9
Poisson= 2l
Poisson=0.084 -> 8.4%
Poisson=
(500.1)2 e(500.1)
2l
Poisson=0.084 -> 8.4%

Binomial
p(x=2)=

EJERCICIO N5

En un proceso productivo se produce el 2%, si se a producido 800

productos. Cul es la productividad de encontrar dos productos
definitivos?.
Datos:
p= 2% -> 0.02
n= 800
x= 2
= n.p

p(x=2)=(np)x

e(n.p)
xl

e(16)
p(x=2)=(16)2 2 l =1.4x105

= 0.02x800= 16

Cul es la productividad de encontrar dos productos

definitivos?.
p(x2)=p(x=0)+p(x=1)+p(x=2)
x2

x> 4

e(16)
e(16)
p(x 2)=(16)2 0 l +(16)1 1 l +1.4x105
p(x2)=2.88x105 +2.88+1.4x105
p(x2)=1x106
p(x>
4)=p(x=5)+p(x=6)+.+p(x=799)+p(x=800)
p(x> 4)=1-p(x4)
p(x> 4)=1-p(x=0)+p(x=1)+p(x=2)+p(x=3)
+p(x=4)

p(x> 4)=1-0.0004 = 0.9996

EJERCICIO N6
Se lanza una moneda 10 veces a la probabilidad de que salga cara 70% cual es la
probabilidad de que salgan cuatro caras o menos
Datos:
p= 70% -> 0.7
n= 10
q= 0.3
x4

p(x 6)=p(x=0)+p(x=1)+p(x=2)+p(x=3)+p(x=4)
10 l
10 l
p(x6)=0l 100 (0.7)0 (0.3)10 + 1l 101 l (0.7)1 (0.3)9 +
10 l
10 l
10 l
(0.7)2 (0.3)8 +
(0.7)3 (0.3)7 +
(0.7)4 (0.3)6 +
2l 102 l
3l 103 l
4l 104 l
10 l
(0.7)5 (0.3)5
5l 105 l

p(x6 )=1p (x5)

p (x6 )=10,9527
p (x6)=0.0473

Distribucin de Poisson

n>50
p<10%

P(x)=

x ex
xl

media= = n.p
=
e(n.p)
P(x)=(np)x
xl

Binomial n<50
p>10%
media= n.p
= npq

DISTRIBUCION DE POISSON

=
!
0
< 10%
Medio h
=
Normal

40% 60%
=

Ejercicio N1
En un proceso productivo se produce el 2% si
se produce 200 productos cual es la
probabilidad de encontrar 2 productos
defectuosos
a)
= 2% = 0.02
= 800
=2

=
= 8000.02

=2 =

8000.02

8000.02

2!
= 2 = .

b) Cul es la probabilidad de encontrar hasta 2

productos defectuosos

2 =

8000.02

8000.02

0!
8000.02
+
1!
8000.02 2
+
2!
2

8000.02

8000.02

2 = .

c)
>4 =1 4
>4 =1
0.000001
8000.02 3
+
3!

8000.02

8000.02 4 8000.02
+
4!
> 4 = 1 0.0004
> 4 = .

EJECICIO N2
- El 10% de producto producido en un proceso de fabricacin
sale defectuoso, hallar la probabilidad que en una muestra de
50 se encuentren 2 defectuosos.
a) Realizar por el mtodo de distribucin binomial
b) Realizar por el mtodo de poisson
p= 10%
0,1
n = 50
x= 2n
Binomial
Poisson

P(x=2)

EJERCICIO N3
- Cada hora se producen 2.5 teclados defectuosos de
promedio, determine la probabilidad que en la siguiente
hora se produzcan mas de 4 teclados defectuosos.

EJERCICIO N4

- En un proceso se producen 5% de producto defectuoso y se toma

una muestra de 200.
a) Cual es la probabilidad de encontrar tres productos defectuosos
b) Cual es la probabilidad de encontrar hasta tres productos
defectuosos
c)
Cual es la probabilidad de encontrar mas de tres producto
defectuosos
d) Cual es la probabilidad de encontrar cuatro o ms productos
defectuosos.
e) Cual es la probabilidad de encontrar
f)
Cual es la probabilidad de encontrar
g) Cual es la probabilidad de encontrar

a)
b)

c)

d)

e)

f)

g)

EJERCICIO N5
P= 5
n= 205

=n x p

Probabilidad de encontrar 3 productos

defectuosos:
Con Tabla:
P (x=3) = P(x 3) P(x 2)
= 0.00865 0.0073
= 0.0064
= 0. 64%
Con
Formula:

= 0.0063
= 0.63%

INTRODUCCIN A PLANES DE
MUESTREO

Poison

Binomi
al

La distribucin
binomial se aplica
cuando n es
pequea
La distribucin de
Poisson se aplica
cuando n es mayor
al 50% y menor al
10%

 Riesgo para el proveedor (): Siempre quiere

que se acepte ms del 95% del producto o que
se rechace solo el 5% del producto defectuoso.
Riesgo para el cliente (): Acepta hasta un
10% del producto defectuoso.

Ejercicio
N1Proveedor

Cliente

P (Fraccin
de
defectuoso
)

3%

7%

10%

8%

Precio
Unidad

$ 1.10

$1.00

$0.90

____

5%

5%

5%

____

_____

______

______

10%

 Poisson:
=n x
p
Proveedor: = 0.05

Cliente: = 10%

P (acepta)

0.1

= 0.95

X= 0

X= 0

X= 1

X= 9

X= 1

X= 9

Con X= 9 el cliente y el proveedor estn de

acuerdo.

CHI CUADRADO X2
2 = = 1

1 = 32
12 + 22
2 ~ 22
3 = 12 + 22 + 32 = ~ 32
Grados de
libertad
totales

PROPIEDADES DE CHI
CUADRADO
APLICACIONES:
1) Es sesgada hacia la derecha
2) Conforme aumenta los grados de libertad tiende a ser una curva
normal
1) Composicin de dos variables cualitativas
2) S2 ------ 2 Estimar al varianza poblacional a partir de la
varianza de una muestra
S2 ------

EJERCICIO N1
tratamientos

peor

igual

Mejor

Tratamiento 1

28

115

150

Tratamiento 2

15

20

85

120

Tratamiento 3

10

30

10

130

Tratamiento 4

40

115

160

37

118

405

560

Se tiene 2 hiptesis:
1.- Ho: variable es independiente de la variable
tratamiento
2.- Hi: variable efecto si depende del tratamiento
X experimental > X tabulada
Cuando pasa esto se rechaza la hiptesis nula

F2.1=

120 37
560

= 31.6

F2.2=

120 11.8
560

= 25.23

= 108.41

F2.3=

120 405
560

= 86.78

F1.1=

150 37
560

F1.2=

150 11.8
560

F1.3=

150 405
560

F3.1=

130 37
560

F3.1=

130 11.8
560

F3.3=

130 405
560

= 9.91

= 8.59

= 9.93

F4.1=

160 37
560

= 27.39

F4.2=

160 11.8
560

= 33.71

= 94.02

F4.3=

160 405
560

= 115.21

= 10.57

X2 experimental =

( )

Fo: frecuencia
= 13.87
observada
Fe: frecuencia
esperada

gl= ( 1)( 1)
gl= (4 1)(3 1)
gl= 3 2 = 6

=
0.05
X

EJERCICIO N2
Un distribuidor regional de sistemas de aire
acondicionado ha subdividido la regin en cuatro
regiones, a un posible comprador de la
distribuidora se le dice que las instalaciones del
equipo tiene una distribucin aproximadamente
igual en los cuatro territorios. El posible
comprador toma los archivos de la compaa y
toma una muestra de 40 instalaciones, realizadas
en el ultimo ao y determina que el nmero de
instalaciones en los cuatro territorios se indican
en la tabla como frecuencia observada y tambin
se ha determinado las frecuencias esperadas que
se indican en la tabla:

Tipo de frecuencia

Territorio

Total

# instalaciones en la muestra
(fo)

40

# Esperado de instalaciones
(fe)

10 10 10 10

40

12 14

 H0: Las reparaciones no dependen del territorio.

H1: Las reparaciones dependen del territorio

 Resolucin

2
)

(610)2
2
=
10
(810)2
10

2

=4

(1210)2
10

(1410)2
10

= 54,57

2
2

<
por lo tanto se acepta H0 en donde se
afirma que las reparaciones no
dependen del territorio.

EJERCICIO N3
Una compaa embotelladora de gaseosas quiere hacer una diferencia acerca de la
variabilidad de llenado de las botellas. La compaa tiene maquinas que llenan botellas
de 1 litro, se necesita calcular la desviacin estndar en la cantidad de gaseosa, la
cantidad es importante pero una cantidad media concreta no garantiza que la maquina
funcione bien, si la varianza es muy grande se derrama el lquido, y si la varianza es
muy pequea no se llena la botella.
Se quiere que la varianza no sobrepase 0,0004 y para verificar se toma una muestra de
28 botellas y se determina la varianza que es de 0,0007.

Grfica

EJERCICIO N4:
Un fabricante afirma que un qumico fotogrfico tiene una vida en anaquel que sigue
una distribucin normal en torno a una media de 180 das con una desviacin estndar
de no ms de 10 das, un usuario de este qumico est preocupado que la desviacin
estndar puede ser ms de 12 das. Tome una muestra de 12 das y calcule la
desviacin estndar. Trabajar al 95 % y determinar si la desviacin estndar es igual o
diferente.

Grfica

EJERCICIO N5
Ciclo medio de un foco de 4000 horas con desviacin estndar 200
horas se supone que los ciclos siguen una distribucin normal
supongamos que se establecido que la desviacin estndar no es mayor
a 150 horas se tomo una muestra de 10 focos cuya desviacin estndar
es de 200 horas

Datos:
=150h
m=10
S=20
Ho
:
Hi: 150

=3.3251

Ho: acepto

Hi: rechazo