FACULTAD DE INGENIERÍA/REPORTE DE LABORATORIO Nº02:

MATEMÁTICAS BÁSICAS Y TRATAMIENTO ESTADÍSTICO DE

DATOS OBTENIDOS EN LABORATORIO
Cindel Priscila Aguilar Alave (2021-103001), Hugo Wilber Quispe Jinchuña
(2021-103085), Juan Carlos Mamani Flores (2021-103028) Roger Ivan
Maquera Apaza (2021-103078)
CURSO: Química Semestre: I
FECHA DE ENTREGA: 22/07/2021 RESPONSABLE DEL CURSO: Ing. Químico. Roger Daniel
Sueros Ticona
Palabras clave: Cifras significativas – exactitud – precisión – error – Datos estadísticos.

RESUMEN
Con el propósito de crear un ambiente de trabajo seguro y eficaz, en el siguiente informe se emplea el
conocimiento del reglamento, las normas básicas de seguridad, el buen uso de los instrumentos presentes en
el laboratorio, y las unidades de medida a las que estos están sujetos, para la realización un trabajo
competente y con el tecnicismo adecuado. Dicho esto, es de suma importancia que “nunca trabaje sin
conocer la localización y operación de todos los equipos de emergencia del laboratorio, el ejercicio de la
seguridad deberá ser una práctica de rutina en todos los laboratorios”
En la etapa experimental se realiza una serie de experiencias con el fin de familiarizarse con los
instrumentos y las técnicas básicas de medición, entre las cuales se encuentran la medición de volúmenes
con probeta, pipeta y vaso precipitado; cálculo de la densidad de una solución, utilizando un densímetro, y
de un sólido; medición de temperatura en ebullición. Todo esto con el objetivo de analizar los resultados
experimentales o medidos en comparación a los valores teóricos, y he allí donde entran en juego los
conceptos de error absoluto, error relativo y porcentaje de error, los cuales indican de manera analítica las
variaciones entre los valores referenciales y los obtenidos de forma empírica. Finalmente se llega a la
conclusión de que cualquier medición realizada no es exacta, sino que depende del nivel de fidelidad de los
instrumentos empleados, respecto a sus unidades de medida y el método en que fueron utilizados.
INTRODUCCIÓN Por consiguiente, es pertinente tener una base
“La observación en la ciencia es un acto pasivo; la teórica del tema planteado, no es admisible
experimentación es algo activo” De eso no cabe experimentar con materiales y reactivos que
duda, puesto que el trabajo práctico de los podrían causar algún daño, sin saber cuáles
laboratorios, tiene un rol fundamental en la podrían ser estos
enseñanza, ya que permite al alumno la
posibles accidentes y sus respectivas
experimentación y, por tanto, el descubrimiento
consecuencias, tanto para el usuario directo, como
personal de la información que se adquiere día a
para los compañeros. Por otro lado, en cuanto a lo
día en los libros, páginas web, etc. Y, de este
experimental, para ser capaz de trabajar en un
modo, desligarse del concepto de ‘Resultados
laboratorio se debe tener un conocimiento previo
Correctos’ que se obtiene cuando el alumno se
sobre los materiales que se utilizan, sus
limita a los datos de un libro, y del cual cree
unidades de medida junto a técnicas de medición,
indiscutiblemente, sin la posibilidad de validar
y dominar los conceptos de error en la
dicha información.
experimentación. De esta forma encontramos 2
Lo principal para el inicio del trabajo en tipos de valores que pueden arrojar las
laboratorio y como en toda situación de la vida es mediciones: Valor medido (vm), que hace
que se deben acatar y hay que regirse por ciertas referencia al valor obtenido por la medición del
normas y reglamentos, que indican cómo instrumento más inexacto, y valor real (vr) que es
comportarse frente a diversos panoramas, y se por el instrumento más exacto. Entre estos 2 datos
debe trabajar teniendo en cuenta todos los puede surgir un error el cual muestra la diferencia
conceptos de seguridad y de comportamiento que de exactitud que tienen diversos instrumentos del
se dictan, este hecho es una clave para el éxito en laboratorio, denominado valor absoluto.
la experimentación, e ignorarlo es un error fatal.
Los resultados de las medidas se expresan
numéricamente, asociando valores concretos a las
magnitudes medidas directa o indirectamente:
masa, volumen, concentración, temperatura, etc.
Al asignar un determinado valor a una magnitud
mediante un proceso de medición, directa o
indirecta, hacemos de contar con el hecho de que
siempre va ir acompañado de cierta imprecisión.
El numero x que resulta de un proceso de medida
adolece siempre de una cierta imprecisión. Por
este motivo, la especificación del valor de la
medida deberá estar constituida por dicho número
y otra cantidad Δx que nos de una idea de su
imperfección (imprecisión) y que llamaremos
error de la medida. Los errores cometidos en las
medidas son desconocidos, pero pueden estimarse
mediante lo que conocemos cálculo de errores.
Todas las ciencias experimentales se basan en la
obtención de información mediante la observación
de fenómenos que ocurren en la naturaleza. Dicha
información resultará incompleta a menos que se
trate de una información cuantitativa. El asignar a
una magnitud un numero acompañado de una
unidad que presta su significado al número,
constituye lo que en adelante llamaremos una
medida. El proceso de medida consistirá una
magnitud con otra patrón tomada como unidad.
Dado que todas las leyes experimentales surgen de
la sistematización de los resultados de medidas de
laboratorio, es totalmente imprescindible tener en
cuenta las limitaciones en la exactitud y precisión
de dichos resultados para tener una idea clara de
su validez, en definitiva, de las propias leyes y de
sus conclusiones.[1]
El objetivo de esta práctica es poner de manifiesto
las matemáticas básicas y tratamiento estadístico
de datos obtenidos en el laboratorio, para la
correcta empleabilidad de ellas.
METODOLOGÍA
Para ello es necesario conocer los conceptos
fundamentales de las matemáticas básicas y
tratamiento estadístico de datos obtenidos en el
laboratorio, en tal sentido empezaremos a detallar
las que se emplean más.
Precisión Y Exactitud
Según el Vocabulario Internacional de Metrología
(VIM), que define la precisión como la
proximidad entre las indicaciones o valores
medidos de un mismo mensurando, obtenidos en
mediciones repetidas, bajo condiciones
especificadas.
La precisión de una medida suele expresarse
numéricamente mediante medidas de dispersión
tales como la desviación típica o la varianza. Por
ello, cuanto más estrecha es la distribución de
resultados, menor será la desviación típica de la
misma y mayor la precisión de la medida. La
precisión depende pues únicamente de la
distribución de los resultados y no está
relacionada con el valor “verdadero” de la
medición
Por su parte, la exactitud viene definida como la
proximidad entre el valor medido y el valor
“verdadero” del mensurando. Así pues, una
medición es más exacta cuanto más pequeño es el
error de medida. Es decir, la exactitud de una
medición hace referencia a su cercanía al valor
que pretende medir.
Una importante distinción entre exactitud y
precisión es que la exactitud puede determinarse
con una sola medida, mientras que para evaluar la
precisión se necesitan varias medidas
(repetibilidad), no pudiéndose hablar de precisión
para una sola medida. [2]
Error absoluto:
Es la diferencia entre el valor medio (Xi) y el
verdadero o aceptado como correcto, X+.
E = Xi – X+
Error relativo:
X +¿
E=X i− ¿
X +¿∗100 % ¿
Tipos de errores experimentales:
Errores Sistemáticos(exactitud): Existen errores
que se pueden eliminar mediante el mejoramiento
del procedimiento experimental (no
necesariamente mejorando el instrumento).
Ejemplos de lo anterior son: errores en el cero en
un micrómetro, luz ambiente incidiendo en el
detector, o el error introducido en una medición de
precisión usando una regla de acero debido a
cambios en la temperatura ambiente. Estos son
normalmente constantes o varían muy lentamente
dentro de la escala de tiempo en que se realiza el
experimento. Estos son errores que en general
pueden ser controlados. Gran parte de la habilidad
involucrada en la física experimental reside en
poder aislar y eliminar los errores sistemáticos.
Por ejemplo, una serie de datos que decrece
constantemente en el tiempo revela un error
sistemático. Los errores sistemáticos no se pueden
trabajar con las ecuaciones mostradas a
continuación. La mayoría de los errores que usted
tendrá en el laboratorio serán sistemáticos.
Errores Aleatorios(precisión): Estos son los
errores que quedan una vez que todos los errores
sistemáticos se han removido. Estos pueden surgir
de ambigüedades o incertezas en el método de
medición debido por ejemplo a la precisión del
aparato o debido a fluctuaciones aleatorias que
son demasiado irregulares o rápidas como para ser
observadas en detalle.
Errores instrumentales: Son causados por el
comportamiento no ideal de los instrumentos o
por calibraciones deficientes.
Error personal: Este es, en general, difícil de
determinar y es debido a las limitaciones de
carácter personal como los problemas de tipo
visual, descuido o falta de atención.
Errores de método (el más grave): corresponden
a una elección inadecuada del método de medida;
lo que incluye tres posibilidades distintas: la
inadecuación del aparato de medida, del
observador o del método de medida propiamente
dicho. [3]
Cifras Significativas Y Redondeos
Al presentar numéricamente un resultado se debe
tener en cuenta el concepto de cifra significativa.
El número de cifras significativas de un resultado
se obtiene contando desde la derecha el número de
cifras de la cantidad hasta que encontremos un
último número no cero, a partir del cual todos
números a la izquierda son ceros.
Las cifras significativas de un número son
aquellas que tienen un significado real y, por
tanto, aportan alguna información. Toda medición
experimental es inexacta y se debe expresar con
sus cifras significativas. [4]
Reglas para establecer las cifras significativas de
un número dado:
Regla 1: los dígitos diferentes de cero son siempre
significativos.
Si usted mide algo y el instrumento que usa
(regla, termómetro, balanza, etc.) le entrega un
número, entonces usted ha tomado una decisión
sobre esa medida, y ese ACTO de medir es lo que
le da significado a cada dígito (cifra) del valor
completo que usted obtiene. Por consiguiente, un
número como 26.38 tendría cuatro cifras
significativas, mientras que 7.94 tendría tres. El
problema aparece con números tales como 0.009
80 o 28.09.
Regla 2: cualesquiera ceros entre dos cifras
significativas son significativos.
Suponga que usted tiene un número tal como 406.
Según la Regla 1, el 4 y el 6 son significativos.
Pero para hacer una decisión de medida sobre el 4
(el lugar de las centenas) y sobre el 6 (el lugar de
las unidades), usted TUVO que haber tomado una
decisión sobre la cifra de las decenas. La escala
del instrumento donde se leyó este número debió
tener marcas al menos para las centenas y las
decenas, pudiendo dejar las unidades para ser
estimadas. Algo así:
A estos se les llama a veces “ceros apresados”.
Regla 3: los ceros al final de la parte decimal son
significativos.
Esta regla es la que causa mayor dificultad en
algunos estudiantes. Aquí están dos ejemplos de
esta regla, con los ceros que esta regla afecta en
rojo:
0.00500
0.03040
Aquí están otros dos ejemplos donde los ceros
significativos están en rojo:
2.30 x 10 -5
4.500 x 10 12
Desviación Estándar
La desviación estándar o desviación típica (σ) es
una medida de centralización o dispersión para
variables de razón (ratio o cociente) y de
intervalo, de gran utilidad en la estadística
descriptiva. Se define como la raíz cuadrada de la
varianza. Junto con este valor, la desviación típica
es una medida (cuadrática) que informa de la
media de distancias que tienen los datos respecto rango de posibilidad de rendimiento o entre otras
de su media aritmética, expresada en las mismas cosas.
unidades que la variable. Se caracteriza por ser el
estadígrafo de mayor uso en la actualidad. [5] Desvió estándar de la población σ :
Error absoluto:
N
E = Xi – X+
 X  
2
i
Xi: es el error real.  i 1

X+: es el error aproximado o exacto. N

El error absoluto es un indicador de la imprecisión
que tiene una determinada media. Es decir, es la
diferencia entre el valor real y el valor aproximado
que en este caso sería el resultado.
Error relativo:
X +¿
E=X i− ¿
X +¿∗100 % ¿
Xi-X+: es el error absoluto.
X+: Es el valor aproximado o exacto.
100%: es el valor porcentual.
Es el que nos indica la calidad de una medida en
el que normalmente se nos indica en porcentual.
σ : Desviación estándar de la población
X: datos de la variable x.
Xi: Observación número i de la variable x
N: Numero de datos, población o muestra
μ: Es la media de la variable x.
Es un parámetro que da un valor fijo calculando a
partir de cada individuo de la población en el que
también nos da un rango de posibilidad.
Varianza, S2:
N N

 Xi  X  d
2 2
i

Desvió medio dm: s2  i 1

 i 1

N 1 N 1

dm 
X i X X: Datos de la variable x.
N Xi: Observación número i de la variable x
Xi: Observación número i de la variable x. N - 1: Numero de datos, población o muestra
X́ : Es la media de la variable x. menos 1
N: Numero de datos, población o muestra. X́ : La media
Es un parámetro de dispersión de un conjunto de D: desvió
observaciones en que el consiste en hallar la Es una medida de dispersión que se utiliza para
media de los datos absolutos de las desviaciones representar la variabilidad de un conjunto de datos
de una serie con respecto a su media. respecto al promedio.

Desviación estándar de la muestra: Desviación estándar relativa:

S
N N
DER  100
  Xi  X    di2  X
s i 1
 i 1
S: Es la desviación estándar
N 1 N 1
X́ : La media de los datos
Es una medida que describe la propagación de los
S: Desviación estándar muestral.
datos con respecto a la media, se da como una
X: Datos de la variable x.
interpretación en base a los resultados.
Xi: Observación número i de la variable x.
Coeficiente de variación o porcentaje de
N - 1: Numero de datos, población o muestra
desviación estándar relativa:
menos 1.
X́ : Es la media de la variable x.
S
D: Desvió. CV  100
X
Se puede utilizar para establecer un valor de
S: es la desviación estándar
referencia para estimar a partir de algunos
individuos de un proceso ya que nos da la idea del X́ : la media de los datos
100%: es el valor porcentual
Se utiliza para comparar la dispersión o variación El objetivo de la Regresión Lineal Simple es el
de conjuntos de datos de medidas diferentes, en el hecho de minimizar la distancia vertical entre
que se compara conjuntos de datos pertenecientes todos los datos y nuestra línea o recta. Existen
a una población distinta y así eliminar las posibles muchos métodos para cumplir con el objetivo,
distorsiones de las medias de dos o más pero entre todo el principal es el minimizar la
poblaciones distancia. Para encontrar la mejor línea de ajustes
Error estándar de la media, Sm: es utilizando el criterio de mínimos cuadrados
para así reducir el error. El error es una parte
S inevitable del proceso de predicción en el que no
Sm 
N importa que método elijamos, siempre habrá un
S: Desviación estándar error irreductible. [6]
N: número de datos La línea de alguna forma es un promedio tanto los
Es el valor que cuantifica cuanto se apartan los errores + como errores – deben de ser iguales eso
valores de la media de la población es una característica, otra característica es que los
cuadrados su suma debe ser el más menor posible.
Regresión Lineal Simple Si el coeficiente de correlación es R=1 la línea
recta tiene un buen pronóstico, pero si es R=0 no
La regresión lineal simple es una técnica tiene un buen pronóstico.
paramétrica utilizada para predecir variables
continuas, dependientes, dado que es un conjunto Regresión Mínimos cuadrados
de variables independientes. Este algoritmo es un Este método consiste en explicar una de las
método estadístico que permite resumir y estudiar variables en función de la otra a través de un
las relaciones entre dos variables continuas determinado tipo de función. Es equivalente a
cuantitativas. El objetivo de un modelo ajustar por mínimos cuadrados la totalidad de las
de regresión es tratar de explicar la relación que observaciones. La técnica de mínimos cuadrados
existe entre una variable dependiente (variable intenta reducir la suma de los errores al cuadrado,
respuesta), y un conjunto de variables buscando el mejor posible de los coeficientes de
independientes (variables explicativas). Esta regresión.
regresión lineal simple se expresa
matemáticamente para aproximar o predecir la Los mínimos cuadrados no es la única técnica para
variable dependiente dada como: usar en Regresión lineal, pero se selecciona
debido a las siguientes razones:
y=ax+ b o y =β 0+β 1 x
 Utiliza un error cuadrado por lo que es más
12000
fácil diferenciar y calcular el descenso del
f(x) = 97.08 x + 733.74
10000 gradiente.
 Analiza con eficacia de manera rápida, es
8000
decir que se puede aplicar rápidamente a
6000 conjuntos de datos que tienen miles de
características.
4000
 Su interpretación es mucho más fácil que
2000 otras técnicas de regresión.

0 La fórmula para calcular los coeficientes es una de

0 20 40 60 80 100 120
las más sencillas para realizar su predicción:
Grafica N°1: representación de una línea
a=
∑ ( xi− x́ )( yi− ý ) ∴ i=1 al numero de datos
La ecuación presentada de Regresión Lineal ∑ (xi− x́)2
Simple. Se denomina el termino simple porque
b= ý−a( x́)
solo hay una variable independiente involucrada,
que vendría siendo “x”. En este tema abordaremos el modelo de regresión
lineal, que tiene lugar cuando la dependencia es de
tipo lineal, y daremos respuesta a dos cuestiones
básicas. A dicho gráfico se le llama nube de
puntos o diagrama de dispersión. Ejemplos de
casos que podrían darse:
A dicho gráfico se le llama nube de puntos o
diagrama de dispersión. Ejemplos de casos que
podrían darse:
 En el grafico N°2 hay una ausencia de
relación (independencia).
 En el grafico N°3 existe una asociación
lineal positiva (varían en general en el
mismo sentido).
 En grafico N°4 existe una asociación lineal
negativa (varían en sentido contrario).
 En grafico N°5 existe una fuerte
asociación, pero no lineal. [7]
Suposiciones o pronostico
No debe haber correlación entre las variables
independientes, los términos de error deben poseer
varianza constante y existe una relación lineal y
aditiva entre las variables dependientes e
independientes; y las variables independientes y
los términos de error deben tener una distribución
normal. Nos puede interesar predecir el valor
medio de la variable respuesta o bien el valor de la
variable respuesta para un valor x que no ha sido
considerado en la muestra. El estimador puntual es
el mismo para las dos situaciones.
 Las interpolaciones son predicciones
hechas dentro del rango de los datos
usados para construir el modelo
 Las extrapolaciones son predicciones
hechas fuera de este rango y son mucho
más problemáticas, siendo la selección del
modelo aún más crítico y diferentes
modelos frecuentemente generan
predicciones dispares. [8]
Grafico N°6: En este grafico se representa los
errores y los puntos que se tiene en la recta.
Tipos de regresión
Lineal simple: Predicción de una variable de
respuesta cuantitativa a partir de una variable
predictora cuantitativa.
Polinomial: Predicción de una variable de
respuesta cuantitativa a partir de una variable
predictora cuantitativa, donde la relación se
modela como una función polinomial de orden
n.
Lineal múltiple: Predicción de una variable
de respuesta cuantitativa a partir de dos o más
variables predictoras cuantitativas.
 Multivariada: Predicción de más de una
variable de respuesta cuantitativa a partir de
una o más variables predictoras cuantitativas.
Logística: Predicción de una variable
categórica a partir de una o más predictoras.
Poisson: Predicción de una variable de
respuesta que representa un conteo a partir de
una o más predictoras.
No lineal: Predicción de una variable de
respuesta cuantitativas a partir de una o más
predictoras, donde el modelo no es lineal.
Robusta: Predicción de una variable de
respuesta cuantitativa a partir de una o más
predictoras, usando una aproximación
Grafico 8: En este grafico los puntos tiene una
resistente al efecto de observaciones
relacion intermedia con la linea recta: R=0,40
influyentes.
Relación de los puntos con la línea recta
R: coeficiente de correlación de Pearson.
R=1 o R=0 / R=-1 o R=0
Gráfico 6: En este grafico los puntos no tiene
relación con la línea recta: R=0

Gráfico 9: En este grafico los puntos tienen una

relación intermedia con la línea recta: -0,50

Grafico 7: En este grafico los puntos tiene una

relacion buena con la linea recta: R=0,80

Para garantizar que esta aproximación es válida,

se deben cumplir las siguientes condiciones:
1. Independencia: los residuos deben ser
independientes entre sí. Ejm:
(Autocorrelación negativa en los residuos,
 valores por encima de la media tienden a ir
seguidos de valores por debajo de ella)
2. Homocedasticidad (igualdad de
varianzas): para cada valor de la variable
X, la varianza de los residuos e i=( ý i− y i )
debe ser la misma (es decir, que el ajuste
es igual de preciso independientemente de
los valores que tome X). Ejm: (La
variabilidad aumenta al aumentar las los
valores de las predicciones)
3. Normalidad: para cada valor de la
variable X, los residuos si tienen
distribución normal de media cero. [9]
DISCUSIONES Y RESULTADOS
Usando fundamentos matemáticos:
Un problema habitual en el laboratorio y que
puede llevar a "errores groseros" es el pasaje de
unidades, ya sea para expresar mejor un resultado
o para la elección de un instrumento de medición.
Para proceder con el pasaje de unidades debemos
conocer primero los signos de múltiplos y
submúltiplos de la unidad, utilizados más
comúnmente. La tabla siguiente muestra los
símbolos y la equivalencia respecto de la unidad.
Tabla Nº1: Nombre-Símbolo-Equivalencia
NOMBRE SIMBOLO EQUIVALENCIA
P PICO 10-12
n Nano 10-9
µ Micro 10-6
m Mili 10-3
c centi 10-2
d Deci 10-1
Unidad
K Kilo 103
M Mega 106
G giga 109
Estos símbolos se colocan delante de una unidad,
por ejemplo, mL, mg, µV, Gbyte, etc. En los
ejemplos las unidades son L, g, V y byte,
respectivamente y las unidades derivadas se leen
mililitro, miligramo, microvolt y gigabyte.
Ejercicios
1). Exprese en V el valor de 25 mV.
2). Exprese en g el valor 31,2 mg.
Antes de continuar con el tema recordaremos
algunas propiedades de la potencia, la notación
científica y uso de calculadora. Es frecuente que
los números empleados en química son
extremadamente grandes o extremadamente
pequeños. Es más conveniente expresar tales
números en la forma: N x 10n
Donde N es un número entre 1 y 10, y n es el
exponente, a continuación, algunos ejemplos de
esta NOTACIÓN EXPONENCIAL también
conocidos como NOTACIÓN CIENTIFIFICA,
son:
1, 200,000 es 1.2 x 106
0.000604 es 6.04 x 10-4
Un exponente positivo indica la cantidad de veces
que se debe multiplicar un número por 10 para dar
la larga forma del número.
1.2 x 106 = 1.2 x 10 x 10 x 10 x 10 x 10 x 10 (seis
dieces)
= 1.200.000
También es conveniente pensar que el exponente
positivo nos indica el número de lugares que
debemos correr el punto decimal hacia la
izquierda para obtener un número más grande que
1 pero menor que 10.
Por ejemplo:
3450 si movemos el punto decimal tres lugares
hacia la izquierda se expresa 3.45 x 103
De la misma manera un exponente negativo nos
indica cuantas veces debemos dividir un número
entre 10 para dar la forma larga del número.
6.04
6.04 x 10-4 = x 10 x 10 x 10 x 10 = 0.000604
10
Por lo tanto, es útil pensar que el exponente
negativo nos indica cuantas veces el punto
decimal debe correrse hacia la derecha para
obtener un número más grande que 1 pero menor
que 10.
Por ejemplo: 0.0048 si movemos el punto decimal
tres lugares hacia la derecha se expresa 4.8 x 10-3
En el sistema de notación exponencial, cada vez
que el punto se recorre un lugar hacia la derecha,
el exponente disminuye en 1
4.8 x 10-3 = 48 x 10-4
De manera similar, cada vez que se recorre el
punto decimal un número hacia la izquierda el
exponente aumenta en 1
4.8 x 10-3 = 0.48 x 10-2
Ejercicio
Pase 0,000021 Kg a mg
pase 0,125 mV a µV
Un poco de complejidad. Supongamos que
tenemos magnitudes derivadas, es decir
magnitudes que se calculan a partir de otras.
Ejemplo:
densidad 1,85 g/ml
concentración 0,25 moles/L
Ejemplo de paso de unidades. Supongamos que
tengo una concentración de 0,2 pmoles/mL y la
deseo expresar en µmoles/dL. El procedimiento es
el mismo que el explicado anteriormente,
utilizando el factor 1. Veamos.
pmol 1012 mol 1 mol 1mL 10 1 L
0.2 * * * *
dL 1 pmol 106 mol 103 1dL
Simplificamos todas las unidades posibles y
operamos con las potencias de 10 quedando
 mol  mol
0.2*104  2*10 3
dL dL
Mediciones y errores:
Medición directa
Es aquella medición en que se obtiene el valor
luego de medir algo con un instrumento. Por
ejemplo, medir una longitud con una regla, una
masa con una balanza, un volumen con una pipeta,
etc.
Ejemplo
2.5 ml
0,15 g
11.12 mm
Medición indirecta
Es aquella que se obtiene por cálculo a partir de
otras mediciones directas. Por ejemplo, la
densidad que se obtiene del cociente entre una
masa y un volumen, ambos medidos de manera
directa. Son medidas indirectas la rigidez ósea
(cociente entre fuerza y desplazamiento), el
módulo de Young (cociente entre tensión y
deformación), el área (largo por ancho).
Ejemplo
Si he medido una hoja de papel que tiene 10 cm
de ancho por 20 de largo, su área es 10*20= 200
cm2. Son medidas indirectas las concentraciones
medidas por espectrofotometría, ya que lo que
mido es absorbancia y luego a partir de esta por un
cálculo obtengo la concentración.
Errores:
El error es una parte del proceso de medición, que
puede disminuirse, pero no anular. La
equivocación es un mal manejo de los
instrumentos de medición, un descuido, mala
obtención de la medición por desconocimiento.
Error absoluto
En general aceptamos una medición si el CV% es
menor o igual al 10%, aunque puede cambiarse
esta regla para algunos tipos de mediciones si la
metodología lo requiere. Si el CV% de una
muestra supera el 10% se debe repetir la
medición.
El error absoluto (EA), es la diferencia entre el
valor real y el medido de una determinada
magnitud. El valor real es siempre un número
desconocido y al que deseamos aproximarnos a
través de nuestro proceso de medición. Por esta
razón el EA absoluto no lo podemos calcular de la
manera indicada en el párrafo anterior. El EA se
considera igual a la menor división de la escala
del instrumento de medición. Por ejemplo, una
regla milimetrada se puede considerar que tiene
un error absoluto de 0,1 cm o 1 mm. Una balanza
cuya pantalla muestra 0,000 g al encenderla tiene
un error de apreciación o absoluto sería 0,001 g =
1 mg
El error relativo
El error relativo (ER) o el error relativo porcentual
(ER%) es el cociente entre el error absoluto y la
medición realizada multiplicado por 100. El error
relativo es menor cuanto menor es la apreciación
del instrumento y mayor la medición realizada.
Ejemplo Si medimos una masa de 2.1 g con una
balanza de apreciación 0,01g, el error relativo de
100
la medida es 0,001* =0,48 %
2,1
Utilizando coeficiente de variación
Para calcular el coeficiente de variación se debe
hacer cada medición por duplicado, proceso en el
que se obtendrán dos valores que llamaremos: x1
y x2. El coeficiente de variación se calcula con la
siguiente expresión.
S
CV  100
X
Supongamos una medida directa de pH. Si
tenemos una solución en la que queremos medir el
pH debemos hacer dos mediciones de la misma
solución. Así, obtendremos dos medidas, por
ejemplo.
pH1= 5,40
pH2= 5,10
Con dichos valores calculamos la media (mal
llamada a veces promedio)
pHm= 5,25 (la m indica media) [2]Edu.co. [citado el 22 de julio de
Con estos valores calculamos el coeficiente de 2021]. Disponible en:
variación con la fórmula siguiente. https://repository.unad.edu.co/bitstream/handle/10
pH 1  pH 2 *100 596/5894/Reglas_Cifras_Significativas;jsessionid
CV  =9D20BB03A22D7A3CF584E34950DD30D8.jv
pHm *1.41
m1?sequence=1
5.40  5.10 *100
CV %   4.05%
5.25*1.41 [3] Cifras significativas
para nuestro ejemplo el CV% = 4,05%. La [Internet]. Escritoscientificos.es. [citado el 22 de
medición es aceptada, ya que el CV% es inferior julio de 2021]. Disponible en:
al 10%. El valor que se informa es pH= 5,25 y si http://www.escritoscientificos.es/trab21a40/cifrass
se desea se puede indicar el CV% de la medición ignificativas/00cifras.htm

CONCLUSIONES [4] De errores en los experimentos – Errores

Se puede aseverar, que no existen valores exactos,
que toda medición es aproximada, ya que la
exactitud en las medidas con los instrumentos de
laboratorio va a depender de distintos factores, ya
sea, accidental, de precisión, entre otros;
provocando errores o dudas.
Los errores siempre están presentes en todo tipo
de trabajos que se requieran de medición estos
errores son permisibles ya que dichas respuestas
serán la variación de la medida y que de alguna
manera estás serán próximas a la medida real.
La importancia de poseer un buen manejo de los
instrumentos radica en la capacidad de lograr un
mayor o menor error y, en consecuencia, obtener
resultados lo más exactos posible.
Los errores aleatorios pueden conducirme a
errores sistemáticos, por exceso o defecto, que
luego incidirán sobre otras mediciones de manera
de producir errores sistemáticos.
Cada uno de los parámetros presentados tienen
una relación entre unos a otros ya que establecen
esa relación de dependencia entre sus variables, y
aun cuando el objetivo de los coeficientes es
constante, algo que se conoció es que todo dato
tiene un error y este no se puede ser eliminado,
pero sí reducir el error al nivel más bajo, que es lo
que se centra en los objetivos de los parámetros.
BIBLIOGRAFIA
[1]Uadec.mx. [citado el 22 de julio de 2021].
Disponible en:
http://www2.uadec.mx/pub/quimicas/Qu
%C3%ADmicaGeneral.pdf
sistemáticos y errores aleatorios. Los errores
sistemáticos son E dos T, Lejos D, importantes.
LM. Análisis de Resultados con Errores [Internet].
Fisica.uc.cl. [citado el 22 de julio de 2021].
Disponible en:
http://fisica.uc.cl/images/analisis_resultados_error
es.pdf
[5] Ugr.es. [citado el 22 de julio de 2021].
Disponible en:
https://www.ugr.es/~andyk/Docencia/TEB/Errores
.pdf
[6] González L. Regresión Lineal Simple - Teoría
- 🤖 Aprende IA [Internet]. Aprendeia.com. 2018
[citado el 22 de julio de 2021]. Disponible en:
https://aprendeia.com/algoritmo-regresion-lineal-
simple-machine-learning/BIBLIOGRAFIA
[7] Introducción 9. 1. Capítulo 9. Regresión lineal
simple [Internet]. Ujaen.es. [citado el 22 de julio
de 2021]. Disponible en:
http://www4.ujaen.es/~dmontoro/Metodos/Tema
%209.pdf
[8] Pablo Vinuesa C-UHCUM. Tema 9 -
Regresión lineal simple y polinomio: teoría y
práctica [Internet]. Unam.mx. [citado el 22 de
julio de 2021]. Disponible en:
https://www.ccg.unam.mx/~vinuesa/R4bioscience
s/docs/Tema9_regresion.html
[9] REGRESIÓN LINEAL SIMPLE [Internet].
Usc.es. [citado el 22 de julio de 2021]. Disponible
en:
http://eio.usc.es/eipc1/BASE/BASEMASTER/FO
RMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140116_Regr_ - Error personal
%20simple_2011_12.pdf - Errores de método de medida
 Errores Accidentales: Son aquellos que se
deben a las pequeñas variaciones que
PREGUNTAS aparecen entre observaciones realizadas.
Pregunta N°05
Pregunta N°01
Dadas las siguientes magnitudes:
Al haber leído los dos artículos periodísticos. ¿A
x=(8.75±0.25)m; y= (2.25±0.03)m y z= (4.5 ±
qué conclusión llegaron? ¿Como podrían
0.04)m . El valor de x+y+z es:
relacionarlo con su profesión?
Datos:
Que, lo más adecuado es trabajar en un solo
sistema de medida, la adecuada conversión de las  x=(8.75±0.25)m
unidades y la correcta utilización de las cifras  y= (2.25±0.03)m
significativas es muy importante al desarrollar una  z= (4.5 ± 0.04)m
investigación.
Solución:
Como profesionales estaremos siempre ligados
con las unidades de medida. Por ello es de suma 8.75 ± 0.25 m+¿ 2.25 ± 0.03 m
importancia conocer la correcta empleabilidad de 4.5 ± 0.04 m
ellas, porque de lo contrario estaríamos pasando 15.50 ± 0.32m
las dos situaciones de los artículos.
Pregunta N°06
Pregunta N°02
Al medir la masa de un cuerpo se obtiene el valor
De manera clara y precisa (Leer bibliografía) de 490 g si el error cometido en la mediad es del
digan que es: 2%. ¿Cuál es el valor real de la masa del cuerpo?
 Error: Es la diferencia entre el valor real y Datos:
el valor experimental.
 Exactitud: Es la concordancia entre el  Masa del cuerpo: 490g
valor verdadero y el experimental.  Error cometido: 2%
 Precisión: Es un conjunto de medidas que  Valor real de la masa: ?
se repiten o se acercan unas a otras sin ser Realizamos el siguiente procedimiento para
cercanas al valor real encontrar el valor real del cuerpo:
Pregunta N°03 490 gr ±(490 gr × 2)
VR=
Diga Uds. ¿Cuáles son las causas que originan un 100
error? VR=490 ± 9.8 gr

 Factores ambientales Como el error en la medida pudo ser mayor o

 La falta de calibración de un instrumento menor se tomará en cuenta:
 Debido al operador 490 ± 9.8=499.8 gr
490−9.8=480.2 gr
Pregunta N°04
PREGUNTA N°07
Diga y explique las clases de errores en
laboratorio – investigación científica Calcular la varianza y la desviación estándar de
los siguientes datos: 2, 4, 6 y 8 sabiendo que
 Errores Sistemáticos: Es aquel que es
corresponden a una población.
constante a lo largo de todo el proceso de
medida. La mayoría de estos errores se Datos:
puede corregir o minimizar. Ejemplo:
- Errores instrumentales  2,4,6,8
 Corresponden a una población
 N
Solución:
Formula:
∑ ( X i−μ )2
Hallar la media poblacional: i=1
n−1
N

Formula:
∑ ¿ 1x i (1−5)2 +(3−5)2 +(5−5)2+(7−5)2 +(9−5)2
i
N 5−1
2 2
(−4) + (−2 ) + ( 0 ) +( 2)2 +(4)2
2

2+ 4+ 6+8 5−1
=5
4 40
=10
Hallar Varianza: 4
N Hallar desviación estándar:
∑ ( X i−μ )2
Formula: i=1 Fórmula;√ s 2
N
s=√ 10
(2−5)2 +(4−5)2+(6−5)2+(8−5)2 s=3.162
4
2 2
(−3) + (−1 ) + ( 1 ) +(3)2
2

4
20
=5
4
Hallar desviación estándar:

Fórmula;√ σ 2
σ=√ 5
σ =2.236

PREGUNTA N°08
Calcular la varianza y la desviación estándar de
los siguientes datos: 1, 3, 5, 7 y 9 sabiendo que
corresponden a una muestra
Datos:
 1,3,5,7
 Corresponden a una muestra

Solución:
Hallar desviación media
N

Formula:
∑ ¿ 1x i
i
N
1+ 3+5+7+9
=5
5−1
Hallar Varianza: