ANALISIS INSTRUMENTAL Calibración y Límite de Detección en Técnicas Instrumentales.

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ANALISIS INSTRUMENTAL Calibración y Límite de Detección en Técnicas Instrumentales."

Transcripción

1 ANALISIS INSTRUMENTAL Calbracón y Límte de Deteccón en Técncas Instrumentales. Objetvos Aprender la metodología para la determnacón de la concentracón de un analto a partr de los datos obtendos por técncas nstrumentales. Evaluar el error nvolucrado en dcha determnacón. Estmar el límte de deteccón de técncas nstrumentales. Obtener las herramentas para la correcta confeccón de nformes. Conocmentos prevos Se consdera que térmnos como eacttud, precsón, error aleatoro, error sstemátco, poblacón, muestra, meda de la poblacón (µ), desvacón estándar de la poblacón (σ), varanza de la poblacón (σ ), meda de la muestra ( ), desvacón estándar de la muestra (s), varanza de la muestra (s ), dstrbucón normal de error, ANOVA son conocdos por el alumno. Informacón sobre su sgnfcado puede encontrarse en D.A. Skoog, J.J. Leary, Análss Instrumental, 4ta. Edcón, Apéndce 1. Límtes de confanza. La meda de la poblacón o meda verdadera (µ) de una medcón es una constante que es sempre desconocda. Sn embargo, en ausenca de errores sstemátcos, pueden estmarse certos límtes dentro de los cuales cabe esperar que caga la meda de la poblacón con una certa probabldad. Los límtes así obtendos se llaman límtes de confanza de la meda muestral. Los límtes de confanza dervan de la desvacón estándar de la muestra, s y dependen de la certdumbre con que se la conozca. S ésta desvacón estándar se obtene a partr de una buena cantdad de réplcas, será una buena apromacón de la desvacón estándar de la poblacón, σ, y entonces los límtes de confanza serán mas estrechos que s la estmacón de s se basa en sólo dos o tres medcones. La Fgura 1 muestra una curva de dstrbucón normal de error en la que la abscsa representa la desvacón respecto de la meda en undades de desvacón estándar de la poblacón. La columna de números del centro de la Fgura ndca el tanto por cento del área total de la curva ncluída entre los valores ndcados de -z y +z. Por ejemplo, el 80% del área de cualquer curva gaussana (dstrbucón normal) está entre ncluda entre -1,9σ y + 1,9σ. El 80% de las medcones caerán en este ntervalo y en este caso se dce que el nvel de confanza es del 80% y el ntervalo de confanza para una nueva señal es ± zσ = ± 1,9σ. El límte de confanza de la meda muestral para N medcones repetdas se calcula como: µ = ± zσ N (1) donde es el valor promedo de la muestra y µ la meda de la poblacón. Los límtes de confanza basados en la ecuacón (1) son váldos en ausenca de errores sstemátcos, es decr, cuando las medcones son eactas. La Tabla I da los valores de z para dstntos nveles de confanza. En la mayoría de las stuacones epermentales, se realzan pocas réplcas y por lo tanto, no es verfcable que la dstrbucón de probabldad de las señales sea Normal, o pueda apromarse a una Normal. Por este motvo, se esta lejos de tener una estmacón eacta de σ y el valor de s calculado a partr de un conjunto pequeño de datos puede estar sujeto a una ncertumbre consderable; y el límte de confanza debe amplarse. En este caso no se utlza el parámetro estadístco z de la dstrbucón Normal sno que se utlza el parámetro estadístco t denomnado de la dstrbucón t de Student y la ecuacón (1) se transforma en: CALIBRACION 1

2 ts µ = ± () N El valor de t depende tanto del valor de N-1, que se conoce como grados de lbertad as como del nvel de confanza requerdo. La Tabla II muestra los valores de t para varos nveles de confanza. La dstrbucón de probabldad de las señales se utlza en la determnacón del Límte de deteccón, como veremos luego. Fgura 1: Dstrbucón Normal de Probabldad. CALIBRACION

3 Calbracón de Instrumentos utlzados en el Análss Químco Instrumental. Calbracón. Se entende por calbracón al conjunto de operacones que establece, bajo condcones específcas, la relacón entre las señales producdas por un nstrumento analítco y los correspondentes valores de concentracón o masa del juego de patrones de calbrado. Caldad de una Calbracón. La caldad de la determnacón de una concentracón no puede ser mejor que la caldad ntrínseca de la calbracón. Los factores que determnan la caldad de una calbracón son: La precsón de las meddas: estmada a través de la repettvdad y la reproducbldad de las meddas. La repettvdad se evalúa a través del cálculo de la desvacón estándar relatva (RSD%) de la medda de los patrones de calbrado. En la práctca puede ocurrr que la repettvdad para los patrones sea más pequeña que para las muestras, por lo que será necesaro fabrcar patrones smlares a las muestras o agregar el analto a las msmas. Eacttud de los patrones. El valor de concentracón o masa asgnado a cada patrón trae aparejado un error pequeño s es preparado a partr de reactvos puros (grado analítco) con estequometría ben defnda. Este error en general se despreca, frente al error en las meddas de las señales producdas por el nstrumento. Valdez de la calbracón. Generalmente es el factor más mportante. Cuando se calbra un nstrumento se debe tener una razonable certeza de que éste responderá de gual manera a los patrones así como a las muestras, aunque estas tengan una matrz relatvamente dferente *. S estas dferencas son muy grandes, pueden llegar a nvaldar el proceso de calbracón. Es necesaro estar completamente seguro de que el calbrado es váldo antes de utlzarlo para obtener el valor de concentracón de muestras ncógnta. En caso contraro, pueden cometerse seros errores en la determnacón. Modelos de calbracón. La forma de calbracón más senclla es la que utlza un solo patrón. Este modelo es útl sólo cuando el patrón es absolutamente confable. Además, se supone que la señal cero del nstrumento corresponde al cero de concentracón de la espece que se quere determnar. Entre el cero y valor obtendo para el patrón se realza una nterpolacón lneal, pero la etrapolacón más allá de la concentracón de patrón no es recomendada. El modelo correspondente es: señal = constante concentracón y = m (3) La constante m es llamada sensbldad y corresponde a la constante de proporconaldad entre la señal y la concentracón. Esta proporconaldad es útl sobre un restrngdo ntervalo de valores. A valores muy bajos de concentracón la señal es demasado pequeña y está sujeta a una gran ncertdumbre. A valores muy altos la proporconaldad dada en ecuacón (3) puede dejar de ser válda. Este modelo es utlzado en muy pocos casos. S la respuesta a concentracón cero de analto no es conocda de antemano, es necesara una calbracón con un mínmo de dos puntos. Para esta calbracón se utlza un modelo lneal con un térmno constante: señal = señal del blanco + constante concentracón * Se entende por matrz, a todos los componentes de la muestra que acompañan al analto. CALIBRACION 3

4 y = b + m (4) El térmno b ndca la magntud de la señal estmada del blanco, mentras que m es la pendente de la recta de calbrado e ndca nuevamente la sensbldad. Estadístcamente, una calbracón realzada a partr de dos puntos es muy pobre y su construccón a partr de un número mayor de patrones es oblgatora. El procedmento estadístco para determnar los coefcentes b y m de la ecuacón (4) se denomna regresón por cuadrados mínmos. La regresón por cuadrados mínmos es una herramenta muy útl, sn embargo, deben conocerse sus lmtacones. Además de la regresón por cuadrados mínmos sempre debe hacerse una nspeccón gráfca de los datos obtendos, para detectar puntos anómalos o fallas en la lnealdad. Las ecuacones medante las que se obtenen los coefcentes de la ecuacón (4) se detallan en la próma seccón. Regresón por cuadrados mínmos Este método es amplamente utlzado en todas las ramas de las cencas, encontrándose ncorporado en muchas calculadoras y planllas de cálculo. Para el modelo de la ecuacón (4) los coefcentes pueden ser calculados de la sguente manera: m = N ( )( y y ) = 1 N = 1 ( ) (5) b = y m (6) donde, y son los promedo artmétcos de los valores de (patrones de concentracón) y valores de y (señales). En la ecuacón (5), el numerador es smbolzado S y y el denomnador S. La N epresón ( y y ) = 1 se denota con el símbolo S yy. La caldad de la calbracón se evalúa predcendo el valor de la señal, ŷ, para los dstntos patrones a través del modelo utlzado (ecuacón. 4). Las dferencas entre la señales observadas y las predchas se denomnan resduos. A partr de estos valores se calcula: = ( y ˆ y ) S yy m S s y = N N (7) s y es llamada desvacón estándar resdual y tene undades correpondentes a la señal observada. Tambén se la conoce como s y/ en el teto de Mller o como s e en otros tetos. Es mportante conocer las lmtacones del método de cuadrados mínmos. Al deducr las ecuacones anterores fueron realzadas algunas suposcones. Estas no sempre se cumplen en un problema de químca analítca, por lo que debemos estar atentos. Las suposcones que se realzan son: a.- La ncertdumbre en la concentracón de los patrones es desprecable frente a la desvacón estándar de la señal medda. Para ello los patrones de calbrado deben ser preparados con una precsón superor a la de la medcón de la señal. CALIBRACION 4

5 b.- Todas las meddas son estadístcamente ndependentes unas de otras. Cualquer tendenca de las señales a través del tempo (dervas de la línea de base o contamnacones secuencales) nvalda el calbrado. c.- Todas las meddas tenen gual desvacón estándar, la cual no depende del valor de la señal observada, por lo tanto las señales altas tendrán gual desvacón estándar que las pequeñas. Esta suposcón es partcularmente dscutble s se trabaja en un amplo ntervalo de concentracones. S no se cumple, es necesaro utlzar un método de calbracón ponderado por las desvacones estándar de las meddas. d.- Las meddas están normalmente dstrbudas. En general, el error en una medda analítca es una suma de errores ndependentes provenentes de dstntas partes del nstrumento. Aunque el error de cada fuente ndvdual no sea normalmente dstrbudo, la suma de esas contrbucones, producrá una dstrbucón normal. De todas las suposcones anterores, la más débl es la tercera, porque en general a bajas concentracones, la precsón de las meddas empeora. Una buena apromacón puede realzarse restrngendo el ntervalo en el cual se realza la curva de calbracón, de manera que la precsón sea constante. S no se desea dsmnur el rango lneal, se debe hacer una regresón ponderada. La ecuacón (4) se usa para calcular la concentracón de una muestra ncógnta: = y b m (8) Para controlar la caldad de la nformacón obtenda se puede establecer el ntervalo de confanza del modelo. La desvacón estándar (mas correctamente llamada error estándar) de la pendente, s m : s m sy = (9) S La desvacón estándar (error estándar) de la ordenada al orgen es: 1 s b = s y (10) ( ) N La curva de calbrado se utlza para predecr la concentracón del analto en muestras ncógnta, mdendo la señal para esta muestra (y ) con el método nstrumental en cuestón. La desvacón estándar (error estándar) de los resultados analítcos s, predchos por la curva de calbracón es: s sy 1 1 ( y y ) = + + m L N m S (11) La ecuacón (11) permte calcular la desvacón estándar para la concentracón obtenda a partr de la meda y de un conjunto de L análss repetdos cuando es usa una curva de calbracón de N puntos. Recuérdese que y es el promedo de la señal obtenda para los N datos de la calbracón. A medda que el valor de la señal y se acerca al valor promedo y el error de Esta es una lustracón del Teorema Central del Límte. CALIBRACION 5

6 la determnacón dsmnuye, por lo que es mejor determnar muestras cuyo valor de señal se encuentre en el centro de la curva de calbrado. Cuantas mas veces se repte el análss de la muestra ncógnta, mayor será L y por lo tanto menor será la desvacón estándar. El dseño de la curva de calbrado tambén es mportante, puesto que S debe ser pequeño. Esto se logra aumentando la cantdad de patrones en los etremos de la curva de calbrado. Cómo epresamos la ncertdumbre del resultado de una muestra ncógnta? Esto se hace en base a un ntervalo de confanza para el promedo de concentracones obtendos medante L análss repetdos de la muestra. Puesto que en general el número de muestras utlzado en la calbracón es pequeño se debe utlzar el parámetro t para generar un ntervalo de confanza. Este ntervalo se calcula medante la ecuacón (1). Los resultados para una muestra ncógnta se epresan como: y b = ± tα, N s (1) m donde t depende del número de muestras realzadas en la calbracón y del ntervalo de confanza deseado (ver Tabla II). No debemos olvdar el correcto redondeo de las cfras decmales, que deberá hacerse cuando se hayan fnalzado los cálculos. Ambto Lneal del calbrado Una parte mportante de la tarea de calbracón de un nstrumento analítco es determnar el ntervalo de concentracones para el cuál el modelo lneal es váldo. Hay tres maneras de verfcar ésto, nnguna de ellas ecluye a las otras. La prmera, es la nvestgacón del gráfco de resduos ( y yˆ ) en funcón de la concentracón. Los resduos deben ser todos de la msma magntud y deben estar dstrbudos aleatoramente en su sgno (en una secuenca del tpo etc.). S esto no fuese así, debe sospecharse una relacón no lneal entre e y por lo que debe dsmnurse el rango de trabajo, o ben aplcar otro modelo, s la teoría así lo permte. Otra manera de verfcar la valdez del modelo lneal es medante el cálculo del coefcente de correlacón (r): r = S El coefcente de correlacón vale 1 o 1 en el caso de que las varables estén perfectamente correlaconadas, pero no debe mal nterpretarse puesto que un coefcente de correlacón de 1, no necesaramente sgnfca que la lnealdad sea buena, sno que el numerador y el denomnador de la epresón anteror se cancelan mutuamente. Es común obtener buenos coefcentes de correlacón con rectas de regresón que no responden a un modelo lneal. El coefcente de correlacón sólo es otro ndco adconal que debe sumarse al análss de los resduos. El tercer método es el análss de la varanza de la regresón. El análss de la varanza (ANOVA) puede utlzarse para detectar una falla de ajuste en la regresón. Muchas planllas de cálculo realzan este cálculo automátcamente. Para realzar este análss de forma completa, se necestan datos replcados para cada patrón. Test F de Lnealdad Este Test se basa en descomponer la varanza estente entre las señales epermentales y los valores predchos en dos aportes. Uno de ellos es el error epermental. Para tener una estmacón del error epermental en la medcón de las señales, debemos medr replcados de cada patrón, por lo que para cada punto habrá varos valores de señal (y ). Para estmar la S y S yy CALIBRACION 6

7 varanza debda al error puramente epermental, calculamos la meda de los cuadrados debda a esta contrbucón (MS PE, Mean Squares Pure Error): k n MS PE = n k Donde n es el número total de medcones, k es el número total de patrones, son las repetcones de cada patrón y los y j son las señales de todos los epermentos. Para estmar el posble error debdo a una falla de ajuste debda a la eleccón de un modelo ncorrecto, calculamos la meda de los cuadrados debda a la falta de ajuste (MS LOF, Mean Squares Lack of Ft): j ( y j y ) MS LOF = k n ( y k yˆ ) Esto mde la dferenca meda entre la meda de las réplcas de cada patrón y su correspondente valor estmado por la regresón. Cabe esperar que s el modelo lneal es correcto, las varanzas MS LOF y MS PE serán comparables. S MS LOF es mayor que MS PE el ajuste no es correcto y hay que utlzar otro modelo o reducr el ámbto de concentracones en el cuál se hace el calbrado. Para comparar MS LOF y MS PE hacemos un test F de varanzas calculando: MS F cal = MS S F cal < F k-,n-k,α (obtendo de tablas) se acepta que este buen ajuste al modelo lneal. Los cálculos de ANOVA pueden ser un poco engorrosos y se recomenda el uso de planllas de cálculo que facltan mucho la tarea. Deteccón de datos anómalos La regresón por cuadrados mínmos es muy sensble a la presenca de datos anómalos. Por ese motvo es necesaro grafcar los puntos epermentales junto a los puntos predchos por la regresón, de manera de detectar s alguno de ellos está nfluencando la recta de regresón. Tambén es posble calcular un parámetro que nos ndca s los resduos de un punto dado son anormalmente altos. Este parámetro es el resduo estandarzado: Resduo estándar: LOF PE ( y yˆ ) Un resduo estándar cercano o mayor que 1.5 ndca que este resduo es anormalmente alto, puesto que está a una dstanca gual a 1.5 veces su desvacón estándar. Este punto debe ser eamnado mas cudadosamente para determnar la causa del resduo alto. Esto puede deberse a una falla en la medcón de la señal o a un problema de ajuste de la recta al modelo lneal. En todo caso, puede ntentarse repetr la regresón qutando este punto del juego de datos, para ver de que manera camba el valor de pendente y ordenada al orgen. Protocolos de calbracón Para la determnacón de la concentracón pueden ser utlzados dstntos modos de calbracón dependendo del analto y de la técnca nstrumental usada. El caso descrpto anterormente se denomna calbracón eterna porque las muestras y los patrones se determnan en forma separada. s y CALIBRACION 7

8 Otros modos tambén son utlzados: calbracón nterna, método del agregado patrón y técncas de dlucón sotópca. Calbracón nterna: S antes de la determnacón se le agrega a la muestra una cantdad fja de una sustanca con característcas químcas smlares a las de la espece a determnar, esta sustanca es llamada estándar nterno y el método se denomna de calbracón nterna o método del estándar nterno. El agregado srve para calbrar un paso crítco que de otra manera ntroduce una gran ncerteza, por ejemplo el volumen de muestra nyectado en una corrda de Cromatografa Gaseosa. La señal producda por este estándar nterno es producda en las msmas condcones que la de los analtos, porque se encuentran juntos en la muestra. Para averguar la concentracón de los analtos, se aplca alguno de los modelos lneales vstos anterormente utlzando como señal del patron, la señal producda por el estándar nterno. La concentracón del estándar nterno puede vararse para comprobar la lnealdad y construr una curva de calbrado, o puede usarse un modelo de un únco patrón. Hay que tener en cuenta que s el estándar nterno no tene la msma sensbldad en el detector que los analtos, hay que corregr las señales de estos con un factor de respuesta. Estos factores de respuesta se calculan a pror medante estándares de los compuestos a determnar (ver Wllett, J. E., Gas Chromatography, Analytcal Chemstry by Open Learnng, Wley, 1987). La forma más sofstcada del método del estándar nterno es el método de dlucón sotópca. Aquí se opta por agregar a la muestra una sustanca que es químcamente gual a la sustanca a determnar pero aún así dscernble de la orgnal. Este método utlza la msma sustanca como patrón pero con al menos un átomo de su estructura reemplazado por un sótopo. Por ejemplo, 1 C es reemplazado por 13 C en un compuesto orgánco. Para este método debe utlzarse un técnca selectva a sótopos, generalmente espectrometría de masa. Agregado patrón En el método del agregado patrón se le agrega a la muestra, concentracones crecentes del analto de nterés. La señal obtenda se deberá a la cantdad de analto orgnalmente presente en la muestra sumados a la cantdad agregada. El propósto de este método es generalmente corregr efectos de nterferencas multplcatvas debdas a la matrz de la muestra. Una vez obtendas, la señales nstrumentales se grafcan versus las cantdades de analto añaddas. La recta de regresón se calcula de manera usual. Para conocer la concentracón de la muestra ncógnta se etrapola la recta al punto sobre el eje donde y=0. La nterseccón negatva sobre el eje corresponde a la cantdad de analto en la muestra problema. Este valor vene dado por b/m. En este caso los resultados se epresan como: b s y 1 y = ± t, N + m m N m S α (13) En esta epresón no aparece L como en la epresón (11), puesto que no se hacen réplcas de cada muestra, sno que se hace un agregado patrón por cada una de ellas. Esto demanda mucho tempo y esfuerzo. No debemos olvdar que para obtener el valor de concentracón en la muestra orgnal, debemos corregr al valor de y a su ncertdumbre, por las dlucones hechas. Las nterferencas multplcatvas son aquellas que producen un cambo relatvo en la concentracón. Por ejemplo, la presenca de alumno en eceso en la muestra dsmnuye la señal de un electrodo de on selectvo a fluoruro en un 50 %. CALIBRACION 8

9 Límte de Deteccón En Análss Instrumental, debemos aprender a elegr la técnca correcta para cumplr con nuestro análss. Para ello, debemos comparar muchas fguras de mérto de cada método. Las fguras de mérto forman una base común sobre las que se pueden comparar los métodos analítcos. Ya hemos vsto algunas fguras de mérto, como ser la sensbldad, la eacttud y la precsón. Otra fgura de mérto mportantísma es el Límte de Deteccón. El cálculo del límte de deteccón responde la pregunta: Cuál es la menor concentracón que podemos detectar con este método de análss? Para responder a esta pregunta, debemos analzar cuál es la menor señal detectable La probabldad que la más pequeña señal analítca dscernble, y L, puede ser medda y no corresponde a una fluctuacón aleatora de la medda del blanco, y B, depende de a cuantas undades de desvacón estándar del blanco (s B ) está y L de y B (promedo de las meddas del blanco). S la dferenca entre y B e y L es 3s B la probabldad que la medda de y L sea una fluctuacón del blanco es menor que el 0,13% (s el número de meddas del blanco es superor a 5). Para determnar la concentracón límte, L,, IUPAC defne que : y L = y B + ksb (14) donde k es un valor que se elge de acuerdo al nvel de confanza que se desee, generalmente 3. La concentracón límte es una funcón de y L y por lo tanto: ( y L y B ) L = (15) m Susttuyendo la ecuacón (14) en la (15) se obtene que: ksb L = (16) m Por lo tanto el límte de deteccón puede encontrarse dvdendo ks B por la pendente obtenda por regresón de la curva de calbracón. Sn embargo, la concentracón límte así obtenda será un reflejo del verdadero límte de deteccón sólo s la pendente, m, y la ordenada al orgen, b, están ben calculadas. El método IUPAC utlza como fuente de varabldad de las señales, la desvacón estándar del blanco. Un método alternatvo, aunque menos usado, utlza la desvacón estándar de los resduales del calbrado s (ecuacón 11) como estmador de la desvacón estándar del blanco. Esto es útl s no se ha repetdo el blanco y s B no puede calcularse. El método defndo por la ecuacón (16) es váldo solo s la prncpal fuente de error está en el blanco. Por lo tanto, en la mayoría de los casos este método dará límtes de deteccón mas bajos que s se tene e cuenta todo el error del calbrado. Un detallado artículo sobre límte de deteccón puede leerse en Analytcal Chemstry; 55 (1983) 71A. (este artículo puede obtenerse en la bbloteca Central Lelor). Bblografía D.A. Skoog, J.J. Leary, Analss Instrumental, Ápendce 1, McGraw-Hll, 4ta. Edcón, J.C. Mller, J.N. Mller, Estadístca para Químca Analítca, Addson-Wesley, M.A. Sharaf, D.L. Illman, B.R. Kowalsk, Chemometrcs, Wley, 1986 R. Kellner, J.M. Mermet, M. Otto, H.M. Wdmer, Analytcal Chemstry, Capítulo 1, Wley- VCH, G.L. Long, J.D.Wnefordner; Analytcal Chemstry; 55 (1983) 71A. CALIBRACION 9

10 PROBLEMAS 1.- Un método ofcal para el análss de hdrocarburos clorados en muestras de are tene una desvacón estándar de 0,030 ppm. a.- Calcular el ntervalo de confanza del 95% para la meda de cuatro meddas obtendas con este método. b.- Cuantas meddas deberán hacerse s se pretende que el ntervalo de confanza del 95% valga ±0,017..-La eacttud de un método analítco se suele evaluar analzando uno o varos materales estándar de referenca cuya composcón se conoce. Sempre, la medda epermental del análss dferrá del valor verdadero µ obtendo con el estándar. Reordenando la ec. () se puede determnar s la dferenca µ es debda a un error sstemátco. ts S µ > este un error sstemátco. N ts S µ no queda demostrada la presenca de un error sstemátco. N Determne s en los sguentes ejemplos hay alguna evdenca de error sstemátco. En todos los casos utlce un nvel de confanza del 95%. a.- Se analza un materal de referenca cuyo valor de concentracón de Hg se halla certfcado y vale 0.389%. El msmo materal se analza medante Espectrometría de Absorcón Atómca por Generacón de Vapor frío de Mercuro obtenéndose los sguentes valores : 0,389; 0,374; 0,371. Cuál es la mínma dferenca de porcentajes de mercuro que podemos detectar con este epermento? Cómo dsmnuye el sesgo detectable? b.- El tanto por cento de níquel en una muestra partcular de un acero de referenca es de un 1,1%. Un nuevo método espectrométrco para la determnacón de níquel produjo los sguentes resultados (en %): 1,10; 1,08; 1,09; 1,1; 1,09. c.- Se estudó la eacttud de un método volumétrco para la determnacón de calco en mnerales calcáreos analzando una pedra calza estándar que contenía 30,15 % de CaO. El resultado de la meda de cuatro análss fue de 30,6% de CaO, con una desvacón estándar de 0,085%. Indcan estos datos la presenca de un error sstemátco? A partr de un elevado número de análss, se establecó la desvacón estándar de la poblacón. O sea s σ = 0,094% de CaO. Indcarían estos datos la presenca de un error sstemátco? Camban las conclusones s el estándar tene una ncertdumbre gual a 0.014% de CaO con una probabldad de error del 5%? 3.- Se han analzado una sere de solucones estándar de fluoresceína con un espectrofluorómetro, obtenéndose las sguentes ntensdades de fluorescenca (en undades arbtraras): Intensdad fluorescenca (undades arbtraras) Concentracón de fluoresceína (pg/ml),1 5,0 9,0 1,6 17,3 1,0 4, CALIBRACION 10

11 a.- Calcule la pendente y la ordenada al orgen de la recta de regresón para los datos mostrados. b.- Calcule la desvacón estándar resdual y los límtes de confanza (al 95%) para la pendente y la ordenada al orgen. c.- Determne las concentracones, las desvacones estándar y sus límte de confanza (95%) para solucones con ntensdades de fluorescenca de,9; 13,5 y 3 undades (L=1). Analce cual presenta el mejor límte de confanza en valores absolutos. Analce donde es convenente que caga el valor de la señal de la muestra dentro de la curva de calbracón. d.- S se consdera como el promedo de cuatro meddas el valor de ntensdad de fluorescenca de 13,5, cuáles serán los valores de la desvacón estándar de la concentracón calculada y el límte de confanza?. Y s fuera el promedo de ocho? Analce cual es la mejora obtenda al aumentar el número de meddas. e- El análss del gráfco de resduos ndca una buena lnealdad? 4-En la tabla sguente se muestran los resultados para la curva de calbrado de la determnacón de Mn usando un Espectrómetro de Absorcón Atómca por Llama. Las alturas de las señales se mderon con un regstrador electrónco. Concentracón (ppm) Señal (altura en undades arbtraras) Repta los cálculos de los puntos a y b del ejercco anteror. Compare el ancho de los ntervalos de confanza. Analce gráfcamente los resduos de la regresón. Hay alguna tendenca? Analce s esten fallas del ajuste medante un Test F. S detecta una falla de ajuste Cómo la soluconaría?. 5-Los sguentes resultados se obtuveron para la determnacón de Tl por medo de Espectrometría Atómca con Horno de Grafto. La evaluacón de la señal se hzo a través del área del pco obtendo. A las señales de las muestras, se les restó automátcamente a través del software del espectrómetro, la señal obtenda para el blanco. Concentracón de Tl (ng/ml) Absorbanca (área del pco A.s) Calcule los ntervalos de confanza (95%) para la pendente y la ordenada al orgen. Calcule la sensbldad con su ncerteza. Decda medante un test de hpótess s la correccón hecha con el blanco está ben realzada. 6.- La concentracón de plata en una muestra de desechos fotográfcos se determnó por espectrometría de absorcón atómca con el métodos de las adcones estándar. Se obtuveron los sguentes resultados: A un volumen de ml de muestra se agregan volúmenes varables de una solucón patrón de mg/l de Ag y se completa hasta un volumen fnal de 5.0 ml. Volumen agregado de la solucón estándar de Ag (ml) Absorbanca 0,3 0,41 0,5 0,60 0,70 0,77 0,89 CALIBRACION 11

12 Determne la concentracón de Ag en la muestra, y obtenga los límtes de confanza al 95% para esa concentracón. 7.- Utlzando los datos del problema 3. Determne el límte de deteccón según: a.- Ecuacón (16), consderando que la desvacón estándar relatva del blanco es del 5%. b.- Ecuacón (16), consderando que la desvacón estándar relatva del blanco es gual a la desvacón estándar resdual (s y ). 8- Un método de análss de Pb en leche en polvo consste en dgerr las muestras sóldas en un dgestor de mcroondas cerrado y analzar la solucón obtenda medante Voltametría de Redsolucón Anódca. Se dgeren 0.5 g de leche con 10 ml de ácdo y se los lleva a un volúmen fnal de 5 ml con agua destlada. Se realza una curva de calbrado utlzando patrones acuosos cuya concentracón está entre 0 y 60 ng/ml de Pb y se obtene la recta de regresón y= Para estmar el límte de deteccón se realzan 10 réplcas déntcas del blanco, ncluída la dgestón. Se obtenen las sguentes señales (áreas de pco en undades arbtraras). Blanco Area Determne el valor de la señal crítca (k=3). Determne el límte de deteccón de Pb en la muestra sólda epresado en mcrogramos de Plomo por gramo de leche. CALIBRACION 1

13 TABLA I.- Valores de z para dstntos nveles de confanza Nvel de z Nvel de z Nvel de z confanza, % confanza, % confanza, % 50 0, ,64 99, , ,96 99,7 3, ,9 96,00 99,9 3,9 TABLA II.- Valores de t para varos nveles de confanza Grados de Factor para un ntervalo de confanza, % lbertad ,9 1 3,08 6,31 1,7 63, ,89,9 4,30 9,9 31,6 3 1,64,35 3,18 5,84 1,9 4 1,53,13,78 4,60 8,60 5 1,48,0,57 4,03 6,86 6 1,44 1,94,45 3,71 5,96 7 1,4 1,90,36 3,50 5,40 8 1,40 1,86,31 3,36 5,04 9 1,38 1,83,6 3,5 4, ,37 1,81,3 3,17 4, ,36 1,80,0 3,11 4,44 1 1,36 1,78,18 3,06 4,3 13 1,35 1,77,16 3,01 4, 14 1,34 1,76,14,98 4,14 1,9 1,64 1,96,58 3,9 Tabla III.- Propagacón del error en los cálculos artmétcos Tpo de cálculo Ejemplo* Desvacón estándar de CALIBRACION 13

Figura 1

Figura 1 5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto

Más detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona

Más detalles

Introducción a la Física. Medidas y Errores

Introducción a la Física. Medidas y Errores Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren

Más detalles

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes

Más detalles

DISTRIBUCIONES BIDIMENSIONALES

DISTRIBUCIONES BIDIMENSIONALES Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón

Más detalles

Análisis de Resultados con Errores

Análisis de Resultados con Errores Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten

Más detalles

Métodos cuantitativos de análisis gráfico

Métodos cuantitativos de análisis gráfico Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )

( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror

Más detalles

Tema 1.3_A La media y la desviación estándar

Tema 1.3_A La media y la desviación estándar Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.

Más detalles

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen

Más detalles

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso. CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de

Más detalles

Inferencia en Regresión Lineal Simple

Inferencia en Regresión Lineal Simple Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas donde intervienen dos o más variables numéricas Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Mª Dolores del Campo Maldonado. Tel: :

Mª Dolores del Campo Maldonado. Tel: : Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

TRATAMIENTO DE LOS RESULTADOS ANALITICOS A- SIGNIFICADO DE LA MEDICION DE UNA MAGNITUD

TRATAMIENTO DE LOS RESULTADOS ANALITICOS A- SIGNIFICADO DE LA MEDICION DE UNA MAGNITUD Químca Analítca (913) 1 rrores y tratamento estadístco de datos TRATAMINTO D LOS RSULTADOS ANALITICOS A- SIGNIFICADO D LA MDICION D UNA MAGNITUD Medr una magntud físca es asocarle a la msma un valor dmensonado

Más detalles

Facultad de Ciencias Básicas

Facultad de Ciencias Básicas Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas

Más detalles

Relación 2: Regresión Lineal.

Relación 2: Regresión Lineal. Relacón 2: Regresón Lneal. 1. Se llevó a cabo un estudo acerca de la cantdad de azúcar refnada (Y ) medante un certo proceso a varas temperaturas dferentes (X). Los datos se codfcan y regstraron en el

Más detalles

Medidas de Variabilidad

Medidas de Variabilidad Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces

Más detalles

EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.

EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla. EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente

Más detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor

Más detalles

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa. MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan

Más detalles

Laboratorio de Bases Físicas del Medio Ambiente

Laboratorio de Bases Físicas del Medio Ambiente Laboratoro de Bases Físcas del Medo Ambente Teoría de errores Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Medr es, báscamente, comparar con un patrón y esta

Más detalles

Tema 6. Estadística descriptiva bivariable con variables numéricas

Tema 6. Estadística descriptiva bivariable con variables numéricas Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

MUESTREO EN POBLACIONES FINITAS

MUESTREO EN POBLACIONES FINITAS MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño

Más detalles

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles

Más detalles

Medidas de centralización

Medidas de centralización 1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos

Más detalles

Regresión y Correlación Métodos numéricos

Regresión y Correlación Métodos numéricos Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El

Más detalles

CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA

CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura,

Más detalles

Facultad de Química. UNAM Alejandro Baeza

Facultad de Química. UNAM Alejandro Baeza Facultad de Químca. UNM lejandro Baeza.006 Químca nalítca Instrumental I nálss de mezclas por espectrofotometría. Documento de apoyo. Dr. lejandro Baeza. Semestre 007-I.0 Selectvdad espectral en espectrofotometría

Más detalles

REGRESION LINEAL SIMPLE

REGRESION LINEAL SIMPLE REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente

Más detalles

Regresión y correlación simple 113

Regresión y correlación simple 113 Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes

Más detalles

3. VARIABLES ALEATORIAS.

3. VARIABLES ALEATORIAS. 3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)

Más detalles

TÉCNICAS AUXILIARES DE LABORATORIO

TÉCNICAS AUXILIARES DE LABORATORIO TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica? Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento

Más detalles

Análisis químico medioambiental. Grupos de Prácticas. Bibliografía Recomendada. Programa Técnicas Avanzadas en Química ( ) Evaluación

Análisis químico medioambiental. Grupos de Prácticas. Bibliografía Recomendada. Programa Técnicas Avanzadas en Química ( ) Evaluación Programa Técncas vanzadas en Químca (003-04 Leccón : Prncpos de nálss Químco Medoambental Leccón : Tratamento de muestras y Técncas de Separacón de naltos Leccón 3: Técncas Cláscas de nálss Químco Leccón

Más detalles

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.

Más detalles

CÁLCULO DE INCERTIDUMBRES Y REPRESENTACIONES GRÁFICAS

CÁLCULO DE INCERTIDUMBRES Y REPRESENTACIONES GRÁFICAS CÁLCULO DE ICERTIDUMBRES Y REPRESETACIOES GRÁFICAS ITRODUCCIÓ El estudo de la Físca es ncompleto s no se apoya en epermentos de laboratoro que permtan la comprensón de los fenómenos en estudo. Con los

Más detalles

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo

Más detalles

Muestra: son datos de corte transversal correspondientes a 120 familias españolas.

Muestra: son datos de corte transversal correspondientes a 120 familias españolas. Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta

Más detalles

Modelos unifactoriales de efectos aleatorizados

Modelos unifactoriales de efectos aleatorizados Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de

Más detalles

Variables Aleatorias

Variables Aleatorias Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.

Más detalles

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

REGRESION Y CORRELACION

REGRESION Y CORRELACION nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda

Más detalles

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que

Más detalles

HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I)

HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I) HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: Módulo 13 APUNTES DE CLASE Profesor: Arturo Ruz-Falcó Rojas Madrd, Mayo 009 Pág. 1 Módulo 13. HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS

Más detalles

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004) FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz

Más detalles

Pronósticos. Humberto R. Álvarez A., Ph. D.

Pronósticos. Humberto R. Álvarez A., Ph. D. Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las

Más detalles

SEGUNDA PARTE RENTAS FINANCIERAS

SEGUNDA PARTE RENTAS FINANCIERAS SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de

Más detalles

Pruebas Estadísticas de Números Pseudoaleatorios

Pruebas Estadísticas de Números Pseudoaleatorios Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =

Más detalles

NOMBRE Apellido Paterno Apellido Materno Nombre(s) Porcentaje de defectos producidos Máquina Porcentaje de producción

NOMBRE Apellido Paterno Apellido Materno Nombre(s) Porcentaje de defectos producidos Máquina Porcentaje de producción UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIONES

Más detalles

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.

Más detalles

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que

Más detalles

8 MECANICA Y FLUIDOS: Calorimetría

8 MECANICA Y FLUIDOS: Calorimetría 8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

TEMA 5. INTERPOLACION

TEMA 5. INTERPOLACION Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en

Más detalles

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es

Más detalles

Guía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología

Guía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología Guía para el Trabajo Práctco 5 Métodos Estadístcos en Hdrología er. PASO) Realzar el ajuste de la funcón de dstrbucón normal a una muestra de datos totales anuales de una varable (caudal, precptacón, etc.)

Más detalles

Regresión lineal en química analítica

Regresión lineal en química analítica Regresón lneal en uímca analítca Alejandro C. Olver Departamento de Químca Analítca, Facultad de Cencas Bouímcas y Farmacéutcas, Unversdad Naconal de Rosaro, Supacha 5, Rosaro (S00LRK), Argentna. E-mal:

Más detalles

Nos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.

Nos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias. Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la

Más detalles

REGRESION LINEAL SIMPLE

REGRESION LINEAL SIMPLE REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra de observacones formadas por pares de varables: (x 1, y 1 ), (x, y ),.., (x n, y n ) A través de esta muestra, se desea estudar la relacón

Más detalles

FUNDAMENTOS QUIMICOS DE LA INGENIERIA

FUNDAMENTOS QUIMICOS DE LA INGENIERIA FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE

Más detalles

Análisis de error y tratamiento de datos obtenidos en el laboratorio

Análisis de error y tratamiento de datos obtenidos en el laboratorio Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón

Más detalles

Regresión Lineal Simple y Correlación

Regresión Lineal Simple y Correlación 4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse

Más detalles

CAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES

CAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón

Más detalles

INFLUENCIA DEL FLUJO DE HIDRÓGENO EN LA INCERTIDUMBRE DEL SISTEMA DE REFERENCIA PARA MEDICIÓN DE ph

INFLUENCIA DEL FLUJO DE HIDRÓGENO EN LA INCERTIDUMBRE DEL SISTEMA DE REFERENCIA PARA MEDICIÓN DE ph INFLUENCIA DEL FLUJO DE HIDRÓGENO EN LA INCERTIDUMBRE DEL SISTEMA DE REFERENCIA PARA MEDICIÓN DE ph Torres, M 1, y Godnez, L.A. 1 Centro Naconal de Metrología km 4,5 Carr A Los Cues, CP. 7641. Mpo. El

Más detalles

TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA

TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla

Más detalles

Tema 1: Estadística Descriptiva Unidimensional

Tema 1: Estadística Descriptiva Unidimensional Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde

Más detalles

Nociones sobre cuadrados mínimos por Dr. Horacio Bruzzone

Nociones sobre cuadrados mínimos por Dr. Horacio Bruzzone Nocones sobre cuadrados mínmos por Dr. Horaco Bruzzone 1. Introduccón Supongamos que, a través de una sere de medcones, se han determnado un conjunto de n pares de valores de dos magntudes físcas, X e

Más detalles

para cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.

para cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X. Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood

Más detalles

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERÍA QUÍMICA. Ingeniería Química

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERÍA QUÍMICA. Ingeniería Química UIVERSIDAD ACIOAL EXPERIMETAL POLITECICA ATOIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMETO DE IGEIERÍA QUÍMICA Ingenería Químca Undad II. Balance de matera con reaccón químca Clase º6 Autor:

Más detalles

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio. Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco

Más detalles

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma

Más detalles

ESTADÍSTICA. Definiciones

ESTADÍSTICA. Definiciones ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una

Más detalles

Operadores por Regiones

Operadores por Regiones Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]

Más detalles

Trabajo y Energía Cinética

Trabajo y Energía Cinética Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..

Más detalles

Fugacidad. Mezcla de gases ideales

Fugacidad. Mezcla de gases ideales Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar

Más detalles

Física del Medio Ambiente

Física del Medio Ambiente Físca del Medo Ambente Teoría de Errores (Programa de Práctcas) Sara Marañón Jménez (smaranon@ugr.es) Andy Kowalsk (andy@ugr.es) 1 Programa IB. Teoría de Errores. (3h) Introduccón. Errores y conceptos

Más detalles

Materiales Industriales, Ingeniería Técnica Industrial Mecánica Profesor: Dr. María Jesús Ariza, Departamento de Física Aplicada, CITE II-A, 2.

Materiales Industriales, Ingeniería Técnica Industrial Mecánica Profesor: Dr. María Jesús Ariza, Departamento de Física Aplicada, CITE II-A, 2. Materales Industrales, Ingenería Técnca Industral Mecánca Profesor: Dr. María Jesús Arza, Departamento de Físca Aplcada, CITE II-A,. Teoría de meddas. Meddas magntudes: La teoría de meddas Las varables

Más detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS DE ELECCIÓN BINARIA MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos

Más detalles

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8

Más detalles

Modelos para más de una variable

Modelos para más de una variable 1 Modelos para más de una varable Hasta ahora se han vsto dferentes modelos estadístcos para el caso de una sola magntud bológca medda. Pero en los expermentos es frecuente tratar el caso donde hay más

Más detalles

Lo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.

Lo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras. Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.

Más detalles

Práctica 2 Caracterización de un dinamómetro

Práctica 2 Caracterización de un dinamómetro Págna 1/9 Práctca Caracterzacón de un dnamómetro Págna 1 Págna /9 1. Segurdad en la ejecucón Pelgro o fuente de energía 1 Peso de las masas patrón Resgo asocado Al manpular las masas nadecuadamente se

Más detalles

EJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:

EJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales: EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n

Más detalles

GUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia

GUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia GUÍA 5 Dego Lus Arstzábal R., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal de Colomba Roberto Fabán Retrepo A., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal

Más detalles

Análisis estadístico de incertidumbres aleatorias

Análisis estadístico de incertidumbres aleatorias Análss estadístco de ncertdumbres aleatoras Errores aleatoros y sstemátcos La meda y la desvacón estándar La desvacón estándar como error de una sola medda La desvacón estándar de la meda úmero de meddas

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles