Saltar al contenido principal
LibreTexts Español

4: Evaluación de Datos Analíticos

  • Page ID
    75455
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Cuando utilizamos un método analítico hacemos tres evaluaciones separadas del error experimental. Primero, antes de comenzar el análisis evaluamos posibles fuentes de errores para asegurarnos de que no afectarán negativamente nuestros resultados. Segundo, durante el análisis monitoreamos nuestras mediciones para asegurar que los errores sigan siendo aceptables. Finalmente, al final del análisis evaluamos la calidad de las mediciones y resultados, y los comparamos con nuestros criterios de diseño originales. Este capítulo proporciona una introducción a las fuentes de error, a la evaluación de errores en las mediciones analíticas y al análisis estadístico de los datos.

    • 4.1: Caracterización de mediciones y resultados
      Una forma de caracterizar los datos de múltiples mediciones/corridas es asumir que las mediciones están dispersas aleatoriamente alrededor de un valor central que proporciona la mejor estimación del valor esperado o “verdadero”. Describimos la distribución de estos resultados reportando su tendencia central y su difusión.
    • 4.2: Caracterización de los Errores Experimentales
      Dos preguntas esenciales surgen de cualquier conjunto de datos. Primero, ¿nuestra medida de tendencia central concuerda con el resultado esperado? Segundo, ¿por qué hay tanta variabilidad en los resultados individuales? La primera de estas preguntas aborda la exactitud de nuestras mediciones y la segunda aborda la precisión de nuestras mediciones. En esta sección consideramos los tipos de errores experimentales que afectan la precisión y precisión.
    • 4.3: Propagación de la incertidumbre
      Una propagación de la incertidumbre nos permite estimar la incertidumbre en un resultado a partir de las incertidumbres en las mediciones utilizadas para calcular el resultado.
    • 4.4: La distribución de las mediciones y los resultados
      Para comparar dos muestras entre sí, necesitamos más que medidas de sus tendencias centrales y sus diferenciales basados en un pequeño número de mediciones. También necesitamos saber predecir las propiedades de la población más amplia de la que se extrajeron las muestras; a su vez, esto requiere que entendamos la distribución de las muestras dentro de una población.
    • 4.5: Análisis estadístico de datos
      Un intervalo de confianza es una manera útil de reportar el resultado de un análisis porque establece límites sobre el resultado esperado. En ausencia de un error determinado, un intervalo de confianza basado en la media de una muestra indica el rango de valores en el que esperamos encontrar la media de la población. En esta sección se introduce una aproximación general al análisis estadístico de los datos. Las pruebas estadísticas específicas se presentan en la siguiente sección.
    • 4.6: Métodos Estadísticos para Distribuciones Normales
      La distribución más común para nuestros resultados es una distribución normal. Debido a que el área entre dos límites cualesquiera de una curva de distribución normal está bien definida, construir y evaluar pruebas de significancia es sencillo.
    • 4.7: Límites de detección
      La Unión Internacional de Química Pura y Aplicada (IUPAC) define el límite de detección de un método como la concentración más pequeña o cantidad absoluta de analito que tiene una señal significativamente mayor que la señal de un blanco adecuado.
    • 4.8: Uso de Excel y R para analizar datos
      Aunque los cálculos de este capítulo son relativamente sencillos, puede resultar tedioso trabajar problemas usando nada más que una calculadora. Tanto Excel como R incluyen funciones para muchos cálculos estadísticos comunes. Además, R proporciona funciones útiles para visualizar tus datos.
    • 4.9: Problemas
      Problemas de fin de capítulo para poner a prueba su comprensión de los temas de este capítulo.
    • 4.10: Recursos adicionales
      Un compendio de recursos para acompañar temas de este capítulo.
    • 4.11: Resumen de capítulos y términos clave
      Resumen de los temas principales del capítulo y una lista de términos clave introducidos en este capítulo.


    This page titled 4: Evaluación de Datos Analíticos is shared under a CC BY-NC-SA license and was authored, remixed, and/or curated by David Harvey.