Balanza analtica

Objetivo
El alumno aprender el uso correcto de la balanza analtica, conociendo sus parmetros
de funcionamiento, y en base a su realizacin experimental, determinara en base a
clculos probabilsticos la balanza ms confiable para la realizacin de mediciones.
Introduccin
Balanza Analtica
Una balanza analtica es altamente utilizada debido que ofrece una precisin que otros
modelos de bsculas quizs no puedan ofrecer por contar con otros rasgos y por estar
destinadas a otros mbitos.
El procedimiento de operacin de este instrumento consiste en manejarla en una
superficie libre de vibraciones (mrmol por ejemplo), en una habitacin especial libre de
corrientes de aire; la balanza debe prenderse como mnimo con media hora de
anticipacin de su uso y realizar la calibracin del equipo.
Pesado: deben abrirse completamente las puertas de la balanza, tarar el equipo hasta
que marque cero completamente, posteriormente colocar el objeto a pesar exactamente
en el centro, cerrar las puertas con cuidado simultneamente, y realizar la pesada,
teniendo cuidado en no ensuciar la superficie.
Clculos estadsticos
Para el tratamiento correcto de los datos de un muestreo, se recomienda seguir el mtodo
probabilstico, tomando en cuenta conceptos tales como la precisin, la cual se define
como el grado de concordancia mutua entre los datos que se han obtenido de una misma
forma. La precisin indica la medida del error aleatorio, o indeterminado de un anlisis.
Los parmetros de calidad de precisin son la desviacin estndar absoluta, la desviacin
estndar relativa, el coeficiente de variacin y la varianza. Estos parmetros son definidos
en la siguiente tabla.
Trminos Definicin
Desviacin estndar absoluta, s

Desviacin estndar relativa (RSD)

Desviacin estndar de la media, s
m

Coeficiente de variacin, CV

Varianza

Donde:

Teora del lmite central
El teorema del lmite central o teorema central del lmite indica que, en condiciones muy generales,
si S
n
es la suma de n variables aleatorias independientes, entonces la funcin de
distribucin de S
n
se aproxima bien a una distribucin normal (tambin llamada distribucin
gaussiana, curva de Gauss o campana de Gauss). As pues, el teorema asegura que esto ocurre
cuando la suma de estas variables aleatorias e independientes es lo suficientemente grande
.

Distribucin normal
Se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las
distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en
fenmenos reales
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un
determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y es el grfico
de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos fenmenos
naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de
este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que
en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin
se obtiene como la suma de unas pocas causas independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno, sin explicacin alguna.
Para la explicacin causal es preciso el diseo experimental, de ah que al uso de la estadstica en
psicologa y sociologa sea conocido como mtodo correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin por mnimos
cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Su funcin de densidad viene dada por la frmula:

que, como vemos, depende de dos parmetros (que puede ser cualquier valor real) y (que ha
de ser positiva). Por esta razn, a partir de ahora indicaremos de forma abreviada que una variable
X sigue el modelo Normal as: X ~ N(, ). Por ejemplo, si nos referimos a una distribucin Normal
con = 0 y = 1 lo abreviaremos N(0, 1).
Propiedades del modelo Normal
1. Su esperanza es .
2. Su varianza es
2
y, por tanto, su desviacin tpica es .
3. Es simtrica respecto a su media , como puede apreciarse en la representacin anterior.
4. Media, moda y mediana coinciden ().
5. Cualquier transformacin lineal de una variable con distribucin Normal seguir tambin el
modelo Normal. Si X ~ N(, ) y definimos Y = aX + b (con a 0), entonces Y ~ N(a + b,
|a|). Es decir, la esperanza de Y ser a + b y su desviacin tpica, |a|.
6. Cualquier combinacin lineal de variables normales independientes sigue tambin una
distribucin Normal. Es decir, dadas n variables aleatorias independientes con
distribucin X
i
~ N(
i
,
i
) para i = 1, 2, ..., n la combinacin lineal: Y = a
n
X
n
+ a
n1
X
n1
+ ...
+ a
1
X
1
+ a
0
sigue tambin el modelo Normal:





Histograma
En estadstica, un histograma es una representacin grfica de una variable en forma de
barras, donde la superficie de cada barra es proporcional a la frecuencia de los valores
representados, ya sea en forma diferencial o acumulada. Sirven para obtener una
"primera vista" general, o panorama, de la distribucin de la poblacin, o la muestra,
respecto a una caracterstica, cuantitativa y continua, de la misma y que es de inters
para el observador (como la longitud o la masa).
De esta manera ofrece una visin en grupo permitiendo observar una preferencia, o
tendencia, por parte de la muestra o poblacin por ubicarse hacia una determinada regin
de valores dentro del espectro de valores posibles (sean infinitos o no) que pueda adquirir
la caracterstica. As pues, podemos evidenciar comportamientos, observar el grado de
homogeneidad, acuerdo o concisin entre los valores de todas las partes que componen
la poblacin o la muestra, o, en contraposicin, poder observar el grado de variabilidad, y
por ende, la dispersin de todos los valores que toman las partes, tambin es posible no
evidenciar ninguna tendencia y obtener que cada miembro de la poblacin toma por su
lado y adquiere un valor de la caracterstica aleatoria-mente sin mostrar ninguna
preferencia o tendencia, entre otras cosas.
En general se utilizan para relacionar variables cuantitativas continuas, pero tambin se lo
suele usar para variables cuantitativas discretas, en cuyo caso es comn llamarlo
diagrama de frecuencias y sus barras estn separadas, esto es porque en el "x" ya no se
representa un espectro continuo de valores, sino valores cuantitativos especficos como
ocurre en un diagrama de barras cuando la caracterstica que se representa es cualitativa
o categrica. Su utilidad se hace ms evidente cuando se cuenta con un gran nmero de
datos cuantitativos y que se han agrupado en intervalos de clase.