You are on page 1of 17

ESTADISTICA Y PROBABILIDAD

PROBABILIDAD

Introducción
Para incrementar los conocimientos que se tienen acerca del mundo es necesario
emplear los métodos y las inferencias estadísticas. Sin embargo debido a la amplitud y
profundidad de la materia, es conveniente escoger los métodos pertinentes a la finalidad
que se persigue. La estadística es una ciencia que comprende la recopilación, tabulación,
análisis e interpretación de un grupo de datos cuya principal característica es que el valor de
una variable tiene muchos valores posibles.

El proceso estadístico incluye determinar las características del grupo de datos
(procesos descriptivos), realizar estimaciones y verificar hipótesis mediante las cuales se
determinan valores esperados o probables (procesos inferenciales). Los procesos
descriptivos se refieren a la presentación del conjunto de datos de tal forma que se puedan
comprender e interpretar. Por otra parte, los procesos inferenciales permiten obtener la
máxima información de una prueba dada.

El empleo de la estadística es necesario cuando se hacen pruebas de laboratorio,
trabajos de producción y de construcción, ya que permite por ejemplo conocer si el cambio
en la dosificación afecta las propiedades del producto, saber si la variabilidad se ajusta a los
valores estipulados, discriminar si un producto deficiente es debido a errores en la
producción o está dentro de lo esperado. Las herramientas estadísticas permiten planificar
los ensayos y manejar los resultados (Kennedy y Neville, 1982; Porrero, Ramos, Grases y
Velazco, 2009).

Distribución de Frecuencias
Al registrar cualquier medición de laboratorio, se obtendrá un conjunto de datos
diferentes que debe ser interpretado, analizar cada valor no proporciona ninguna
información; ordenar los valores según vayan apareciendo permite estudiar la secuencia,
obtener el máximo y mínimo pero el proceso matemático para analizar estos datos no
agrupados es complejo. Es por ello que la distribución de frecuencias permite agrupar los
datos en categorías o clases mostrando el número de elementos o frecuencia en cada clase.

El procedimiento para realizar la distribución de frecuencias consiste en:

1. Decidir cuantas clases se van a utilizar para agrupar los datos (por lo general debe
ser mayor de 5 y menor de 15), estos depende de la diferencia entre el máximo y
mínimo del grupo de valores el cual se denomina rango (d). Un valor práctico es el
sugerido en la Ecuación 1 por Sturges,

Facultad de Arquitectura y Diseño Sistemas de Información y Simulación
Universidad de Los Andes, Venezuela Prof. Jorge O. Medina M.

61 Intervalo de clase 10. Jorge O.74 306.41 307.74 280. 1981. 3. k ≡ número de intervalos.20 3 10 307. Distribución de frecuencia de los datos de la Tabla 1 Máximo 317.81 285. 2. la cual se obtiene al sumar las frecuencias hasta la clase considerada.  = 1 + 3.83 294.95 264.61 290. Representación grafica Una manera útil de representar los datos arreglados es mediante histogramas de frecuencias. Resultados de la resistencia de cilindros de concreto f’c= 210 kgf/cm2 Datos no agrupados 273.61 296.40 3 7 296. la mayor frecuencia.24 305. Otra representación gráfica de los datos es la distribución de frecuencias acumuladas. n ≡ número de datos.3log (1) donde.14 270. .61 290.22 Tabla 2. determinar el número de datos que pertenecen a cada clase (frecuencia). elegir los límites de cada clase. la dispersión alrededor de los valores centrales. Medina M. Kennedy y Neville. Venezuela Prof.28 313.00 274.91 317.61 Mínimo 264. estos puntos se unen por lo general con una línea recta (Benjamin y Cornell.80 3 3 274.54 306. Ejemplo 1 Agrupar los resultados de los cilindros de concreto Tabla 1.8 Clase f fa 264. El gráfico da una visión de la amplitud de los datos.21 318. 1982).60 1 4 285.00 2 12 Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. el cual es un gráfico donde se representa la frecuencia de cada clase con una barra.

51 302.5 2 0 0 270. existen varios tipos de promedios que son: media aritmética. De los tipos citados el más simple y útil es la media aritmética.00 270.51 281.01 312. media geométrica.50 302. se expresa como: . media cuadrática.50 323. mediana y moda.5 6 1 4 0.00 260.51 f´c Figura 1.5 10 2 8 fa f 1. se define como la suma de todos los datos dividida entre el total de los datos.5 14 3 12 2.00 312. media aritmética ponderada. 3. Media aritmética simple La media es un valor representativo ya que es similar al centro de gravedad de los datos.00 291.01 291. media armónica.50 281. Histograma de frecuencia y frecuencia acumulada de Tabla 2. Medidas del conjunto de datos Medidas de la tendencia central Un valor representativo de un conjunto de datos es conocido como medida de la tendencia central o promedio.

= ∑  (2) .

por ello realizar el cálculo a partir de la distribución de frecuencias resulta más sencillo. donde. . Para muestras grandes el método es laborioso y está sujeto a errores. Media aritmética de una distribución de frecuencias La manera de calcular la media aritmética según la Ecuación 2. Venezuela Prof. 1972. ≡ media aritmética. n ≡ número de datos (Chou. El método consiste en: Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. Jorge O. Benjamin y Cornell. solo es útil si el valor de n es pequeño. x ≡ valor del dato. Medina M. 1981).

4. Determinar los puntos medios de cada intervalo o marca de clase (m). realizar la sumar de los productos fm para obtener Σfm. . emplear la Ecuación 3 para determinar la media aritmética. multiplicar la frecuencia de la clase por la correspondiente marca de clase (fm). 1. 2. 3.

. = ∑   (3) Media aritmética ponderada En ocasiones. 1972). por lo que deben ser tomados en cuenta al calcular la media para obtener un valor más preciso (Chou. es necesario asignar un valor apropiado a cada clase que difiere de los demás asignados a las otras clases.

Es importante señalar que la variación es la característica más importante de un conjunto de datos. wi ≡ valor asignado a la clase i. otras medidas son la varianza y la desviación media. Es por ello que se debe representar el grado de dispersión de los datos con respecto al valor central. = ∑   ∑  (4) donde. Desviación estándar La desviación estándar es la raíz cuadrada de la varianza (s2). siendo la varianza el promedio de las diferencias con respecto al valor medio elevado al cuadrado para evitar los valores negativos de la diferencia. para así obtener una descripción más precisa del conjunto de datos. Medidas de dispersión El empleo de un solo valor para representar un conjunto de datos es insuficiente. = ∑ . de estas medida la más representativa es la desviación estándar. ya que los conjuntos de datos presentan diferencias con respecto al valor central.

cuando el tamaño de la muestra es grande.    (5) donde. 1992. Freund y Johnson. Miller. Medina M. 1972. Venezuela Prof. 2009). es útil agrupar los datos. por lo tanto se debe tener una expresión que determine la desviación estándar en datos agrupados (Chou.. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. Porrero et. Desviación estándar de una distribución de frecuencias De manera similar a la media aritmética. Jorge O. . s ≡ desviación estándar del conjunto de datos. al.

= ∑ .

3249 Coeficiente de variación El coeficiente de variación es la relación entre la desviación estándar y la media. Este rango es útil cuando se dispone de pocos valores.4299 6 0.3512 9 0.5907 4 0.   (6) Rango ponderado El rango ponderado permite obtener una estimación del límite superior de la desviación estándar.3946 7 0. por lo general se expresa como porcentaje (Porrero et.3698 8 0.  =   (7) Tabla 3.4857 5 0.  = .8865 3 0. Valores del estadístico kr Numero de datos Factor kr 2 0. al. este valor expresa la dispersión y es muy usado. es función del rango d y un estadístico kr que es función del número de datos..3367 10 0. 2009).

Si existe simetría el coeficiente de asimetría es igual a cero. Medina M. Venezuela Prof. por lo tanto es útil determinar el grado de asimetría para obtener una característica adicional a las dos medidas anteriores. ∗ 100  (8) Medidas de asimetría La forma de un histograma de frecuencia puede ser simétrica o asimétrica. El coeficiente g1 es positivo para histogramas deformados a la derecha (colas más largas a la derecha) y negativo para los deformados a la izquierda. g1 ≡ Coeficiente de asimetría. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. 1981). " ) ! = # '( ∑$%&% ) (9) donde. pero esto no indica que el histograma sea simétrico (Benjamin y Cornell. Jorge O. .

De esta forma al obtener los valores de .

Por ejemplo la mediana que divide en dos el conjunto de datos. 0 ≤ +. Otro ejemplo son los cuartiles que dividen el conjunto de datos en cuatro partes. de manera que para el primer cuartil (25%) tenemos el primer 25% de las observaciones. s y g1 se tiene una idea de la forma del histograma. +- = 1 (11) Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. en el segundo cuartil tenemos el 50% de las observaciones (Miller. Axioma I La probabilidad de un suceso es un número mayor o igual a cero pero menor o igual a la unidad. Venezuela Prof. Axiomas de probabilidad La probabilidad de que un suceso ocurra debe satisfacer las siguientes tres condiciones. 1982). Cuantiles Para un conjunto de datos se puede considerar puntos que dividen las observaciones en partes iguales. de manera que la cantidad representa el número de observaciones por debajo del enésimo cuantil. por lo que proporcionan información sobre un conjunto de datos. Para realizar una revisión de la teoría de probabilidades es necesario establecer los conceptos básicos de esta teoría. Kennedy y Neville. esta división se denomina cuantil. Jorge O. . . 1992. ≤ 1 (10) Axioma II La probabilidad de un suceso seguro o probabilidad del espacio muestral es la unidad. la teoría de las probabilidades trata lo aspectos donde existe incertidumbre en los resultados identificando las variables como aleatorias. Freund y Johnson. Elementos de la teoría de probabilidades Todos los fenómenos de la naturaleza presentan dispersión en los resultados. Medina M. en contraste por encima tenemos el total de la población menos el número de observaciones por debajo. Espacio muestral y sucesos Se denomina espacio muestral al conjunto de todos los posibles resultados de un experimento. mientras que un suceso en un subconjunto del espacio muestral.

el cual es una función que proporciona los posibles resultados de un experimento. Variable aleatoria discreta representada por la función de densidad y la función de distribución acumulada. fa f FP FDA Figura 2. . Jorge O. ∪ / = +. a una magnitud cuyo valor no puede predecirse con certeza antes de que ocurra. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. La forma más común de realizarlo es mediante las distribuciones de probabilidades para una variable aleatoria. + +/ (12) Variables aleatorias Se llama variable aleatoria. +. Axioma III La probabilidad de un suceso que sea la unión de de dos sucesos mutuamente excluyentes. es la suma de las probabilidades de los dos sucesos. por lo tanto su comportamiento se caracteriza mediante las leyes de probabilidades. Medina M. fa f FDP FDA Figura 3. Venezuela Prof. Variable aleatoria continua representada por la función de densidad y la función de distribución acumulada.

la distribución de la suma de las variables se acerca a la distribución normal”. Kennedy y Neville. <  >?  : 2 2 (13) @1   = Φ 8 . Distribución Normal Para muchos fines es preferible definir el conjunto de valores de una variable aleatoria mediante una función o distribución de probabilidades que mediante distribución de frecuencias.  7 8 . Freund y Johnson. el área bajo la curva de una distribución es la unidad. Miller. Forma de la distribución Normal. 1982). Dado que la probabilidad del espacio muestral es igual a 1. '  " %&9 01   = 2√45 6 = =8 . las cuales se representan por una función de probabilidades (FP) o por una función de densidad de probabilidades (FDP)1 que se denota como f(x) y función de distribución acumulada (FDA)2 que se denota como F(x) (Benjamin y Cornell. Este tipo de distribución es importante ya que según el teorema del límite central tenemos que “en condicione generales cuando la suma del número de variables se hace grande. 1981. con . una de estas distribuciones se denomina Normal. por ello se puede emplear este tipo de distribución sin conocer la distribución de la variable así como el número de datos. 1992. f Figura 4. Las variables aleatorias se dividen en dos tipos: discretas y continuas. Existen varios tipos de distribuciones a los cuales se puede ajustar una variable aleatoria.

. Medina M. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. Venezuela Prof. La FP proporciona la probabilidad de ser igual a un valor dado de la variable aleatoria mientras que FDP proporciona la frecuencia estandarizada (f/n) para un valor dado de la variable aleatoria. y s >? 2 (14) 1 FP se aplica a las variables aleatorias discretas y FDP para el caso de variables aleatorias continuas. Jorge O. 2 Función que proporciona la probabilidad por debajo de un valor dado de la variable aleatoria o probabilidad acumulada.

20 0.00714 -2.29116 -0.08076 -1.81594 0.10 0.15 0.74215 0. donde.98214 2.14686 -1. <  : 2 √45 .35 0.90 0.00621 -2.99534 2.01578 -2.40 0.00135 -3.67364 0.30 0.95 0.91924 1.99931 3.99286 2.60 0.65 0.89435 1.35 0. '  " %&9 = ≡ Función de densidad de probabilidades normal = 8 .65 0.25 0.20 0.99061 2.57926 0.09680 -1.98610 2.17106 -0.38209 -0.25 0.04457 -1.03216 -1. Venezuela Prof.05480 -1.65 0. <C>  : 2 √45 D .95 0.25 0.01072 -2.= 6 >?  7 8 .99461 2.30854 -0.45 0.25785 -0.15 0.95994 1.02275 -2.30 0.25 0.77337 0.80234 0.01786 -2.92647 1.50 0.85 0.45 0.46017 -0.85 0.90 0.00 0.99598 2.50 0.25 0.75 0.00820 -2.97982 2.99744 2.01222 -2.10 0.40 0.10 0.36317 -0.19766 -0.00 0.50 0.00 0.75 0.30 0.00069 -3.40 0.69146 0.00298 -2. Jorge O.84134 1.00 0.99180 2.99886 3.80 0.45 0.35 0.65 0.40 0.10 0.60 0.60 0.96407 1.45 0.05 0.99865 3.03593 -1.01390 -2.00187 -2. .21186 -0.04947 -1.55962 0.61791 0.97441 1.10 0.15 0.70 0.30 0.98422 2.00 0.18406 -0.15 0.00 0.45 0.99379 2.40 0.94520 1.30 0.00 0.05 0.06681 -1.40129 -0.93943 1.91149 1.99841 2.02018 -2.90 0.85 0.30 0.02559 -1. '  " %&9 Φ ≡ Función de distribución acumulada normal Φ 8 .05 0.80 0.10 0.99918 3.20 0.44038 -0.00256 -2.98928 2.05 0.65542 0.80 0.59871 0.99653 2.32636 -0.98778 2.55 0.96784 1.75 0.45 0.51994 0.70 0.80 0.00466 -2.20 0.00219 -2.35 0.55 0.95053 1.02872 -1.99702 2.93319 1.97725 2.10565 -1.04006 -1.05 0.80 0.10 0.48006 -0.70884 0.85 0.60 0.75804 0.99781 2.15 0.24196 -0.97128 1.55 0.60 0.90 0.55 0.07353 -1.00058 -3.35 0.00114 -3.50 0.11507 -1.99813 2.75 0.85 0.05 0.25 0.08851 -1.78814 0.95543 1.50000 0.20 0.50 0.50 0.86433 1.90 0.55 0.20 0.75 0.95 0.63683 0.05 0.42074 -0.90320 1.00097 -3.00082 -3.70 0.35 0.06057 -1.80 0.00347 -2.82894 0.95 0.25 0.20 0.75 0.88493 1.05 0. Valores de p de una distribución normal estándar p z p z p z p z 0.25 0. Medina M.72575 0.53983 0.65 Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes.65 0.15 0.13567 -1.27425 -0.00939 -2.70 0.70 0.00539 -2.10 0.22663 -0.70 0.85 0.85314 1.15866 -1.00159 -2.15 0.87493 1.95 0.40 0.12507 -1.15 0.00402 -2.99903 3.34458 -0.55 0. Tabla 4.99942 3.20 0.60 0.95 0.90 0.= B 6 >?  D 7 8 .

Al observar la forma de la distribución Normal (véase Figura 4) se observa que hay mayor frecuencia para los valores cercanos a la media. 2009). Como la Ecuación 13 no puede ser integrada. que se representan en tablas especiales (véase Tabla x se transforma en una variable z con la propiedad que . la frecuencia va decreciendo (Porrero et al. mientras que para valores alejados de la media. la probabilidad se calcula mediante procedimientos de cálculo numérico.

t de student. Chi cuadrado y F. Uniforme 0 VOSO < O O ≤ ≤ P  0   = KLM N . "  =G=  √45 (16) ΦG=@E G si x?=0 y s = 1 (17) El cálculo de probabilidades usando la distribución Normal Otras distribuciones de variables aleatorias Dentro los modelos probabilísticos más comunes que se pueden emplear en el campo de la ingeniería civil está la distribución de Bernoulli. E = 0 y sz=1. Poisson. A continuación se indican solo la FDP y FDA de la distribución uniforme y log-normal.  \] . @   = U MN O≤ ≤P 0 6 QRSQ TOQ LM VOSO >P (18) 0 x?= . Valores Extremos. Geométrica. Gamma. Log-Normal. Binomial. Freund y Johnson. 1992. Exponencial. Z= >>? 2 . Kennedy y Neville. @  =Φ 8 . Uniforme. 1982). Estas tablas corresponden a la distribución normal estándar. (15) 6 E =0E G. s4 = MYL LM 4 4 (19) Log Normal 0  = =8 . donde la variable aleatoria realiza mediante la Ecuación 15 (Miller. la transformación se 4).

Z[ % \] .

Z[ % Z[ % Z[ % (20) Z[ % = 6 .

.Z[ %YE^Z[ % = x?6 E_% (21) Si Vx≥ 0.20 ⇒ \]  = lnd + 1 .

\]  = ln .

Medina M. Jorge O. -4 \]  4 4 4  (22) Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. . Venezuela Prof.

2000)  ≈ d . . Si Vx< 0.20 ⇒ \] 4 4 ? (Nowak y Collins.

005 100 000 0. Por ello el principal interés es el estudio de la relación existente entre dos variables. ≥  fg  h (24) donde.001 12 500 000 0. ε ≡ máxima diferencia entre la frecuencia de la muestra y la de la población. Medina M. de preferencia basándose en ecuaciones matemáticas. y3.005 200 000 0. Esta relación se denomina curva de regresión de y sobre x.050 2 000 0.001 5 000 000 0..010 125 000 0. x3. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. Jorge O. .100 500 0.010 50 000 0.98 0. para ello conocer con certeza cuantas observaciones se necesitan para que las inferencias que se realicen sean confiables se convierte en una pregunta crucial. \]  ≈ lnx (23) Tamaño de la muestra Un aspecto práctico de la teoría de probabilidades consiste en emplearla para resolver aspectos usuales del diseño y construcción de edificios. y2. 1972). Tabla 5. x2. Tamaño de muestra para distintos valores α y ε α ε n 0.90 0.050 1 000 0.95 0. y1. y se denomina el valor de la variable aleatoria cuya distribución depende de x. Venezuela Prof. ….010 25 000 0.100 250 0.100 1 250 Ajuste de curvas El principal objetivo de múltiples investigaciones estadísticas es efectuar predicciones. xn.050 5 000 0. para determinar la “mejor” línea de una serie de datos (x1. yn). α ≡ nivel de confianza del resultado. n ≡ tamaño de la muestra. Para determinar el tamaño de una muestra donde la frecuencia se aproxime al valor de la probabilidad p se aplica la Ecuación 24 (Chou.005 500 000 0.001 2 500 000 0.

O= ∑   ∑ j∑  ∑ j  ∑   ∑  (25) P=  ∑ j∑  ∑ j  ∑   ∑  (26) x. Jorge O. indicado que para r=0 no existe ninguna Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. Venezuela Prof. El principio en que se basa el ajuste de la mejor curva es el de mínimo cuadrados. reciproca (i = la curva de regresión no es lineal. Medina M. los valores de m y b según los datos observados es luego de aplicar el métodos de los mínimos cuadrados. Se denomina coeficiente de correlación r a esta relación. la posición más probable de una recta y=a+bx es tal que la suma de los cuadrados de las desviaciones de todos los puntos (xi. los términos bi se obtienen mediante un sistemas de p+1 ecuaciones lineales con p+1 incógnitas (b0. donde se establece que si y es una función lineal de una variable independiente x. por lo tanto se calculan las diferencias de la función con respecto a los datos para obtener un coeficiente que ilustre la diferencia. donde: n ≣ Número de datos. polinomio (y=b0+b1x+b2x2+…+bpxp). Ajuste lineal Para ajustar los datos a una recta cuya ecuación tiene la forma y=a+bx.y ≣ Pares de datos.yi) respecto a la línea es mínima. b ≣ Coeficientes del polinomio de grado p. Ajuste polinómico Para ajustar los datos a un polinomio de grado p. b2. donde. b1. la cual se determina por la Ecuación 28. Existen casos donde x log b). este valor oscila entre 0 < r < 1. p ≣ Grado del polinomio. tales como curvas del tipo: exponencial (log y = log a +  MYL ). . bp) para ajustar los datos a un polinomio.…. Correlación El ajuste de un conjunto de datos a una función no significa que realmente los datos sigan dicha función.y ≣ Pares de datos. potencia (y=axb). ∑ i = Pl + P ∑ + ⋯ + Pn ∑ n ∑ i = Pl ∑ + P ∑ 4 + ⋯ + Pn ∑ nY (27) ⋮ ∑ n i = Pl ∑ n + P ∑ nY + ⋯ + Pn ∑ 4n x.

Resistencia promedio requerida Fcr El valor medio requerido en obra dependerá de la dispersión de los resultados y del cuantil que establece la fracción defectuosa. Freund y Johnson.c @TS = @T − G (29a) @TS = @T − G − 1 − 35† „… (29 b) @TS = 0. pero se genera el inconveniente al rechazar algunas muestras que no cumplan con los requisitos del proyecto. Jorge O. la cual requiere en caso de ocurrir evaluar las razones por la que está por debajo del cuantil. Venezuela Prof. donde se emplea el mayor valor obtenido de las dos fórmulas. Fcr ≡ Valor medio requerido del esfuerzo a compresión del concreto. Según el Art. .4. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. esta discrepancia es normal que ocurra durante la construcción. S= ∑ j €∑   ∑ j (28) Aplicación de la estadística y probabilidad en el control de calidad del concreto El esfuerzo del concreto se puede identificar como una variable aleatoria ya que los valores que se obtienen en los ensayos no son iguales al proyectado en el cálculo y son diferentes entre sí. la resistencia promedio se realiza según la Tabla 6. En Venezuela el cuantil del 9% establece la fracción defectuosa de la resistencia del concreto. establecer el valor de referencia que genera la desaprobación de la muestra requiere varias consideraciones.9@T + 2.34 Fc> 350 kgf/cm2 Las fórmulas de la Tabla 6 provienen de la ecuación general a. Medina M. 1982).2 de la Norma Covenin 1753- 2003ª. 5.9@T − G − 1 (29c) donde. Kennedy y Neville. 3 Variables independientes.34 @TS = 0.34 − 35† „… @TS = @T + 1. Tabla 6. para ello las Normas COVENIN han establecidos parámetros basados en la teoría de probabilidad y estadística.34 Fc Fcr Fc≤ 350 kgf/cm2 @TS = @T + 2. 1992. Fc ≡ esfuerzo de diseño del concreto indicado en las especificaciones de obra. Resistencia promedio requerida @TS = @T + 1.b.relación entre las dos variables3 y r=1 para una función que se ajusta perfectamente a los datos observados (Miller.

Venezuela Prof.555 7% -1.476 8% -1. representar por lo menos 30 ensayos consecutivos o dos grupos de ensayos consecutivos que totalicen por lo menos 30 ensayos (COVENIN. para cuantil del 9%. s ≡ desviación estándar de los ensayos de laboratorio.341 (véase Tabla 7). 1. 2. representar un concreto cuya resistencia Fc esté dentro del límite de ± 70 kgf/cm2 de la que se especifique para la obra a construirse. Medina M. 2003).645 6% -1.341 10% -1. z ≡ valor correspondiente en la distribución normal estándar al cuantil de la fracción defectuosa.881 4% -1. Al respecto la Norma COVENIN establece las siguientes tres condiciones para considerar aceptables los registros de datos de 30 o más ensayos. ya que si se dispone de suficientes registros. Jorge O. Valores de z para diferentes cuantiles Cuantil z 1% -2.405 9% -1. los procedimientos de control de calidad y condiciones similares a las que se esperan en obra. 3. Tabla 7. con cambios en los materiales y las dosificaciones en los registros de ensayo.282 Valor a emplear de la desviación estándar La dificultad que presenta el cálculo de Fcr radica en la medida de la dispersión de los resultados. Nota: de Proyecto y Construcción de Obras en Concreto Estructural 1753-2003A por COVENIN. tan amplios como aquellos que se esperan en la obra a construir. 31.054 3% -1.751 5% -1.08 25 1. 2003 p.03 30 o más 1.00 (*) Interpolar para valores intermedios del número de ensayos. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes.326 2% -2. Tabla 8. . las condiciones de medida deben ser reproducidas en las nuevas pruebas. Representar los materiales.16 20 1. Factores de modificación para la desviación estándar cuando se dispone de menos de 30 ensayos consecutivos Número de Ensayos (*) Factor de Modificación Menos de 15 Usar Tabla 9 15 1. z=-1.

Venezuela Prof. Medina M. Revisión y calibración de los equipos de forma periódica y sistemática (Control Excelente) Nota: De Manual del Concreto Estructural por Porrero. C. efectuadas mediante ajustes en el diseño. Tabla 9. Jorge O. ni el espesamiento de las mezclas por tiempo de espera (Control Bueno) Igual que el anterior pero con márgenes de aceptación muy estrictos. Se tiene en cuenta la marca y lote de cemento. El asentamiento con el Cono se mide sistemáticamente y se rechazan las mezclas que no estén dentro de ciertos límites. Tabla 10. 2003. por seguridad se recomienda aumentarlos en un 30% para estimar Fcr. La dosificación es exclusivamente por peso. Por otra parte la Tabla 10 presenta el valor esperado de s. y Velazco. los valores de s deben ser sustituidos por los obtenidos de las pruebas. los sistemas de pesaje son automáticos y son calibrados ocasionalmente. kgf/cm2 Calidad Aceptable Calidad Menor de 210 kgf/cm2 (1) Fc+45 Fc + 80 Fc + 130 De 210 a 350 kgf/cm2 Fc + 60 Fc + 95 Fc + 170 Mas de 350 kgf/cm2 Fc+ 75 Fc + 110 Fc + 210 (1) En áreas sísmicas Fc no será menor de 210 kgf/cm2 Nota: de Proyecto y Construcción de Obras en Concreto Estructural 1753-2003 A por COVENIN. Se controla la humedad de los agregados. G. No se permite la adición de agua posterior al mezclado. Ramos. Grases. 2009. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes.. lote y marca de cemento y aditivo. Limitación de la humedad de los agregados en el momento de su uso y. . p. 338. J. Cabe destacar que al aplicar los valores de la Tabla 10. según el grado de control Descripción del grado de control s (kgf/cm2) Sin ningún control (Inaceptable en estructuras de edificaciones) 70 Control visual de los agregados y rechazo de aquellos que aparentan muy mala 50 calidad o que son muy diferentes de los que se están usando. pero se conocen las granulometrías de los agregados que se 40 están usando por ensayos que se hicieron una vez. p.. además. Si se dispone de menos de 30 ensayos la desviación se corrige empleando la Tabla 8 y para casos donde no se dispone de datos para estimar la desviación estándar se emplea la Tabla 9 que proporciona fórmulas para Fcr. J.. Valores de la desviación estándar que son de esperar en el concreto. se es riguroso en el rechazo de agregados y se comprueban de vez en cuando los asentamientos de las mezclas con el Cono de Abrams (Control Intermedio) A cada lote de agregados se le determina algún índice granulométrico y de 32 calidad: sólo se aceptan los que estén dentro de ciertos límites pre-establecidos. Uso de al 25 menos tres agregados de granulometrías complementarias. Control visual de las mezclas por la trabajabilidad aparente (Control Pobre) Como en el anterior. correcciones por humedad. Resistencia promedio a la compresión Fcr cuando no se dispone de datos para establecer la desviación estándar Resistencia Promedio a la compresión requerida Fcr kgf/cm2 Resistencia especificada a Excelente Control de Control de Calidad Sin Control de la compresión Fc . 31. pero una vez se haya comenzado el proceso de ensayos de mezclas.

J. . J. 341. Venezuela Prof. El intervalo de confianza de Fcr se obtiene de aplicar los conceptos de estimación del intervalo de confianza de la media poblacional.. Medina M. Criterio 1 Œ ≥ @T − 35 ‘ = @TS − G + G  “ G = −1.326 Los criterios para que un ensayo individual de concreto sea aceptado son dos. y Velazco. n ≡ número de ensayos. El valor promedio de se de la Ecuación 30 será válido si se obtiene de más de 30 cilindros proveniente de al menos 10 mezclas diferentes y debe ser el empleado en la Ecuación 29 para el cálculo de la resistencia requerida. Tabla 12. En caso de no cumplir con estos criterios se debe comprobar si los ensayos fueron bien realizados. Criterios de rechazo Al disponer de pocos ensayos el valor de Fcr es impreciso. Valores de z correspondiente a un intervalo de confianza Intervalo de confianza z 90% 1.960 98% 2. ˆ = ∑ ‰  (30) Tabla 11. z ≡ valor correspondiente a una confiabilidad determinada por la Tabla 12. C. Jorge O. G. Ramos. Los valores típicos de se se indican en la Tabla 11.645 95% 1. que aplicado al control de calidad del diseño de mezcla tenemos: Š = @TS ± E √ (31) donde. El primer criterio se refiere al valor mínimo de un ensayo (véase Ecuación 32a) mientras que el segundo criterio se refiere al valor mínimo de la media de tres ensayos consecutivos (véase Ecuación 32b). Desviación estándar de los ensayos se Tipo de control Ensayos hechos en Pobre Intermedio Excelente Obra ≥ 15 9 a 12 ≤8 Laboratorio ≥ 12 7a9 ≤5 Nota: De Manual del Concreto Estructural por Porrero. Al tomar varias muestras de una mezcla se puede calcular la dispersión por disponer de varios resultados. 2009.341 − • Ž ’ ’ )” (32a) Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. por lo que existe un intervalo de confianza que va disminuyendo conforme aumenta el número de ensayos (véase Figura 5). si se hacen otras muestras provenientes de las distintas mezclas que se realizan en un vaciado se obtienen distintos valores de se. Grases... p. al detectar alguna falla se considera estos ensayos nulos y no forman parte del conjunto de datos para el análisis estadístico.

G′ .

C. . si el número de ensayos es mayor de 30 y no hay falla en los ensayos se debe considerar si la baja calidad del concreto afecta la seguridad o durabilidad de la obra. Análisis Estadístico.A.V.Caracas. J.A.. – Miller. J. esto dependerá del porcentaje de la muestra que no cumple así como la ubicación en la estructura (Porrero et.V. y Collins. Relación entre el número de ensayos y la precisión de Fcr. y Johnson.A.F. Venezuela: Fonacit.32 Criterio 2 (32b) √3 Fcr 0 10 20 30 40 50 n Figura 5.. S. Bogotá. Referencias – Benjamin. R. de C. – Nowak.UU. Manual del Concreto Estructural. Y. Facultad de Arquitectura y Diseño Sistemas de Información y Simulación Universidad de Los Andes. Caracas. Probabilidad y Estadísticas para Ingenieros.A. I. y Neville.– = @TS + ≥ @T TQ G ’ ≥ −2. Por otra parte. – Kennedy. – Chou. Colombia: McGraw-Hill Latinoamericana.: McGraw-Hill Companies. Naucalpan de Juárez. México: Nueva Editorial Interamericana.. y Velazco. Medina M. G. 2009). S. (2009). Proyecto y Construcción de Obras en Concreto Estructural 1753-2003A. (1981). (1982).. México: Harla. Ramos. al. A. Freund. A. Probabilidad y Estadística en Ingeniería Civil. Inc. C. de C. México: Prentice-Hall Hispanoamericana. Estadística para Ciencias e Ingeniería. Jorge O. y Cornell.. (2000). Venezuela: Sidetur. Reliability of Structures. J. J. – Porrero. Venezuela Prof. S. Grases. EE. J. K. S. – COVENIN (2003). México D. (1992). (1972).