Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduccin
Para incrementar los conocimientos que se tienen acerca del mundo es necesario emplear los mtodos y las inferencias estadsticas. Sin embargo debido a la amplitud y profundidad de la materia, es conveniente escoger los mtodos pertinentes a la finalidad que se persigue. La estadstica es una ciencia que comprende la recopilacin, tabulacin, anlisis e interpretacin de un grupo de datos cuya principal caracterstica es que el valor de una variable tiene muchos valores posibles. El proceso estadstico incluye determinar las caractersticas del grupo de datos (procesos descriptivos), realizar estimaciones y verificar hiptesis mediante las cuales se determinan valores esperados o probables (procesos inferenciales). Los procesos descriptivos se refieren a la presentacin del conjunto de datos de tal forma que se puedan comprender e interpretar. Por otra parte, los procesos inferenciales permiten obtener la mxima informacin de una prueba dada. El empleo de la estadstica es necesario cuando se hacen pruebas de laboratorio, trabajos de produccin y de construccin, ya que permite por ejemplo conocer si el cambio en la dosificacin 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 produccin o est dentro de lo esperado. Las herramientas estadsticas permiten planificar los ensayos y manejar los resultados (Kennedy y Neville, 1982; Porrero, Ramos, Grases y Velazco, 2009).
Distribucin de Frecuencias
Al registrar cualquier medicin de laboratorio, se obtendr un conjunto de datos diferentes que debe ser interpretado, analizar cada valor no proporciona ninguna informacin; ordenar los valores segn vayan apareciendo permite estudiar la secuencia, obtener el mximo y mnimo pero el proceso matemtico para analizar estos datos no agrupados es complejo. Es por ello que la distribucin de frecuencias permite agrupar los datos en categoras o clases mostrando el nmero de elementos o frecuencia en cada clase. El procedimiento para realizar la distribucin 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 mximo y mnimo del grupo de valores el cual se denomina rango (d). Un valor prctico es el sugerido en la Ecuacin 1 por Sturges,
= 1 + 3,3log
(1)
2. elegir los lmites de cada clase, 3. determinar el nmero de datos que pertenecen a cada clase (frecuencia).
Representacin grafica
Una manera til de representar los datos arreglados es mediante histogramas de frecuencias, el cual es un grfico donde se representa la frecuencia de cada clase con una barra. El grfico da una visin de la amplitud de los datos, la mayor frecuencia, la dispersin alrededor de los valores centrales. Otra representacin grfica de los datos es la distribucin de frecuencias acumuladas, la cual se obtiene al sumar las frecuencias hasta la clase considerada, estos puntos se unen por lo general con una lnea recta (Benjamin y Cornell, 1981; Kennedy y Neville, 1982).
Ejemplo 1
Agrupar los resultados de los cilindros de concreto Tabla 1. Resultados de la resistencia de cilindros de concreto fc= 210 kgf/cm2
Datos no agrupados 273.74 294.24 317.61 264.61 306.74 305.54 290.28 290.14 280.83 306.91 313.95 270.22
3.5 3 2.5 2 f 1.5 1 0.5 0 270.50 260.00 281.00 270.51 291.50 281.01 fc Figura 1. Histograma de frecuencia y frecuencia acumulada de Tabla 2. 302.00 291.51 312.50 302.01 323.00 312.51
14 12 10 8 6 4 2 0 fa =
donde, media aritmtica, x valor del dato, n nmero de datos (Chou, 1972; Benjamin y Cornell, 1981).
Media aritmtica de una distribucin de frecuencias La manera de calcular la media aritmtica segn la Ecuacin 2, solo es til si el valor de n es pequeo. Para muestras grandes el mtodo es laborioso y est sujeto a errores; por ello realizar el clculo a partir de la distribucin de frecuencias resulta ms sencillo. El mtodo consiste en:
1. 2. 3. 4.
Determinar los puntos medios de cada intervalo o marca de clase (m), multiplicar la frecuencia de la clase por la correspondiente marca de clase (fm), realizar la sumar de los productos fm para obtener fm, emplear la Ecuacin 3 para determinar la media aritmtica.
=
(3)
Media aritmtica ponderada En ocasiones, es necesario asignar un valor apropiado a cada clase que difiere de los dems asignados a las otras clases, por lo que deben ser tomados en cuenta al calcular la media para obtener un valor ms preciso (Chou, 1972).
=
(4)
Medidas de dispersin
El empleo de un solo valor para representar un conjunto de datos es insuficiente, ya que los conjuntos de datos presentan diferencias con respecto al valor central. Es por ello que se debe representar el grado de dispersin de los datos con respecto al valor central, para as obtener una descripcin ms precisa del conjunto de datos. Es importante sealar que la variacin es la caracterstica ms importante de un conjunto de datos, de estas medida la ms representativa es la desviacin estndar, otras medidas son la varianza y la desviacin media. Desviacin estndar La desviacin estndar es la raz 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.
=
(5)
Desviacin estndar de una distribucin de frecuencias De manera similar a la media aritmtica, cuando el tamao de la muestra es grande, es til agrupar los datos, por lo tanto se debe tener una expresin que determine la desviacin estndar en datos agrupados (Chou, 1972; Miller, Freund y Johnson, 1992; Porrero et. al., 2009).
(6)
Rango ponderado El rango ponderado permite obtener una estimacin del lmite superior de la desviacin estndar, es funcin del rango d y un estadstico kr que es funcin del nmero de datos. Este rango es til cuando se dispone de pocos valores.
= (7)
Coeficiente de variacin El coeficiente de variacin es la relacin entre la desviacin estndar y la media, este valor expresa la dispersin y es muy usado, por lo general se expresa como porcentaje (Porrero et. al., 2009).
= 100
(8)
Medidas de asimetra
La forma de un histograma de frecuencia puede ser simtrica o asimtrica, por lo tanto es til determinar el grado de asimetra para obtener una caracterstica adicional a las dos medidas anteriores.
=
(9)
El coeficiente g1 es positivo para histogramas deformados a la derecha (colas ms largas a la derecha) y negativo para los deformados a la izquierda. Si existe simetra el coeficiente de asimetra es igual a cero, pero esto no indica que el histograma sea simtrico (Benjamin y Cornell, 1981).
De esta forma al obtener los valores de , s y g1 se tiene una idea de la forma del histograma, por lo que proporcionan informacin sobre un conjunto de datos.
Cuantiles
Para un conjunto de datos se puede considerar puntos que dividen las observaciones en partes iguales, esta divisin se denomina cuantil, de manera que la cantidad representa el nmero de observaciones por debajo del ensimo cuantil, en contraste por encima tenemos el total de la poblacin menos el nmero de observaciones por debajo. Por ejemplo la mediana que divide en dos el conjunto de datos. 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, en el segundo cuartil tenemos el 50% de las observaciones (Miller, Freund y Johnson, 1992; Kennedy y Neville, 1982).
Axiomas de probabilidad
La probabilidad de que un suceso ocurra debe satisfacer las siguientes tres condiciones. Axioma I La probabilidad de un suceso es un nmero mayor o igual a cero pero menor o igual a la unidad.
0 1 (10)
Axioma III La probabilidad de un suceso que sea la unin de de dos sucesos mutuamente excluyentes, es la suma de las probabilidades de los dos sucesos.
= + (12)
Variables aleatorias
Se llama variable aleatoria, a una magnitud cuyo valor no puede predecirse con certeza antes de que ocurra, por lo tanto su comportamiento se caracteriza mediante las leyes de probabilidades. La forma ms comn de realizarlo es mediante las distribuciones de probabilidades para una variable aleatoria, el cual es una funcin que proporciona los posibles resultados de un experimento.
FP
FDA
Figura 2. Variable aleatoria discreta representada por la funcin de densidad y la funcin de distribucin acumulada.
fa FDP FDA
Sistemas de Informacin y Simulacin Prof. Jorge O. Medina M.
Figura 3. Variable aleatoria continua representada por la funcin de densidad y la funcin de distribucin acumulada.
fa
Las variables aleatorias se dividen en dos tipos: discretas y continuas, las cuales se representan por una funcin de probabilidades (FP) o por una funcin de densidad de probabilidades (FDP)1 que se denota como f(x) y funcin de distribucin acumulada (FDA)2 que se denota como F(x) (Benjamin y Cornell, 1981; Miller, Freund y Johnson, 1992; Kennedy y Neville, 1982).
Distribucin Normal
Para muchos fines es preferible definir el conjunto de valores de una variable aleatoria mediante una funcin o distribucin de probabilidades que mediante distribucin de frecuencias. Dado que la probabilidad del espacio muestral es igual a 1, el rea bajo la curva de una distribucin es la unidad. Existen varios tipos de distribuciones a los cuales se puede ajustar una variable aleatoria, una de estas distribuciones se denomina Normal.
Este tipo de distribucin es importante ya que segn el teorema del lmite central tenemos que en condicione generales cuando la suma del nmero de variables se hace grande, la distribucin de la suma de las variables se acerca a la distribucin normal, por ello se puede emplear este tipo de distribucin sin conocer la distribucin de la variable as como el nmero de datos.
=
con y s
(13)
(14)
FP se aplica a las variables aleatorias discretas y FDP para el caso de variables aleatorias continuas. 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. 2 Funcin que proporciona la probabilidad por debajo de un valor dado de la variable aleatoria o probabilidad acumulada.
Facultad de Arquitectura y Diseo Universidad de Los Andes, Venezuela Sistemas de Informacin y Simulacin Prof. Jorge O. Medina M.
donde,
Al observar la forma de la distribucin Normal (vase Figura 4) se observa que hay mayor frecuencia para los valores cercanos a la media, mientras que para valores alejados de la media, la frecuencia va decreciendo (Porrero et al, 2009). Como la Ecuacin 13 no puede ser integrada, la probabilidad se calcula mediante procedimientos de clculo numrico, que se representan en tablas especiales (vase Tabla 4). Estas tablas corresponden a la distribucin normal estndar, donde la variable aleatoria x se transforma en una variable z con la propiedad que = 0 y sz=1, la transformacin se realiza mediante la Ecuacin 15 (Miller, Freund y Johnson, 1992; Kennedy y Neville, 1982).
Z=
(15)
= si x =0 y s = 1
= ;
(16) (17)
Uniforme
0 < ; = = 0 > 0
(18)
x =
; s =
(19)
Log Normal
=
Si Vx 0,20 + 1 ; = ln - = ln
= = x
(23)
Tamao de la muestra
Un aspecto prctico de la teora de probabilidades consiste en emplearla para resolver aspectos usuales del diseo y construccin de edificios, para ello conocer con certeza cuantas observaciones se necesitan para que las inferencias que se realicen sean confiables se convierte en una pregunta crucial. Para determinar el tamao de una muestra donde la frecuencia se aproxime al valor de la probabilidad p se aplica la Ecuacin 24 (Chou, 1972).
(24)
donde, n tamao de la muestra, mxima diferencia entre la frecuencia de la muestra y la de la poblacin, nivel de confianza del resultado.
0,95
0,98
Ajuste de curvas
El principal objetivo de mltiples investigaciones estadsticas es efectuar predicciones, de preferencia basndose en ecuaciones matemticas, para determinar la mejor lnea de una serie de datos (x1, y1; x2, y2; x3, y3; .; xn, yn). Por ello el principal inters es el estudio de la relacin existente entre dos variables, y se denomina el valor de la variable aleatoria cuya distribucin depende de x. Esta relacin se denomina curva de regresin de y sobre x.
Facultad de Arquitectura y Diseo Universidad de Los Andes, Venezuela Sistemas de Informacin y Simulacin Prof. Jorge O. Medina M.
El principio en que se basa el ajuste de la mejor curva es el de mnimo cuadrados, donde se establece que si y es una funcin lineal de una variable independiente x, la posicin ms probable de una recta y=a+bx es tal que la suma de los cuadrados de las desviaciones de todos los puntos (xi,yi) respecto a la lnea es mnima. Existen casos donde la curva de regresin no es lineal, tales como curvas del tipo: exponencial (log y = log a + x log b), reciproca (= ), potencia (y=axb), polinomio (y=b0+b1x+b2x2++bpxp).
Ajuste lineal
Para ajustar los datos a una recta cuya ecuacin tiene la forma y=a+bx, los valores de m y b segn los datos observados es luego de aplicar el mtodos de los mnimos cuadrados.
=
(25)
(26)
Ajuste polinmico
Para ajustar los datos a un polinomio de grado p, los trminos bi se obtienen mediante un sistemas de p+1 ecuaciones lineales con p+1 incgnitas (b0, b1, b2,, bp) para ajustar los datos a un polinomio.
= + + + = + + +
(27)
donde: x,y Pares de datos, n Nmero de datos, p Grado del polinomio, b Coeficientes del polinomio de grado p.
= + + +
Correlacin
El ajuste de un conjunto de datos a una funcin no significa que realmente los datos sigan dicha funcin, por lo tanto se calculan las diferencias de la funcin con respecto a los datos para obtener un coeficiente que ilustre la diferencia. Se denomina coeficiente de correlacin r a esta relacin, la cual se determina por la Ecuacin 28, este valor oscila entre 0 < r < 1, indicado que para r=0 no existe ninguna
relacin entre las dos variables3 y r=1 para una funcin que se ajusta perfectamente a los datos observados (Miller, Freund y Johnson, 1992; Kennedy y Neville, 1982).
=
(28)
donde, Fcr Valor medio requerido del esfuerzo a compresin del concreto, Fc esfuerzo de diseo del concreto indicado en las especificaciones de obra,
3
Variables independientes.
Sistemas de Informacin y Simulacin Prof. Jorge O. Medina M.
z s
valor correspondiente en la distribucin normal estndar al cuantil de la fraccin defectuosa, para cuantil del 9%, z=-1,341 (vase Tabla 7), desviacin estndar de los ensayos de laboratorio.
Nota: de Proyecto y Construccin de Obras en Concreto Estructural 1753-2003A por COVENIN, 2003 p. 31.
1. Representar los materiales, los procedimientos de control de calidad y condiciones similares a las que se esperan en obra, con cambios en los materiales y las dosificaciones en los registros de ensayo, tan amplios como aquellos que se esperan en la obra a construir; 2. representar un concreto cuya resistencia Fc est dentro del lmite de 70 kgf/cm2 de la que se especifique para la obra a construirse; 3. representar por lo menos 30 ensayos consecutivos o dos grupos de ensayos consecutivos que totalicen por lo menos 30 ensayos (COVENIN, 2003).
Tabla 9. Resistencia promedio a la compresin Fcr cuando no se dispone de datos para establecer la desviacin estndar
Resistencia especificada a la compresin Fc , kgf/cm2 Menor de 210 kgf/cm2 (1) De 210 a 350 kgf/cm2 Mas de 350 kgf/cm2 Resistencia Promedio a la compresin requerida Fcr kgf/cm2 Excelente Control de Control de Calidad Sin Control de Calidad Aceptable Calidad Fc+45 Fc + 80 Fc + 130 Fc + 60 Fc + 95 Fc + 170 Fc+ 75 Fc + 110 Fc + 210
Nota: de Proyecto y Construccin de Obras en Concreto Estructural 1753-2003 A por COVENIN, 2003, p. 31.
Tabla 10. Valores de la desviacin estndar que son de esperar en el concreto, segn el grado de control
Descripcin del grado de control Sin ningn control (Inaceptable en estructuras de edificaciones) s (kgf/cm2)
70 50 Control visual de los agregados y rechazo de aquellos que aparentan muy mala calidad o que son muy diferentes de los que se estn usando. Control visual de las mezclas por la trabajabilidad aparente (Control Pobre) 40 Como en el anterior, pero se conocen las granulometras de los agregados que se estn usando por ensayos que se hicieron una vez; 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) 32 A cada lote de agregados se le determina algn ndice granulomtrico y de calidad: slo se aceptan los que estn dentro de ciertos lmites pre-establecidos. Se controla la humedad de los agregados. Se tiene en cuenta la marca y lote de cemento. La dosificacin es exclusivamente por peso; los sistemas de pesaje son automticos y son calibrados ocasionalmente. El asentamiento con el Cono se mide sistemticamente y se rechazan las mezclas que no estn dentro de ciertos lmites. No se permite la adicin de agua posterior al mezclado, ni el espesamiento de las mezclas por tiempo de espera (Control Bueno) 25 Igual que el anterior pero con mrgenes de aceptacin muy estrictos. Uso de al menos tres agregados de granulometras complementarias. Limitacin de la humedad de los agregados en el momento de su uso y. adems, correcciones por humedad, lote y marca de cemento y aditivo, efectuadas mediante ajustes en el diseo. Revisin y calibracin de los equipos de forma peridica y sistemtica (Control Excelente) Nota: De Manual del Concreto Estructural por Porrero, J., Ramos, C., Grases, J. y Velazco, G., 2009, p. 338.
Si se dispone de menos de 30 ensayos la desviacin se corrige empleando la Tabla 8 y para casos donde no se dispone de datos para estimar la desviacin estndar se emplea la Tabla 9 que proporciona frmulas para Fcr. Por otra parte la Tabla 10 presenta el valor esperado de s. Cabe destacar que al aplicar los valores de la Tabla 10, por seguridad se recomienda aumentarlos en un 30% para estimar Fcr, pero una vez se haya comenzado el proceso de ensayos de mezclas, los valores de s deben ser sustituidos por los obtenidos de las pruebas.
Al tomar varias muestras de una mezcla se puede calcular la dispersin por disponer de varios resultados, si se hacen otras muestras provenientes de las distintas mezclas que se realizan en un vaciado se obtienen distintos valores de se. El valor promedio de se de la Ecuacin 30 ser vlido si se obtiene de ms de 30 cilindros proveniente de al menos 10 mezclas diferentes y debe ser el empleado en la Ecuacin 29 para el clculo de la resistencia requerida. Los valores tpicos de se se indican en la Tabla 11.
=
(30)
Criterios de rechazo
Al disponer de pocos ensayos el valor de Fcr es impreciso, por lo que existe un intervalo de confianza que va disminuyendo conforme aumenta el nmero de ensayos (vase Figura 5). El intervalo de confianza de Fcr se obtiene de aplicar los conceptos de estimacin del intervalo de confianza de la media poblacional, que aplicado al control de calidad del diseo de mezcla tenemos:
=
(31)
donde, n nmero de ensayos, z valor correspondiente a una confiabilidad determinada por la Tabla 12.
Los criterios para que un ensayo individual de concreto sea aceptado son dos. El primer criterio se refiere al valor mnimo de un ensayo (vase Ecuacin 32a) mientras que el segundo criterio se refiere al valor mnimo de la media de tres ensayos consecutivos (vase Ecuacin 32b). En caso de no cumplir con estos criterios se debe comprobar si los ensayos fueron bien realizados, al detectar alguna falla se considera estos ensayos nulos y no forman parte del conjunto de datos para el anlisis estadstico.
Criterio 1
35 = + = 1,341
(32a)
Criterio 2
= +
2,32
(32b)
Fcr 0
10
20 n
30
40
50
Por otra parte, si el nmero 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, esto depender del porcentaje de la muestra que no cumple as como la ubicacin en la estructura (Porrero et. al., 2009).
Referencias
Benjamin, J. y Cornell, C. (1981). Probabilidad y Estadstica en Ingeniera Civil. Bogot, Colombia: McGraw-Hill Latinoamericana, S.A. Chou. Y. (1972). Anlisis Estadstico. Mxico: Nueva Editorial Interamericana, S.A. de C.V. COVENIN (2003). Proyecto y Construccin de Obras en Concreto Estructural 1753-2003A.Caracas, Venezuela: Fonacit. Kennedy, J. y Neville, A. (1982). Estadstica para Ciencias e Ingeniera. Mxico D.F., Mxico: Harla, S.A. de C.V. Miller, I., Freund, J. y Johnson, R. (1992). Probabilidad y Estadsticas para Ingenieros. Naucalpan de Jurez, Mxico: Prentice-Hall Hispanoamericana, S.A. Nowak, A. y Collins, K. (2000). Reliability of Structures. EE.UU.: McGraw-Hill Companies, Inc. Porrero, J., Ramos, C., Grases, J. y Velazco, G. (2009). Manual del Concreto Estructural. Caracas, Venezuela: Sidetur.