NORMA VENEZOLANA

COVENIN 3549:1999

TECNOLOGA DEL CONCRETO. MANUAL DE ELEMENTOS DE ESTADSTICA Y DISEO DE EXPERIMENTOS

FONDONORMA

PRLOGO

La presente norma fue elaborada de acuerdo a las directrices del Comit Tcnico de Normalizacin CT27 Tecnologa del concreto. Manual de elementos de estadstica y diseo de experimentos y aprobada por FONDONORMA en la reunin del Consejo Superior N 1999-13 de fecha 14/12/1999. En la elaboracin de esta norma participaron las siguientes entidades: PREMEX; Ministerio de Infraestructura; ALIVEN; B.R.S. Ingenieros; Cmara de la Construccin; Cementos Caribe; COCIPRE; COINPRESA; Colegio de Ingenieros; COLOCA; CETELCA; C.V.G.; EDELCA; FUNDALANAVIAL; GRACE Venezuela; Ing. Control Calidad - I.C.C.; INGEROCA; Lab. Centeno Werner; LABSUELOS; LAFARGE-Cementos La Vega; LATEICA; LASUECONAF; M.B.T. de Venezuela; Nueva Casarapa; Oficina Tcnica Ing. J.V. Heredia; Oficina Tcnica S-03; Premezclados Avila; Premezclados Caribe; PREPICA; Serviconcreto Valencia; S.O.P.E.C.; SIDETUR; SIKA de Venezuela; SIMPCA; TECNOCONCRET; Universidad de Carabobo; Universidad Catlica Andrs Bello; U.C.V.-IMME-Facultad de Ingeniera; Universidad Metropolitana; U.S.B. Centro de Ingeniera de Superficie; CEMEXVENCEMOS; VENMARCA -MIXTOLISTO; VIPOSA.

NORMA VENEZOLANA TECNOLOGA DEL CONCRETO, MANUAL DE ELEMENTOS DE ESTADSTICA Y DISEO DE EXPERIMENTOS

COVENIN 3549:1999

INTRODUCCIN, ESTADSTICA, CONCEPTOS BSICOS

Con razn se ha definido a la Estadstica como la ciencia de tomar decisiones en presencia de la incertidumbre, pues en el largo camino de la investigacin cientfica, constantemente nos enfrentamos con la incertidumbre, y si bien no podemos decir que la Estadstica, en su estado actual de desarrollo, da solucin a todas las situaciones que impliquen inseguridad, cada vez se desarrollan mtodos nuevos que proporcionan el fundamento para el anlisis de estas situaciones con base cientfica, de una forma lgica y sistemtica. El estudio de la estadstica, el empleo de los mtodos estadsticos, puede ser dirigido a los campos especficos de investigacin y es precisamente nuestro objetivo en este trabajo, puntualizar aspectos bsicos de su aplicacin en el campo de la Tecnologa del Concreto. Los mtodos estadsticos manejan datos obtenidos de observaciones, en forma de mediciones o conteo, siempre a partir de una fuente de observaciones, con el objetivo de arribar a conclusiones respecto a dicha fuente. Uniendo los dos conceptos antes expuestos se puede decir entonces, que los mtodos estadsticos son aquellos que sirven para obtener conclusiones acerca de poblaciones a partir de muestras. La parte de los mtodos estadsticos dedicada a la obtencin y compendio de datos, se denomina estadstica descriptiva, en tanto que la parte que trata de hacer inferencias, o sea de obtener conclusiones, se denomina inferencia estadstica. La mayor parte de los mtodos estadsticos tienen dos objetivos: Estimar alguna propiedad de la poblacin Probar alguna hiptesis respecto a la poblacin

Estos son por tanto, los dos problemas bsicos de la inferencia estadstica. Los problemas que tratan sobre la prueba de alguna hiptesis respecto a la poblacin, o sea de la decisin de aceptar o rechazar determinada hiptesis, se basa en la Teora de las probabilidades. Esto es indispensable, pues una conclusin basada en una muestra involucra una informacin incompleta acerca de la poblacin, por lo que no se puede hacer con absoluta certeza. La magnitud de la probabilidad asociada a una conclusin, representa el grado de confianza que se posee sobre la veracidad de dicha conclusin. Por ejemplo, cuando se dice que la probabilidad de que una estimacin tenga un error menor de 3%, es de 0,95, esto debe interpretarse como que alrededor del 95% de tales afirmaciones, hechas por un estadgrafo son vlidas y cerca del 5% no lo son. Una poblacin, en el lenguaje estadstico, es un conjunto de individuos de cualquier especie o un conjunto de objetos de cualquier clase. En una gran parte de los casos, cuando se estudian muestras y poblaciones, el inters se concentra en una sola caracterstica de los miembros de la poblacin. Obtener una muestra de una poblacin, de manera que puedan extraerse conclusiones vlidas para la poblacin de la que proviene, no es tan sencillo como parece. Para que la muestra sea realmente representativa, tiene que ser extrada de la poblacin al azar. Un muestreo es al azar, o aleatorio, si cada uno de los miembros de la poblacin tiene igual posibilidad de ser elegido, o sea que la probabilidad de la seleccin de cada uno sea igual. Para ello el mtodo elegido para el muestreo tiene que asegurar la independencia y las caractersticas de probabilidad constante de la muestra. A tal efecto las tablas de nmeros aleatorios se construyen de manera que arrojen muestras que poseen estas propiedades deseadas, por lo que las muestras obtenidas utilizando tablas de nmeros aleatorios se consideran como muestras al azar. 1

La razn principal del muestreo al azar es que conduce fcilmente a los modelos probabilsticos de distribucin. Existen muchsimos ejemplos de fracasos ocurridos con el empleo de los mtodos probabilsticos, debido a que se han extrado conclusiones basadas en muestras que no han sido tomadas al azar. Si bien el mtodo para seleccionar una muestra al azar es bastante difcil en situaciones prcticas, el esfuerzo es bien compensado, pues los problemas de inferencia estadstica generados por haberle hecho concesiones al azar, son considerablemente ms complicados y serios.

METODOLOGA DEL MUESTREO ALEATORIO

Para efectuar el muestreo aleatorio es indispensable establecer de antemano el alcance de la poblacin a la que se va a extraer la muestra. En el campo de la Tecnologa del Concreto, la poblacin se define por un lote. Se denomina lote, al volumen de concreto de igual o semejante dosificacin y materiales componentes, que es confeccionado y puesto en obra en condiciones sensiblemente iguales y que se somete a juicio de una sola vez. En la produccin de concreto a escala industrial, el lote se puede definir por volumen o por tiempo. Por ejemplo, el lote de concreto producido por una planta preparadora de concreto, con rendimiento de trabajo de 3 60 m /h, se puede establecer como la produccin de un concreto de determinada calidad (digamos 20 MPa de resistencia a compresin a 28 das), con iguales materiales y c ondiciones de elaboracin sensiblemente iguales, como: Un volumen neto de 600 m . La produccin de un da de trabajo, considerando una jornada de 8 h (de 8:00 am a 5:00 pm) con una hora de almuerzo incluida.
3

El segundo paso consiste en definir una frecuencia de muestreo, o sea cada qu magnitud de produccin de concreto se deber tomar una muestra. La frecuencia mnima de muestreo se establece con carcter normalizativo en algunos pases, pero para evaluar la produccin de concreto es conveniente contar con no menos de 30 muestras y slo en los casos en que esto no sea posible porque los volmenes producidos sean pequeos, no menos de seis muestras. Para el ejemplo definido anteriormente, digamos que se tomar una muestra de seis probetas cada 100 m de concreto producido. Como tercer paso, resulta conveniente dividir el lote en sublotes, donde cada sublote indicar el punto donde se deber tomar una muestra. Por ejemplo en el caso del lote definido por volumen, la cantidad de sublotes quedar definida por el cociente:
3

NSL =

600.m / lote 100.m / lote

3

= 6 sublotes

Una representacin esquemtica de la divisin del lote en sublotes como la mostrada en la Figura 1, puede resultar conveniente.

Figura 1. Representacin esquemtica de la divisin del lote establecido por volmenes, en sublotes 2

En el caso del lote definido por tiempo, el nmero de sublotes se determina por:

NSL =

60.m / h.8h / lote 100.m / muestra

3

= 4,8 muestras / lote

O sea cinco muestras, pero como se ha dicho anteriormente, el mnimo necesario para un anlisis estadstico son seis muestras por lote, o lo que es lo mismo seis sublotes luego cada sublote tendr un intervalo de tiempo total de: TSL =

8h / lote.60. min/ h = 80 min / sublote 6.sublotes / lote

En la Figura 2 se muestra la representacin esquemtica de esta divisin del lote en sublotes.

Figura 2. Representacin esquemtica de la divisin del lote, establecido por tiempo, en sublotes

El cuarto y ltimo paso consiste ya, en la determinacin del Plan de Muestreo con el auxilio de una tabla de nmeros aleatorios. En la Tabla A1 del Anexo A se muestra una lista ordenada de nmeros aleatorios en cuatro fracciones decimales, que hemos considerado adecuada a este fin. En el caso del lote definido por volumen, se toman por ejemplo los seis primeros nmeros aleatorios de la primera columna de la tabla y se efecta el producto del nmero aleatorio por el volumen del sublote, tal como se muestra en la Tabla 1.

Tabla 1. Determinacin del Plan de Muestreo. Lote definido por volumen Sublote Nmero aleatorio 0,4751 0,6936 0,6112 0,7930 0,0652 0,4604 Volumen del sublote 3 (m ) 100 100 100 100 100 100 Volumen del Volumen total a lote a muestrear muestrear 3 3 (m ) (m ) 47 69 61 79 6,5 46 47 169 261 379 406,5 546

1 2 3 4 5 6

En el caso del lote definido por tiempo, se efecta el producto del nmero aleatorio por el intervalo de tiempo de cada sublote, tal como se muestra en la Tabla 2.

Tabla 2. Determinacin del Plan de muestreo. Lote definido por tiempo Sublote Nmero aleatorio 0,4751 0,6936 0,6112 0,7930 0,0652 0,4604 Magnitud del sublote (min) 80 80 80 80 80 80 Tiempo del muestreo en el sublote (min) 38 55 49 63 5 37 Momento del muestreo 8:38 am 10:15 am 11:29 am 2:03 pm 2:25 pm 4:17 pm

1 2 3 4 5 6

En el primer caso el momento del muestreo queda determinado por el volumen de concreto que va llegando a la obra, en el segundo caso por la hora del da de trabajo. En las Figuras 3 y 4 se indican los esquemas del Plan de Muestreo para los lotes definidos por volumen y por tiempo respectivamente.

Figura 3. Representacin del Plan de Muestreo para el lote definido por volumen

Figura 4. Representacin del plan de muestreo para el lote definido por tiempo

CLASIFICACIN DE LOS DATOS DE UNA MUESTRA

Cuando se estudia una poblacin, el inters se centra generalmente en una sola caracterstica de los miembros de la poblacin. Tal caracterstica puede ser una variable continua, o una variable discreta. El trmino variable continua se aplica a variables capaces de tomar cualquier valor dentro de un intervalo de valores, como por ejemplo: La temperatura, el tiempo, las resistencias mecnicas. Las variables discretas son aquellas que en general toman valores discretos y enteros. Son ms bien contables que mesurables, como por ejemplo el nmero de accidentes de trnsito que se producen en un da, nmero de nios en una familia, etc. La clasificacin de los datos de una muestra, es una tarea propia de variables continuas, pues las variables 4

discretas, por naturaleza, se clasifican de forma natural. La experiencia y la teora indica que para la mayor parte de los datos, resulta adecuado utilizar entre 10 y 20 clases, tomando por supuesto el valor de 10 para las cantidades ms pequeas de datos. Un nmero de clases inferior a 10 provoca que se pierdan muchos detalles (que pueden ser importantes) en la muestra, en tanto que ms de 20 complican innecesariamente los clculos. Para determinar las fronteras entre los intervalos de clase se deber partir de los valores mximo y mnimo del grupo. Veamos por ejemplo los valores de las medias muestreales de los ensayos de resistencia a compresin a 28 das de un lote de concreto. Nos referimos a las medias muestreales, pues cada uno de estos valores es la media del ensayo de tres probetas cilndricas de (15 x 30) cm (todas las medidas son en MPa): 18; 19,2; 18,4; 20; 17,6; 18,5; 19; 17,7; 18,7; 18,2; 17,8; 18,4; 18,5; 18,6; 18;6; 18,9; 18,8; 18,8; 18,9; 18,9; 18,9; 19,1; 19; 19,2; 19,3; 19,4; 20; 20,3; 19,6; 19,8; (30 valores). Valores mximo y mnimo: 20,3 y 17,6 Diferencia: 2,7 MPa

Como esta gama de valores debe dividirse en partes iguales y esas partes deben ser de 10 a 20, si se toman 10, el intervalo es de 0,27 y si se toman 20 es de 0,135 por lo que se tomar 0,2 que corresponde a ese intervalo y est pegado a 10, pues 30 valores no es un gran nmero de datos. El primer intervalo de clase debe contener siempre a la medida ms pequea del conjunto de datos, por lo que en nuestro caso debe comenzar por lo menos en 17,6. Paro para evitar que alguna medida quede en la frontera de dos intervalos de clase adyacente, se acostumbra a escoger las fronteras con media unidad ms de la aproximacin con que se hayan obtenido las medidas. En este caso las medidas de resistencia se han tomado con una aproximacin de 0,1 MPa, por lo que tomaremos 0,05 MPa y el primer intervalo de clase se extender de 17,55 a 17,75. Para determinar los siguientes intervalos de clase basta ir sumando reiteradamente 0,2 MPa, hasta que la medida mxima, que es de 20,3 MPa quede incluida en el ltimo intervalo, tal como se muestra en la Tabla 3. Cuando se han establecido las fronteras de clase, se coloca cada medida del grupo en el intervalo de clase adecuado. La forma ms sencilla de hacerlo es como se muestra en la Tabla 3, trazando una barra vertical para representarla. El conteo de estas barras por intervalo de clase le indica la frecuencia de aparicin de los datos, por lo que a esta tabla se le denomina tambin Tabla de Frecuencias. Al hacer esta clasificacin ya se supone que todas las medidas incluidas en un mismo intervalo de clase tienen el valor del punto medio de dicho intervalo, que se denomina marca de clase . Es importante observar que la sumatoria de las frecuencias de todos los intervalos de clase tiene que ser igual al nmero total de mediciones, o sea en nuestro caso al nmero total de medias muestreales de resistencia, por lo que:

n = f1 + f2 + f3 + + fh

Tabla 3. Tabla de frecuencias de las medias muestreales de la resistencia a compresin del concreto a 28 das Fronteras de clase (MPa) 17,55 17,75 17,75 17,95 17,95 18,15 18,15 18,35 18,35 18,55 18,55 - 8,75 18,75 18,95 18,95 19,15 19,15 19,35 19,35 19,55 19,55 19,75 19,75 19,95 19,95 20,15 20,15 20,35 Frecuencias Marcas de clase (MPa) 17,65 17,85 18,05 18,25 18,45 18,65 18,85 19,05 19,25 19,45 19,65 19,85 20,05 20,25 Frecuencias (f) 2 1 1 1 3 5 6 3 2 1 1 1 2 1

Una distribucin de frecuencia, como la obtenida en la Tabla 3, se puede visualizar ms fcilmente si se presenta de forma grfica. Para representar variables discretas por lo general se utilizan grficos lineales. En el caso de las variables continuas resultan de mayor aplicacin prctica los histogramas. En la Figura 5 se muestra le histograma de la distribucin de frecuencias de la Tabla 3. En este caso las fronteras de clase aparecen indicadas en el eje de las abscisas, en tanto que en las ordenadas aparece la frecuencia. As la frecuencia correspondiente a cualquier intervalo de clase se representa por la altura del rectngulo cuya base es el intervalo en cuestin. El histograma permite determinar la naturaleza de la Distribucin de Frecuencias, sin embargo para obtener informaciones ms precisas, es indispensable efectuar su descripcin matemtica.

DESCRIPCIN MATEMTICA DE UNA DISTRIBUCIN DE FRECUENCIAS

La naturaleza de un problema estadstico es lo que determina en gran medida, si con unas cuantas propiedades matemticas simples se puede describir o no satisfactoriamente. Los momentos de la distribucin son ciertas cantidades numricas calculadas a partir de la distribucin, cuya utilidad ha sido ampliamente probada por los estadgrafos. Mientras ms momentos de distribucin se conocen, mayor informacin se tiene sobre la distribucin. Los ms utilizados son los momentos de rdenes inferiores (primero y segundo). En ciertos problemas se usan 6

los primeros cuatro momentos, pero muy rara vez se usan ms de cuatro, ya que los momentos de rdenes superiores no son muy precisos, a menos que se cuente con una muestra muy numerosa, y no aportan informacin adicional de importancia en la mayor parte de los problemas. El primer momento de una distribucin de frecuencias (m1) es la media aritmtica o promedio. Dada una muestra de n valores de cierta poblacin, identificados por X , X2, X , , X , la media aritmtica 1 3 n ser:

X=

X 1 + X 2 + X 3 + .......... + X n , o lo que es lo mismo, n

X=

X
i= l

Figura 5. Histograma de las medias muestreales de las resistencias a compresin de los hormigones a 28 das Cuando se trata de datos clasificados, los valores que se presentan son las marcas de clase, identificadas por X1, X2, X3, ...., Xh, y las frecuencias asociadas a estas clases, identificadas por f1 , f2, f3, ..., fh. En este caso la media aritmtica se calcula por:

X=

X 1 f 1 + X 2 f 2 + X 3 f 3 + .......... + X h f h n X= 1 h X f n i =1 i i

, o lo que eslo mismo,

El primer momento, da una idea bastante aproximada del punto donde se encuentra el centro del histograma, por lo que ayuda a describir la distribucin de frecuencias al indicar dnde se localiza el histograma de la distribucin de frecuencias a lo largo del eje de las abscisas (eje X), por lo que se considera una medida de tendencia central. El segundo momento de una distribucin de frecuencias (m2) est definido por la siguiente expresin:

m2 =

1 h l X i2 f i n i=

Empleando algunos artificios matemticos, con el objetivo de independizar el momento de la localizacin del histograma y adems, teniendo en cuenta que se ha demostrado matemticamente, que el segundo momento de la poblacin es ligeramente mayor que el promedio de los segundos momentos de las muestras, por lo que con el objeto de aproximarlos y que la inferencia sea ms exacta, se toma el divisor n l, se obtiene entonces la varianza de la muestra:

S2 =

1 h X X n 1 i =l i

fi

En muchos problemas resulta deseable que las cantidades que describen una distribucin, posean las mismas unidades que el conjunto de mediciones originales. La media aritmtica satisface este requisito, pero la varianza no, sin embargo, si se toma la raz cuadrada de la varianza se puede obtener el efecto deseado. La cantidad resultante se denomina desviacin tpica de la distribucin, que ser igual a:

S=

1 h Xi X n 1 i =1

fi

Para el caso de datos no clasificados, la desviacin tpica se determina por:

S=

1 n n 1 i =1

(X i X )

La desviacin tpica es una medida de la variabilidad de los datos de una distribucin de frecuencia. Este aspecto se tratar posteriormente con mayor profundidad. Adems de los dos primeros momentos de la distribucin, existen otras medidas descriptivas que pueden resultar apropiadas en casos muy concretos, como son: La moda La mediana El recorrido La desviacin media

La moda de un grupo de medidas se define como la medida que se presenta con la mxima frecuencia, si existe. La mediana se define como la medicin central, si existe, despus que las medidas se han dispuesto en orden de magnitud. Si existe un nmero par de medidas, se toma la mediana como el promedio de dos mediciones centrales. Para datos que han sido clasificados, la mediana se define como el valor de X tal, que si se trazara una recta vertical por el punto del eje de las abscisas correspondiente a ese valor, el histograma quedara dividido en dos partes cuyas reas seran iguales. La moda y la mediana son, como la media, medidas de tendencia central. Las diferencias entre ellas dan idea sobre la simetra de una distribucin, pues cuando la misma es perfectamente simtrica, las tres coinciden. La media es por lo general mucho ms til que la moda y la mediana y se puede confiar ms en ella para inferencias estadsticas. El recorrido es una medida de dispersin, al igual que la desviacin tpica. Se puede decir que es la medida ms simple de dispersin de un grupo de medidas. Se define como la diferencia entre las mediciones mxima y mnima de un grupo. Como propiedad negativa vale destacar que tiende a incrementarse con el tamao de la muestra. 8

La desviacin media es otra medida de dispersin y se define por la expresin: DM =

1 n n i =1

XX
i

Difiere del segundo momento respecto al promedio, en que emplea valores absolutos en lugar de cuadrados de las desviaciones. Es posible construir tambin otras medidas de dispersin de una distribucin, empleando un mtodo similar al que se utiliz al definir la mediana. Los cuartiles son tres valores tomados en el eje de las abscisas (la mediana y dos ms) que dividen el histograma en cuatro partes con iguales reas. La diferencia entre el tercer y el primer cuartil es una medida muy sencilla de dispersin y se denomina recorrido intercuartilar. De forma similar se pueden construir otras medidas de dispersin empleando deciles (valores de x que dividen el histograma en 10 partes cuyas reas son iguales o centiles (que dividen el histograma en 100 partes cuyas reas son iguales). Los deciles y centiles pueden sustituir satisfactoriamente a los momentos en la descripcin de una determinada distribucin, proporcionando ms detalles, sin embargo por lo general la desviacin tpica resulta superior cuando se trata de resolver problemas de inferencia estadstica. El tercer momento de la distribucin (m3), est dado por la expresin: m3 =

1 h 3 Xi n i =1

Lo que representa la simetra de la curva. El valor de m3 es 0 (cero) para curvas perfectamente simtricas. El cuarto momento de la distribucin (m4), cuya expresin es similar al tercer momento, pero con Xj elevada a la cuarta potencia, es la curtosis, que constituye una medida del achatamiento de la curva de distribucin. Por ejemplo, la curtosis de la distribucin normal es igual a tres.

DISTRIBUCIONES TERICAS DE FRECUENCIAS

Una distribucin de frecuencias de una muestra es una estimacin de la distribucin de frecuencias de la poblacin correspondiente. Si el tamao de la muestra es grande, cabe esperar que la distribucin de frecuencias de la muestra sea una buena aproximacin a la distribucin de frecuencias de la poblacin. En la mayora de los problemas estadsticos la muestra no es lo suficientemente grande como para determinar con precisin la distribucin de frecuencias de la poblacin, pero combinando la experiencia, junto con la informacin obtenida de la muestra y de otras fuentes, es posible sugerir la naturaleza general de la distribucin de frecuencias de la poblacin. Esto conduce a lo que se conoce como distribuciones tericas de frecuencias, que son modelos matemticos para las distribuciones de frecuencias reales. Cuando se trata de variables discretas, la distribucin terica de frecuencias ms utilizada es la distribucin binomial. En el caso de variables continuas, la distribucin terica de frecuencias se considera como la forma lmite del histograma bajo muestreo continuo y posee las propiedades de frecuencia esenciales del histograma. As pues el rea bajo la curva de distribucin terica de frecuencia es igual a uno, y de igual forma el rea bajo la distribucin terica de frecuencias entre los lmites del intervalo de clase correspondiente, indica la frecuencia relativa esperada de X, en dicho intervalo. Muchas de las distribuciones de frecuencias que se encuentran en la naturaleza y en la industria, son bastante simtricas, mueren con rapidez en las orillas y poseen una forma similar a una campana. Una distribucin terica que ha probado su utilidad para distribuciones como stas es la distribucin normal, que es sin dudas la ms utilizada en los casos de variables continuas. En la Figura 6 se muestra la distribucin normal tpica. Obsrvese que en este caso el valor terico de la media est indicado por la letra griega y la desviacin tpica por la letra griega , de manera que y se utilizan para representar la media y la desviacin tpica de las distribuciones tericas de frecuencia, que corresponden a X y s para distribuciones de frecuencias de muestras.

Figura 6. Distribucin normal tpica Si suponemos que la forma lmite del histograma, para una distribucin de frecuencias, es una curva normal, puede demostrarse por mtodos matemticos avanzados, que , el valor lmite de s, tiene la siguiente interpretacin geomtrica respecto a la curva normal: El rea bajo la curva normal entre - y + es el 68% del rea total, al 1% ms cercano. El rea bajo la curva normal entre - 2 y + 2 es el 95% del rea total, tambin al 1% ms cercano. El rea bajo la curva normal entre - 3 y + 3 es el 99,7% del rea total, al 0,1% ms cercano.

Una propiedad muy importante de la Curva Normal es que su localizacin y forma quedan completamente determinadas por los dos primeros momentos de la distribucin, o sea por los valores de y . El primero establece el centro de la curva y el segundo, la dispersin de sus valores. De esta forma, como todas las curvas normales que representan distribuciones tericas de frecuencias, tienen un rea total igual a la unidad, al incrementarse el valor de la curva debe achatarse y extenderse a ambos lados y por el contrario, cuando se reduce, la curva se afina y estrecha. Para los efectos de los clculos, la curva normal ms sencilla es aquella cuya media vale 0 y cuya desviacin tpica es igual a uno. Cuando es necesario se pueden reducir las dems curvas normales a esta curva que se denomina patrn o estndar y que se muestra en la Figura 7. As a cualquier punto del eje de las abscisas en una curva normal, le corresponde un punto del eje de las abscisas de la curva normal patrn. En general este valor se determina estableciendo la distancia que hay entre dicho punto y la media de la curva, si se toma como unidad la desviacin tpica, o sea que si un punto X, que est en el eje de las abscisas de una curva normal con media y desviacin tpica , corresponde con un punto z de la curva patrn, entonces el punto X est ubicado a la derecha de , a una distancia de z veces la desviacin tpica. Esto puede expresarse por la frmula: X = + z, o tambin z =

De esta forma hallar el punto z de la curva normal patrn, que corresponde al punto X en una curva normal cualquiera. La Tabla A2 del Anexo A permite encontrar el rea bajo una parte cualquiera de la curva normal para la variable z, y que corresponde a la curva patrn indicada en la Figura 7.

10

Figura 7. Distribucin Normal Patrn, para = 0 y = 1 Veamos algunas bondades importantes de la distribucin normal, que es posible demostrar matemticamente mediante clculos avanzados: 1. Si la variable X posee una distribucin normal, cuya media es y cuya desviacin tpica es , entonces la distribucin de las medias de las muestras X , poseer tambin una distribucin normal cuya media ser y cuya desviacin tpica ser:

2.

Si la variable X no posee una distribucin normal, si n es mayor de 25, la distribucin de las medias de las muestras X , se comportar como la distribucin normal aproximada, con media y desviacin tpica:

3.

Si la distribucin de la variable X no difiere demasiado de una distribucin normal, la distribucin de las medias de las muestras X , frecuentemente aparecer como normal para un valor de n tan pequeo como cinco, con media y desviacin tpica:

. n

ESTIMACIN DE LAS PROPIEDADES DE LA POBLACIN

Al comienzo se indic que uno de los problemas fundamentales de la estadstica es la estimacin de las propiedades de la poblacin. Como ya se explic, la distribucin normal queda completamente determinada por los parmetros y , por lo tanto, los problemas de estimacin para poblaciones normales se pueden reducir generalmente a los problemas de estimacin de y . Los dos tipos de estimaciones de parmetros de utilizacin frecuente en la estadstica, son la estimacin por punto y la estimacin por intervalo. La estimacin por punto es un valor numrico que se obtiene por clculos a partir de los valores de la muestra y que sirva como aproximacin al parmetro que es objeto de estudio, as por ejemplo la media de la muestra X , es una estimacin por punto de la media de la poblacin . La estimacin por intervalo est determinada por dos nmeros, que se obtienen por clculos de los valores de las muestras, y que se espera que contengan el valor del parmetro estimado en su interior. La estimacin por intervalo se construye de manera que es posible especificar la probabilidad de que dicho intervalo contenga el parmetro estimado, de ah su ventaja, pues indica la exactitud con que se estima el parmetro. Las estimaciones por intervalo se denominan tambin intervalos de confianza. Veamos un ejemplo: Un productor de bloques de concreto, conoce por experiencia que la resistencia a compresin a 28 das de los 11

bloques huecos de 20 cm de ancho, producidos en cada amasada se encuentra aproximadamente en forma de distribucin normal y sabe tambin que la resistencia a compresin de los bloques vara de amasada a amasada, sin embargo, la desviacin tpica permanece aproximadamente constante en un v alor de 1,2 MPa. Entonces desea estimar la resistencia a compresin media para una nueva amasada, de manera que ensaya una muestra extrada aleatoriamente, de 30 unidades, con la que obtiene una resistencia media a compresin de 10 MPa. 1. El productor quiere saber si la resistencia media a compresin obtenida de 10 MPa es una buena estimacin de la media de la amasada (poblacin). Para resolver esta incgnita hace uso de las bondades ya expuestas de la distribucin normal, donde la media de las muestras X se puede suponer distribuida normalmente con media y desviacin tpica dada por:

1,2 1,2 = = 0,22 30 30

Un esquema de esta distribucin, aparece en la Figura 8. Anteriormente ya se haba expuesto que en el entorno - 2 y + 2 la probabilidad es del 95% de que X tome algn valor dentro de 0,44 MPa de variacin de . En la Tabla A2 del Anexo A, el 95% de probabilidad corresponde a un valor de z de 1,96. Como en este caso X = 10 MPa, el productor puede confiar en que este valor se diferenciar de la Media de la poblacin en menos de 0,44 MPa, con una probabilidad del 95%. La magnitud de la diferencia 2.

X - se denomina error de estimacin.

Si el productor no est satisfecho con la exactitud de la estimacin basada en una muestra de 30 bloques y se cuestiona sobre el tamao que debe tomar esta muestra de manera que pueda tener la seguridad razonable, digamos con una probabilidad del 95%, de que la estimacin de la media de la poblacin no ser errnea en ms de 0,3 MPa, entonces se deber satisfacer la ecuacin: 1,96

= 0,3

o lo que es lo mismo:

= 0,3

Figura 8. Esquema de la distribucin de las medias de las resistencias a compresin de los bloques a 28 das

Despejando n obtenemos un valor de 62 bloques para la muestra. La frmula general, despejada, de n en este caso ser:

12

n=

z e
2 0. 2

donde: z0 e es el valor de la Tabla A2 del Anexo A, que corresponde a la probabilidad deseada; es el error de estimacin mximo permisible.

Otra opcin del productor es obtener un intervalo de confianza del 95% para la media de la poblacin, basado en la muestra original de 30 bloques. En este caso se deber cumplir que:

X -1,96
o sea que: 10 - 1,96

< < X + 1,96 n n

1,2 1,2 < < 10 + 1,96 30 30

9,57 < < 10,43

Estos mtodos de estimacin son slo aplicables a muestras grandes. Si la muestra es de tamao inferior a 25 y el valor de no se conoce, el grado de precisin es muy dudoso y hacen falta mtodos ms refinados. Para evitar el error de sustituir por s, cuando s se basa en una muestra pequea, se introduce una nueva variable, denominada variable t de Student, que se define por la frmula: t=

X n S

La variable t de Student se asemeja a la variable z introducida anteriormente: Z=

X n

Pero en este caso se ha incluido la desviacin tpica de la muestra s, en lugar de la desviacin tpica de la poblacin , ya que t no requiere un conocimiento de , como en el caso de z, su valor se puede calcular a partir de los datos de la muestra. Es por ello que t puede utilizarse para resolver problemas estadsticos sin necesidad de introducir aproximaciones a parmetros de la poblacin. Los mtodos matemticos demuestran que la distribucin de t es exacta y depende slo del valor de n, siempre que la variable X posea una distribucin normal. Adems la distribucin de t se asemeja mucho a la de una variable normal ordinaria z, excepto para valores muy pequeos de n. En la Tabla A3 del Anexo A, se muestran los valores de t que corresponden a diferentes grados de libertad y a varias probabilidades. El nmero de grados de libertad est dado por n 1 esto equivale a utilizar n 1 como divisor en lugar de n, al calcular la desviacin tpica de la muestra. El valor de 0,05, por ejemplo, en el encabezado de la columna, indica la probabilidad de que t exceda numricamente el valor de t que aparece en dicha columna, o sea que cada cola de la curva, cortada en el valor de t (positivo y negativo), contiene 0,025 del rea bajo la curva, tal como se muestra en la Figura 9. La expresin general para encontrar un intervalo de confianza dado para , en el caso de muestras pequeas, ser:

X t0

S < < X + to n n

La teora en que est basada la distribucin t, establece que la variable X posea una distribucin normal y slo 13

es aplicable en estos casos.

Figura 9. Distribucin t de Student para un intervalo de confianza del 95%

PRUEBAS DE HIPTESIS

Tal como se enunci anteriormente, las pruebas de hiptesis constituyen un segundo problema fundamental de la estadstica. Las pruebas de hiptesis sobre poblaciones normales, se reducen por lo general a probar hiptesis respecto a los parmetros y . Pongamos por ejemplo el caso de un productor de concreto que ha utilizado tradicionalmente el aditivo plastificante tipo 1 con buenos resultados, pero recientemente ha recibido una oferta de un aditivo plastificante tipo 2, con un mejor precio y l est lgicamente dispuesto a cambiar de marca si los vendedores del aditivo tipo 2 le demuestran que su producto es tan bueno como el tipo 1. La experiencia del productor, asentada en varios aos de trabajo, muestra que con las materias primas de que dispone y con el aditivo tipo 1 puede lograr concretos con una relacin agua/cemento de 0,45 y obtener resistencias medias a compresin a 28 das de 30,5 MPa, con una desviacin tpica de 2,7 MPa. Para probar la aseveracin hecha por los productores del aditivo tipo 2 se hicieron pruebas industriales y se obtuvieron 30 muestras del concreto, para con las mismas dosis de aditivos, obtener una relacin de 0,46 y resistencias medias a compresin de 28,8 MPa y una desviacin tpica de la muestra de 2,2 MPa. En este caso podemos formular como prueba de la hiptesis, que llamaremos HO, que la media de la poblacin de la muestra de los concretos con aditivo tipo 2 es de 30,5 MPa, en contraste con la hiptesis alternativa, que se denominar H que establece que la media de la poblacin de la muestra de estos concretos es inferior a 1, 30,5 MPa, o sea: H0: = 30,5 MPa H1: < 30,5 MPa Existen dos posibilidades de tomar una decisin incorrecta en este caso. Si el aditivo tipo 2 es realmente tan bueno como el tipo 1 y sobre la base del valor de X se decide aceptar la hiptesis H1, se har una decisin incorrecta, que se denomina error del tipo 1, mientras que si por el contrario el aditivo tipo 2 es realmente de calidad inferior y se decide aceptar que son igualmente buenos, o sea se acepta la hiptesis HO, tambin se tomar una decisin incorrecta, que se denomina error del tipo 2. Es bien conocido que la resistencia a compresin de los concretos se distribuye de forma aproximadamente normal. Es evidente que mientras ms lejos se encuentre la X de la muestra, a la izquierda de la media establecida por el aditivo tipo 1, menos deber creerse en la veracidad de HO, por lo que resulta claro que la regin crtica deber consistir en valores pequeos de X , y por lo tanto de la parte del eje de las X a la izquierda de algn punto

. El problema radica entonces en encontrar dicho punto

, para un grado de

confianza determinado (en nuestro caso casi siempre se emplea un 95%). Para ello se calcula la desviacin tpica de la distribucin de las medias de la muestra.

14

1,2 = = 0,22 n 30

Como se sabe que el 5% (nivel de significacin) del rea de la cola izquierda de una curva normal ordinaria, se encuentra a la izquierda del punto: z = 1,64, entonces se puede decir que:

- 1,64 =

X
0 x

de donde:

= 30,5- 1,64 (0,4) = 29,8 MPa

En la Figura 10 se ha representado esta regin crtica, para la prueba de hiptesis HO.

Figura 10. Regin crtica para la prueba de hiptesis H0 Como el valor de la resistencia media de la muestra X = 28,8 MPa, se encuentra dentro de la regin crtica, se rechazar la hiptesis HO. Se puso en evidencia que una media de muestra tan baja como 28,8 MPa, no se poda haber obtenido de una muestra aleatoria de tamao 30, tomada de una poblacin con media = 30,5. Esto implica que los vendedores del aditivo tipo 2 no se justifican en su pretensin de igualar la calidad de su producto a la del aditivo tipo 1. Al resultar cierto que la media de la poblacin de las resistencias de los concretos fabricados con el aditivo tipo 2 es menor de 30,5 MPa, debe considerarse de inmediato la cuestin de cunto menos es, para ello se puede hacer una estimacin por punto de , en la que naturalmente X = 28,8 MPa se tomara como estimacin. Tambin se puede encontrar un intervalo de confianza para y determinar las diferencias mxima y mnima que existen probablemente entre las dos Medias de poblacin. Todo esto es necesario antes de poder decidir, con conocimiento de causa, si el precio ms bajo para el aditivo tipo 2, compensa su calidad inferior. En el caso de que la muestra fuera pequea, la sustitucin de por s puede introducir un serio error, por lo que en esta situacin se puede emplear la distribucin t de Student en la misma forma que la z para las muestras grandes. Por ejemplo en el casco anterior, si se tratase de slo 20 muestras: t=

X 28,8 30,5 n = 20 = - 3,45 S 2,2

Si se busca en la Tabla 3 del Anexo, el valor de la t de Student para 19 grados de libertad y un nivel de significacin del 5%, obtenemos t = 2,093 para la cola izquierda de la Media , por lo que se pone en evidencia que el valor 3,45 est ms a la izquierda o sea cae dentro de la Regin Crtica y por tanto no se acepta HO. Supongamos ahora que el productor de concreto no tiene experiencias previas con ninguno de los 2 aditivos, sus precios son iguales y se efecta una prueba industrial con cada uno de ellos, obtenindose 30 muestras de concreto elaborado con cada uno de ellos, cuyos resultados (resistencias medias a compresin a 28 das y 15

desviacin tpica) son los siguientes: Aditivo tipo 1 Aditivo tipo 2

= 29,8 MPa

= 28,8 MPa

S1 = 2,7 MPa

S2 = 2,2 MPa

El problema se reduce a determinar si esta diferencia en cuanto a las medias de las resistencias a compresin de las muestras, es lo bastante grande para justificar la creencia del productor de que el aditivo tipo 1 es superior al aditivo tipo 2. Para ello es necesario conocer en que forma vara ( Se puede demostrar matemticamente, que ( igual a la suma de las varianzas de

X X

).

X
2,

) poseer una distribucin normal, si X y X2 la tienen, 1

con una media igual a la diferencia de las medias de la poblacin de X y X2, o sea 1 y 2, con una varianza 1

X
=

o sea que:

x
2

x2

Donde n1 y n2 son los tamaos respectivos de las muestras de

Y1 . X 2

Es importante destacar que esto es slo vlido si las dos poblaciones muestreales son normales, sin embargo si n1 y n2 son mayores de 25, entonces (

pueden suponerse distribuidas normalmente, en cuyo caso

X S
1

2 1

) estarn tambin distribuida normalmente.

Tambin deber cumplirse que X y X2 sean variables independientes. 1 En el caso planteado podemos formular como hiptesis: Ho : 1 - 2 = 0 Donde estamos suponiendo que no existe diferencia en el comportamiento de los dos tipos de aditivos. Si la muestra rechaza la hiptesis, entonces se puede afirmar con justificacin, que existe una diferencia real en las medias de las poblaciones, y en el caso contrario existe una buena probabilidad de que la d iferencia de muestra sea causada por variacin demuestras, bajo la suposicin de que las dos medias de las poblaciones son iguales. La hiptesis alternativa ser entonces: H1 : 1 El primer paso consiste en calcular la desviacin tpica de ( 2

X
2 1 1

1 2 2

) por:

+ n n

2 2

Donde los valores de las poblaciones 1 y 2 se aproximan por las estimaciones de la muestra, o sea s1 y 2 s 2 , por lo que:

x
16

x2

(2,7 ) + (2,2)
2 . .

30

30

= 0,6358

Entonces la regin crtica, ubicada en reas iguales en las colas de la curva normal, para nivel de significacin del 5%, estar dada por:

y con un

2 x

x2

= 1,27

O sea 1,27 unidades alejadas del 0, tal como se muestra en la Figura 11.

Figura 11. Distribucin de ( Como (

) cuando 1 = 2

) = 29,8 28,8 = 1,0 valor que est fuera de la regin crtica, la hiptesis se acepta.

Es importante tener bien claro que la aceptacin de la hiptesis no quiere decir que sta sea cierta, sin embargo s implica que no existe convencimiento, al menos por la evidencia de la prueba industrial efectuada, de que haya una diferencia apreciable y que, a menos que se presenten otras evidencias, se puede suponer que para los fines prcticos no existe diferencia apreciable en los resultados obtenidos con ambos aditivos. Cuando la prueba de una hiptesis produce un valor de la muestra que se encuentra en la regin crtica de la prueba, se dice que el resultado es significativo y en el caso contrario se dice que no es significativo. En este ltimo caso se comprende que tal valor de la muestra no es compatible con la hiptesis y por tanto es necesario formular alguna otra hiptesis. La probabilidad de cometer un error del tipo 1, se denota por y seala el nivel de significacin de la prueba. En general para los problemas ms corrientes, el nivel de significacin adoptado es de 0,05 ( 5%). Los mtodos que hemos empleado hasta el momento en las pruebas de hiptesis son slo para muestras grandes. En los casos de muestras pequeas, para poder justificar la sustitucin de 1 y 2 por sus estimaciones de muestra, se puede utilizar la prueba t de Student apropiada. Aqu es indispensable suponer que las dos variables bsicas X1 y X2 tienen distribuciones normales independientes con desviaciones tpicas iguales. Como puede observarse estas suposiciones implican restricciones ms fuertes que para el caso de las muestras grandes. Si se satisfacen razonablemente estas restricciones, entonces se puede utilizar la variable.

t=

X X ( ) (n 1). S + (n 1). S
1 2 1 2 2 1 . 1 2

. 2
2

n n (n + n n +n
1. 2 1 1 2

2)

Como una variable t de Studente convencional, con (n1 + n2) 2 grados de libertad. Si el productor de concreto an se inquietase por la posibilidad de que el aditivo tipo 1 sea en realidad mejor que el tipo 2, debido a que considera muy grande el intervalo de los valores de aceptacin indicados en la Figura 11, es posible estudiar el tamao del error del tipo 2 que se puede cometer. En un caso como ste el productor debe poder especificar la diferencia mnima de la media de la poblacin que l considera de importancia prctica. Por ejemplo en el caso estudiado el productor establece que una diferencia menor de 1,4 MPa es demasiado pequea para ser importante, pero que ya cualquier diferencia superior a este valor es econmicamente importante. A tal efecto se considerar como hiptesis alternativa la siguiente:

17

H1 : 1 - 2 = 1,4 Para H1 es posible calcular el grado de significacin, al que se le denominar , con la caracterstica de que la distribucin de (X1 X2 ) bajo H ser la misma que bajo H , tal como se puede apreciar en la Figura 12, 1 O excepto que la media ser de 1,4 en lugar de 0 (cero).

Figura 12. (

) bajo H0 y H1

El valor de est dado por el rea bajo la curva H1 de 1,27 a +1,27 debido a que este intervalo se encuentra en la regin no crtica de la prueba, sin embargo esta rea es prcticamente equivalente al rea bajo la curva H1 a la izquierda de 1,27. Como la desviacin tpica es de 0,6358 y la media es de 1,4 el valor de z correspondiente a 1,27 ser: Z=

1,27 1, 4 = - 0,204 0,6357

En la Tabla A2 del Anexo A, se encuentra que la probabilidad que z se encuentre a la izquierda de 0,204 es de 0,42; o sea que = 0,42 que quiere decir que el grado de significacin ser del 42% de que una diferencia de 1,4 en los promedios de poblacin no ser detectada por e sta prueba (poco menos de la mitad de los casos). Si la diferencia entre las medias de poblacin es mayor de 1,4, entonces por supuesto el valor de ser inferior a 0,405. Por ejemplo si la diferencia es de 3,0; entonces un clculo similar al efectuado con la curva H , 1 centrada ahora sobre 3,0 har que tome un valor de 0,003. En este caso se tiene la certeza casi absoluta de poder detectar una diferencia de 3,0 MPa con esta prueba, o sea con una muestra de tamao 30. Si se asignan valores diferentes de - 2, comenzando por cero y aumentando a intervalos regulares, y se 1 calcula el valor de en cada caso, entonces estos valores ploteados contra los valores de - 2 mostrarn 1 cuan buena es la prueba para detectar las diferencias reales cuando stas existan. En la Figura 13 se muestran los valores obtenidos para para incrementos de 0,5 en 0,5 MPa de los valores de 1 - 2. La curva obtenida es simtrica, sin embargo slo se muestra el eje positivo de la figura. Esta curva se denomina caracterstica de operacin de la prueba y permite precisar para que valores de - 2 es significativa la 1 diferencia entre los dos aditivos en la produccin de los concretos.

Figura 13. Caractersticas de operacin de la prueba de los aditivos tipo 1 y 2 18

DISTRIBUCIN DE CHI-CUADRADA

Por medio de la distribucin normal o la t de Student, tal como se ha visto anteriormente es posible resolver problemas de estimacin y pruebas de hiptesis referidas a la media (), pero no brindan una solucin satisfactoria a la desviacin tpica () como parmetro de distribucin normal. Otro problema consiste en probar la compatibilidad de frecuencias observadas y frecuencias esperadas en la realizacin de una prueba o experimento, o sencillamente demostrar si una determinada distribucin real de frecuencias se ajusta a alguna distribucin terica, como la normal. Existe una distribucin denominada chi-cuadrada, que es adecuada para resolver estas dos clases de problemas. La medida, llamada chi-cuadrada (X ), que da origen a esta distribucin continua queda definida por la frmula.
2

(oi ei ) X =
k 2 i =1

Desde oi y ei son las frecuencias observadas y esperadas respectivamente y k indica el nmero total de celdas, elementos o marcas de clase en que se fundamenta el anlisis. Una caracterstica notable de la distribucin X , es que su forma depende solamente de k. Normalmente se identifica esta distribucin por medio del parmetro Kv = k 1, denominado nmero de grados de libertad, en 2 lugar de k. En la Figura 14 se muestran varias curvas X para diferentes grados de libertad. En la Tabla A4 del Anexo A, se indican los valores de la distribucin X para diferentes grados de libertad y 2 niveles de significacin (probabilidad de que los valores reales de X exceden los de la tabla).
2 2

Figura 14. Distribucin X para varios grados de libertad La curva X tal como se muestra en la Figura 14, es slo una aproximacin a una distribucin discreta real X , 2 por lo que la prueba X slo debe ser utilizada cuando dicha aproximacin es buena. Est probado prctica y tericamente que la aproximacin es generalmente satisfactoria si las frecuencias esperadas en todas las celdas, elementos o marcas de clase sean por lo menos del orden de cinco. Una aplicacin muy til de la prueba X se presenta cuando se comprueba la compatibilidad de frecuencias observadas y esperadas en tablas de dos sentidos, que tambin se denominan tablas de contingencia, que se construyen generalmente con el objeto de estudiar la relacin entre dos variables de clasificacin, para saber concretamente si las dos variables se encuentran o no relacionadas. En este caso el nmero de grados de libertad se determina por: v = (f 1) (c 1) Donde f es el nmero de filas y c el nmero de columnas de dicha tabla de contingencia. El resultado es significativo y la hiptesis de independencia de las dos variables se rechaza, slo si el valor de 19
2 2 2

X obtenido por la aplicacin de la frmula correspondiente es mayor del valor de X obtenido por la Tabla 4 del Anexo, para los grados de libertad indicado y el nivel de significacin deseado (que por lo general se toma del 5%). Ejemplo: En tres plantas de prefabricados se producen las mismas losas doble T de concreto armado, para cubiertas y entrepisos y los resultados de las inspecciones de control de la calidad de estas losas, por los resultados de los ensayos bajo las cargas de diseo muestran el siguiente comportamiento:

Planta 1 Fallaron bajo carga Mostraron fisuracin Sin sntomas perceptibles Totales 25 40 35 100

Planta 2 45 35 20 100

Planta 3 40 35 25 100

Totales 110 110 80 300

El problema radica en demostrar, a un grado de significacin del 5%, si las diferencias obtenidas en las tres plantas evaluadas se deben a la casualidad, o a diferentes regmenes de aseguramiento de la calidad de todo el sistema de fabricacin de las losas. En este caso estamos probando una hiptesis de independencia, o sea si los resultados del control de calidad son o no independientes de las caractersticas propias de las plantas de prefabricados. Suponiendo esta independencia, la probabilidad de que la planta 1 se produzcan las losas sin sntomas perceptibles en la realizacin de ensayos bajo carga, o sea con calidad ptima, es el proceso de las probabilidades individuales, pero como en este caso las probabilidades son desconocidas, se pueden estimar de acuerdo con los datos disponibles. As la probabilidad de evaluar una losa de la planta 1, se estima como 100 / 300 = 0,333 y de la misma manera, la probabilidad de que las losas no presenten sntomas perceptibles en los ensayos se puede estimar con 80 / 300 = 0,266 entonces se puede decir, que bajo la hiptesis de independencia, se puede esperar que la probabilidad de que en la planta 1 se produzcan losas sin sntomas perceptibles en los ensayos bajo carga ser: 300 (0,333) (0,266) = 26,6 De esta forma se puede hacer para cada celda (fila-columna). En sntesis bajo la hiptesis de independencia, la frecuencia esperada para cualquier celda puede ser obtenida como el producto del total de la fila por el total de la columna y dividido por el gran total. Los resultados se muestran a continuacin: Planta 1 Fallaron bajo carga Mostraron fisuracin Sin sntomas perceptibles Totales 25 (36,7) 40 (36,7) 35 (26,7) 100 Planta 2 45 (36,7) 35 (36,7) 20 (26,7) 100 Planta 3 40 (36,7) 35 (36,7) 25 (26,7) 100 Totales 110 110 80 300

Aplicando la frmula de la distribucin para cada una de las nueve celdas y efectuando la sumatoria, tendremos que:

(2536,7) + (4536,7) + (4036,7) + (40 36,7 ) + (3536,7 ) + X =

2 2 2 2 2

36,7

36,7

36,7

36,7

36,7

20

(3536,7) + (3526,7) + (2026,7) + (2526,7 ) +

2 2 2

36,7

26,7

26,7

26,7

10,73

El valor de X , en la Tabla A 4 del Anexo A, para (c 1)(f 1) grados de libertad, o sea (3 1) (3 1) = 4 grados de libertad y un nivel de significacin del 5%, es de 9,4877 por lo que si 10,73 > 9,4877 hay que rechazar la hiptesis de independencia, lo que quiere decir que las discrepancias que se observan entre las frecuencias esperadas y observadas son demasiado grandes como para poder ver atribuidas a la casualidad y por tanto existe una dependencia entre los resultados de los ensayos de las losas doble T y las caractersticas de las plantas de produccin. En cuanto a la utilizacin de la prueba X para resolver problemas de estimacin y pruebas de hiptesis respecto a la desviacin tpica de una distribucin normal, veamos el mismo ejemplo del acpite anterior sobre la prueba de dos aditivos qumicos sobre el concreto. Aditivo tipo 1 Aditivo tipo 2
2

= 30,5 MPa

= 28,8 MPa

s 1 = 2,7 MPa

s 2 = 2,2 MPa

Si se supone que no existe diferencia entre los resultados de ambos aditivos, ambos debern poseer las mismas dispersiones al igual que las mismas resistencias medias, por lo que se considerar que la desviacin tpica del aditivo tipo 2 es igual a la del tipo 1, que se basa en una larga experiencia de utilizacin en los concretos por parte del mismo productor. La hiptesis que va a probarse entonces es que la desviacin tpica del aditivo tipo 2 es 2,7 MPa. Lo que se enuncia por: H0 : = 2,7 Como el tamao de la muestra es de 30, existirn 29 grados de libertad para este problema, lo que para un 2 nivel de significacin del 2,5% en cada rea de cola, da los siguientes valores de X en la Tabla A 4 del Anexo A: X
2 1

= 16 y X 2 = 46
2 X

Luego, la regin crtica bilateral para la prueba, se toma como los valores de intervalo determinado por estos dos valores.

que se encuentren fuera del

Ahora es necesario determinar la variable v que se calcula mediante la siguiente expresin:

(n 1) S v=

La distribucin de esta variable v resulta ser la misma distribucin Entonces:

2 X

con grados de libertad de n 1.

v=

(n 1) S

29 2,2 = 2

(2,7 )

= 19,25

Que como puede observarse se encuentra dentro del intervalo dado por la distribucin X , o sea, no se encuentra en la regin crtica, por lo que se acepta la hiptesis.

21

ANLISIS DE VARIANZA

Uno de los problemas que se presenta con mayor frecuencia en el trabajo estadstico es el de probar si dos o ms muestras difieren significativamente con respecto a cierta propiedad. Un ejemplo de ello es cuando los investigadores proyectan un experimento para comparar una nueva tecnologa de proceso con otra que toman de norma o referencia. Cuando se trata de comparar ms de dos muestras, ya no son vlidos los mtodos expuestos anteriormente para probar la igualdad de dos medias o proporciones de poblacin, o para probar si dos distribuciones eran idnticas. Uno de los mtodos concebidos para resolver problemas de este tipo, para variables continuas, es el anlisis de varianza, que consiste en analizar la varianza de la muestra con respecto a componentes tiles. Tenemos como ejemplo el mismo caso de la produccin de losas doble T para entrepiso y cubierta en las tres plantas de prefabricados, procedentes de una misma empresa, pero en este caso la Direccin de la empresa desea saber si las diferencias entre las medias de las resistencias a compresin a 28 das de los concretos elaborados con los agregados y el cemento de la misma procedencia, pero con diferentes tecnologas de fabricacin (preparacin, transporte y vertido de la mezcla), son significativas, o si pueden ser atribuidas razonablemente a la casualidad. A continuacin se muestran los ltimos 10 valores de medias muestreales en cada planta. En todos los casos las resistencias a compresin se indican en MPa. El problema radica en demostrar si se acepta la hiptesis: Ho: 1 = 2 = 3 Evidentemente esta hiptesis ser rechazada si las diferencias entre las X son muy grandes. Una manera obvia para medir las diferencias entre las X es la de hallar su desviacin tpica, o sea su varianza. Para ello se calcula en primer lugar la media de las X , o sea:

25,7 + 27,2 + 24,4 = 25,8 3

y despus calculamos su varianza

(25,7 25,8) + (27,2 25,8) + (24,4 25,8)

2 2

3 1

1,965

Planta 1 26,5 25,2 25,0 26,7 24,8 25,7 26,0 26,2 25,8 25,6

Planta 2 27,0 26,8 28,0 28,2 27,7 26,9 26,5 27,3 27,0 26,6

Planta 3 23,8 25,2 24,9 23,7 25,0 25,1 24,0 23,3 24,7 24,5

X 1 = 25,7

X 2 = 27,2

X 3 = 24,4

22

Ahora, para poder decidir si la cifra que obtuvimos para la varianza de las X se puede atribuir a la casualidad, o sea que se pueda considerar como una medida de la varianza casual, hay que obtener una indicacin del tamao de las fluctuaciones casuales entre los datos, o sea una medida de las fluctuaciones dentro de las tres muestras, para ello se calculan sus varianzas respectivas, o sea:

2 1

1 10 1 +

(26,525,7) + (25,225,7 ) + (25,025,7) + (26,7 25,7) +

2 2 2 2 2 2 2 2

(24,825,7 ) + (25,7 25,7) + (26,025,7 ) + (26,225,7) +

+

(25,825,7) + (25,625,7) .] = 0,394

2 2 2 2 2 2 2 2 2 2

2 2

1 10 1 +

(27,027,2) + (26,827,2) + (28,0 27,2) + (28,227,2) +

+

(27,7 27,2) + (26,9 27,2) + (26,527,2) + (27,327,2) + (27,027,2) + (26,627,2) .] = 0,342

2 2 2 2 2 2 2 2 2 2

2 3

1 10 1 +

(23,824,4) + (25,2 24,4) + (24,9 24,4) + (23,7 24,4) +

+

(25,024,4) + (25,124,4) + (24,024,4) + (23,324,4) + (24,7 24,4) + (24,524,4) .] = 0,451

2 2

Se parte de la suposicin de que todas las muestras son de poblaciones que tienen distribuciones normales con la desviacin tpica idntica. Al combinar esta suposicin con la hiptesis de que dichas poblaciones tienen tambin medias iguales, se puede considerar que las tres son muestras de la misma poblacin, por lo que la 2 2 varianza calculada para las 3 X se puede considerar como un estimado /n, por tanto, un estimado de 2 ser 10 x 1,965. Por otra parte las varianzas muestreales y su media son tambin un estimado de :

S +S +S
2 2 2 1

2 3

0,394 + 0,342 + 0,451 = 0,395 3

Mientras que el primer estimado (19,65) est basado en la variacin entre las medias muestreales, el segundo (0,395), est basado en la variacin entre las muestras, por lo que se puede considerar como una medida de la variacin casual. La variacin entre las tres medias es por lo tanto ms grande que el estimado de la variacin casual, slo queda por ver si la variacin entre las medias es significativamente mayor que la variacin casual. Para efectuar este anlisis se emplea la distribucin F, que consiste en la razn de los dos 2 estimados de , as que en el caso del ejemplo que se est desarrollando: F=

19, 65 = 49,747 0,395

Ahora es necesario chequear si este valor es lo suficientemente grande como para rechazar la hiptesis de que las tres muestras son de poblaciones con medias iguales. Esta decisin est basada en la distribucin de muestreo de la estadstica F, o simplemente la distribucin F, un ejemplo de la cual se seala en la Figura 15.

23

Figura 15. Distribucin F Para un nivel de significacin del 5%, o sea F,05, estos valores, tal como estn indicados en la Tabla A5 del Anexo A, con la caracterstica muy peculiar de que sus anotaciones dependen de dos cantidades, el nmero de grados de libertad para el numerador de F y el nmero de grados de libertad para el denominador de F. El numerador de F consiste en la varianza de las X, que son tres en nuestro caso y por tanto tiene 3 1 = 2 grados de libertad. El denominador de F consiste en la media de las cuatro varianzas muestreales, cada una de las cuales se basa (en nuestro caso) en 10 observaciones. Para cada varianza muestreal se tienen por lo tanto 10 1 = 9 grados de libertad y para su suma: 9(3) = 27 grados de libertad. En la Tabla A5 del Anexo A, el valor de F para 2 y 27 grados de libertad y un nivel de significacin del 5%, es de 3,35. En el ejemplo desarrollado se hace evidente que F > F,05 o sea que: 49,747 > 3,35 por lo que se rechaza la hiptesis y por lo tanto las tres muestras no son de poblaciones con medias iguales y existen entre ellas diferencias significativas, que pueden ser debidas a la efectividad inducida por las propias tecnologas de las plantas o a diferencias notables en los regmenes de aseguramiento de la calidad. Al definir en general la expresin de F, como el cociente entre n veces la varianza de las X, entre la media de las k varianzas muestreales, queda:

F=

u
i=1

v
)

(n

Se rechaza la hiptesis si F > F,05 de lo contrario se acepta la hiptesis o se reserva el juicio y F se calcula por la expresin indicada anteriormente, y el nmero de grados de libertad para el numerador es k 1 y para el denominador es k (n-1). Es importante recalcar que este criterio es slo aplicable si cabe suponer que las muestras son de poblaciones que tienen distribuciones normales y desviaciones tpicas iguales.

10

CORRELACIN Y REGRESIN

En algunos problemas, las diversas variables se estudian simultneamente, para ver la forma en que se encuentran interrelacionadas, esto se conoce con el nombre de correlacin. En otros casos se tiene una variable de inters particular y las restantes variables se estudian por la posibilidad de que ayuden a arrojar luz sobre ella, esto se conoce con el nombre de regresin. Un problema de correlacin se presenta por ejemplo cuando surge la interrogante sobre si existe o no relacin entre dos variables, digamos entre la resistencia a compresin del concreto endurecido y la velocidad de la onda ultrasnica a travs de la masa de dicho concreto. La investigacin comienza por lo general tratando de descubrir la forma aproximada de la relacin entre las dos o ms variables estudiadas. Si se trata de dos variables se trazan los datos en un plano X, Y. Este grfico recibe el nombre de diagrama de dispersin. As es posible desentraar fcilmente, si existe o no una relacin acentuada y si por ejemplo puede tratarse como aproximadamente lineal. 24

Para determinar la naturaleza de una tendencia, se busca cualquier propensin de los puntos de agruparse sobre ambos lados de alguna curva simple, quizs con unas cuantas ondulaciones, o bien a ambos lados de una lnea recta. Una medida de la relacin tiene que ser realmente independiente de la seleccin del origen para las variables. Esto se logra utilizando las desviaciones de las variables respecto a su media, en lugar de las variables (X X ) propiamente dichas, o sea Xi - S y Yi Y i , en lugar de las variables Xi y Yi para formar la medida de la relacin deseada.
i x

Una medida de relacin, debe ser tambin independiente de la escala de medidas adoptada para X y para Y. Esto se logra dividiendo X y Y entre cantidades que posean las mismas unidades de X y Y, para lo que se eligen las desviaciones tpicas de las muestras Sx y Sy. Es posible lograr ambas propiedades, si la medida de relacin se construye utilizando las variables Xi y Yi en las formas:

ui =

1,2 30

; vi =

(Y Y ) S
i y

que reciben el nombre de unidades estndar de muestra. Una medida simple de la dispersin de los puntos es la sumatoria:

u .v
i =1 i

(n 1)

que se denomina coeficiente de correlacin y se denota por la letra r. En funcin de las medidas originales, el coeficiente de correlacin ser:

r=

i Yi ).2 (Y
n X .Y X . Y
2 2 2 2

y una expresin ms cmoda para el clculo ser:

r=

[n X ( X ) .][nY ( Y )]

El coeficiente de correlacin es una medida del grado de relacin entre dos variables, slo cuando las til mismas estn relacionadas linealmente. As el grado de relacin est dado por la magnitud de r, mientras que el signo de r indica, si es positivo, que Y tiende a crecer con X y si es negativo, que Y tiende a decrecer con X. Es posible demostrar matemticamente, que el valor de r debe satisfacer la igualdad: -1 r 1

y adems, que el valor de r ser igual o muy cercano a uno (1), slo si todos los puntos del diagrama se encuentran sobre una lnea recta. La interpretacin del coeficiente de correlacin como medida del grado de relacin lineal entre dos variables es solo matemtica y est desprovista totalmente de implicaciones de causa y efecto, o sea de que el hecho de que dos variables tiendan a aumentar o disminuir al mismo tiempo no implica necesariamente que una tenga algn efecto directo o indirecto sobre la otra, pues ambas pueden estar sujetas a la influencia de otras variables, de manera que resulten con una estrecha relacin matemtica, es por ello que los coeficientes de correlacin deben manejarse con cuidado si se desea dar una informacin sensata respecto a la relacin entre pares de variables. 25

Cuando un coeficiente de correlacin se calcula a partir de una muestra, el valor que se obtiene de r no es ms que una estimacin de , el verdadero coeficiente de correlacin que se obtendra para toda la poblacin, as si se clasificarn los valores de r en una tabla de frecuencias, la distribucin lmite obtenida se puede derivar por mtodos matemticos, bajo el principio de que X y Y tengan distribuciones normales, entonces si se satisfacen estos requisitos la distribucin de r depende slo de n y de . As es posible demostrar que la distribucin de r es decididamente no normal en apariencia para determinados valores de y n, sin embargo haciendo un cambio simple de variable se puede transformar la distribucin complicada de r a una distribucin aproximadamente normal, que puede usarse entonces para determinar la exactitud de r como una estimacin de . Esta nueva variable se denota como w. En la Tabla A6 del Anexo A, aparece la conversin de r a w y viceversa. El efecto de emplear como variable aleatoria una funcin particular de r (en lugar de r propiamente) es que la misma tiene una distribucin aproximadamente normal y por tanto se pueden emplear los mtodos de la distribucin normal. En este caso el valor medio de la distribucin de w est dado por: w = y la desviacin tpica de w est dada por: w = Esto permite hacer pruebas de significacin para r. Ejemplo: Se quiere saber si es significativa una correlacin de r = - 0,62 entre la relacin de los dimetros (vertical y horizontal) de los huecos de las losas huecas tipo Spiroll de concreto pretensado (medida del achatamiento), que se identific como variable X y la resistencia del concreto de las losas endurecidas, obtenida por el esclermetro a 28 das, identificada como variable Y, para un total de 20 losas. Esto puede ser tratado como un problema de prueba de hiptesis: H0: = 0 lo que quiere decir que se supone que no existe correlacin alguna. Si = 0, por la Tabla 6 del Anexo le corresponde w = 0, luego esta hiptesis equivale a la siguiente: H0: w = 0 Como n = 20, la desviacin tpica ser: w =

1 1+ p . ln 2 1 p

1 n3

1 = 0,24 17

Si se trata a w como una variable normal, con media 0 y desviacin tpica de 0,24 y se considera un nivel de significacin del 5%, es evidente que la regin crtica estar dada por los valores de w fuera del intervalo de 0,47 a + 0,47. En la Tabla A6 del Anexo A, se puede obtener que el valor de la muestra de r = - 0,62 corresponde a w = - 0,725 y como este valor cae dentro de la regin crtica, no se acepta la hiptesis asumida, por lo que r = 0,62 es significativo, o sea tiene significacin estadstica. Ya anteriormente se haba mencionado que la regresin estudia la relacin entre las variables, con el objetivo de que cualquier relacin que se encuentre puede utilizarse como auxiliar para hacer estimaciones o predicciones de una variable particular. En un problema de correlacin, tanto X como Y son variables estadsticas cuyos valores quedan determinados solamente despus de obtenida la muestra. En un problema de regresin, sin embargo, los valores de X se eligen de antemano, de manera que solamente los valores de Y se han determinado por muestra. 26

El problema de la prediccin lineal por ejemplo se reduce al problema de ajustar una lnea recta a un grupo de puntos. La ecuacin de la lnea recta se puede escribir de la forma general: Y = a + bX El problema entonces radica en determinar los valores de los parmetros a y b, de manera que la recta coincida satisfactoriamente con un juego de puntos obtenidos experimentalmente. Este problema es esencialmente la estimacin de los parmetros a y b de alguna forma eficiente. El mtodo ms conocido para problemas de regresin es el de los mnimos cuadrados, que se reduce a hallar los valores de los parmetros que reducen al mnimo la suma de los cuadrados de los errores. Mediante el empleo de matemticas superiores se obtiene que, en el caso de la lnea recta de regresin:

b=

n( X i .Y i ) ( X i )( Y i ) n X i X i
2

) (

a=

b ( X i ) n

Donde n es el nmero de pares de observaciones. En todos los casos las sumatorias van desde i = 1, hasta n. Adems de ser flexibles, los mtodos de regresin son los mtodos naturales a usar en muchas situaciones experimentales. El investigador desea, con frecuencia cambiar X por incrementos uniformes a lo largo de la regin de inters para esa variable, en lugar de tomar al azar una muestra de valores de X. An cuando un coeficiente de correlacin es til para establecer que dos variables se encuentran estrechamente relacionadas linealmente, no se presta nunca a enunciados cuantitativos, a menos que se asocie con la regresin, as pues la correlacin es slo la primera parte en el estudio de la relacin de dos variables, mientras que la regresin es la tcnica bsica en este tipo de estudios. Despus que se ha ajustado una lnea de regresin a un grupo de puntos, se puede inspeccionar su grfico y observar cuan exactamente predice los valores de Y. Existe un procedimiento matemtico para efectuar esta observacin que consiste en calcular las magnitudes de todos los errores: Yi Yi, el error tpico de estimacin, se determina por:

(Y Y ).
n

Se =

i =1

n2

Si se parte de que existe una lnea de regresin terica, de la que la recta de mnimos cuadrados es una estimacin, y se supone que los valores: Yi Yi (donde Yi es el valor de la lnea terica), son independientes y normalmente distribuidos con media 0 y la misma desviacin tpica , entonces se es una estimacin de . Adems la hiptesis de distribucin normal permite enunciar probabilidades aproximadas con respecto a los errores de prediccin, por ejemplo se puede decir que aproximadamente el 95% de los errores de prediccin sern inferiores a 2s e en aproximadamente el 95% de los errores de prediccin sern inferiores a 2s e en magnitud. En este caso la aproximacin se hace sustituyendo 2 por su estimacin de muestra 2s e, por lo que lo anteriormente dicho es slo vlido para muestras grandes. Cuando se trata de `redecir una variable por medio de otras variables, en lugar de hacerlo por medio de slo una variable ms, se emplean mtodos similares al caso de una variable, el problema se convierte en el de encontrar el plano de mejor ajuste por mnimos cuadrados, o sea como la ecuacin de un plano cualquiera se puede escribir por: Y = b0 + b1x 1 + b2x 2 + b3x 3 + El problema consiste en estimar los parmetros b0, b1, b2, b3, por el mtodo de mnimos cuadrados. Esto se hace resolviendo un grupo de ecuaciones lineales y es generalizable para cualquier cantidad de variables adicionales. En el caso de regresiones no lineales entre X y Y, como por ejemplo en el caso de ajustar a una parbola: Y = b0 + b1x + b2x
2

27

El problema de adaptar una curva mediante el mtodo de mnimos cuadrados es similar al de ajustar una ecuacin de regresin mltiple a un conjunto de puntos en el espacio de tres dimensiones. Estos mtodos pueden generalizarse para curvas polinomiales de mayor grado. En estos casos si es indispensable tener en cuenta al calcular el error tpico de estimacin, que en el denominador debe ir n s, en lugar de n 2, donde s indica el nmero de parmetros que hay que estimar.

11

ESTADSTICA APLICADA AL CONTROL DE LA CALIDAD DE LA PRODUCCIN DE CONCRETO

La base de la seguridad estructural de las obras de concreto masivo, armado y pretensado, est dada por la determinacin correcta de la resistencia caracterstica del concreto, pues los proyectistas basan sus criterios de diseo en mtodos probabilsticos, que requieren de un anlisis estadstico previo del comportamiento del concreto en las estructuras. La resistencia caracterstica a la compresin del concreto, se define en g eneral como aquel valor de la resistencia a compresin por debajo del cual es esperable que se obtenga no ms de un determinado porcentaje de la poblacin de todas las posibles mediciones de resistencia del concreto especificado. Se denota normalmente por Rbk , adjuntndole en ocasiones en trminos numricos la edad a la que se mide dicha resistencia. Si por ejemplo se estable que el porcentaje de fraccin defectuosa de la poblacin no exceda del 16%, aunque cabe indicar que en el mundo actual son contados los pases que no hayan establecido ya un porcentaje mximo del 10% para las estructuras calculadas por estados lmites y algunos pases ms desarrollados han adoptado un valor mximo del 5%. El concreto es un material heterogneo, sujeto a la influencia de numerosas variables, como por ejemplo: las caractersticas y variabilidad de cada uno de sus componentes (el cemento, los agregados, el agua, las adiciones y los aditivos qumicos), las tecnologas de dosificacin, mezclado, transporte, vertido y curado y finalmente las variaciones propias de la fabricacin y tratamiento de las probetas y de los mtodos de ensayo. En la Tabla 4 se ha reproducido la Tabla 2.1 del ACI 214-83 donde se indican claramente las fuentes principales de variacin de la resistencia de los concretos. De esta forma, al producirse un concreto bajo semejantes condiciones de empleo de materiales, tecnologa y mtodos de aseguramiento de la calidad, para una misma dosificacin y una misma edad, la serie de resultados obtenidos de resistencia a compresin ofrece una data de valores de ensayo agrupados alrededor de un valor central, que sigue una distribucin normal de frecuencias. De hecho, el establecimiento de una resistencia caracterstica, puede implicar que exista una cierta probabilidad, dada por la distribucin normal de frecuencias, de que una cantidad de valores de la data analizada, sea inferior a este valor de resistencia. No obstante que las variaciones en las resistencias mecnica y otras propiedades de los concretos, e incluso la existencia de una cierta fraccin defectuosa, deben ser aceptadas por todo lo antes expuesto, es importante recalcar que un concreto de una determinada calidad puede ser producido con elevado nivel de confiabilidad, si se mantiene un apropiado control de los niveles de variaciones ya mencionados y si los resultados de los ensayos son adecuadamente interpretados y sus limitaciones son consideradas. Una excesiva variacin de la resistencia a compresin del concreto, significa un nivel inadecuado de control y es indispensable tener en cuenta que el mejoramiento del grado de control se materializa en una reduccin notable del costo del concreto y de los consumos de cemento, ya que el valor central de la resistencia a compresin en la distribucin de frecuencias, puede ser llevado mucho ms cerca de los requisitos especificados por el proyectista mediante la resistencia caracterstica.

28

Tabla 4. Fuentes principales de variacin de la resistencia de los concretos, segn ACI 214-77 Variaciones en las propiedades del concreto 1 2. Cambios en la relacin A/C Pobre control del agua Variacin excesiva de la humedad del agregado Reajustes Variaciones en los requerimientos 2 de agua 1 Discrepancias en los mtodos de ensayos Procedimientos muestreo inadecuados de

Variaciones debido a las tcnicas de fabricacin de las probetas

Granulometra del agregado, Manipulacin y curado de las probetas hechas recientemente absorcin, forma de las partculas Propiedades del cemento y de los Pobre calidad de los moldes de las probetas aditivos Contenido de aire de la mezcla Tiempo de entrega y temperatura de la mezcla 3 Cambios en el curado de las probetas 3 Variaciones en las caractersticas y Variaciones de la temperatura la proporcin de los ingredientes Humedad variable Demoras en la entrega de las probetas Agregados al laboratorio Cemento Puzolanas Aditivos 4 Pobres procedimientos de ensayo de 4 Variaciones en el transporte, vertido las probetas y compactacin de la mezcla de concreto Colocacin del Capping de las probetas Realizacin de los ensayos a compresin 5 Variaciones en la temperatura y curado del concreto

Es importante destacar que aunque en lo adelante nos referiremos a las resistencias mecnicas y muy especialmente a la resistencia a compresin del concreto, por ser el parmetro de control ms universalmente empleado, las resistencias mecnicas no constituyen necesariamente el factor ms crtico en el proporcionamiento de las mezclas de concreto, ni en la evaluacin de su calidad, pues otros factores como la durabilidad pueden imponer relaciones agua/cemento ms bajas que las requeridas por las resistencias mecnicas y en estos casos lgicamente las resistencias obtenidas estarn en exceso con respecto a la demanda estructural. A continuacin se vern algunas definiciones importantes para efectuar la evaluacin estadstica de la produccin de concreto: Probeta: En casi todos los pases de Hispanoamrica, la probeta normalizada para los ensayos de resistencia a compresin, es la probeta cilndrica de altura nominal igual al doble del dimetro. La ms generalizada es la de 150 mm de dimetro y 300 mm de altura, vlida para concretos con agregado de 38,1 mm de tamao mximo. En ocasiones se extraen testigos cilndricos de dimensiones menores y en muy contados casos se ha utilizado la probeta cbica (de [ 150 x 150 x 150] mm para agregado de hasta 38,1 mm de tamao mximo). Es muy importante tener en cuenta que la data para efectuar los anlisis estadsticos de la resistencia a compresin del concreto debe siempre estar constituida por valores provenientes de un solo tipo de probeta. De igual forma, los mtodos de preparacin y tratamiento posterior de las probetas hasta la realizacin de los ensayos a rotura, deben ser los mismos para una misma data, al efectuar los anlisis estadsticos. Por 29

ejemplo, aunque se trate de la misma data, al efectuar los anlisis estadsticos. Por ejemplo, aunque se trate de la misma dosificacin y los mismos materiales componentes, las probetas elaboradas por picado de barra en tres capas, sern de una data diferente que las elaboradas compactndolas por vibracin, as como tambin las probetas curadas por inmersin en agua a partir de las 24 horas de su preparacin hasta el ensayo a rotura, sern de una data diferente a las curadas en cmara hmeda a 95% de humedad relativa. Serie de probetas: Es el grupo de probetas que se extrae de una misma muestra, representativa de una amasada de concreto, que se preparan y conservan en iguales condiciones y que se ensayan a una misma edad. La amasada es la porcin de mezcla de concreto que se confecciona de una sola vez, por tanto, el volumen de una amasada est directamente vinculado al volumen de concreto que es capaz de preparar la hormigonera de una sola vez. Para una amasada es suficiente en general obtener tantas series de probetas como edades se desee ensayar y cada serie de probetas debe tener tres unidades y, como mnimo dos en el caso de investigaciones de laboratorio. A pie de obra es suficiente por lo general obtener de cada amasada dos o tres series de probetas, para ensayar a 3, 7 y 28 das. Como criterio de economa es necesario extraer de cada amasada slo las series de probetas que va a ofrecer alguna informacin de inters, que vaya a ser utilizada con un fin especfico. Lote de concreto: Es el volumen de concreto de igual o semejante dosificacin y materiales componentes, que es confeccionado y puesto en obra en condiciones sensiblemente iguales y que se somete a juicio de una sola vez. El establecimiento del lote de concreto lleva implcito un perodo de tiempo o un volumen de concreto que no puede normarse, pues depende de las caractersticas propias de la produccin, de la demanda e incluso de los elementos que dicho lote va a representar. No obstante es conveniente siempre que el lote, para ser evaluado estadsticamente, cuente con no menos de 30 series de probetas, lo que har los resultados mucho ms confiables. Lgicamente esto es posible en grandes plantas preparadoras de concreto premezclado o prefabricado, pero a pie de obra no sucede as a menudo. En cualquier caso, el mnimo de series para un anlisis estadstico no debe ser inferior a seis. Con el objetivo de lograr que la frecuencia de muestreo del lote de concreto sea la suficiente para poder efectuar un anlisis estadstico, cuya solidez sea incuestionable a los efectos de la aceptacin o rechazo del mismo, el muestreo aleatorio del lote debe obedecer a un plan general cuya metodologa fue expuesta ya en el acpite 2. Pasos para efectuar la evaluacin estadstica de un lote de concreto: 1. Se parte de los ensayos individuales de rotura a compresin de las probetas de cada una de las series. La resistencia a compresin de cada probeta se calcula por Rbi = donde: F A es la carga aplicada de rotura (kN); es el rea de la seccin transversal de la probeta (cm ).
2

F A

. 10

(MPa)

Es conveniente que los valores individuales de resistencia a compresin de la serie de probetas se anote en orden consecutivo, de mayor a menor, o sea: Rbl > Rb2 > Rb3. No se pueden rechazar de forma arbitraria (a consideracin personal de los tcnicos o laboratoristas que efectan los ensayos), los resultados de resistencia individual de las probetas que parecen estar muy dispersos. Es necesario recordar que un patrn n ormal de probabilidad establece la posibilidad de tales resultados. El rechazo indiscriminado de resultados de ensayo puede distorsionar seriamente la distribucin de frecuencias haciendo poco o nada confiable el anlisis de los resultados. Si las probetas se observan defectuosas o se produjo algn accidente o error durante el ensayo, el laboratorista se limitar a tomar nota de estas irregularidades en el propio rcord de ensayos. 30

2.

Se calcula la resistencia a compresin de la serie de probetas por:

R'
Rbs =
i =1

bi

(MPa)

Adems se calcula el recorrido de la serie de probetas por:

Ri = Rb1 Rb3
O sea, la diferencia entre los valores mayor y menor de la serie. 3.

(MPa)

Se calcula la resistencia media a compresin del concreto del lote por:

R'
Rbm = y el recorrido medio del lote de concreto por:
s =1

bs

(MPa)

R
R =
i =1

(MPa)

4.

Se calcula la desviacin tpica interna del ensayo (Within Test) por: S1 =

donde: 1/d2 es la constante que depende del nmero de probetas promediadas de la serie, tal como se indica en la Tabla 5.

Tabla 5. Valores de d2 en funcin del nmero de probetas de la serie Nmero de probetas de la serie 2 3 4 5 6 7 8 9 10 d2 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 1/d2 0,8865 0,5907 0,4857 0,4299 0,3946 0,3698 0,3512 0,3367 0,3249

31

5.

Se calcula el coeficiente de variacin interno del ensayo (Within Test) por:

V1 =

S R'

100

(%)

bm

Por el valor del coeficiente de variacin interno del ensayo se puede juzgar la calidad de los ensayos y el nivel de control en la fabricacin y tratamiento de las probetas, tanto para el trabajo de campo, como para las investigaciones a escala del laboratorio. En la Tabla 6 se muestran los valores lmites de V1 para diferentes grados de control. Tabla 6. Valores de V1 para diferentes grados de control Tipo de operacin Excelente Control de campo (a pie de obra o planta) Mezclas de prueba en el laboratorio < 3,0 < 2,0 Muy bueno 3,0 4,0 2,0 3,0 Grados de control Bueno 4,0 5,0 3,0 4,0 Aceptable 5,0 6,0 4,0 5,0 Deficiente > 6,0 > 5,0

Es evidente que los resultados evaluados como aceptables o deficientes, hacen desconfiar del Sistema de Aseguramiento de la Calidad y por tanto requieren la toma de medidas inmediatas para la revisin de todos los procedimientos y mtodos de preparacin de las probetas, su tratamiento y cuado, as como de los ensayos, pues de lo contrario los resultados obtenidos del anlisis estadstico pueden ser cuestionados. 6. Se calcula la desviacin tpica del lote por:

(R'bs R'bm )
m

SL =

s =1

m 1

(MPa)

La desviacin tpica del lote refleja las variaciones entre amasadas de concreto, o sea entre las series de probetas. Estas variaciones se deben fundamentalmente a las propias variaciones en las caractersticas y propiedades de las materias primas (cemento, agregados, aditivos, adiciones y agua), a las variaciones propias del proceso de dosificacin, el mezclado, muestreo y todo el sistema de preparacin, tratamiento, curado y ensayo de las probetas, o sea incluye tambin la desviacin tpica del ensayo, de manera que:

SL2 = S12 + S22

donde: S2

(MPa)

es la desviacin tpica de amasada a amasada, sin incluir las variaciones propias del muestreo, preparacin, tratamiento, curado y ensayo de las probetas.

7.

Se evala la anormalidad, tanto de valores individuales de resistencia a la compresin de las probetas, como de las series de probetas. La anormalidad de ciertos valores individuales de resistencia a la compresin de las probetas, se evala comparando el valor individual Rbi que resulta sospechoso, con la media de la Serie Rbs . Si el valor absoluto de la diferencia entre ambos valores es mayor de 3SL, entonces es recomendable rechazar dicho valor individual. La anormalidad de los valores de resistencia a la compresin de las series, se analiza si el valor sospechoso coincide con las anotaciones del laboratorista que efectu los ensayos, indicando condiciones anormales en las probetas o errores de ensayo, en fin factores ajenos. En este caso, se halla el valor del estadgrafo tn por:

32

tn =
donde: Rbs1

R'bs R' S
L

bm

es el v alor de serie que se considera sospechoso, en MPa. El valor de tn se compara con el valor lmite de h dado en la Tabla 7, para un nivel de significacin del 5%, de manera que si tn > h, el valor de la serie que se sospecha anormal, es anormal y debe ser excluido. Es importante recalcar que la comprobacin de la anormalidad se hace para valores extremos, o sea tanto los muy bajos, como los muy altos.

8.

En el caso en que hayan sido depurados ciertos valores de ensayos individuales de probetas, o del conjunto de series, se recalcula la resistencia media a compresin y la desviacin tpica del lote, por las expresiones ya indicadas. Se calcula la resistencia caracterstica obtenida del lote por:

9.

Rbk = Rbm Z . S L
donde: Z

(MPa)

es el parmetro que depende de la fraccin defectuosa permisible, y cuyos valores han sido indicados en la Tabla 8.

Tabla 7. Valores de h en funcin de la poblacin de series de muestras Poblacin de las series 3 4 5 6 7 8 9 10 11 Poblacin de las series 12 13 14 15 16 17 18 19 20 Poblacin de las series 25 30 40 50 100 250 500 -

h 1,15 1,48 1,67 1,82 1,94 2,03 2,11 2,18 2,23

h 2,29 2,33 2,37 2,41 2,44 2,48 2,50 2,53 2,56

h 2,87 2,93 3,02 3,08 3,20 3,53 3,80 -

Cuando slo se dispone de una muestra pequea, o sea que se est evaluando una muestra con menos de 30 valores de medias muestreales, entonces la expresin para el clculo de la resistencia caracterstica ser:

Rbk = Rbm t . SL
donde: t:

(MPa)

es el percentil de Student para un nivel de confianza determinado, que por supuesto tambin corresponde con la fraccin defectuosa admisible. En la Tabla 3A del Anexo A, se muestran los valores del percentil de Student para niveles de significacin del 10, 20, 32 y 40%, que corresponden respectivamente a 33

fracciones defectuosas del 5, 10, 16 y 20% (las ms usuales actualmente en el mundo) y para diferentes grados de libertad v = n 1. Tabla 8. Valores de la fraccin defectuosa (%) en funcin de Z Fraccin defectuosa (%) 46,0 42,1 38,2 34,5 30,9 27,4 24,2 21,2 18,4 15,9 Fraccin defectuosa (%) 13,6 11,5 9,7 8,1 6,7 5,5 4,5 3,6 2,9 2,3 Fraccin defectuosa (%) 1,8 1,4 1,1 0,8 0,6 0,45 0,35 0,25 0,19 0,13

Z 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0

Z 1,10 1,20 1,30 1,40 1,50 1,60 1,70 1,80 1,90 2,00

Z 2,10 2,10 2,30 2,40 2,50 2,60 2,70 2,80 2,90 3,00

Es siempre recomendable trabajar con una poblacin no menor de 30 series muestreales, pero en ningn caso deben ser menores de seis. 10. La fraccin defectuosa obtenida del lote, o sea el porcentaje de valores de resistencia a compresin de las series, que son inferiores a la resistencia caracterstica a compresin, especificada por el proyecto (Rbkp), se puede determinar ya sea por examen directo de la poblacin de series, o si se cuenta con ms de 40 valores de series haga un muestreo, mediante la expresin de Z.

Z=

R'bm R' S
L

bkp

En la Tabla 8 se muestra el valor de la fraccin defectuosa en funcin del valor de Z obtenido. 11. Se evala la uniformidad del concreto del lote, a partir de su desviacin tpica, comparndola con los valores indicados en la Tabla 9. Tabla 9. Valores de SL (MPa) para diferentes grados de control Tipo de operacin Control de campo (a pie de obra o de planta Mezclas de prueba en el laboratorio Excelente < 2,81 Muy bueno 2,81 3,52 Grados de control Bueno 3,52 4,22 Aceptable 4,22 4,92 Deficiente > 4,92

< 1,41

1,41 1,76

1,76 2,11

2,11 2,46

> 2,46

Para el control de campo, un grado de uniformidad excelente , debe caracterizar la produccin de concreto en las plantas de prefabricados y en las plantas centralizadas gravimtricas de concreto premezclado que posean sistemas de dosificacin automticos. 34

Un grado de uniformidad muy bueno, debe caracterizar la produccin de concreto en plantas gravimtricas de concreto premezclado, con sistemas de dosificacin de control manual. Un grado de uniformidad bueno, debe caracterizar a la produccin de concreto a pie de obra en concreteras estacionarias (remolcables), con sistemas de dosificacin volumtricos. En cualquier caso, un grado de uniformidad aceptable o deficiente, requiere tomar medidas de inmediato para mejorar el mismo, pues en tales casos no tendr sentido una evaluacin mediante la estadstica, cuando la data resulta no confiable. Los criterios establecidos en la Tabla 9, permiten tambin asumir un valor de desviacin tpica que permita calcular la resistencia media para el diseo de las mezclas de concreto, a partir de la resistencia caracterstica especificada por el proyecto, de modo que:

Rbm = Rbk + SL

(MPa)

12. La aceptacin del concreto del lote, queda entonces establecida por la condicin:

Rbk

Rbkp

Si no se cumple este criterio bsico de aceptacin, no necesariamente tienen que ser demolidas las estructuras elaboradas con dicho lote, en este caso las acciones a tomar son mltiples y pueden desembocar en la aceptacin definitiva del lote con o sin penalizacin, la declaracin de las estructuras, su refuerzo, o su demolicin cuando no quede otra alternativa posible. El mtodo expuesto, en su orden lgico, permite caracterizar totalmente un lote de concreto, definir su aceptacin o no, p ero an siendo aceptado, puede ser necesario tomar medidas para mejorar el grado de control en su produccin como un criterio elemental de economa. Se ha puesto en evidencia que la caracterizacin completa de un lote de concreto, requiere la evaluacin de los siguientes parmetros: 1. 2. 3. La resistencia caracterstica obtenida (Rbk ) y la determinacin de su fraccin defectuosa. La desviacin tpica del lote (SL). El coeficiente de variacin interno del ensayo (V1).

El primero establece de facto la aceptacin o no del lote y la toma de medidas posteriores en el caso de una no-aceptacin. El segundo permite evaluar la uniformidad del concreto, su grado de control y en funcin de ello la economa de su produccin. El tercero evala la confiabilidad de todo el sistema de control de la calidad efectuado y con ello la propia confiabilidad de la caracterizacin del lote. A continuacin se da un ejemplo prctico de la aplicacin de la evaluacin estadstica de lotes de concreto. Ejemplo: Es necesario evaluar un lote de concreto, diseado para una resistencia caracterstica de 10 MPa, mediante 10 series haga un muestreo obtenidas aleatoriamente, cuyos resultados de ensayos de resistencia a compresin obtenidos en el laboratorio son los siguientes:

35

Nmero de muestra 1 2 3 4 5 6 7 8 9 10

R bl 22,0 20,8 21,0 22,5 23,0 19,0 22,3 23,5 24,0 26,0**

R b2 21,0 20,0 19,5 22,0 22,0 19,0 21,8 22,5 22,5 22,0

R b3 18,7 16,3* 19,0 20,5 21,8 18,5 21,0 18,9* 22,0 22,0

Con un asterisco (*) el laboratorista indic las probetas que presentaban fisuras y oquedades por una deficiente elaboracin y con dos asteriscos (**) un posible error de medicin durante el ensayo. Todos los valores de resistencia estn dados en MPa. El consumo de cemento de la dosificacin empleada fue de 350 kg/m . La fraccin defectuosa admisible es del 16%. Los primeros pasos consisten en determinar la resistencia media a compresin y el recorrido de cada serie, o sea:
3

Nmero de muestra 1 2 3 4 5 6 7 8 9 10

Rb1 22,0 20,8 21,0 22,5 23,0 19,0 22,3 23,5 24,0 26,0**

Rb2 21,0 20,0 19,5 22,0 22,0 19,0 21,8 22,5 22,5 22,0

Rb3 18,7 16,3* 18,0 20,5 21,8 18,5 21,0 18,9* 22,0 22,0

Rbs 20,8 19,0 19,8 21,7 22,3 18,8 21,7 21,6 22,8 23,3 = 211,6

Ir 3,3 4,5 2,0 2,0 1,2 0,5 1,4 4,6 2,0 4,0 25,4

Entonces la resistencia media del lote, ser: Rbm = 21,16 MPa y el recorrido medio: Se calcula la desviacin tpica interna del ensayo: S1 = 0,5907
2 2

R = 2,54 MPa.

= 1,5 MPa

S
y el coeficiente de variacin interno del ensayo:

36

V1 =

1,5 .100 = 7 21, 2

Este valor est evaluado como deficiente para las condiciones de campo, por lo que el sistema de control de calidad de la produccin de este concreto no resulta confiable y resulta imprescindible tomar medidas inmediatas para corregirlo. An as continuaremos el anlisis del lote. Se procede al clculo de la desviacin tpica del lote:

Nmero de muestra 1 2 3 4 5 6 7 8 9 10

Rbs 20,6 19,0 19,8 21,7 22,3 18,8 21,7 21,6 22,8 23,3

R`bs - Rbm - 0,6 - 2,2 - 1,4 0,5 1,1 - 2,4 0,5 0,4 1,6 2,1

(Rbs Rbm) 0,36 4,84 1,96 0,25 1,21 5,76 0,25 0,16 2,56 4,41

SL =

= 21,76

21,76 = 1,55 MPa 9

Este valor de desviacin tpica resulta excelente para las condiciones de campo. En este momento existen condiciones para evaluar la anormalidad o no de los valores indicados. En la muestra 2 se indic el valor individual de 16,3 cuya diferencia con la media de la serie es de: 19,0 16,3 = 2,7 MPa. Como el valor 3S L = 4,68 MPa, que es mucho mayor que 2,7 MPa, el valor individual sospechoso no se rechaza. Otro valor individual sospechoso y tambin extremo, es el de 23,3 MPa, pero la diferencia con la mezcla de la serie: 26,0 23,3 = 2,7 MPa y por tanto tampoco puede ser rechazado. Con respecto a los valores de las medias de las series, el valor ms bajo corresponde a 18,8 entonces;

tn =

18,8 21,16 1,55

= 1,52

El valor de h para una poblacin de muestras de 10, corresponde a 2,18 y como resulta mayor que 1,52 el valor extremo no se puede eliminar. El valor ms alto de las medias de las series es de 23,3 entonces:

37

tn =

23,3 21,16 1,55

= 1,38

que tambin resulta inferior a 2,18 por lo que tampoco se puede eliminar. Ya es posible efectuar el clculo de la resistencia caracterstica obtenida. Como se trata de una muestra pequea, donde n = 10, entonces: v = 9 y el valor del percentil de Student por la Tabla 3A del Anexo A, es igual a 1,053.

Rbk = Rbm - tSL Rbk = 21,16 1,053 . 1,55 = 19,53 MPa

La resistencia caracterstica obtenida es inferior a la especificada, que es de 20 MPa, por lo que el lote de concreto no puede ser aceptado. El chequeo de la fraccin defectuosa tambin lo afirma, pues hay 3 valores de medias muestreales (190; 198 y 188) que son inferiores a la resistencia caracterstica especificada, por lo que la fraccin defectuosa es del 30%, o sea muy superior al lmite mximo del 16% establecido. A tenor con todo lo antes expuesto se puede extraer las siguientes conclusiones: 1. 2. 3. El lote no se acepta sin la realizacin de estudios complementarios. El sistema de control de calidad no es confiable y tiene que ser corregido de inmediato. Es imprescindible incrementar el consumo de cemento para garantizar el requisito de aceptacin de lotes posteriores, hasta tanto no se corrijan aspectos tecnolgicos y de aseguramiento de la calidad.

En una primera aproximacin, el consumo de cemento de la mezcla se puede reajustar empleando el concepto de rendimiento del cemento, para lo cual es necesario en primer lugar establecer el ajuste mnimo de resistencia a compresin que hay que lograr, o sea: 20,0 19,53 = 0,47 MPa El rendimiento del cemento es de:

350 kg / m

19,53MPa

= 17,92 kg / m / MPa

Por lo que el consumo adicional de cemento para lograr el incremento de resistencia d eseado, estar en el orden de: 17,92 . 0,47= 8,42 kg / m
3

Que se pueden redondear a 10, por lo que el nuevo consumo de cemento de la mezcla se ajustar 3 preliminarmente a 360 kg / m .

12

MODELACIN MATEMTICA DE UN EXPERIMENTO. RECOMENDACIONES PARAMODELACIN MATEMTICA DE UN EXPERIMENTO EN EL CAMPO DE LA TECNOLOGA DEL CONCRETO

La modelacin matemtica de un experimento no es ms que la organizacin del experimento mediante un esquema previamente establecido, que tiene las propiedades ptimas desde el punto de vista del trabajo experimental y a su vez las exigencias estadsticas. La teora de la modelacin matemtica de los experimentos incluye los mtodos probabilstico-estadsticos que permiten establecer de forma fundamentada la cantidad mnima indispensable de experimentos, su composicin y el orden en que deben de ser ejecutados, para obtener las dependencias cualitativas entre el parmetro estudiado y los factores que sobre l influyen. 38

La utilizacin exitosa de los mtodos de modelacin matemtica de un experimento, depende en primer lugar de un correcto planteamiento de la tarea. El planteamiento de la tarea consiste en que el investigador tiene que poder precisar con suficiente exactitud el volumen y el contenido de la informacin que es necesario extraer del experimento, as como la posibilidad de utilizacin de los mtodos de modelacin matemtica para las condiciones concretas planteadas. Para ello es imprescindible elegir las variables independientes ms importantes y el diapasn de sus variaciones, para la determinacin de los parmetros de salida, y adems realizar los experimentos mediante un plan estadstico, ptimo, bien determinado (planteamiento matricial), en funcin del carcter de las variables dependientes estudiadas (parmetros de salida). Los mtodos de la modelacin matemtica del experimento permiten ir variando de forma simultnea algunos de los valores de las variables independientes, empleando para ello tablas existentes en forma matricial, en las cuales se dan los valores codificados de dichas variables, y en base a los resultados de los experimentos permiten obtener el modelo matemtico de las variables dependientes (parmetros de salida) estudiadas. Es importante tener claro que el verdadero carcter de una variable dependiente no siempre puede ser conocido, pero para la solucin de determinadas tareas prcticas puede ser suficiente descubrir una frmula aproximada. La forma ms cmoda de obtener dicha frmula es mediante la ecuacin en forma de polinomio. Para comenzar, o sea en una primera etapa de la investigacin se toman ecuaciones de primer grado o ecuaciones cuadrticas incompletas. Cuando se trata de tareas de optimizacin se emplean por lo general polinomios de segundo orden. En el campo de la tecnologa del concreto no aportan informacin adicional por lo general las ecuaciones de tercer orden y superiores y por lo tanto no se utilizan. En el campo de la tecnologa del concreto, los modelos matemticos pueden ser utilizados para estudiar y dirigir determinadas propiedades del concreto (resistencias mecnicas, impermeabilidad, consumo de cemento, costos, etc.) y tambin para dar solucin a determinadas tareas de optimizacin del proceso tecnolgico, como por ejemplo seleccin de los valores ptimos de las variables dependientes (parmetros de salida) en el campo de variacin de las variables independientes, o simplemente asegurar que los valores de dichas variables dependientes no sean menores que ciertos valores determinados. El primer paso importante (que decide sobre todo el experimento), es la eleccin de las variables independientes (determinadas por X), que van a influir sobre el parmetro de salida estudiado (determinado por Y). Estas variables tienen que ser realmente independientes o por lo menos si existe alguna relacin entre ellas, no puede ser fundamental. Por ejemplo no puede modelarse simultneamente el asentamiento de una mezcla fresca de concreto por el cono de Abrams, con el contenido de agua de la mezcla, pues estas variables son independientes entre s de forma fundamental. El resto de los factores que no entran en el experimento como variables independientes se toman siempre constantes. Al seleccionar las variables independientes es importante tambin tener en cuenta que sea realmente posible obtener su variacin en determinado entorno en el proceso del experimento. Por ejemplo el mdulo de finura de un agregado podra ser una variable independiente interesante al modelar las resistencias mecnicas o la durabilidad de los concretos, pero hay que tener en cuenta que variar el mdulo de finura de un agregado en determinado entorno, a nuestro antojo, es extremadamente difcil y por otra parte puede no tener ningn sentido prctico, pues dichos mdulos pueden llegar a ser obtenibles a escala de laboratorio pero nunca a escala industrial. Es preferible siempre que los parmetros de salida investigados tengan una valoracin cuantitativa, aunque es posible modelarlos por sus ndices cualitativos. Por ejemplo la consistencia de los morteros puede ser medida por la mesa de sacudidas, pero es siempre conveniente establecer cualitativamente la correa del mortero de albailera, o sea su facilidad de colocacin con la cuchara, cosa que slo puede hacerlo un albail de experiencia. Para cualquier combinacin de los valores de las variables independientes en los niveles de variacin asumidos, tiene que ser posible obtener el parmetro de salida, de lo contrario ser necesario estrechar dichos intervalos de variacin o resolver la tarea por partes. Por ejemplo, si el parmetro de salida es el asentamiento de la mezcla por el cono de Abrams, y las variables independientes son la fraccin de arena en la mezcla de agregados, el contenido de agua y la cantidad de aditivo plastificante, cualquier combinacin de estas variables 39

(dentro de los intervalos de variacin elegidos) debe permitir obtener una mezcla de concreto homognea, con asentamiento medidle por el cono de Abrams. El segundo paso es por lo tanto, establecer claramente los intervalos de variacin de las variables independientes. Al conjunto de todos los valores que puede tomar una variable independiente se le denomina campo de variacin. Es conveniente siempre trabajar con los valores de la variable de forma codificada, pues en las matrices de planificacin, los valores se dan siempre de esta forma codificada. Para codificar los valores de las variables independientes, se toma como nivel fundamental de variacin el valor central, que se denomina punto nulo y se le designa como X . El intervalo de variacin se denomina Xi y entonces, por io medio de la suma o resta del valor del intervalo de variacin al valor de la variable independiente, se obtiene el nivel superior de la variable (+1) o el inferior (-1) respectivamente, empleando la expresin:

Xi =

xi x x
i

IO

Por ejemplo, si una de las variables independientes de un experimento es la fraccin de arena con respecto al total de agregado en peso, en porcentaje y se decide variar esta fraccin entre el 30 y el 50%, con el punto nulo en el 40%, entonces:

Xi = 30; X io = 40; X1 =

Xi = 10

30 40 = -1 10 Xi = 10

Xi = 50; X io = 40; X1 =

50 40 = +1 10

Por lo tanto podemos resumir los niveles de variacin de esta variable por:

Variable independiente Fraccin en peso de la arena del total de agregados en la mezcla del concreto.

Nivel de variacin Cdigo -1 X1 30 0 40 +1 50

Intervalo de variacin

10

La eleccin de los intervalos de variacin de las variables independientes depende del objetivo de la investigacin, de las posibilidades de efectuarla con xito, e incluso de las condiciones concretas de la produccin, por lo que requiere de mucho cuidado e ingenio. Los intervalos de variacin para los modelos lineales y cuadrticos incompletos se toman como regla inferiores, que para los modelos cuadrticos completos, pues mientras ms ancho es el campo de variacin de la variable independiente, ser menos probable el carcter lineal del modelo respecto al parmetro de salida. Para evitar errores sistemticos en la realizacin de los experimentos, as como una distribucin uniforme de los factores aleatorios que siempre influyen en su realizacin (como por ejemplo las oscilaciones de la humedad y la temperatura ambiente, el cansancio del investigador, variaciones no significativas en la granulometra de los agregados, etc.), los experimentos no se ejecutan por el orden indicado en la matriz, sino por cualquier sucesin fortuita, que puede determinarse previamente con el auxilio de una tabla de nmeros aleatorios. As por ejemplo puede ser que se comience primero por el experimento No. 4, despus el No.1, despus el No.3, etc. Anteriormente se haba expresado, que siempre al comenzar un experimento se deben tomar ecuaciones o modelos lineales y cuadrticos incompletos. En estos casos se utiliza ms comnmente e experimento l 40

factorial completo con rplicas. Al ejecutar un experimento factorial completo, la modelacin se efecta slo en dos niveles, el inferior (-1) y el superior (+1). De esta forma la cantidad total de experimentos a efectuar depende de la cantidad de variables k independientes k y se determina como: 2 , o sea que si se trabaja con dos variables independientes harn 2 3 2 = 4 experimentos, si se trabaja con 3, se harn 2 = 8, y as sucesivamente. Por ejemplo, supongamos que se quiere determinar la influencia que ejercen las variables independientes X1 y X2 en alguna propiedad del concreto. La matriz de planificacin en este caso tendr el siguiente aspecto:

Puntos del modelo 1 2 3 4

Variables independientes X1 +1 +1 -1 -1 X2 +1 -1 +1 -1

Interacciones Parmetro de salida X1X2 +1 -1 -1 +1 Y Y1 Y2 Y3 Y4

Por supuesto que en la matriz de planificacin, los valores de las variables independientes aparecen en forma k codificada. Se puede observar como el nmero total de experimentos corresponde a 2 , donde k = 2, o sea un total de cuatro experimentosEn la Tabla 10 se muestra la matriz tpica de planificacin de los experimentos factoriales completos desde k = 2, hasta k = 5.

41

Tabla 10. Matriz de planificacin de los experimentos factoriales completos para k=2 hasta k=5 Puntos del modelo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 X1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1

Variables independientes X2 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 X3 +1 +1 +1 +1 -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 X4 +1 +1 +1 +1 +1 +1 +1 +1 -1 -1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1 +1 +1 +1 +1 -1 -1 -1 -1 -1 -1 -1 -1 X5 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

Los resultados de los experimentos se procesan mediante mtodos estadstico-matemticos que permitan obtener la dependencia entre los parmetros de salida y las variables independientes seleccionadas. Estas dependencias son ecuaciones de regresin lineales o cuadrticas incompletas, dadas por la siguiente frmula general:

Y Y
Con tres variables independientes: = 15 , .100 21 ,2
0 1 1

b0 + bi. X i + bij. X i . X
i =1 i= j

As por ejemplo, cuando se han seleccionado dos variables independientes:

i

b +b .X +b . X +b .X . X
0 1 1 2 2 12 1 2 3 3 12 1 2 13

b +b .X +b . X +b .X +b . X . X +b .X . X +b . X . X
2 1 3 23 2

Con cuatro variables independientes:

42

b +b .X +b . X +b . X + b . X +b . X . X +b . X . X
0 1 1 2 2 3 3 4 4 12 1 2 13 1

+ b14 . X 1 . X 4 + b23 . X 2 . X 3 + b24 . X 2 . X 4 + b34 . X 3 . X 4

Y as sucesivamente. Vase como con el incremento del nmero de variables independientes crece bruscamente el nmero de experimentos a efectuar, a lo que se suma que cada experimento debe realizarse no menos de tres veces, a esto se le denomina hacer rplicas del experimento. En una primera etapa de la investigacin es posible reducir significativamente el nmero de experimentos, eliminando ante todo las interacciones de orden superior, que al menos en el campo de la tecnologa del concreto son las menos significativas. Los coeficientes de las ecuaciones de regresin se calculan por las siguientes expresiones:

bo =

b1 =

2 3
; b ij =

X . X .Y I
i =1 iI iJ 1

I1

donde:

Y I

es la media de las rplicas de los parmetros de salida; es el nmero de experimentos o puntos del modelo.

El prximo paso consiste en hacer el anlisis estadstico de las ecuaciones de regresin. Esto es indispensable, pues la realizacin del experimento siempre est asociada a errores debidos a las propias variables independientes que son estudiadas, y como los procesos llevan un carcter probabilstico, las ecuaciones obtenidas no constituyen (ni mucho menos) sus copias exactas y slo las reflejan con determinado nivel de probabilidad, de ah que el anlisis estadstico sea una etapa obligatoria en la realizacin de la investigacin y su objetivo es establecer la importancia de los coeficientes de la ecuacin y comprobar cmo se adecua la ecuacin obtenida a los datos reales del experimento. El anlisis estadstico de la ecuacin de regresin se realiza a partir de los resultados de las rplicas de los experimentos. El anlisis estadstico incluye los siguientes pasos: Se halla la media del parmetro de salida Yi o sea:

Y Y
donde: r
i

j =1

ij

es el nmero de rplicas obtenidas del parmetro de salida. Se halla la varianza de las rplicas obtenidas del parmetro de salida, por:

S {Y } =
i

(Y Y ).
I r i =1 i =1 ij i

I ( r 1)

Se calcula la desviacin tpica del parmetro de salida:

43

S {Y } = S {y }
i i

Se halla entonces el error medio cuadrtico de la determinacin de los coeficientes de la ecuacin de regresin, por:

S (b ) S (b )
=
0 i

S {y } S (b ) I
=
i ij

Se calcula el criterio de Student (tp ) para cada uno de los coeficientes de la ecuacin de regresin, por:

F A

b ; S (b )
0 0

b t (b ) = S ( ) ; b
i p i i

t (b ) =
p ij

b S (b )
ij ij

El clculo de tp se comienza siempre por los coeficientes de valor absoluto ms pequeos. Los coeficientes se consideran significativos si el valor del criterio de Student resulta mayor que el valor dado en la Tabla 3A del Anexo A, en dependencia del nivel de significacin (o el grado de confianza) y del nmero de grados de libertad. En las investigaciones efectuadas en la Tecnologa del Concreto el nivel de significacin se toma por lo general del 5% (0,05) y el nmero de grados de libertad se determina por:

f (Y ) = I1 (r-1)
donde: r es el nmero de rplicas efectuadas a los experimentos.

Si el coeficiente no resulta significativo, puede ser omitido, sin necesidad de efectuar el reclculo de los restantes. Cuando se trabaja con ecuaciones cuadrticas completas, los coeficientes de los miembros cuadrticos se mantienen en la ecuacin, an cuando no resulten significativos. El signo del coeficiente indica prcticamente el carcter de la influencia del factor correspondiente de la ecuacin de regresin sobre el parmetro de salida, as por ejemplo un signo positivo quiere decir que con el incremento del factor e la ecuacin, se incrementa el valor del parmetro de salida y con el signo negativo lo contrario. Mientras mayor es el valor del coeficiente, ms fuerte ser su influencia sobre el parmetro de salida. Entonces resulta evidente que cuando sea necesario obtener el valor mximo del parmetro de salid, es necesario tomar los valores ms altos de los factores que tienen coeficientes con signo positivo y simultneamente tomar los valores ms bajos de los factores que tienen coeficientes con signo negativo. Es tambin importante tener presente que los valores absolutos de los coeficientes de la ecuacin de regresin se incrementan, en la medida en que son mayores los intervalos de variacin de las variables independientes. A continuacin se verifica la adecuacin de la ecuacin de regresin obtenida, o lo que es lo mismo, demostrar si las diferencias que se observan entre los valores reales de los parmetros de salida de los experimentos y los obtenidos mediante la ecuacin de regresin, se deben o no a la casualidad. A tal efecto se utiliza la distribucin F (Fisher), que permite establecer la homogeneidad de la dispersin. Para ello es necesario 2 calcular la dispersin de la adecuacin S ad por:
2 ad

S
donde: m

I1 r 2 Y i Y i ). I 1 m i =1

es el nmero de coeficientes significativos de la ecuacin de regresin;

1

Y
44

es el v alor calculado del parmetro de salida en la ecuacin.

Entonces se determina la homogeneidad de la dispersin mediante el criterio F, teniendo en cuenta que:

2 ad 2

Si

>

S {Y } , entonces F
i

S ; S {y }
ad 2
i

Si

2 ad

<

S {Y } , entonces F
i

S {y } ; S{ }
i

ad

Se halla el valor correspondiente del criterio F por la Tabla 5A del Anexo A, que est dada para un nivel de significacin del 5% (o sea un grado de confianza del 95%) y el nmero de grados de libertad, que para las columnas es de: I1 m; y para las filas es de: I1(r- 1) La ecuacin de regresin resulta adecuada si (para el nivel de significacin asumido (5%), FP < F. Si esta condicin no se cumple, esto quiere decir, que al ejecutar el experimento se han cometido errores burdos, o simplemente que el polinomio elegido no refleja de forma suficientemente completa, la dependencia investigada. En estos casos caben tres opciones principales, o repetir los experimentos, o cambiar los intervalos de variacin de las variables independientes, o utilizar otro modelo. Si la ecuacin de regresin resulta adecuada, entonces con ella es posible resolver diferentes tareas analticas y de optimizacin, de interpolacin e incluso en algunos casos de extrapolacin de los parmetros de salida, que son el objeto de la investigacin. Las tareas de interpolacin permiten descubrir el valor que adquiere el parmetro de salida dentro de los lmites del campo de variacin de las variables independientes. As colocando en la ecuacin de regresin los valores codificados de cada variable independiente (de +1 a 1), obtenemos el valor del parmetro de salida para cualquier combinacin intermedia de dichos valores. Las tareas de extrapolacin permiten pronosticar los valores de los parmetros de salida fuera de los lmites del campo de variacin de las variables independientes, pero esto slo es posible dentro de un margen adecuado de error, cuando el investigador no tiene dudas de que en los nuevos lmites utilizados como campo de variacin de las variables independientes, se mantiene el carcter de la funcin. Con las ecuaciones de regresin es posible construir grficos y nomogramas para los parmetros de salida, siempre dentro de los lmites del campo de variacin de las variables independientes. Las tareas de optimizacin consisten en establecer una combinacin tal de las variables independientes, de manera que se aseguren valores mximos o mnimos de los parmetros de salida. Los extremos se encuentran por la va de la diferenciacin sucesiva de las variables independientes as por ejemplo, un valor extremo de la ecuacin de regresin siguiente:

b +b .X +b . X +b .X +b . X . X +b .X . X +b . X . X
0 1 1 2 2 3 3 12 1 2 13 1 3 23 2

Se obtendr derivando sucesivamente la ecuacin por cada variable independiente e igualando a cero, hasta obtener el siguiente sistema de ecuaciones:

X1 X2 X3 Y 1 Y 1

Y 1

= b1 + b12 . X2 + b13 . X3 = 0

= b2 + b12 . X1 + b23 . X3 = 0

= b3 + b13 . X1 + b23 . X2 = 0 45

Haciendo las transformaciones correspondientes de estas ecuaciones, se obtiene un sistema de tres ecuaciones lineales que es posible resolver por los mtodos convencionales. A continuacin se desarrollar un ejemplo concreto de diseo y desarrollo de un experimento, empleando los mtodos antes expuestos. Si desea establecer el modelo matemtico de la resistencia a compresin del concreto a la edad de 28 das, en funcin de su relacin A/C, de la resistencia a compresin del cemento a los 28 das (Rc ), del mdulo de finura de la arena y de la humedad superficial de la arena. El objetivo final es tener la posibilidad de corregir la relacin A/C del concreto con resistencia a compresin a 28 das entre 20 y 40 MPa, con asentamiento por el cono de 6 8 cm, en dependencia de la resistencia del cemento a los 28 das, del mdulo de finura y de la humedad superficial de la arena. 1. Planeamiento de la Tarea. Rango de variacin de las variables independientes. Nivel de variacin +1 X1 0,7 0 0,5 -1 0,3

Variables Independientes Relacin A/C Resistencia del concreto Rc (MPa) Mdulo de finura de la arena (Mf ) Humedad superficial de la arena (%)

Cdigo

Intervalo de Variacin 0,2

X2

38,8

45,3

51,8

6,5

X3

1,4

2,2

0,8

X4

Se emplear el experimento factorial completo, donde la cantidad de experimentos a efectuar queda definido por: 2 = 2 = 16 Para la ecuacin de regresin se emplear un modelo cuadrtico incompleto, o sea:
k 4

Yi = bo + b1 . X 1 + b2 . X 2 + b3 . X 3 + b4 .X 4 + b12 . X 1 . X 2 + b13 . X 1 . X 3 + b14 . X 1 . X 4 + + b23 . X 2 . X 3 + b24 . X 2 . X 4 + b34 . X 3 . X 4

En la Tabla 11 se muestra la matriz de planificacin de los experimentos, con los resultados de dichos experimentos en tres rplicas, efectuados con un orden de ejecucin aleatorio. En la Tabla 12 se indican adems los parmetros de clculo de los coeficientes de la ecuacin de regresin. Ya existen condiciones para efectuar el clculo de los coeficientes de la ecuacin de regresin:

46

bo =

Y i
i =1

It

I1

bI =

X il .Y i
i =l

It

I1

; b IJ =

X
i= l

It

iI

. X iJ .Y i I1

luego:

436,33 178,73 84,93 17,53 15,67 = 27,27; b1 = =11,17; b2 = = 5,31; b3 = = 1,1; b4 = = 0,98 16 16 16 16 16 11,33 5,53 10,07 2,93 3,87 b12 = = 0,71; b13 = = 0,35; b14 = = 0,63; b23 = = 0,18 ; b24 = = 0,24 16 16 16 16 16 207 b34 = = 0,13 16 bo =
Tabla 11. Matriz de planificacin de los experimentos k = 4 Variables independientes Puntos del plano 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 X1 +1 +1 +1 +1 +1 +1 +1 +1 -1 -1 -1 -1 -1 -1 -1 -1 X2 +1 +1 +1 +1 -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 X3 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 X4 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 Y1 45,2 49 42 45 31,3 35 29,6 32 20,6 22,5 20,8 21,2 12,9 13,7 11 12 Rbh (MPa) Y2 43 49,6 39,6 44 32 34 31 33 22 21 19,6 19 11 13 10,4 11 Y3 43,3 47,5 41,1 44,2 33,3 35,4 30,6 31,9 20,7 21,9 18,4 20,7 11,8 11,1 9,8 10,3 Media de las rplicas 43,83 48,7 40,9 44,4 32,2 34,8 30,4 32,3 21,1 21,8 19,6 20,3 11,9 12,6 10,4 11,1

= 436,33
Los trminos ms pequeos aparecen subrayados. La ecuacin de regresin queda entonces:

Yi = 27,3 + 11, 2 X 1 + 5,3 X 2 +1,1 X 3 X 4 + 0,7 X 1 . X 2 + 0,3 X 1 . X 3 0,6 X i . X 4 + 0, 2 X 2 . X 3 0,3 X 2 . X 4 0,1 X 3 . X 4

Corresponde ahora efectuar el anlisis estadstico de la ecuacin de regresin. Para ello se parte de la Media Aritmtica de las rplicas del parmetro de salida Yi (Vase Tabla 11) y se calcula la Varianza de las rplicas 47

del parmetro de salida. En la Tabla 13 se muestra el clculo de la dispersin de las rplicas del parmetro de salida para cada punto del plano. Entonces:
I r

S{2yi } =

(Y
i =1 i =1

ij

Y i )2 =

I ( r 1)

29,09 = 0,9090 16 (3 1)

Tabla 12. Parmetros de clculo de los coeficientes de la ecuacin de regresin Puntos del plano 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Suma O sea: Parmetros de clculo de los coeficientes de la ecuacin

Y X1 43,83
48,7 40,9 44,4 32,2 34,8 30,4 32,3 -21,1 -21,8 -19,6 -20,3 -11,9 -12,6 -10,4 -11,1 178,73

Y X2 43,83
48,7 40,9 44,4 -32,2 -34,8 -30,4 -32,3 21,1 21,8 19,6 20,3 -11,9 -12,6 -10,4 -11,1 84,93

Y X3 43,83
48,7 -40,9 -44,4 32,2 34,8 -30,4 -32,3 21,1 21,8 -19,6 -20,3 11,9 12,6 -10,4 -11,1 17,53

Y X4 43,83
-48,7 40,9 -44,4 32,2 -34,8 30,4 -32,3 21,1 -21,8 19,6 -20,3 11,9 12,6 10,4 11,1 -15,53

Y X1X2 Y X1X3 Y X1X4 Y X2 X3 Y X2X4 Y X3X4

43,83 48,7 40,9 44,4 -32,2 -34,8 -30,4 -32,3 -21,1 -21,8 -19,6 -20,3 11,9 12,6 10,4 11,1 11,33 43,83 48,7 -40,9 -44,4 32,2 34,8 -30,4 -32,3 -21,1 -21,8 19,6 20,3 -11,9 -12,6 10,4 11,1 5,53 43,83 -48,7 40,9 -44,4 32,2 -34,8 30,4 -32,3 -21,1 21,8 -19,6 20,3 -11,9 12,6 -10,4 11,1 -10,07 43,83 48,7 -40,9 -44,4 -32,2 -34,8 30,4 32,3 21,1 21,8 -19,6 -20,3 -11,9 -12,6 10,4 11,1 2,93 43,83 -48,7 40,9 -44,4 -32,2 34,8 -30,4 32,3 21,1 -21,8 19,6 -20,3 -11,9 12,6 -10,4 11,1 -3,87 43,83 -48,7 -40,9 44,4 32,2 -34,8 -30,4 32,3 21,1 21,8 -19,6 20,3 11,9 -12,6 -10,4 11,1 -2,07

S {y } =
i

0,9090 = 0,9534

Ya existen condiciones para determinar el error medio cuadrtico de la determinacin de los coeficientes, o sea:

48

S (bo ) = S (bi ) = S ( bij ) =

S { yi} I1

0,9534 = 0,24 16

Se calcula la tp (criterio de Student) para cada coeficiente, comenzando por los ms pequeos, que fueron previamente subrayados, y si tp < t para un nivel de significacin del 5%, segn 16 (3-1) = 32 grados de libertad, entonces se puede desechar el trmino de la ecuacin de regresin, veamos: Tabla 13. Clculo de la dispersin de las rplicas del parmetro de salida Puntos del plano 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

(Y1 Yi ) 2
(45,2 - 43,8) = 1,87 (49,0 - 48,7) = 0,09 (42,0 - 40,9) = 1,21 (45,0 - 44,4) = 0,36 (31,3 - 32,2) = 0,81 (35,0 - 32,8) = 0,04 (29,6 - 30,4) = 0,64 (32,0 - 32,3) = 0,09 (20,6 - 21,1) = 0,25 (22,5 - 21,8) = 0.49 (19,6 - 20,8) = 1,44 (21,2 - 20,3) = 0,81 (12,9 - 11,9) = 1,00 (13,7 - 12,6) = 1,21 (11,1 - 10,4) = 0,36 (12,0 - 11,1) = 0,81
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

(Y2 Yi ) 2
(43,0 - 43,8) = 0,69 (49,6 - 48,7) = 0,81 (39,6 - 40,9) = 1,69 (44,0 - 44,4) = 0,16 (32,0 - 32,2) = 0,04 (34,0 - 34,8) = 0,64 (31,0 - 30,4) = 0,36 (33,0 - 32,3) = 0,49 (22,0 - 21,1) = 0,81 (21,0 - 21,8) = 0,64 (19,6 - 19,6) = 0,00 (19,0 - 20,3) = 1,69 (11,0 - 11,9) = 0,81 (13,0 - 12,6) = 0,16 (10,4 - 10,4) = 0,00 (11,0 - 11,1) = 0,01
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

(Y3 Yi ) 2
(43,3 - 43,8) = 0,28 (47,5 - 48,7) = 1,44 (41,1 - 48,7) = 0,04 (44,2 - 44,4) = 0,04 (33,3 - 32,2) = 1,21 (35,4 - 34,8) = 0,36 (30,6 - 30,4) = 0,04 (31,9 - 32,3) = 0,16 (20,7 - 21,1) = 0,16 (21,9 - 21,8) = 0,01 (18,4 - 19,6) = 1,44 (20,7 - 20,3) = 0,16 (11,8 - 11,9) = 0,01 (11,1 - 12,6) = 2,25 (9,80 - 10,4) = 0,36 (10,3 - 11,1) = 0,64
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

i =1

2,85 2,34 2,94 0,56 2,06 1,04 1,04 0,74 1,22 1,14 2,88 2,66 1,82 3,62 0,72 1,46

= 29,09
i =1

En la Tabla 3A del Anexo A, interpolando para 32 grados de libertad, t = 2,036, en tanto que:

t p (bij ) = t P ( b13 ) =

bij S (bij )

; luego t P ( b34 )=

0,13 0,18 0,24 = 0,54; t P (b23 ) = = 0,77; t P (b24 ) = =1,0; 0,24 0, 24 0,24

0,35 0,63 =1,45; t P (b14 ) = = 2,64 0,24 0,24

Se hace evidente que se pueden eliminar los trminos: b34; b23; b24 y b13, que no resultan significativos, luego la 49

ecuacin de regresin quedar:

Yi = 27,3 +11,2 X 1 + 5,3 X 2 + 1,1 X 3 + X 4 + 0,7 X 1 . X 2 0,6 X 1 . X 4

Ahora es necesario comprobar la ecuacin de regresin ajustada, calculando la dispersin de la adecuacin, para lo cual se comienza determinando el valor del parmetro de salida por cada lnea de la matriz de planificacin (Vase Tabla 11):

Y1 = 27,3 +11,2 (+1) +5,3 (+1) + 1,1( +1) (+1) + 0,7 ( +1)( +1) 0,6 (+1)( +1) = 44 Y2 = 27,3 + 11, 2 + 5,3 + 1,1+ 1 + 0,7 0,6 = 47,2 Y3 = 27,3 +11,2 + 5,3 1,1 1+ 0,7 0,6 = 41,8 Y = 27,3 + 11, 2 + 5,3 1,1 + 1+ 0,7 + 0,6 = 45
4

Y5 = 27,3 +11,2 5,3 + 1,1 1 0,7 0,6 = 32 Y = 27,3 + 11,2 5,3 +1,1 +1 0,7 + 0,6 = 35,2
6

Y7 = 27,3 + 11, 2 5,3 1,1 1 0,7 0,6 = 29,8 Y8 = 27,3 +11,2 5,3 1,1 + 1 0,7 + 0,6 = 33 Y9 = 27,3 11,2 + 5,3 + 1,1 1 0,7 + 0,6 = 21,4 Y10 = 27,3 11,2 + 5,3 + 1,1 +1 0,7 0,6 = 22,2 Y11 = 27,3 11,2 + 5,3 1,1 0,7 + 0,6 =19,2 Y12 = 27,3 11,2 + 5,3 1,1+ 1 0,7 0,6 = 20 Y13 = 27,3 11, 2 5,3 +1,1 1 + 0,7 + 0,6 =12,2 Y14 = 27,3 11,2 5,3 + 1,1+ 1 + 0,7 0,6 =13 Y15 = 27,3 11,2 5,3 1,1 1 + 0,7 + 0,6 =10 Y = 27,3 11,2 5,3 1,1 + 1+ 0,7 0,6 =10,8
16

Se calcula entonces la adecuacin de la dispersin S ad, por la expresin:

2 S ad =

I1 r (Yi Yi ) 2 I1 m i = 1

Proceso que se ha desarrollado en la Tabla 14, entonces:

2 S ad =

r Ii 3 (Yi Yi ) 2 = 16 7 .5,50 = 1,83 11 m i = 1

Ya existen condiciones para determinar la homogeneidad de la dispersin por el criterio F (Fisher) pues como:
2 S ad 1,83 = = 2,02 2 S {y i } 0,9090

2 2 S ad =1,83 y S{2y i } = 0,9090 o sea que : S ad > S {2yi } luego, FP =

50

Se halla entonces el valor correspondiente de F por la Tabla 5 del Anexo, para un grado de significacin del 5%, 32 grados de libertad por las filas y 9 grados de libertad por las columnas. El valor de F interpolado result ser de 2,24. Tabla 14. Clculo de la dispersin de la adecuacin

Puntos del plano 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Yi
44 47,2 41,8 45 32 35,2 29,8 33 21,4 22,2 19,2 20 12,2 13 10 10,8

1,2 30

Yi Yi
0,17 -1,5 0,9 0,6 -0,2 0,4 -0,6 0,7 0,3 0,4 -0,4 -0,3 0,3 0,4 -0,4 -0,3

(Yi Yi ).
0,03 2,25 0,81 0,36 0,04 0,16 0,36 0,49 0,09 0,16 0,16 0,09 0,09 0,16 0,16 0,09

43,8 48,7 40,9 44,4 32,2 34,8 30,4 32,3 21,1 21,8 19,6 20,3 11,9 12,6 10,4 11,2

= 5,50
Entonces FP < F, por lo que la ecuacin de regresin es adecuada. La ecuacin de regresin qued entonces:

Y = 27,3 +11,2 X 1 + 5,3 X 2 + 1,1 X 3 X 4 + 0,7 X 1 . X 2 0,6 X 1 . X 4

Digamos ahora que se desea saber la relacin agua/cemento (A/C) que es necesario utilizar para el diseo de un hormign de 30 MPa, con los mismos materiales, si la Rc = 40 MPa, el mdulo de finura de la arena Mf = 2,5 y la humedad superficial de la arena Hs = 2%. X1 es la relacin A/C, por lo que hay que despejar X en la ecuacin de regresin o sea: 1 51

 0,6 X 1 . X 4 0,7 X 1 . X 2 11,2 X 1 = 27,3 + 5,3 X 2 + 1,1 X 3 X 4 Y

de donde:

X1 =

27,3 + 5,3 X 2 +1,1 X 3 X 4 Y 0,6 X 4 0,7 X 2 11, 2

Los valores codificados de las variables independientes son los siguientes:

X2 =

M 2, 2 2,5 2,2 Rc 45,3 40 45,3 = = 0,82 ; X 3 = f = = 0,38 6,5 6,5 0,8 0,8 H s 3 2,5 3 = = 0, 25 2 2

X4 =

Entonces, para el hormign de calidad 30 MPa,

X1 =

27,3 + 5,3 ( 0,82) +1,1 (0,38) (0,25) 30 = 0,59 0,6 ( 0,25) 0,7 ( 0,82) 11,2

El valor natural de la relacin A/C se halla por la relacin:

A / C 0,5 , o sea que A / C = 0,2 X 1 + 0,5 0,2 A / C = 0, 2 ( 0,59) + 0,5 = 0,62 X1 =

De igual forma es posible hallar la relacin A/C para otros valores de Rc , Mf , Hs y la resistencia del hormign y con ello se puede construir un nomograma o un grfico de trabajo.

BIBLIOGRAFA

Howland Albear, Dr. Ing. Juan Jos

Elementos de Estadstica y Diseo de Experimentos en la Tecnologa del Hormign, Ministerio de la Construccin, Cuba.

52

Anexo A (Informativo)

Tabla A1. Lista ordenada de nmeros aleatorios en cuatro fracciones decimales 0,4751 0,6936 0,6112 0,7930 0,0652 0,4604 0,0167 0,0077 0,6777 0,8010 0,2091 0,3182 0,2909 0,8908 0,4818 0,2091 0,3727 0,6181 0,8636 0,8362 0,6985 0,3410 0,5937 0,6912 0,0318 0,1303 0,6893 0,3886 0,0312 0,0166 0,8636 0,5636 0,3727 0,4545 0,7272 0,8090 1,0000 0,7817 0,8090 0,5909 0,3027 0,9831 0,7159 0,3609 0,8915 0,6442 0,1904 0,6074 0,7522 0,7041 0,3454 0,3364 0,6181 0,6454 0,2636 0,3182 0,1818 0,8908 0,9181 0,8362 0,4609 0,0893 0,4542 0,9363 0,8183 0,9401 0,5967 0,7547 0,0101 0,2896 0,4000 0,9726 0,1545 0,1000 0,5636 0,5091 0,9726 0,2636 0,2909 0,8362 0,5102 0,2471 0,5693 0,8583 0,3093 0,9144 0,7944 0,8725 0,0135 0,2044 0,2364 0,3182 0,5636 0,4545 0,1818 0,9181 0,5909 0,2636 0,8908 0,7272

0,8011 0,6718 0,5567 0,0481 0,4266 0,3941 0,9876 0,6313 0,6803 0,7955

0,6454 0,6454 0,1818 0,2636 0,9454 0,5636 0,7545 0,7272 0,3182 0,9726

0,2517 0,2763 0,0314 0,9560 0,4622 0,1327 0,6922 0,0010 0,7609 0,5957

0,2909 0,8090 0,4818 1,0000 0,4000 0,7817 0,5636 0,1273 0,2091 0,1000

0,7399 0,9328 0,1507 0,3087 0,7513 0,6469 0,2536 0,1488 0,9411 0,0571

0,8080 0,5009 0,4000 0,3181 0,1818 0,4818 0,7545 0,1818 0,5636 1,0000

0,3115 0,3377 0,5661 0,4742 0,9483 0,2951 0,0441 0,9143 0,5723 0,6069

0,4000 0,8362 0,1545 0,6727 0,4000 0,6451 0,1273 0,1273 0,8362 0,4000

0,4797 0,0866 0,2889 0,4783 0,0304 0,8945 0,4499 0,9209 0,5827 0,4560

0,9454 0,4272 0,1273 0,7000 0,9181 0,4515 0,2081 0,9454 0,5636 0,8908

53

Tabla A2. reas de una distribucin normal ordinaria. Cada valor de la tabla es la proporcin bajo la curva que se encuentra entre z = 0 y un valor positivo de z. Las reas para valores negativos de z se obtienen por simetra Z 0,0 0,1 0,2 0,3 0,4 ,00 ,0000 ,0398 ,0793 ,1179 ,1554 ,01 ,0040 ,0438 ,0832 ,1217 ,1591 ,02 ,0080 ,0478 ,0871 ,1255 ,1628 ,03 ,0120 ,0517 ,0910 ,1293 ,1664 ,04 ,0160 ,0557 ,0948 ,1331 ,1700 ,05 ,0199 ,0596 ,0987 ,1368 ,1736 ,06 ,0239 ,0636 ,1026 ,1406 ,1772 ,07 ,0279 ,0675 ,1064 ,1443 ,1808 ,08 ,0319 ,0714 ,1103 ,1480 ,1844 ,09 ,0359 ,0753 ,1141 ,1517 ,1879

0,5 0,6 0,7 0,8 0,9

,1915 ,2257 ,2580 ,2881 ,3159

,1950 ,2291 ,2611 ,2910 ,3186

,1985 ,2324 ,2642 ,2939 ,3212

,2019 ,2357 ,2673 ,2967 ,3238

,2054 ,2389 ,2703 ,2995 ,3264

,2088 ,2422 ,2734 ,3023 ,3289

,2123 ,2454 ,2764 ,3051 ,3315

,2157 ,2486 ,2794 ,3078 ,3340

,2190 ,2517 ,2823 ,3106 ,3365

,2224 ,2549 ,2852 ,3133 ,3389

1,0 1,1 1,2 1,3 1,4

,3413 ,3643 ,3849 ,4032 ,4192

,3438 ,3665 ,3869 ,4049 ,4207

,3461 ,3686 ,3888 ,4066 ,4222

,3485 ,3708 ,3907 ,4082 ,4236

,3508 ,3729 ,3925 ,4099 ,4251

,3531 ,3749 ,3944 ,4115 ,4265

,3554 ,3770 ,3962 ,4131 ,4279

,3577 ,3790 ,3980 ,4147 ,4292

,3599 ,3810 ,3997 ,4162 ,4306

,3621 ,3830 ,4015 ,4177 ,4319

1,5 1,6 1,7 1,8 1,9

,4332 ,4452 ,4554 ,4641 ,4713

,4345 ,4463 ,4564 ,4649 ,4719

,4357 ,4474 ,4573 ,4656 ,4726

,4370 ,4484 ,4582 ,4664 ,4732

,4382 ,4495 ,4591 ,4671 ,4738

,4394 ,4505 ,4599 ,4678 ,4744

,4406 ,4515 ,4608 ,4686 ,4750

,4418 ,4525 ,4616 ,4693 ,4756

,4429 ,4535 ,4625 ,4699 ,4761

,4441 ,4545 ,4633 ,4706 ,4767

2,0 2,1 2,2 2,3 2,4

,4772 ,4821 ,4861 ,4893 ,4918

,4778 ,4826 ,4864 ,4896 ,4920

,4783 ,4830 ,4868 ,4898 ,4922

,4788 ,4834 ,4871 ,4901 ,4925

,4793 ,4838 ,4875 ,4904 ,4927

,4798 ,4842 ,4878 ,4906 ,4929

,4803 ,4846 ,4881 ,4909 ,4931

,4808 ,4850 ,4884 ,4911 ,4932

,4812 ,4854 ,4887 ,4913 ,4934

,4817 ,4857 ,4890 ,4916 ,4936

54

2,5 2,6 2,7 2,8 2,9 3,0

,4938 ,4953 ,4965 ,4974 ,4981 ,4987

,4940 ,4955 ,4966 ,4975 ,4982 ,4987

,4941 ,4956 ,4967 ,4976 ,4932 ,4937

,4943 ,4957 ,4968 ,4977 ,4983 ,4988

,4945 ,4959 ,4969 ,4977 ,4984 ,4988

,4946 ,4960 ,4970 ,4978 ,4984 ,4989

,4948 ,4961 ,4971 ,4979 ,4985 ,4989

,4949 ,4962 ,4972 ,4979 ,4985 ,4989

,4951 ,4963 ,4973 ,4980 ,4986 ,4990

,4952 ,4964 ,4974 ,4981 ,4986 ,4990

55

Tabla A3. Distribucin t de Student. La primera columna seala el nmero de grados de libertad v. El encabezamiento de las restantes columnas indica la probabilidad P de que t exceda numricamente al valor de la tabla P V 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 1,376 1,061 0,978 0,941 0,920 0,906 0,896 0,889 0,883 0,879 0,876 0,873 0,870 0,868 0,866 0,865 0,863 0,862 0,861 0,860 0,859 0,858 0,858 0,857 0,856 0,856 0,855 0,855 0,854 0,854 0,851 0,848 0,845 1,819 1,312 1,189 1,134 1,104 1,084 1,070 1,060 1,053 1,046 1,041 1,037 1,034 1,031 1,029 1,026 1,024 1,023 1,021 1,020 1,019 1,017 1,016 1,015 1,015 1,014 1,013 1,012 1,012 1,011 1,007 1,003 0,999 3,078 1,886 1,638 1,533 1,476 1,440 1,415 1,397 1,383 1,372 1,363 1,356 1,350 1,345 1,341 1,337 1,333 1,330 1,328 1,325 1,323 1,321 1,319 1,318 1,316 1,315 1,314 1,312 1,311 1,310 1,303 1,296 1,289 6,314 2,920 2,353 2,132 2,015 1,943 1,895 1,860 1,833 1,812 1,796 1,782 1,771 1,761 1,753 1,746 1,740 1,734 1,729 1,725 1,721 1,717 1,714 1,711 1,708 1,706 1,703 1,701 1,699 1,697 1,684 1,671 1,658 12,706 4,303 3,182 3,495 2,571 2,447 2,365 2,306 2,262 2,228 2,201 2,179 2,160 2,145 2,131 2,119 2,109 2,101 2,093 2,086 2,079 2,074 2,069 2,064 2,059 2,056 2,052 2,048 2,045 2,042 2,021 2,000 1,979 25,452 6,205 4,176 3,496 3,163 2,969 2,841 2,751 2,685 2,634 2,593 2,560 2,533 2,509 2,489 2,473 2,458 2,445 2,433 2,243 2,079 2,074 2,060 2,064 2,385 2,379 2,373 2,369 2,364 2,359 2,329 2,299 2,269 63,657 9,925 5,841 4,604 4,032 3,707 3,499 3,355 3,249 3,169 3,106 3,054 3,012 2,977 2,947 2,921 2,898 2,878 2,861 1,845 2,831 2,819 2,807 2,797 2,787 2,779 2,771 2,763 2,756 2,750 2,704 2,660 2,617 0,40 0,32 0,20 0,10 0,05 0,025 0,01

56

Tabla A4. Distribucin t x . La primera columna seala el nmero de grados de libertad v. El encabezamiento de las restantes 2 columnas indica la probabilidad de P de que x exceda al valor de la tabla P V 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 0,043927 0,010025 0,071721 0,206990 0,411740 0,675727 0,989265 1,344419 1,734926 2,15585 2,60321 3,07382 3,56503 4,07468 4,60094 5,14224 5,69724 6,26481 6,84398 7,43386 8,03366 8,64272 9,26042 9,88623 10,5197 11,1603 11,8076 12,4613 13,1211 13,7867 20,7065 27,9907 35,5346 43,2752 51,1720 59,1963 67,3276 0,039821 0,050636 0,215795 0,484419 0,831211 1,237347 1,68987 2,17973 2,70039 3,24697 3,81575 4,40379 5,00874 5,62872 6,26214 6,90766 7,56418 8,23075 8,90655 9,59083 10,28923 10,9823 11,6885 12,4001 13,1197 13,8439 14,5733 15,3079 16,0471 16,7908 24,4331 32,3574 40,4817 48,7576 57,1532 65,6466 74,2219 3,84146 5,99147 7,81473 9,48773 11,0705 12,5916 14,0671 15,5073 16,9190 18,3070 19,6751 21,0291 22,3621 23,6848 24,9958 26,2962 27,5871 28,8693 30,1435 31,4104 32,6705 33,9244 35,1725 36,4151 37,6525 38,8852 40,1133 41,3372 42,5569 43,7729 55,7585 67,5048 79,0819 90,5312 101,879 113,145 124,342 5,023889 7,37776 9,34840 11,1433 12,8325 14,4494 16,0128 17,5346 19,0228 20,4831 21,9200 23,3367 24,7356 26,1190 27,4884 28,8454 30,1910 31,5264 32,8523 34,1696 35,4789 36,7807 38,0757 39,3641 40,6465 41,9232 43,1944 44,4607 45,7222 46,9792 59,3417 71,4202 83,2976 95,0231 106,629 118,136 129,561 6,63490 9,21034 11,3449 13,2767 15,0863 16,8119 18,4753 20,0902 21,6660 23,2093 24,7250 26,2170 27,6883 29,1413 30,5779 31,9999 33,4087 34,8053 36,1908 37,5662 38,9321 40,2894 41,6384 42,9798 44,3141 45,6417 46,9630 48,2782 49,5879 50,8922 63,6907 76,1539 88,3794 100,425 112,329 124,116 135,807 7,87944 10,5966 12,8361 14,8602 16,7496 18,5476 20,2777 21,9550 23,5893 25,1882 26,7569 28,2995 29,8194 31,3193 32,8013 34,2672 35,7185 37,1564 38,5822 39,9968 41,4010 42,7956 44,1813 45,5585 46,9278 48,2899 49,6449 50,9933 52,3356 53,6720 66,7659 79,4900 91,9517 104,215 116,321 128,299 140,169 0,995 0,975 0,050 0,025 0,010 0,005

57

Tabla A5. Distribucin F (Fisher). Letra sencilla para un grado resignificacin del 5% y negritas para un grado de significacin 1%.
Grados de libertad del denominado r (r1) 1 Grados de libertad para el numerador (12) 1 2 3 4 5 6 7 8 9 10 11 12 14 16 20 30 40 50 100 500

254 6366 19.5 0 99.5 0 8.53 26.1 2

161 4052

200 4999 19.0 0 99.1 1 9.55 30.8 1

216 5403 19.1 6 99.1 7 9.28 29.4 6

225 5625 19.2 5 99.2 5 9.12 28.7 1

230 5764 19.3 0 99.3 0 9.01 28.3 4

234 5859 19.3 3 99.2 3 8.94 27.9 1

237 5928 19.3 6 99.3 4 8.88 2767

239 5981 19.3 7 99.3 6 8.84 27.4 9

241 6022 19.3 8 99.3 8 8.81 27.3 4

242 6056 19.3 9 99.4 0 8.78 27.2 3

243 6082 19.4 0 99.4 1 8.76 27.1 3

244 6106 19.4 1 99.4 2 8.74 27.0 5

245 6142 19.4 2 99.4 3 8.71 26.9 2

246 6169 19.4 3 99.4 4 8.69 26.0 3

248 6208 19.4 4 99.4 5 8.65 26.6 9

250 6258 19.4 6 99.4 7 8.62 26.5 0

251 6206 19.4 7 99.4 8 8.60 26.4 1

252 6302 19.47 99.48

253 6334 19.4 9 99.4 9

254 6361 19.5 0 99.5 0 8.54 26.1 4

18.5 1 98.4 9

10.1 3 34.1 3

8.58 26.30

8.56 26.2 3

7.71 21.2 0

6.94 18.0 0 5.79 13.2 7 5.14 10.9 2 4.74 9.55

6.59 16.6 9 5.41 12.0 6 4.76 9.78

6.39 15.9 8 5.19 11.3 9 4.53 9.15

6.26 15.5 2 5.05 10.9 7 4.39 8.75

6.16 15.2 1 4.95 10.6 7 4.28 8.47

6.09 14.9 8 4.88 10.4 5 4.21 8.26

6.04 14.8 0 4.82 10.2 7 4.15 8.10

6.00 14.6 6 4.78 10.1 5 4.10 7.98

5.96 14.5 4 4.74 10.0 5 4.06 7.07

5.93 14.4 5 4.71 9.96

5.91 14.3 7 4.68 9.89

5.87 14.2 4 4.64 9.77

5.84 4.15 4.60 9.68

5.80 14.0 2 4.56 9.55

5.74 13.0 3 4.50 9.38

5.71 13.7 4 4.46 9.29

5.70 13.69 4.44 9.24

5.66 13.5 7 4.40 9.13

5.64 13.4 8 4.37 9.04

5.63 13.4 6 4.36 9.02

6.61 16.2 6

5.99 13.7 4

4.03 7.79

4.00 7.72

3.96 7.60

3.92 7.52

3.87 7.39

3.81 7.23

3.77 7.14

3.75 7.09

3.71 6.99

3.68 6.90

3.67 6.88

5.59 13.2 5

4.35 8.45

4.12 7.88

3.97 7.46

3.87 7.19

3.79 7.00

3.73 6.84

3.68 6.71

3.63 6.62

3.60 6.54

3.57 6.47

3.52 6.35

3.49 6.27

3.44 6.15

3.38 5.98

3.34 5.90

3.32 5.85

3.28 5.75

3.24 5.67

3.23 5.65

5.32 11.2

4.46 8.65

4.07 7.59

3.84 7.01

3.69 6.63

3.58 6.37

3.50 6.19

3.44 6.03

3.39 5.91

3.34 5.82

3.31 5.74

3.28 5.67

3.23 5.56

3.20 5.48

3.15 5.36

3.08 5.20

3.05 5.11

3.03 5.06

2.98 4.96

2.94 4.88

2.93 4.06

58

5.12 10.5 4

4.26 8.02 4.10 7.56 3.98 7.20 3.88 6.93 3.80 6.70 3.74 6.51 3.68 6.36 3.63 6.23 3.59 6.11 3.55 6.01 3.52 5.93

3.86 6.99 3.71 6.55 3.59 6.22 3.49 5.95 3.41 5.74 3.34 5.56 3.29 5.42 3.24 5.29 3.20 5.08 3.16 5.09 3.13 5.01

3.63 6.42 3.48 5.99 3.36 5.67 3.26 6.41 3.18 5.20 3.11 5.03 3.06 4.89 3.01 4.77 2.96 4.67 2.93 4.58 2.90 4.50

3.48 6.06 3.33 5.64 3.20 5.32 3.11 5.06 3.02 4.86 2.96 4.69 2.90 4.56 2.85 4.44 2.81 4.34 2.77 4.25 2.74 4.17

3.37 5.90 3.22 5.39 3.09 5.07 3.00 4.82 2.92 4.62 2.85 4.46 2.79 4.32 2.74 4.20 2.70 4.10 2.66 4.01 2.63 3.94

3.29 5.62 3.14 5.21 3.01 4.88 2.92 4.65 2.84 4.44 2.77 4.28 2.70 4.14 2.66 4.03 2.62 3.93 2.58 3.85 2.55 3.77

3.23 5.47 3.07 5.06 2.95 4.74 2.85 4.50 2.77 4.30 2.70 4.14 2.64 4.00 2.59 3.89 2.55 3.79 2.51 3.71 2.48 3.63

3.18 5.35 3.02 4.95 2.90 4.63 2.80 4.39 2.72 4.19 2.65 4.03 2.59 3.09 2.54 3.78 2.50 3.68 2.46 3.60 2.43 3.52

3.13 5.26 2.97 4.85 2.86 4.54 2.76 4.30 2.67 4.10 2.60 3.94 2.55 3.80 2.49 3.69 2.45 3.59 2.41 3.41 2.38 3.43

3.10 5.18 2.94 4.78 2.82 4.46 2.72 4.23 2.63 4.02 2.56 3.86 2.51 3.73 2.45 3.61 2.41 3.52 2.37 3.44 2.34 3.36

3.07 5.11 2.91 4.71 2.79 4.40 2.69 4.16 2.60 3.96 2.53 3.80 2.48 3.67 2.42 3.55 2.38 3.45 2.34 3.37 2.31 3.30

3.02 5.00 2.86 4.60 2.74 4.29 2.64 4.06 2.55 3.85 2.48 3.70 2.43 3.56 2.37 3.45 2.33 3.35 2.29 3.27 2.26 3.19

2.98 4.92 2.82 4.62 2.70 4.21 2.60 3.98 2.51 3.78 2.44 3.62 2.39 3.48 2.33 3.37 2.29 3.27 2.25 3.19 2.21 3.12

2.93 4.80 2.77 4.41 2.65 4.10 2.54 3.86 2.46 3.67 2.39 3.51 2.33 3.36 2.28 3.25 2.23 3.16 2.19 3.07 2.15 3.00

2.86 4.64 2.70 4.25 2.57 3.94 2.46 3.70 2.38 3.61 3.31 3.34 2.25 3.20 2.20 3.10 2.15 3.00 2.11 2.91 2.07 2.84

2.82 4.56 2.67 4.17 2.53 3.86 2.42 3.61 2.34 3.42 2.27 3.26 2.21 3.12 2.16 3.01 2.11 2.92 2.07 2.83 2.02 2.76

2.80 4.51 2.64 4.12 2.50 3.80 2.40 3.56 2.32 3.37 2.24 3.21 2.18 3.07 2.13 2.96 2.08 2.86 2.04 2.78 2.2.0 0 2.70

2.76 4.41 2.59 4.01 2.45 3.70 2.35 3.46 2.26 3.27 2.19 3.11 2.12 2.97 2.07 2.86 2.02 2.76 1.98 2.68 1.94 2.60

2.72 4.33 2.55 3.93 2.41 3.62 2.31 3.38 2.22 3.18 2.14 3.02 2.08 2.89 2.02 2.77 1.97 2.67 1.93 2.59 1.90 2.51

2.71 4.31 2.54 3.91 2.40 3.60 2.30 3.36 2.21 3.16 2.13 3.00 2.07 2.87 2.01 2.75 1.96 2.65 1.92 2.57 1.88 2.49

10

4.96 10.0 4

11

4.84 9.65

12

4.75 9.33

13

4.67 9.07

14

4.60 8.06

15

4.54 8.68

16

4.49 8.53

17

4.45 8.40

18

4.41 8.28

19

4.38 8.18

59

20

4.35 8.10

3.49 5.85 3.47 5.78 3.44 5.72 3.42 5.66 3.40 5.61 3.38 5.57 3.37 5.53 3.35 5.49 3.34 5.45 3.33 5.52 3.32 5.39 3.26 5.25

3.10 4.94 3.07 4.87 3.05 4.82 3.03 4.76 3.01 4.72 2.99 4.68 2.89 4.64 2.96 4.60 2.95 4.57 2.93 4.54 2.92 4.51 2.86 4.38

2.87 4.43 2.84 4.37 2.82 4.31 2.80 4.26 2.78 4.23 2.76 4.18 2.74 4.14 2.73 4.11 2.71 4.07 2.70 4.04 2.69 4.02 2.63 3.89

2.71 4.10 2.68 4.04 2.66 3.99 2.64 3.94 2.62 3.90 2.60 3.86 2.59 3.82 2.57 3.79 2.56 3.76 2.54 3.73 2.53 3.70 2.48 3.58

2.60 3.87 2.57 3.81 2.55 3.76 2.53 3.71 2.51 3.67 2.49 3.63 2.47 3.59 2.46 3.56 2.44 3.53 2.43 3.50 2.42 3.47 2.36 3.25

2.52 3.71 2.49 3.65 2.47 3.59 2.45 3.54 2.43 3.50 2.41 3.46 2.39 3.42 2.37 3.39 2.36 3.36 2.35 3.33 2.34 3.30 2.28 3.18

2.45 3.56 2.42 3.51 2.40 3.45 2.38 3.41 2.36 3.36 2.34 3.32 2.32 3.29 2.30 3.26 2.29 3.23 2.28 3.20 2.27 3.17 2.21 3.04

2.40 3.45 2.37 3.40 2.35 3.35 2.32 3.30 2.30 3.25 2.28 3.21 2.27 3.17 2.25 3.14 2.24 3.11 2.22 3.08 2.21 3.06 2.15 2.94

2.35 3.37 2.32 3.31 2.30 3.26 2.28 3.21 2.26 3.17 2.24 3.13 2.22 3.09 2.20 3.06 2.19 3.03 2.18 3.00 2.16 2.98 2.10 2.86

2.31 3.30 2.28 3.24 2.26 3.18 2.24 3.14 2.22 3.09 2.20 3.05 2.18 3.02 2.16 2.98 2.15 2.95 2.14 2.92 2.12 2.90 2.06 2.78

2.28 3.23 2.25 3.17 2.23 3.12 2.20 3.07 2.18 3.03 2.16 2.99 2.15 2.96 2.13 2.93 2.12 2.90 2.10 2.87 2.09 2.84 2.03 2.72

2.23 3.13 2.20 3.07 2.18 3.02 2.14 2.97 2.13 2.93 2.11 2.89 2.10 2.86 2.08 2.83 2.06 2.80 2.05 2.77 2.04 2.74 1.89 2.62

2.18 3.05 2.15 2.99 2.13 2.94 2.10 2.89 2.09 2.85 2.06 2.81 2.05 2.77 2.03 2.74 2.02 2.71 2.00 2.68 1.99 2.66 1.93 2.54

2.12 2.94 2.09 2.88 2.07 2.83 2.04 2.78 2.02 2.74 2.00 2.70 1.99 2.66 1.97 2.63 1.96 2.60 1.94 2.57 1.93 2.55 1.78 2.43

2.04 2.77 2.00 2.72 1.98 2.67 1.96 2.62 1.94 2.58 1.92 2.54 1.90 2.50 1.88 2.47 1.80 2.44 1.85 2.41 1.84 2.38 1.78 2.26

1.99 2.69 1.96 2.63 1.93 2.58 1.91 2.53 1.89 2.49 1.87 2.45 1.85 2.41 1.84 2.38 1.81 2.35 1.80 2.32 1.79 2.29 1..72 2.17

1.96 2.63 1.93 2.58 1.91 2.53 1.88 2.48 1.86 2.44 1.84 2.40 1.82 2.36 1.80 2.33 1.78 2.30 1.77 2.27 1.76 2.24 1.69 2.12

1.90 2.53 1.87 2.47 1.84 2.42 1.82 2.37 1.80 2.33 1.77 2.29 1.76 2.25 1.74 2.21 1.72 2.18 1.71 2.15 1.69 2.13 1.62 2.00

1.85 2.44 1.82 2.38 1.80 2.33 1.77 2.28 1.74 2.23 1.72 2.19 1.70 2.15 1.68 2.12 1.67 2.09 1.65 2.06 1.64 2.03 1.56 1.90

1.84 2.42 1.81 2.36 1.78 2.31 1.76 2.26 1.73 2.21 1.71 2.17 1.69 2.13 1.67 2.10 1.65 2.06 1.64 2.03 1.62 2.01 1.55 1.87

21

4.32 8.02

22

4.30 7.94

23

4.28 7.88

24

4.26 7.82

25

4.24 7.77

26

4.22 7.72

27

4.21 7.68

28

4.20 7.64

29

4.18 7.60

30

4.17 7.56

36

4.11 7.39

60

40

4.08 7.31

3.23 5.18 3.20 5.10 3.18 5.06 3.17 5.01 3.15 4.98 3.14 4.95 3.13 4.92 3.11 4.88 3.09 4.82 3.07 4.78 3.06 4.62

2.84 4.31 2.81 4.24 2.79 4.20 2.78 4.16 2.76 4.13 2 2.75 4.10 2.74 4.08 2.72 4.04 2.70 3.98 2.68 3.94 2.67 3.80

2.61 3.63 2.57 3.76 2.50 3.72 2.54 3.68 2.52 3.65 2.51 3.62 2.50 3.60 2.48 3.56 2.46 3.51 2.44 3.47 2.43 3.34

2.45 3.51 2.42 3.44 2.40 3.41 2.38 3.37 2.37 3.34 2.36 3.31 2.35 3.29 2.33 3.25 2.30 3.20 2.29 3.17 2.27 3.04

2.34 3.29 2.30 3.22 2.29 3.16 2.27 3.15 2.25 3.12 2.24 3.09 2.32 3.07 2.21 3.04 2.19 2.99 2.14 2.95 2.16 2.82

2.25 3.12 2.22 3.05 2.20 3.02 2.18 2.98 2.17 2.95 2.15 2.93 2.14 2.91 2.12 2.87 2.10 2.82 2.08 2.79 2.02 2.66

2.18 2.99 2.14 2.92 2.13 2.88 2.11 2.85 2.10 2.82 2.08 2.79 2.07 2.77 2.05 2.74 2.03 2.69 2.01 2.65 2.00 2.53

2.12 2.88 2.09 2.82 2.07 2.78 2.05 2.75 2.04 2.72 2.02 2.70 2.01 2.67 1.99 2.64 1.97 2.59 1.95 2.56 1.94 2.43

2.07 2.80 2.04 2.73 2.02 2.70 2.00 2.66 1.99 2.63 1.98 2.61 1.97 2.59 1.95 2.55 1.92 2.51 1.90 2.47 1.89 2.34

2.04 2.73 2.00 2.66 1.98 2.62 1.97 2.59 1.95 2.56 1.94 2.54 1.93 2.51 1.91 2.48 1.88 2.43 1.86 2.40 1.85 2.26

2.00 2.66 1.97 2.60 1.95 2.56 1.93 2.53 1.92 2.50 1.90 2.47 1.89 2.45 1.88 2.41 1.85 2.36 1.83 2.33 1.82 2.20

1.95 2.56 1.91 2.50 1.90 2.46 1.88 2.43 1.86 2.40 1.85 2.37 1.84 2.35 1.82 2.32 1.79 2.26 1.77 2.23 1.76 2.09

1.90 2.49 1.87 2.42 1.85 2.39 1.83 2.35 1.81 2.3 1.80 2.30 1.79 2.28 1.77 2.24 1.75 2.19 1.72 2.15 1.71 2.01

1.84 2.37 1.80 2.30 1.78 2.26 1.76 2.23 1.75 2.22 1.73 2.18 1.72 2.15 1.70 2.11 1.68 2.06 1.65 2.03 1.64 1.89

1.74 2.20 1.71 2.13 1.69 2.10 1.67 2.06 1.65 2.03 1.63 2.00 1.62 1.98 1.60 1.94 1.57 1.89 1.55 1.85 1.54 1.71

1.69 2.11 1.66 2.04 1.63 2.00 1.61 1.96 1.59 1.93 1.57 1.90 1.56 1.88 1.54 1.84 1.51 1.79 1.49 1.75 1.47 1.61

1.66 2.05 1.62 1.98 1.60 1.94 1.58 1.90 1.56 1.87 1.54 1.84 1.53 1.82 1.51 1.78 1.48 1.73 1.45 1.68 1.44 1.54

159 1.94 1.54 1.86 1.52 1.82 1.50 1.70 1.48 1.74 1.46 1.71 1.45 1.69 1.42 1.65 1.39 1.59 1.36 1.54 1.34 1.38

1.53 1.84 1.48 1.76 1.46 1.71 1.43 1.66 1.41 1.63 1.39 1.60 1.37 1.56 1.35 1.52 1.30 1.46 1.27 1.40 1.25 1.19

1.51 1.81 1.46 1.72 1.44 1.68 1.41 1.64 1.39 1.60 1.37 1.56 1.35 1.53 1.32 1.49 1.28 1.43 1.25 1.37 1.22 1.11

46

4.05 7.21

50

4.03 7.17

55

4.02 7.12

60

4.00 7.08

65

3.99 7.04

70

3.89 7.01

80

3.90 6.95

100

3.94 6.90

125

3.92 6.84

150

3.91 6.68

61

200

3.89 6.76

3.04 4.71 3.02 4.66 3.00 4.62

2.65 3.88 2.62 3.83 2.61 3.80

2.41 3.41 2.39 3.36 2.38 3.34

2.26 3.11 2.23 3.06 2.22 3.04

2.14 2.90 2.12 2.85 2.10 2.82

2.05 2.73 2.03 2.69 2.02 2.66

1.98 2.60 1.96 2.55 1.95 2.53

1.92 2.50 1.90 2.46 1.89 2.43

1.87 2.41 1.85 2.37 1.84 2.34

1.83 2.34 1.81 2.29 1.80 2.25

1.80 2.28 1.78 2.23 1.76 2.20

1.74 1.17 1.72 2.12 1.70 2.09

1.69 2.09 1.67 2.04 1.65 2.01

1.62 1.97 1.60 1.92 1.58 1.89

1.52 1.79 1.49 1.74 1.47 1.71

1.45 1.69 1.42 1.64 1.41 1.61

1.42 1.62 1.38 1.57 1.36 1.54

1.32 1.48 1.28 1.42 1.26 1.38

1.22 1.33 1.16 1.24 1.13 1.19

1.19 1.28 1.13 1.19 1.08 1.11

400

3.86 6.70

1000

3.85 6.68

62

Tabla A6. Valores de w en funcin de r, donde:

w=

1 1+ r log 2 1 r
r ,50 ,51 ,52 ,53 ,54 ,55 ,56 ,57 358 ,59 ,60 ,61 ,62 ,63 ,64 ,65 ,66 ,67 ,68 ,69 ,70 ,71 ,72 ,73 ,74 w ,549 ,563 ,576 ,590 ,604 ,618 ,633 ,648 ,662 ,678 ,693 ,709 ,725 ,741 ,758 ,775 ,793 ,811 ,829 ,848 ,867 ,887 ,908 ,819 ,950 r ,75 ,76 ,77 ,78 ,79 ,80 ,81 ,82 ,83 ,84 ,85 ,86 ,87 ,88 ,89 ,90 ,91 ,92 ,93 ,94 ,95 ,96 ,97 ,98 ,99 w ,973 ,996 1,020 1,045 1,071 1,099 1,127 1,157 1,188 1,221 1,256 1,293 1,333 1,376 1,422 1,472 1,528 1,589 1,658 1,738 1,832 1,946 2,092 2,298 2,647

r ,00 ,01 ,02 ,03 ,04 ,05 ,06 ,07 ,08 ,09 ,10 ,11 ,12 ,13 ,14 ,15 ,16 ,17 ,18 ,19 ,20 ,21 ,22 ,23 ,24

w ,000 ,010 ,020 ,030 ,040 ,050 ,060 ,070 ,080 ,090 ,100 ,110 ,121 ,131 ,141 ,151 ,161 ,172 ,182 ,192 ,203 ,213 ,224 ,234 ,245

r ,25 ,26 ,27 ,28 ,29 ,30 ,31 ,32 ,33 ,34 ,35 ,36 ,37 ,38 ,39 ,40 ,41 ,42 ,43 ,44 ,45 ,46 ,47 ,48 ,49

w ,255 ,266 ,277 ,288 ,299 ,310 ,321 ,332 ,343 ,354 ,365 ,377 ,388 ,400 ,412 ,424 ,436 ,448 ,460 ,472 ,485 ,497 ,510 ,523 ,536

63

Anexo B (Informativo) Por: Mario Acosta B.1 Forma de analizar datos con Excel

Microsoft Excel proporciona un conjunto de herramientas para el anlisis de los datos (denominado Herramientas para anlisis que podr utilizar para ahorrar pasos en el desarr ollo de anlisis estadsticos. Cuando utilice una ) de estas herramientas, deber proporcionar los datos y parmetros para cada anlisis; la herramienta utilizar las funciones de macros estadsticas o tcnicas correspondientes y, a continuacin, mostrar los resultados en una tabla de resultados. Algunas herramientas generan grficos adems de tablas de resultados. Para ver una lista de las herramientas de anlisis disponibles, elija Anlisis de datos en el men Herramientas. Si este comando Anlisis de dat os no est en el men Herramientas, ejecute el programa de instalacin para instalar Herramientas para anlisis. Una vez instalado Herramientas para anlisis, deber seleccionarlo y activarlo en el Administrador de complementos o macros automticas. Para u sar estas herramientas, es necesario estar familiarizado con el rea de estadsticas o el rea tcnica en que desee desarrollar anlisis. B.1.1 Instalar y usar herramientas para anlisis

Para utilizar una herramienta de anlisis, deber organizar los datos que desee analizar en columnas o filas en la hoja de clculo. Este es el rango de entrada. Si el comando Anlisis de datos no est en el men Herramientas, ser necesario instalar Herramientas para anlisis en Microsoft Excel. B.1.2 Instalar herramientas para anlisis

B.1.2.1 En el men Herramientas, elija Complementos. Si Herramientas para anlisis no aparece en la lista del cuadro de dilogo Complementos, haga clic en Examinar y localice la unidad, la carpeta y el nombre de archivo de Herramientas para a nlisis que normalmente estar ubicado en la carpeta Library\Analysis; o bien, ejecute el programa de instalacin si no estuviera instalado. B.1.2.2 Active la casilla de verificacin Herramientas para anlisis. B.1.3 Para poner en prctica la herramienta

B.1.3.1 En el men Herramientas, elija Anlisis de datos. B.1.3.2 En el cuadro Herramientas para anlisis, haga clic en la herramienta que desee utilizar. B.1.3.3 Introduzca el rango de entrada, el rango de salida y, a continuacin, seleccione las opciones que desee. Nota B.1. Los complementos o macros automticas que seleccione en el cuadro de dilogo Complementos, permanecern activas hasta que las desactive.

B.1.4 Ejemplo para el anlisis de la Estadstica Descriptiva En el men Herramientas, elegir la opcin Anlisis de datos...

Se muestra la ventana donde se encuentran las Funciones para anlisis

Elegimos Estadstica Descriptiva Y aparece la siguiente ventana, donde seleccionamos el rango de entrada de datos y salida donde queremos los datos, adems de otros parmetros para el anlisis.

Mostrando de esta manera los resultados

ANEXO C (Informativo) C.1 Normas Venezolanas COVENIN referentes a concreto Concreto. Mtodo para la elaboracin, curado y ensayo a compresin de cilindros de concreto Concreto. Mtodo para la medicin del asentamiento con el cono de Abrams Mtodo para la elaboracin y curado en el laboratorio de probetas de concreto para ensayos de flexin Mtodo de ensayo para determinar la resistencia a la traccin por flexin del concreto usando probetas cilndricas Mtodo de ensayo para determinar la resistencia a la traccin por flexin del concreto en vigas simplemente apoyadas, con cargas a los tercios del tramo Mtodo de ensayo para determinar la resistencia a la traccin por flexin del concreto en las vigas simplemente apoyadas, con carga en el centro del tramo Concreto fresco. Toma de muestras Mtodo de ensayo para determinar el cambio de longitud en morteros de cemento y en concreto Mtodo de ensayo para determinar el contenido de aire en el concreto fresco por el mtodo volumtrico Mtodo de ensayo para determinar el contenido de aire en el concreto fresco por medio del mtodo de presin Mtodo de ensayo gravimtrico para determinar el peso por metro cbico, rendimiento y contenido de aire en el concreto Mtodo de ensayo gravimtrico para determinar la resistencia a la compresin de concreto usando porciones de vigas rotas por flexin Aditivos qumicos utilizados en el concreto. Mt odos de ensayo Mtodo de ensayo para determinar el tiempo de fraguado de mezclas de concreto por resistencia a la penetracin Mtodo de ensayo para determinar la exudacin del concreto Concreto. Mtodo para mezclado en el laboratorio Aditivos incorporadores de aire para concreto. Mtodos de ensayo Aditivos utilizados en el concreto. Especificaciones Concreto premezclado. Requisitos Mtodo de ensayo para determinar el mdulo de elasticidad (secante) en probetas cilndricas de concreto Mtodo de ensayo para determinar la resistencia de probetas de concreto a la accin de congelacin y deshielo en agua Mtodo de ensayo para la determinacin de la dureza escleromtrica en superficies de concreto endurecido Mtodo de ensayo para determinar el flujo de concreto por medio de la mesa de cadas Mtodo de ensayo para determinar la relacin de Poisson en probetas prismticas de concreto Mtodo de ensayo para la determinacin de valores comparativos de la adherencia desarrollada entre el concreto y el acero usado como refuerzo (mtodo de extraccin) Mtodo de ensayo para determinar la velocidad de propagacin de ondas en el concreto Mtodo de ensayo para determinar las frecuencias fundamentales transversales, longitudinales y torsionales de probetas de concreto Mtodo de ensayo para determinar la presencia de materiales que producen manchas en agregados para concretos livianos Mtodo de ensayo para determinar la resistencia a la compresin de concreto y mortero liviano aislante

COVENIN 338: 1994 COVENIN 339:1994 COVENIN 340:1979 COVENIN 341:1979 COVENIN 342:1979 COVENIN 343:1979 COVENIN 344:1992 COVENIN 346:1979 COVENIN 347:1979 COVENIN 348:1983 COVENIN 349:1979 COVENIN 350:1979 COVENIN 351:1994 COVENIN 352:1979 COVENIN 353:1979 COVENIN 354:2001 COVENIN 355:1994 COVENIN 356:1994 COVENIN 633:2001 COVENIN 1468:1979 COVENIN 1601:1980 COVENIN 1609:1980 COVENIN 1610:1980 COVENIN 1661:1980 COVENIN 1667:1980 COVENIN 1681:1980 COVENIN 1688:1980 COVENIN 1895:1982 COVENIN 1896:1982

COVENIN 1897:1982 COVENIN 1975:1983 COVENIN 1976:1999 COVENIN 3549:1999 C.2

Mtodo de ensayo para la obtencin, preparacin y ensayo de resistencia a la compresin de concreto y mortero endurecido liviano aislante Mtodo de ensayo para determinar el peso unitario de concreto estructural liviano Concreto. Evaluacin y mtodos de ensayo Tecnologa del concreto. Manual de elementos de estadstica y diseo de experimentos.

Normas Venezolanas COVENIN referentes a cemento y yeso Cemento Portland. Especificaciones Cemento hidrulicos. Mtodos de ensayo para anlisis qumicos Mtodo de ensayo para determinar la reactividad potencial alcalina de combinaciones cemento-agregados (mtodo de la barra de mortero) Cemento Portland. Determinacin del falso fraguado. Mtodo de la pasta Cemento Portland. Determinacin de la resistencia a la compresin de morteros en probetas cbicas de 50,8 mm de lado Cemento Portland. Descripcin de la mesa de cadas Cemento Portland. Obtencin de pasta y morteros de consistencia plstica por mezclado mecnico Cemento Portland. Determinacin de la finura por medio del aparato Blaine de permeabilidad Cemento Portland. Determinacin de la finura por medio del turbidmetro Cemento Portland. Determinacin de la finura por medio del cedazo COVENIN 325 (45 micras) Cementos hidrulicos. Mtodos para muestreos y cantidades de prueba Cemento Portland. Determinacin de la expansin en autoclave Cemento Portland. Determinacin de la densidad real Cemento Portland. Determinacin del tiempo de fraguado por la aguja de Vicat Cemento Portland. Determinacin de la consistencia normal Cemento Portland. Determinacin del calor de hidratacin Cemento Portland. Determinacin del contenido de aire en morteros Cemento Portland. Determinacin de la resistencia a la traccin por flexin de morteros Cemento Portland. Determinacin de la resistencia a la compresin de morteros usando las porciones de prismas rotos por flexin Cementos. Especificaciones para cemento portland-escoria Arena normalizada para ensayos de cemento. Requisitos Mortero de cemento hidrulico sin retraccin (grout). Determinacin del tiempo de fraguado por resistencia a la penetracin Mortero de cemento hidrulico sin retraccin (grout). Determinacin de la resistencia a la compresin Mortero de cemento hidrulico sin retraccin (grout). Determinacin del cambio de altura en muestras cilndricas Mortero de cemento hidrulico sin retraccin (grout). Determinacin del cambio de altura a edad temprana (estado fresco) Mortero de cemento hidrulico sin retraccin (grout). Determinacin del tiempo de fraguado de mezclas por la aguja de Vicat Mortero de cemento hidrulico sin retraccin (grout). Determinacin del tiempo de flujo Mortero de cemento hidrulico sin retraccin (grout). Especificaciones Cemento Portland. Determinacin del tiempo de fraguado, mediante las agujas Gillmore Cemento Portland con adiciones. Especificaciones Cemento de albailera Yeso. Construccin y moldeo. Requisitos Yeso. Construccin y moldeo. Anlisis fsico Yeso. Construccin y moldeo. Anlisis qumico.

COVENIN 28:1993 COVENIN 109:1990 COVENIN 276:1994 COVENIN 365:1994 COVENIN 484:1993 COVENIN 485:1993 COVENIN 486:1992 COVENIN 487:1993 COVENIN 488:1987 COVENIN 489:1993 COVENIN 490:1994 COVENIN 491:1994 COVENIN 492:1994 COVENIN 493:1992 COVENIN 494:1994 COVENIN 495:1992 COVENIN 496:1987 COVENIN 497:1994 COVENIN 498:1994 COVENIN 935:1976 COVENIN 2503:1990 COVENIN 2824:1991 COVENIN 2825:1991 COVENIN 2826:1991 COVENIN 2827:1991 COVENIN 2828:1991 COVENIN 2829:1991 COVENIN 2830:1991 COVENIN 3090:1994 COVENIN 3134:1994 COVENIN 3374:2000 COVENIN 3638:2000 COVENIN 3639:2000 COVENIN 3640:2000 C.3

Normas Venezolanas COVENIN referentes a agregados

COVENIN 254:1998 COVENIN 255:1998 COVENIN 256:1977 COVENIN 257:1978 COVENIN 258:1977 COVENIN 259:1977 COVENIN 260:1978 COVENIN 261:1977 COVENIN 262:1977 COVENIN 263:1978 COVENIN 264:1977 COVENIN 265:1998 COVENIN 266:1977 COVENIN 267:1978 COVENIN COVENIN COVENIN COVENIN 268:1998 269:1998 270:1998 271:1978

Cedazos de ensayo Agregados. Determinacin de la composicin granulomtrica Mtodo de ensayo para la determinacin cualitativa de impurezas orgnicas en arenas para concreto (ensayo colorimtrico) Mtodo de ensayo para determinar el contenido de terrones de arcilla y de partculas desmenuzables en agregados Mtodo de ensayo para la determinacin por lavado del contenido de materiales ms finos que el cedazo COVENIN 74 micras en agregados minerales Mtodo de ensayo para la determinacin por suspensin de partculas de 20 micras en agregados finos Mtodo de ensayo para determinar el contenido de partculas livianas en agregados Mtodo de ensayo para determinar cuantitativamente el contenido de cloruros y sulfatos solubles en las arenas Mtodo de ensayo para determinar la reactividad potencial de agregados (mtodo qumico) Mtodo de ensayo para determinar el peso unitario del agregado Mtodo de ensayo para determinar el cociente entre la dimensin mxima y la dimensin mnima en agregados gruesos para concreto Agregado grueso. Determinacin de la dureza al rayado Mtodo de ensayo para determinar la resistencia al desgaste de agregados gruesos menores de 3 mm (1 y p pulg.) por medio de la mquina de Los Angeles 8,1 Mtodo de ensayo para determinar la resistencia al desgaste en agregados gruesos mayores de 190 mm por medio de la mquina de Los Angeles Agregado fino. Determinacin de la densidad y la absorcin Agregado grueso. Determinacin de la densidad y la absorcin Agregados. Extraccin de muestras para morteros y concretos Mtodo de ensayo para determinar la disgregabilidad de agregados por medio del sulfato de sodio o sulfato de magnesio Mtodo de ensayo para determinar la humedad superficial en el agregado fino Mtodo para determinar los vacos en agregados para concretos Concreto. Agregados. Requisitos Agregado grueso. Determinacin del porcentaje de caras producidas por fractura Mtodo de ensayo para determinar la reactividad potencial alcalina de rocas carbonatadas para ser usadas como agregados para concreto (Mtodo del cilindro de la roca) Mtodo de ensayo para determinar la resistencia a la compresin de la piedra natural para la construccin Ensayo de tamizado Arena normalizada para ensayos de cemento. Requisitos Concreto. Agregado fino. Determinacin de las caractersticas geomtricas. Prueba del azul de metileno.

COVENIN 272:1978 COVENIN 274:1978 COVENIN 277:2000 COVENIN 1124:1998 COVENIN 1303:1981

COVENIN 1465:1979 COVENIN 2232:1985 COVENIN 2503:1988 COVENIN 3548:1999

C.4

Normas Venezolanas COVENIN referentes a agua para mezclado Concreto y mortero. Agua de mezclado. Requisitos.

COVENIN 2385:2000 C.5

Normas Venezolanas COVENIN referentes a encofrados Encofrados. Requisitos de seguridad.

COVENIN 2244:1991 C.6

Normas Venezolanas COVENIN referentes a terminologa Materiales de construccin. Terminologa y definiciones Concreto, mortero y componentes. Terminologa Definiciones y terminologa relativa al concreto Cemento y sus constituyentes. Definiciones Terminologa de las Normas COVENIN-MINDUR de edificaciones

COVENIN 221:2001 COVENIN 273:1998 COVENIN 337:1978 COVENIN 483:1992 COVENIN 2004:1998

COVENIN 2702:1990 COVENIN 3049:1993

Mtodos de ensayo mecnicos. Definiciones y clasificacin Mantenimiento. Definiciones.

C.7

Normas Venezolanas COVENIN referentes a edificaciones Estructuras de acero para edificaciones. Mtodo de los estados lmites Especificaciones generales para edificios

COVENIN 1618:1998 COVENIN 1750:1987 COVENIN 1755:1987

Cdigo de prcticas normalizadas para la fabricacin y construccin de estructuras de acero COVENIN 1756 -1:2001 Edificaciones sismorresistentes. Requisitos COVENIN 1756 -2:2001 Edificaciones sismorresistentes. Comentarios COVENIN 2000/II:1992 Sector construccin. Mediciones y codificacin de partidas para estudios, proyectos y construccin. Parte IIA. Edificaciones COVENIN 2000-2:1999 Sector construccin. Mediciones y codificacin de partidas para estudios, proyectos y construccin. Parte 2: Edificaciones. Suplemento. COVENIN 2002:1988 Criterios y acciones mnimas para el proyecto de edificaciones COVENIN 2003:1989 Acciones del viento sobre las construcciones COVENIN 2733:1990 Proyecto, construccin y adaptacin de edificaciones de uso pblico accesibles a personas con impedimentos fsicos COVENIN 3400:1998 Impermeabilizacin de edificaciones. C.8 Normas Venezolanas COVENIN referentes a mtodos estadsticos Estadstica. Vocabulario y smbolos. Parte 1: Trminos relativos a probabilidades y estadstica general Estadstica. Vocabulario y smbolos. Parte 1: Trminos relativos a probabilidades y estadstica general Exactitud (veracidad y precisin) de mtodos de medicin y resultados. Parte 1: Principios y definiciones generales Exactitud (veracidad y precisin) de mtodos de medicin y resultados. Parte 2: Mtodo bsico para la determinacin de la repetibilidad y reproducibilidad de un mtodo estndar de medicin Exactitud (veracidad y precisin) de resultados y mtodos de medicin. Parte 4: Mtodo bsico para la determinacin de la veracidad de un mtodo de medicin normalizado Exactitud (veracidad y precisin) de resultados y mtodos de medicin. Parte 5: Mtodos alternativos para la determinacin de la presicin de un mtodo de medicin normalizado Procedimiento de muestreo para inspeccin por atributos. Parte 0: Introduccin al sistema de muestreo por atributos Grficos de control de Shewhart Grficos de control. Gua general e introduccin Procedimientos de muestreo y grficos de inspeccin por variables para porcentajes de no conformes Interpretacin de datos estadsticos. Estimacin de una mediana Interpretacin estadstica de datos. Comparacin de dos medas en el caso de observaciones pareadas Estadstica. Vocabulario y smbolos. Parte 1: Trminos relativos a probabilidades y estadstica general Estadstica. Vocabulario y smbolos. Parte 2: Control estadstico de la calidad Estadstica. Vocabulario y smbolos. Parte 3: Diseo de experimentos Gua para la aplicacin de tcnicas estadsticas en la familia de normas ISO 9000

COVENIN-ISO 3534-1:1995 COVENIN-ISO 3534-1:1995 COVENIN-ISO 2972-1:1996 COVENIN-ISO 2972-2:1996 COVENIN-ISO 2972-4:2000

COVENIN-ISO 2972-5:2000

COVENIN-ISO 3133-0:1997 COVENIN-ISO 3140:1995 COVENIN-ISO 3208:1996 COVENIN-ISO 3269:1996 COVENIN-ISO 3317:1997 COVENIN-ISO 3372:1998 COVENIN-ISO 3534-1:1995 COVENIN-ISO 3534-2:1995 COVENIN-ISO 3534-3:1996 COVENIN-ISO 10017:2000 C.9

Normas Venezolanas COVENIN referentes a calidad Ensayos de aptitud por comparaciones interlaboratorios. Parte 1: Desarrollo y funcionamiento de programas de ensayos de aptitud

COVENIN-ISO 2679-1:1998

COVENIN-ISO 2679-2:1998 COVENIN-ISO 2793:1998 COVENIN-ISO 2973:1998 COVENIN-ISO 3413:1998 COVENIN-ISO 9000:2000 COVENIN-ISO 9001:2000 COVENIN-ISO 9004:2000 COVENIN-ISO 10014:1999

Ensayos de aptitud por comparaciones interlaboratorios. Parte 2: Desarrollo y funcionamiento de programas de ensayos de aptitud Reglas generales para establecer un sistema de certificacin de productos por terceras partes Directrices para la presentacin de resultados de inspeccin Gua para la seleccin de mtodos estadsticos en normalizacin y especificaciones Sistemas de gestin de la calidad. Fundamentos y vocabulario Sistemas de gestin de la calidad. Requisitos Sistemas de gestin de la calidad. Directrices para la mejora del desempeo Directrices para la gestin de los aspectos econmicos de la calidad.

COVENIN 3549:1999

CATEGORA F

FONDONORMA Av. Andrs Bello Edif. Torre Fondo Comn Pisos 11 y 12

Telf. 575.41.11 Fax: 574.13.12 CARACAS

publicacin de:
I.C.S: ISBN: 03.120.30; 91.100.30 980-06-2483-X

FONDONORMA

RESERVADOS TODOS LOS DERECHOS Prohibida la reproduccin total o parcial, por cualquier medio.

Descriptores: Concreto, tecnologa del concreto, estadstica.