“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

UNIVERSIDAD NACIONAL DE INGENIERA - UNIDAD DE POSGRADO

FACULTAD DE INGENIERIA CIVIL
MAESTRIA EN CIENCIAS EN INGENIERIA CIVIL CON MENCIÓN EN TRANSPORTES.

TRABAJO FINAL
NOMBRE:

ING. CORTEZ NUÑEZ, ADHERLY YAMIL

CURSO:

C - 927 - ESTADISTICA, PROBABILIDAD Y SIMULACIÓN

TEMA:

ANALISIS ESTADISTICOS, PROBABILIDADES Y SIMULACIÓN DE RESISENTENCIA Y

ASENTAMIENTO EN DISEÑOS DE MEZCLAS DE CONCRETOS AUTOCOMPACTANTES.

DOCENTE:

Dr. ALAN AYALA OBREGON

AGOSTO, 2020.
 ANALISIS ESTADISTICOS, PROBABILIDADES Y SIMULACIÓN DE RESISENTENCIA Y
ASENTAMIENTO EN DISEÑOS DE MEZCLAS DE CONCRETOS AUTOCOMPACTANTES.

Data

La industria del concreto evoluciona cada día más para satisfacer las necesidades de todo tipo
de proyectos, es así como la tecnología del concreto presenta alternativas que se ajustan
perfectamente a requerimientos donde los elementos estructurales tienen cuantías de acero
altas, espacios reducidos, formas diversas o simplemente elementos que no permiten una
vibración mecánica.

El concreto autocompactante, conocido como CAC, es una mezcla capaz de moverse por medio
de los elementos que presenten complejidad y que no requiere consolidación, tarea que debe
realizarse obligatoriamente en los concretos convencionales.

Este concreto es un poco más pastoso, viscoso, y tiene grado de cohesividad alto. Usualmente
no se segrega y puede manejar estándares de asentamiento altos.

Mi data consta de 167 datos y pertenece a una recopilación de artículos, tesis y estudios que se
han realizado y se encuentren en la red sobre el concreto autocompactante, en las cuales tengo
las siguientes variables:

• Cemento (kg/m3): El cemento es usado como conglomerante hidráulico, que al contacto

con agua genera superficies duras. Esta variable me brinda la cantidad de cemento en
peso(kg) por cada m3 de concreto, que se usó en la muestra ensayada.
• Ceniza Volante (kg/m3): La ceniza volante se usa como reemplazo en proporciones del
cemento. Esta variable indica la cantidad de ceniza volante en peso (kg) por cada m3 de
concreto,
• Agua (m3): Variable que nos indica el volumen de agua que fue usado en la muestra, el
agua sirve para ayudar a homogenizar y mezclar los componentes del concreto.
• Arena (kg/m3): Variable que indica la cantidad de agregado fino en peso por cada m3
de concreto, se usa para dar mayor trabajabilidad a la muestra, tener menos porosidad.
• Agg Grueso (kg/m3): Variable que indica la cantidad de agregado grueso en peso por
cada m3 de concreto, influye en la resistencia del concreto.
• SP (%): Variable que indica la el % del peso respecto al del cemento, este componente
se utiliza, para dar mayor trabajabilidad, mayor asentamiento, en otras palabras para
que el concreto sea más fluido.
• Aglutinante (kg/m3): Variable que indica la cantidad de aglutinante en peso por cada
m3 de concreto, Dentro de la muestra existen 10 ensayos donde usaron aglutinante, el
cual evita la segregación de los materiales en la mezcla de concreto.
• Aire (%): Se realizaron muestras en las que se evaluaba de qué manera influenciaba el
aire en generar concretos más fluidos y con buena resistencia.
• Resistencia: Datos obtenidos mediante el ensayo a la compresión mediante prensa de
rotura a los 28 días de vida, la resistencia fue medida en Mpa.
• Asentamiento (mm): Resultados obtenidos con el ensayo del cono de abrams expresado
en mm, con esta variable sabemos que tan fluido se consiguió la mezcla.

Resistencia y el Asentamiento, variables continuas y son mis variables de interés

En el caso de Aglutinante y Aire, se tiene muchos valores 0 debido a que fueron solo algunas
muestras las que se usaron estos elementos.

Tabla de frecuencia:

• Resistencia:

mínimo 4.40
máximo 89.10
rango 84.70
N° intervalos 9.00
ancho 9.41

Rango xi n N fi fi
4.40 13.81 9.11 1 1 0.60% 0.60%
13.81 23.22 18.52 6 7 3.59% 4.19%
23.22 32.63 27.93 15 22 8.98% 13.17%
32.63 42.04 37.34 56 78 33.53% 46.71%
42.04 51.46 46.75 30 108 17.96% 64.67%
51.46 60.87 56.16 26 134 15.57% 80.24%
60.87 70.28 65.57 18 152 10.78% 91.02%
70.28 79.69 74.98 11 163 6.59% 97.60%
79.69 89.10 84.39 4 167 2.40% 100.00%

De la tabla de distribución de frecuencia se puede decir que la mayor cantidad de

resultados obtenidos se encuentran entre 32.63 y 42.04 MPa, siendo este el intervalo
modal, y su moda 38.39 MPa.
 • Asentamiento:
mínimo 510.00
máximo 806.00
rango 296.00
N° intervalos 9.00
ancho 32.89

Rango xi n N fi fi
510.00 542.89 526.44 2 2 1.20% 1.20%
542.89 575.78 559.33 5 7 2.99% 4.19%
575.78 608.67 592.22 12 19 7.19% 11.38%
608.67 641.56 625.11 12 31 7.19% 18.56%
641.56 674.44 658.00 30 61 17.96% 36.53%
674.44 707.33 690.89 33 94 19.76% 56.29%
707.33 740.22 723.78 47 141 28.14% 84.43%
740.22 773.11 756.67 11 152 6.59% 91.02%
773.11 806.00 789.56 15 167 8.98% 100.00%

De la tabla de distribución de frecuencia se puede decir que la mayor cantidad de

resultados obtenidos se encuentran entre 707.33 y 740.22 mm, siendo este el intervalo
modal, y su moda 709.96 mm.

Medidas de tendencia:

Para el calculo de las medidas de tendencia central se utilizo el programa Python. El cual nos
ayuda a obtener estos datos de manera más sencilla y nos ahorra el cálculo matemático que
normalmente se realiza.

Gráficos:

• Gráfico 2 variables: En esta grafica tenemos el SP vs Agua, donde podemos ver que a
mayor % de SP la cantidad de agua disminuye.
• Gráfico pie:

Se puede apreciar que de una mezcla de concreto autocompactante el % de pesos el

que mayor incidencia posee es la arena, seguido de la piedra y luego el cemento +
cenizas volantes, el SP aporta apenas un 0.1% del peso de la mezcla, el agua no refleja
en esta grafica debido a que su incidencia es pequeña.

• Graficas de distribución: En este caso se mostrarán las gráficas de distribución de las

todas las variables, pero analizaremos solo las variables de interés.
Para nuestra variable Resistencia, podemos indicar que los datos se encuentran
distribuidos de manera Lognormal, esto se comprobara más adelante con el test
respectivo, encontrándose la mayoría de los datos entre 32.63 a 42.04 MPa.
 Para nuestra variable Asentamiento, podemos indicar que los datos se encuentran
distribuidos de manera normal, esto se comprobara más adelante con el test respectivo,
encontrándose la mayoría de los datos entre 707.33 y 740.22 mm.

Coeficientes de correlación:

• Pearson: A través del coeficiente de Pearson, verificaremos que relación poseen las
variables entre sí, especialmente con respecto a las variables de interés.

Agg Ceniza Aglutinante Aire

Variable Cemento SP Arena Agua Volante
grueso
Resistencia 0.325 0.099 0.086 -0.031 -0.047 0.035 -0.034 0.029
Asentamiento 0.076 0.114 -0.305 0.017 0.030 0.175 -0.222 0.126

Para Resistencia el cemento es la variable con mayor correlación, se puede afirmar que
a mayor cemento mas resistencia, pero que a mayor agua menos resistencia.

Para Asentamiento el superplastificante es la variable con mayor correlación, se puede

afirmar que a mayor SP mayor es el asentamiento, pero que a mayor agregado grueso
menor asentamiento.

Así mismo con la ayuda de Python, se pudieron obtener estos datos de manera sencilla
y completa.

• Spearman

Agg Ceniza Aglutinante Aire

Variable Cemento SP Arena Agua Volante
grueso
Resistencia 0.0053 0.2667 0.8113 0.5927 0.6186 0.0681 0.7852 0.3222
Asentamiento 0.5494 0.4102 0.00007 0.1830 0.8643 0.2881 0.0063 0.1838

• Kendall

Agg Ceniza Aglutinante Aire

Variable Cemento SP Arena Agua Volante
grueso
Resistencia 0.0030 0.2638 0.7617 0.6379 0.4956 0.1086 0.8135 0.3641
Asentamiento 0.5365 0.4400 0.0001 0.1422 0.8810 0.2976 0.0067 0.1584
Regresión Lineal:

La regresión lineal, es un modelo matemático usado para la predicción de valores (Yi)

partiendo de un conjunto de datos (X) y resultados (Y). Mientras mayor relación posean
las variables, más real es el valor predicho, esto es aceptado o rechazado con el valor
R^2, mientras más próximo a 1, mayor aceptación, mientras más cerca de 0, mayor
rechazo.

Como hemos observado de los datos Pearson obtenidos, para resistencia, la variable
que mayor correlación positiva posee es el cemento, por ello realizaremos una regresión
lineal entre estos valores, para ello usaremos el programa Python, el cual nos brinda la
gráfica y la formula predictora respectiva.

Y = Resistencia X = Cemento

El valor R^2 obtenido para esta regresión es 0.325, con este valor, podemos decir que la
relación entre las variables es muy pequeña, los datos y resultados están muy dispersos,
siendo su formula de predicción la siguiente:

Y = 0.04 X + 30.88

Test de distribución:

• Test de distribución normal:

PRUEBA ESTADISTICA - SHAPIRO - WILK
Variable – Resistencia
1.- Hipótesis: H0: La muestra tiene una distribución gaussiana
H1: La muestra no tiene una distribución gaussiana

2.- Significancia  = 0.05

3.- Valor calculado Stat = 0.972

(stats)
4.- p-valor p = 0.002
5. Decisión Si p > , entonces aceptamos o no podemos rechazar H0, caso
contrario rechazamos H0 y aceptamos H1
6.- Conclusión
Se tiene una muestra con distribución probablemente no Gaussiana, rechazamos la hipótesis
nula (H0)
 Debido a que nuestro valor p es menor que el nivel de significancia establecido,
podemos decir que la muestra probablemente no posee una distribución normal.
PRUEBA ESTADISTICA - D’Agostino’s K^2
Variable – Asentamiento
1.- Hipótesis: H0: La muestra tiene una distribución gaussiana
H1: La muestra no tiene una distribución gaussiana

2.- Significancia  = 0.05

3.- Valor calculado Stat = 4.197

(stats)
4.- p-valor p = 0.123
5. Decisión Si p > , entonces aceptamos o no podemos rechazar H0, caso
contrario rechazamos H0 y aceptamos H1
6.- Conclusión
Se tiene una muestra con distribución probablemente Gaussiana, no podemos rechazar la
hipótesis nula (H0)

Debido a que nuestro valor p es mayor al nivel de significancia establecido, podemos

decir que la muestra probablemente posee una distribución normal.

• Test de distribución Kolmogorov – Estandarización de variable:

PRUEBA ESTADISTICA – Kolmogorov – Estandarización de variable
Variable – Resistencia
1.- Hipótesis: H0: Se ajusta a una distribución Logarítmica normal
H1: No se ajusta a una distribución Logarítmica normal

2.- Significancia  = 0.05

3.- Valor calculado Stat = 0.08179

(stats)
4.- p-valor p = 0.2024
5. Decisión Si p > , entonces aceptamos o no podemos rechazar H0, caso
contrario rechazamos H0 y aceptamos H1
6.- Conclusión
Probablemente se ajusta a una distribución de tipo Logarítmica normal

Debido a que nuestro valor p es mayor al nivel de significancia establecido, podemos

decir que la muestra probablemente se ajusta una distribución Logarítmica normal.
 PRUEBA ESTADISTICA – Kolmogorov – Estandarización de variable
Variable – Asentamiento
1.- Hipótesis: H0: Se ajusta a una distribución normal
H1: No se ajusta a una distribución normal

2.- Significancia  = 0.05

3.- Valor calculado Stat = 0.0697

(stats)
4.- p-valor p = 0.3741
5. Decisión Si p > , entonces aceptamos o no podemos rechazar H0, caso
contrario rechazamos H0 y aceptamos H1
6.- Conclusión
Probablemente se ajusta a una distribución de tipo normal

Debido a que nuestro valor p es mayor al nivel de significancia establecido, podemos

decir que la muestra probablemente se ajusta una distribución normal.

Probabilidades:

Una vez definido el tipo de distribución que poseen las variables de interés, podemos
aplicar probabilidades, recordando que para variables continuas no se puede obtener la
probabilidad de un valor fijo, si no de un rango de valores, para el calculo de
probabilidades hemos usado el programa Python.

Resistencia:

Variable continua, para el cálculo de probabilidades lo ajustamos a una distribución

normal, su función de densidad de probabilidad es:

Histograma de la variable Resistencia

 Ejercicios:

• Cual es la probabilidad de tener una resistencia entre 20 a 50 MPa.

Probabilidad de que la resistencia esté entre 20 y 50 es 54.3%

Asentamiento:

Variable continúa ajustada a una distribución normal, su función de densidad de

probabilidad es:

Histograma de la variable Asentamiento:

Ejercicios:

• ¿Cuál es la probabilidad de tener un asentamiento entre 650 y 720 mm?

Usando Python: Rpta. Probabilidad de que el asentamiento esté

entre 650 y 720 es 43.7%
MACHINE LEARNING:

El aprendizaje automático o automatizado es una rama de la inteligencia artificial, cuyo

objetivo es lograr que la computadora nos ayude a predecir valores a través del
aprendizaje. Para realizar machine learning, hemos usado el programa Python, para el
cual hemos definido nuestras variables de interés, realizando análisis para cada uno por
separado ya que la resistencia y el nivel de fluidez de la mezcla son 02 valores que nos
interesan a la hora de realizar concretos autocompactantes. Una vez definidas nuestras
variables de interés hemos procedido a dividir la tabla de datos de la siguiente manera
70% de la data para entrenamiento y el 30% para prueba, obteniéndose así los siguientes
resultados.

Resistencia:

Selección de variables influyentes, para este caso hemos indicado al programa que
desestime la variable estudiada (Resistencia) y la 2da variable de interés
(Asentamiento), seguido a ello realizamos la partición de los datos (Tabla con el 70% de
los datos de entrenamiento)

Luego de brindarle los datos de aprendizaje al computador se procede a realizar las

pruebas de predicciones con el 30% de la data restante, obteniendo mejor resultados
con el método “Gradient Boosting Regressor”, el cual nos brinda un error de 10.825
Mpa, generándonos así la siguiente grafica de predicción:
 Donde podemos observar que las variables que mayor incidencia tienen a la
hora de buscar una resistencia del concreto autocompactante es el cemento,
seguido de la arena.

Asentamiento:

Selección de variables influyentes, para este caso hemos indicado al programa que
desestime la variable estudiada (Asentamiento) y la 2da variable de interés
(Resistencia), seguido a ello realizamos la partición de los datos (Tabla con el 70% de los
datos de entrenamiento).

Luego de brindarle los datos de aprendizaje al computador se procede a realizar las pruebas de
predicciones con el 30% de la data restante, obteniendo mejor resultados con el método “Ada
Boost Regressor”, el cual nos brinda un error de 56.209 mm, generándonos así la siguiente
grafica de predicción:
 Donde podemos observar que las variables que mayor incidencia tienen a la
hora de buscar una buena fluidez del concreto autocompactante es el SP,
seguido de la arena.

FUENTES:
- https://www.researchgate.net/profile/Rafael_Robayo-Salazar/pu
blication/264962560_OBTENCION_DE_CONCRETOS_AUTOCOMPACTANTES_E
MPLEANDO_RESIDUOS_DE_DEMOLICION/links/54b4107f0cf2318f0f96ac3
f/OBTENCION-DE-CONCRETOS-AUTOCOMPACTANTES-EMPLEANDO-RESIDUOS-
DE-DEMOLICION.pdf
- file:///C:/Users/Juan%20Cortez/Downloads/TCIV_06.pdf
- https://www.sciencedirect.com/science/article/pii/S1110016817
301503#b0150
- http://ri.ues.edu.sv/id/eprint/4569/1/Concreto%20autocompacta
ble%20propuesta%20para%20el%20uso%20de%20mezcla.%20beneficios
%20t%C3%A9cnicos%20y%20consideraciones%20b%C3%A1sicas%20para%
20su%20implementaci%C3%B3n%20en%20El%20Salvador.pdf
- http://repositorio.uss.edu.pe/bitstream/handle/uss/2713/Tesis
%20RABANAL%20GONZAL;jsessionid=C0C01D048E50B022270C2A3D5F91E1
91?sequence=1
- https://www.researchgate.net/publication/28793340_Diseno_De_M
ezclas_Para_Hormigon_Autocompactante
- https://repositorio.uta.edu.ec/bitstream/123456789/15910/1/Te
sis%20938%20-%20Sober%C3%B3n%20L%C3%B3pez%20Iv%C3%A1n%20Ferna
ndo.pdf
- http://cybertesis.uni.edu.pe/bitstream/uni/3065/1/pineda_vh.p
df
- https://www.concretonline.com/prefabricados/diseno-de-la-mezc
la-del-hormigon-autocompactante-por-el-metodo-brasileno
- http://repositorio.unsch.edu.pe/bitstream/handle/UNSCH/3259/T
ESIS%20CIV501_Hua.pdf?sequence=1&isAllowed=y
- https://www.redalyc.org/pdf/852/85244549002.pdf
- http://repositorio.unc.edu.pe/bitstream/handle/UNC/393/T%2069
3.5%20S211%202014.pdf?sequence=1&isAllowed=y