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 condiciones de elaboracin sensiblemente
iguales, como:
3

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.

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.
3

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:
3

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

Volumen del
sublote
3
(m )

Volumen del
Volumen total a
lote a muestrear
muestrear
3
3
(m )
(m )

0,4751

100

47

47

0,6936

100

69

169

0,6112

100

61

261

0,7930

100

79

379

0,0652

100

6,5

406,5

0,4604

100

46

546

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

Magnitud del
sublote
(min)

Tiempo del
muestreo en el
sublote (min)

Momento del
muestreo

0,4751

80

38

8:38 am

0,6936

80

55

10:15 am

0,6112

80

49

11:29 am

0,7930

80

63

2:03 pm

0,0652

80

2:25 pm

0,4604

80

37

4:17 pm

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)

Frecuencias

Marcas de clase
(MPa)

Frecuencias
(f)

17,55 17,75

17,65

17,75 17,95

17,85

17,95 18,15

18,05

18,15 18,35

18,25

18,35 18,55

18,45

18,55 - 8,75

18,65

18,75 18,95

18,85

18,95 19,15

19,05

19,15 19,35

19,25

19,35 19,55

19,45

19,55 19,75

19,65

19,75 19,95

19,85

19,95 20,15

20,05

20,15 20,35

20,25

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 X1, X2, X3, , Xn, la media aritmtica
ser:

X=

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

, o lo que eslo mismo,

1 h
X f
n i =1 i i

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
X i2 f i

n i= l

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

X
i
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 valor 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

z
e
2

n=

0.

donde:
z0

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

< < X + 1,96

n
n

10 - 1,96

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

o sea que:

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

< < 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 H1, que establece que la media de la poblacin de la muestra de estos concretos es inferior a
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 =

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

S1 = 2,7 MPa

= 28,8 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 (

).

) poseer una distribucin normal, si X1 y X2 la tienen,

con una media igual a la diferencia de las medias de la poblacin de X1 y X2, o sea 1 y 2, con una varianza
igual a la suma de las varianzas de

2,

o sea que:

x
2

x2

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

Y 1 .
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

(

X S
1

2
1

pueden suponerse distribuidas normalmente, en cuyo caso

) estarn tambin distribuida normalmente.

Tambin deber cumplirse que X1 y X2 sean variables independientes.

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 diferencia 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 (

) por:

+
n n

X
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:

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

16

x2

30

30

= 0,6358

Entonces la regin crtica, ubicada en reas iguales en las colas de la curva normal, para

y con un

nivel de significacin del 5%, estar dada por:

2 x

= 1,27

x2

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
2

n n (n + n
n +n
1.

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 H1 ser la misma que bajo HO, tal como se puede apreciar en la Figura 12,
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 esta 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 H1,
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 1 - 2, comenzando por cero y aumentando a intervalos regulares, y se
calcula el valor de en cada caso, entonces estos valores ploteados contra los valores de 1 - 2 mostrarn
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 1 - 2 es significativa la
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.
2

La medida, llamada chi-cuadrada (X ), que da origen a esta distribucin continua queda definida por la frmula.

(oi ei )
X =

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.
2

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.
2

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).

Figura 14. Distribucin X para varios grados de libertad

2

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.
2

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

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

Planta 2

Planta 3

Totales

Fallaron bajo carga

25

45

40

110

Mostraron fisuracin

40

35

35

110

Sin sntomas
perceptibles

35

20

25

80

100

100

100

300

Totales

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

Planta 2

Planta 3

Totales

Fallaron bajo carga

25 (36,7)

45 (36,7)

40 (36,7)

110

Mostraron fisuracin

40 (36,7)

35 (36,7)

35 (36,7)

110

Sin sntomas
perceptibles

35 (26,7)

20 (26,7)

25 (26,7)

80

100

100

100

300

Totales

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

36,7

20

36,7

36,7

36,7

36,7

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

+
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.
2

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

= 30,5 MPa

s 1 = 2,7 MPa

= 28,8 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

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

2
X

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

2
X

con grados de libertad de n 1.

Entonces:

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

3 1

22

Planta 1

Planta 2

Planta 3

26,5

27,0

23,8

25,2

26,8

25,2

25,0

28,0

24,9

26,7

28,2

23,7

24,8

27,7

25,0

25,7

26,9

25,1

26,0

26,5

24,0

26,2

27,3

23,3

25,8

27,0

24,7

25,6

26,6

24,5

X 1 = 25,7

X 2 = 27,2

X 3 = 24,4

1,965

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

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

1
10 1
+

2
2

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

2

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

2

(27,7 27,2) + (26,9 27,2) + (26,527,2) + (27,327,2) +

2

1
10 1
+

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

+

(27,027,2) + (26,627,2) .] = 0,342

2

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

1
10 1
+

(25,024,4) + (25,124,4) + (24,024,4) + (23,324,4) +

2

(24,7 24,4) + (24,524,4) .] = 0,451

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

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

(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

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

que reciben el nombre de unidades estndar de muestra.

Una medida simple de la dispersin de los puntos es la sumatoria:
n

u .v
i =1

(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=

(Yi Yi ).

y una expresin ms cmoda para el clculo ser:

n X .Y X . Y
r=

[n X ( X ) .][nY ( Y )]
2

El coeficiente de correlacin es una medida til del grado de relacin entre dos variables, slo cuando las
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

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 =

1 1+ p
. ln
2 1 p

y la desviacin tpica de w est dada por:

w =

1
n3

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
= 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:
2

Y = b0 + b1x + b2x

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 general 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

Cambios en la relacin A/C

Pobre control del agua

Variacin excesiva de la humedad del
agregado
Reajustes

2.

Discrepancias en los mtodos de

ensayos
1

Variaciones en los requerimientos 2

de agua

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 =

F
A

. 10

(MPa)

donde:
F

es la carga aplicada de rotura (kN);

es el rea de la seccin transversal de la probeta (cm ).

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 normal 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:

n

R'
Rbs =

bi

i =1

(MPa)

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

Ri = Rb1 Rb3

(MPa)

O sea, la diferencia entre los valores mayor y menor de la serie.

3.

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

m

R'
Rbm =

bs

s =1

(MPa)

y el recorrido medio del lote de concreto por:

m

R
R =

4.

i =1

(MPa)

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

d2

1/d2

1,128

0,8865

1,693

0,5907

2,059

0,4857

2,326

0,4299

2,534

0,3946

2,704

0,3698

2,847

0,3512

2,970

0,3367

10

3,078

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
Grados de control

Tipo de operacin
Excelente

Muy bueno

Bueno

Aceptable

Deficiente

< 3,0

3,0 4,0

4,0 5,0

5,0 6,0

> 6,0

< 2,0

2,0 3,0

3,0 4,0

4,0 5,0

> 5,0

Control de campo
(a pie de obra o planta)
Mezclas de prueba en el
laboratorio

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

(MPa)

m 1

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

(MPa)

donde:
S2

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 =

R'bs R'
S

bm

donde:
Rbs1

es el valor 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.

9.

Se calcula la resistencia caracterstica obtenida del lote por:

Rbk = Rbm Z . S L

(MPa)

donde:
Z

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

Poblacin
de las
series

Poblacin
de las
series

1,15

12

2,29

25

2,87

1,48

13

2,33

30

2,93

1,67

14

2,37

40

3,02

1,82

15

2,41

50

3,08

1,94

16

2,44

100

3,20

2,03

17

2,48

250

3,53

2,11

18

2,50

500

3,80

10

2,18

19

2,53

11

2,23

20

2,56

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

(MPa)

donde:
t:

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
(%)

Fraccin
defectuosa
(%)

Fraccin
defectuosa
(%)

0,1

46,0

1,10

13,6

2,10

1,8

0,2

42,1

1,20

11,5

2,10

1,4

0,3

38,2

1,30

9,7

2,30

1,1

0,4

34,5

1,40

8,1

2,40

0,8

0,5

30,9

1,50

6,7

2,50

0,6

0,6

27,4

1,60

5,5

2,60

0,45

0,7

24,2

1,70

4,5

2,70

0,35

0,8

21,2

1,80

3,6

2,80

0,25

0,9

18,4

1,90

2,9

2,90

0,19

1,0

15,9

2,00

2,3

3,00

0,13

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

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

Grados de control
Excelente

Muy bueno

Bueno

Aceptable

Deficiente

< 2,81

2,81 3,52

3,52 4,22

4,22 4,92

> 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, pero 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.

La resistencia caracterstica obtenida (Rbk ) y la determinacin de su fraccin defectuosa.

2.

La desviacin tpica del lote (SL).

3.

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

R bl

R b2

R b3

22,0

21,0

18,7

20,8

20,0

16,3*

21,0

19,5

19,0

22,5

22,0

20,5

23,0

22,0

21,8

19,0

19,0

18,5

22,3

21,8

21,0

23,5

22,5

18,9*

24,0

22,5

22,0

10

26,0**

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.
3

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:

Nmero de
muestra

Rb1

Rb2

Rb3

Rbs

Ir

22,0

21,0

18,7

20,8

3,3

20,8

20,0

16,3*

19,0

4,5

21,0

19,5

18,0

19,8

2,0

22,5

22,0

20,5

21,7

2,0

23,0

22,0

21,8

22,3

1,2

19,0

19,0

18,5

18,8

0,5

22,3

21,8

21,0

21,7

1,4

23,5

22,5

18,9*

21,6

4,6

24,0

22,5

22,0

22,8

2,0

10

26,0**

22,0

22,0

23,3

4,0

= 211,6

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

S
y el coeficiente de variacin interno del ensayo:

36

= 1,5 MPa

25,4

R = 2,54 MPa.

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

Rbs

R`bs - Rbm

(Rbs Rbm)

20,6

- 0,6

0,36

19,0

- 2,2

4,84

19,8

- 1,4

1,96

21,7

0,5

0,25

22,3

1,1

1,21

18,8

- 2,4

5,76

21,7

0,5

0,25

21,6

0,4

0,16

22,8

1,6

2,56

10

23,3

2,1

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.

El lote no se acepta sin la realizacin de estudios complementarios.

2.

El sistema de control de calidad no es confiable y tiene que ser corregido de inmediato.

3.

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:
3

350 kg / m

19,53MPa

= 17,92 kg / m / MPa

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

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 Xio. El intervalo de variacin se denomina Xi y entonces, por
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

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 =

30 40
= -1
10

Xi = 50; X io = 40;
X1 =

Xi = 10

Xi = 10

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.

Intervalo de
variacin

Nivel de variacin
Cdigo

X1

-1

+1

30

40

50

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 el experimento
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

Interacciones
Parmetro
de salida

X1

X2

X1X2

+1
+1
-1
-1

+1
-1
+1
-1

+1
-1
-1
+1

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

Variables independientes
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

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

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:
k

b0 + bi. X i + bij. X i . X

i =1

i= j

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

b +b .X +b . X +b .X . X
0

12

Con tres variables independientes:

=
1,5
.100
21,2

b +b .X +b . X +b .X +b . X . X +b .X . X +b . X . X
0

Con cuatro variables independientes:

42

12

13

23

b +b .X +b . X +b . X + b . X +b . X . X +b . X . X
0

12

13

+ 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 =

I1

X . X .Y
I
i =1

b ij =

iI

iJ

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:

r

Y
Y

j =1

ij

donde:
r

es el nmero de rplicas obtenidas del parmetro de salida.

Se halla la varianza de las rplicas obtenidas del parmetro de salida, por:

(Y Y ).
I

S {Y } =
i

i =1 i =1

ij

I ( r 1)

Se calcula la desviacin tpica del parmetro de salida:

43

S {Y } = S {y }
i

Se halla entonces el error medio cuadrtico de la determinacin de los coeficientes de la ecuacin de

regresin, por:

S (b ) S (b )
=

S {y }
S (b )
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 )

b
t (b ) = S ( ) ;
b

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

I1
r
2

Y
.
Y
i
I 1 m i =1 i

donde:
m

Y
44

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

1

es el valor 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

Si

2
ad

S {Y } , entonces F

>

S ;
S {y }
ad
2

Si

2
ad

S {Y } , entonces F

<

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

12

13

23

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

Y1

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

Y1

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

Y1

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

X1
X2
X3

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.

Variables
Independientes

Cdigo

Relacin A/C
Resistencia del
concreto Rc
(MPa)

Nivel de variacin

Intervalo de

+1

-1

Variacin

X1

0,7

0,5

0,3

0,2

X2

38,8

45,3

51,8

6,5

X3

1,4

2,2

0,8

X4

Mdulo de finura de la
arena
(Mf )
Humedad superficial de
la arena
(%)

Se emplear el experimento factorial completo, donde la cantidad de experimentos a efectuar queda definido
por:
k

2 = 2 = 16
Para la ecuacin de regresin se emplear un modelo cuadrtico incompleto, o sea:

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

It

bo =

It

Y i
i =1

I1

bI =

X il .Y i
i =l

I1

It

; b IJ =

X
i= l

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

Rbh
(MPa)

Puntos del
plano

X1

X2

X3

X4

Y1

Y2

Y3

Media de las
rplicas

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

+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

+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

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

43
49,6
39,6
44
32
34
31
33
22
21
19,6
19
11
13
10,4
11

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

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

S{2yi } =

(Y

ij

i =1 i =1

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

Parmetros de clculo de los coeficientes de la ecuacin

Y X1
43,83

Y X2
43,83

Y X3
43,83

Y X4
43,83

48,7

48,7

48,7

40,9

40,9

44,4

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

43,83

43,83

43,83

43,83

43,83

43,83

-48,7

48,7

48,7

-48,7

48,7

-48,7

-48,7

-40,9

40,9

40,9

-40,9

40,9

-40,9

40,9

-40,9

44,4

-44,4

-44,4

44,4

-44,4

-44,4

-44,4

-44,4

44,4

32,2

-32,2

32,2

32,2

-32,2

32,2

32,2

-32,2

-32,2

32,2

34,8

-34,8

34,8

-34,8

-34,8

34,8

-34,8

-34,8

34,8

-34,8

30,4

-30,4

-30,4

30,4

-30,4

-30,4

30,4

30,4

-30,4

-30,4

32,3

-32,3

-32,3

-32,3

-32,3

-32,3

-32,3

32,3

32,3

32,3

-21,1

21,1

21,1

21,1

-21,1

-21,1

-21,1

21,1

21,1

21,1

10

-21,8

21,8

21,8

-21,8

-21,8

-21,8

21,8

21,8

-21,8

21,8

11

-19,6

19,6

-19,6

19,6

-19,6

19,6

-19,6

-19,6

19,6

-19,6

12

-20,3

20,3

-20,3

-20,3

-20,3

20,3

20,3

-20,3

-20,3

20,3

13

-11,9

-11,9

11,9

11,9

11,9

-11,9

-11,9

-11,9

-11,9

11,9

14

-12,6

-12,6

12,6

12,6

12,6

-12,6

12,6

-12,6

12,6

-12,6

15

-10,4

-10,4

-10,4

10,4

10,4

10,4

-10,4

10,4

-10,4

-10,4

16

-11,1

-11,1

-11,1

11,1

11,1

11,1

11,1

11,1

11,1

11,1

Suma

178,73

84,93

17,53

-15,53

11,33

5,53

-10,07

2,93

-3,87

-2,07

O sea:

S {y } =

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

(Y1 Yi ) 2

(Y2 Yi ) 2

Puntos
del
plano
1

(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

10

(22,5 - 21,8) = 0.49

11

(19,6 - 20,8) = 1,44

12

(21,2 - 20,3) = 0,81

13

(12,9 - 11,9) = 1,00

14

(13,7 - 12,6) = 1,21

15

(11,1 - 10,4) = 0,36

16

(12,0 - 11,1) = 0,81

(Y3 Yi ) 2

i =1

(43,0 - 43,8) = 0,69

(43,3 - 43,8) = 0,28

(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

2,85

(47,5 - 48,7) = 1,44

2,34

(41,1 - 48,7) = 0,04

2,94

(44,2 - 44,4) = 0,04

0,56

(33,3 - 32,2) = 1,21

2,06

(35,4 - 34,8) = 0,36

1,04

(30,6 - 30,4) = 0,04

1,04

(31,9 - 32,3) = 0,16

0,74

(20,7 - 21,1) = 0,16

1,22

(21,9 - 21,8) = 0,01

1,14

(18,4 - 19,6) = 1,44

2,88

(20,7 - 20,3) = 0,16

2,66

(11,8 - 11,9) = 0,01

1,82

(11,1 - 12,6) = 2,25

3,62

(9,80 - 10,4) = 0,36

0,72

(10,3 - 11,1) = 0,64

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
(Y Y ) 2

I1 m i = 1 i i

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

2
S ad
=

r Ii
3
(Yi Yi ) 2 =
.5,50 = 1,83

11 m i = 1
16 7

Ya existen condiciones para determinar la homogeneidad de la dispersin por el criterio F (Fisher) pues como:

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

50

S ad2
1,83
=
= 2,02
2
S {y i } 0,9090

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

Yi

1,2
30

Yi Yi

(Yi Yi ).

44

43,8

0,17

0,03

47,2

48,7

-1,5

2,25

41,8

40,9

0,9

0,81

45

44,4

0,6

0,36

32

32,2

-0,2

0,04

35,2

34,8

0,4

0,16

29,8

30,4

-0,6

0,36

33

32,3

0,7

0,49

21,4

21,1

0,3

0,09

10

22,2

21,8

0,4

0,16

11

19,2

19,6

-0,4

0,16

12

20

20,3

-0,3

0,09

13

12,2

11,9

0,3

0,09

14

13

12,6

0,4

0,16

15

10

10,4

-0,4

0,16

16

10,8

11,2

-0,3

0,09

= 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 X1 en la ecuacin de regresin o sea:
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

X4 =

H s 3 2,5 3
=
= 0, 25
2
2

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

0,2091

0,6985

0,8636

0,3027

0,3454

0,4609

0,4000

0,5102

0,2364

0,6936

0,3182

0,3410

0,5636

0,9831

0,3364

0,0893

0,9726

0,2471

0,3182

0,6112

0,2909

0,5937

0,3727

0,7159

0,6181

0,4542

0,1545

0,5693

0,5636

0,7930

0,8908

0,6912

0,4545

0,3609

0,6454

0,9363

0,1000

0,8583

0,4545

0,0652

0,4818

0,0318

0,7272

0,8915

0,2636

0,8183

0,5636

0,3093

0,1818

0,4604

0,2091

0,1303

0,8090

0,6442

0,3182

0,9401

0,5091

0,9144

0,9181

0,0167

0,3727

0,6893

1,0000

0,1904

0,1818

0,5967

0,9726

0,7944

0,5909

0,0077

0,6181

0,3886

0,7817

0,6074

0,8908

0,7547

0,2636

0,8725

0,2636

0,6777

0,8636

0,0312

0,8090

0,7522

0,9181

0,0101

0,2909

0,0135

0,8908

0,8010

0,8362

0,0166

0,5909

0,7041

0,8362

0,2896

0,8362

0,2044

0,7272

0,8011

0,6454

0,2517

0,2909

0,7399

0,8080

0,3115

0,4000

0,4797

0,9454

0,6718

0,6454

0,2763

0,8090

0,9328

0,5009

0,3377

0,8362

0,0866

0,4272

0,5567

0,1818

0,0314

0,4818

0,1507

0,4000

0,5661

0,1545

0,2889

0,1273

0,0481

0,2636

0,9560

1,0000

0,3087

0,3181

0,4742

0,6727

0,4783

0,7000

0,4266

0,9454

0,4622

0,4000

0,7513

0,1818

0,9483

0,4000

0,0304

0,9181

0,3941

0,5636

0,1327

0,7817

0,6469

0,4818

0,2951

0,6451

0,8945

0,4515

0,9876

0,7545

0,6922

0,5636

0,2536

0,7545

0,0441

0,1273

0,4499

0,2081

0,6313

0,7272

0,0010

0,1273

0,1488

0,1818

0,9143

0,1273

0,9209

0,9454

0,6803

0,3182

0,7609

0,2091

0,9411

0,5636

0,5723

0,8362

0,5827

0,5636

0,7955

0,9726

0,5957

0,1000

0,0571

1,0000

0,6069

0,4000

0,4560

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

54

,00

,01

,02

,03

,04

,05

,06

,07

,08

,09

0,0

,0000

,0040

,0080

,0120

,0160

,0199

,0239

,0279

,0319

,0359

0,1

,0398

,0438

,0478

,0517

,0557

,0596

,0636

,0675

,0714

,0753

0,2

,0793

,0832

,0871

,0910

,0948

,0987

,1026

,1064

,1103

,1141

0,3

,1179

,1217

,1255

,1293

,1331

,1368

,1406

,1443

,1480

,1517

0,4

,1554

,1591

,1628

,1664

,1700

,1736

,1772

,1808

,1844

,1879

0,5

,1915

,1950

,1985

,2019

,2054

,2088

,2123

,2157

,2190

,2224

0,6

,2257

,2291

,2324

,2357

,2389

,2422

,2454

,2486

,2517

,2549

0,7

,2580

,2611

,2642

,2673

,2703

,2734

,2764

,2794

,2823

,2852

0,8

,2881

,2910

,2939

,2967

,2995

,3023

,3051

,3078

,3106

,3133

0,9

,3159

,3186

,3212

,3238

,3264

,3289

,3315

,3340

,3365

,3389

1,0

,3413

,3438

,3461

,3485

,3508

,3531

,3554

,3577

,3599

,3621

1,1

,3643

,3665

,3686

,3708

,3729

,3749

,3770

,3790

,3810

,3830

1,2

,3849

,3869

,3888

,3907

,3925

,3944

,3962

,3980

,3997

,4015

1,3

,4032

,4049

,4066

,4082

,4099

,4115

,4131

,4147

,4162

,4177

1,4

,4192

,4207

,4222

,4236

,4251

,4265

,4279

,4292

,4306

,4319

1,5

,4332

,4345

,4357

,4370

,4382

,4394

,4406

,4418

,4429

,4441

1,6

,4452

,4463

,4474

,4484

,4495

,4505

,4515

,4525

,4535

,4545

1,7

,4554

,4564

,4573

,4582

,4591

,4599

,4608

,4616

,4625

,4633

1,8

,4641

,4649

,4656

,4664

,4671

,4678

,4686

,4693

,4699

,4706

1,9

,4713

,4719

,4726

,4732

,4738

,4744

,4750

,4756

,4761

,4767

2,0

,4772

,4778

,4783

,4788

,4793

,4798

,4803

,4808

,4812

,4817

2,1

,4821

,4826

,4830

,4834

,4838

,4842

,4846

,4850

,4854

,4857

2,2

,4861

,4864

,4868

,4871

,4875

,4878

,4881

,4884

,4887

,4890

2,3

,4893

,4896

,4898

,4901

,4904

,4906

,4909

,4911

,4913

,4916

2,4

,4918

,4920

,4922

,4925

,4927

,4929

,4931

,4932

,4934

,4936

2,5

,4938

,4940

,4941

,4943

,4945

,4946

,4948

,4949

,4951

,4952

2,6

,4953

,4955

,4956

,4957

,4959

,4960

,4961

,4962

,4963

,4964

2,7

,4965

,4966

,4967

,4968

,4969

,4970

,4971

,4972

,4973

,4974

2,8

,4974

,4975

,4976

,4977

,4977

,4978

,4979

,4979

,4980

,4981

2,9

,4981

,4982

,4932

,4983

,4984

,4984

,4985

,4985

,4986

,4986

3,0

,4987

,4987

,4937

,4988

,4988

,4989

,4989

,4989

,4990

,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

0,40

0,32

0,20

0,10

0,05

0,025

0,01

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

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

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

0,995

0,975

0,050

0,025

0,010

0,005

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

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

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

10

11

12

14

16

20

30

40

50

100

500

161

200

216

225

230

234

237

239

241

242

243

244

245

246

248

250

251

252

253

254

254

4052

4999

5403

5625

5764

5859

5928

5981

6022

6056

6082

6106

6142

6169

6208

6258

6206

6302

6334

6361

6366

18.5
1

19.0
0

19.1
6

19.2
5

19.3
0

19.3
3

19.3
6

19.3
7

19.3
8

19.3
9

19.4
0

19.4
1

19.4
2

19.4
3

19.4
4

19.4
6

19.4
7

19.47

19.4
9

19.5
0

19.5
0

98.4
9

99.1
1

99.1
7

99.2
5

99.3
0

99.2
3

99.3
4

99.3
6

99.3
8

99.4
0

99.4
1

99.4
2

99.4
3

99.4
4

99.4
5

99.4
7

99.4
8

99.4
9

99.5
0

99.5
0

10.1
3

9.55

9.28

9.12

9.01

8.94

8.88

8.84

8.81

8.78

8.76

8.74

8.71

8.69

8.65

8.62

8.60

8.58

8.56

8.54

8.53

30.8
1

29.4
6

28.7
1

28.3
4

27.9
1

2767

27.4
9

27.3
4

27.2
3

27.1
3

27.0
5

26.9
2

26.0
3

26.6
9

26.5
0

26.4
1

26.30

26.2
3

26.1
4

26.1
2

7.71

6.94

6.59

6.39

6.26

6.16

6.09

6.04

6.00

5.96

5.93

5.91

5.87

5.84

5.80

5.74

5.71

5.70

5.66

5.64

5.63

21.2
0

18.0
0

16.6
9

15.9
8

15.5
2

15.2
1

14.9
8

14.8
0

14.6
6

14.5
4

14.4
5

14.3
7

14.2
4

4.15

14.0
2

13.0
3

13.7
4

13.69

13.5
7

13.4
8

13.4
6

6.61

5.79

5.41

5.19

5.05

4.95

4.88

4.82

4.78

4.74

4.71

4.68

4.64

4.60

4.56

4.50

4.46

4.44

4.40

4.37

4.36

16.2
6

13.2
7

12.0
6

11.3
9

10.9
7

10.6
7

10.4
5

10.2
7

10.1
5

10.0
5

9.96

9.89

9.77

9.68

9.55

9.38

9.29

9.24

9.13

9.04

9.02

5.99

5.14

4.76

4.53

4.39

4.28

4.21

4.15

4.10

4.06

4.03

4.00

3.96

3.92

3.87

3.81

3.77

3.75

3.71

3.68

3.67

13.7
4

10.9
2

9.78

9.15

8.75

8.47

8.26

8.10

7.98

7.07

7.79

7.72

7.60

7.52

7.39

7.23

7.14

7.09

6.99

6.90

6.88

5.59

4.74

4.35

4.12

3.97

3.87

3.79

3.73

3.68

3.63

3.60

3.57

3.52

3.49

3.44

3.38

3.34

3.32

3.28

3.24

3.23

13.2
5

9.55

8.45

7.88

7.46

7.19

7.00

6.84

6.71

6.62

6.54

6.47

6.35

6.27

6.15

5.98

5.90

5.85

5.75

5.67

5.65

5.32

4.46

4.07

3.84

3.69

3.58

3.50

3.44

3.39

3.34

3.31

3.28

3.23

3.20

3.15

3.08

3.05

3.03

2.98

2.94

2.93

11.2

8.65

7.59

7.01

6.63

6.37

6.19

6.03

5.91

5.82

5.74

5.67

5.56

5.48

5.36

5.20

5.11

5.06

4.96

4.88

4.06

99.48

34.1
3
4

58

10

11

12

13

14

15

16

17

18

19

5.12

4.26

3.86

3.63

3.48

3.37

3.29

3.23

3.18

3.13

3.10

3.07

3.02

2.98

2.93

2.86

2.82

2.80

2.76

2.72

2.71

10.5
4

8.02

6.99

6.42

6.06

5.90

5.62

5.47

5.35

5.26

5.18

5.11

5.00

4.92

4.80

4.64

4.56

4.51

4.41

4.33

4.31

4.96

4.10

3.71

3.48

3.33

3.22

3.14

3.07

3.02

2.97

2.94

2.91

2.86

2.82

2.77

2.70

2.67

2.64

2.59

2.55

2.54

10.0
4

7.56

6.55

5.99

5.64

5.39

5.21

5.06

4.95

4.85

4.78

4.71

4.60

4.62

4.41

4.25

4.17

4.12

4.01

3.93

3.91

4.84

3.98

3.59

3.36

3.20

3.09

3.01

2.95

2.90

2.86

2.82

2.79

2.74

2.70

2.65

2.57

2.53

2.50

2.45

2.41

2.40

9.65

7.20

6.22

5.67

5.32

5.07

4.88

4.74

4.63

4.54

4.46

4.40

4.29

4.21

4.10

3.94

3.86

3.80

3.70

3.62

3.60

4.75

3.88

3.49

3.26

3.11

3.00

2.92

2.85

2.80

2.76

2.72

2.69

2.64

2.60

2.54

2.46

2.42

2.40

2.35

2.31

2.30

9.33

6.93

5.95

6.41

5.06

4.82

4.65

4.50

4.39

4.30

4.23

4.16

4.06

3.98

3.86

3.70

3.61

3.56

3.46

3.38

3.36

4.67

3.80

3.41

3.18

3.02

2.92

2.84

2.77

2.72

2.67

2.63

2.60

2.55

2.51

2.46

2.38

2.34

2.32

2.26

2.22

2.21

9.07

6.70

5.74

5.20

4.86

4.62

4.44

4.30

4.19

4.10

4.02

3.96

3.85

3.78

3.67

3.61

3.42

3.37

3.27

3.18

3.16

4.60

3.74

3.34

3.11

2.96

2.85

2.77

2.70

2.65

2.60

2.56

2.53

2.48

2.44

2.39

3.31

2.27

2.24

2.19

2.14

2.13

8.06

6.51

5.56

5.03

4.69

4.46

4.28

4.14

4.03

3.94

3.86

3.80

3.70

3.62

3.51

3.34

3.26

3.21

3.11

3.02

3.00

4.54

3.68

3.29

3.06

2.90

2.79

2.70

2.64

2.59

2.55

2.51

2.48

2.43

2.39

2.33

2.25

2.21

2.18

2.12

2.08

2.07

8.68

6.36

5.42

4.89

4.56

4.32

4.14

4.00

3.09

3.80

3.73

3.67

3.56

3.48

3.36

3.20

3.12

3.07

2.97

2.89

2.87

4.49

3.63

3.24

3.01

2.85

2.74

2.66

2.59

2.54

2.49

2.45

2.42

2.37

2.33

2.28

2.20

2.16

2.13

2.07

2.02

2.01

8.53

6.23

5.29

4.77

4.44

4.20

4.03

3.89

3.78

3.69

3.61

3.55

3.45

3.37

3.25

3.10

3.01

2.96

2.86

2.77

2.75

4.45

3.59

3.20

2.96

2.81

2.70

2.62

2.55

2.50

2.45

2.41

2.38

2.33

2.29

2.23

2.15

2.11

2.08

2.02

1.97

1.96

8.40

6.11

5.08

4.67

4.34

4.10

3.93

3.79

3.68

3.59

3.52

3.45

3.35

3.27

3.16

3.00

2.92

2.86

2.76

2.67

2.65

4.41

3.55

3.16

2.93

2.77

2.66

2.58

2.51

2.46

2.41

2.37

2.34

2.29

2.25

2.19

2.11

2.07

2.04

1.98

1.93

1.92

8.28

6.01

5.09

4.58

4.25

4.01

3.85

3.71

3.60

3.41

3.44

3.37

3.27

3.19

3.07

2.91

2.83

2.78

2.68

2.59

2.57

4.38

3.52

3.13

2.90

2.74

2.63

2.55

2.48

2.43

2.38

2.34

2.31

2.26

2.21

2.15

2.07

2.02

2.2.0
0

1.94

1.90

1.88

8.18

5.93

5.01

4.50

4.17

3.94

3.77

3.63

3.52

3.43

3.36

3.30

3.19

3.12

3.00

2.84

2.76

2.60

2.51

2.49

2.70

59

20

21

22

23

24

25

26

27

28

29

30

36

60

4.35

3.49

3.10

2.87

2.71

2.60

2.52

2.45

2.40

2.35

2.31

2.28

2.23

2.18

2.12

2.04

1.99

1.96

1.90

1.85

1.84

8.10

5.85

4.94

4.43

4.10

3.87

3.71

3.56

3.45

3.37

3.30

3.23

3.13

3.05

2.94

2.77

2.69

2.63

2.53

2.44

2.42

4.32

3.47

3.07

2.84

2.68

2.57

2.49

2.42

2.37

2.32

2.28

2.25

2.20

2.15

2.09

2.00

1.96

1.93

1.87

1.82

1.81

8.02

5.78

4.87

4.37

4.04

3.81

3.65

3.51

3.40

3.31

3.24

3.17

3.07

2.99

2.88

2.72

2.63

2.58

2.47

2.38

2.36

4.30

3.44

3.05

2.82

2.66

2.55

2.47

2.40

2.35

2.30

2.26

2.23

2.18

2.13

2.07

1.98

1.93

1.91

1.84

1.80

1.78

7.94

5.72

4.82

4.31

3.99

3.76

3.59

3.45

3.35

3.26

3.18

3.12

3.02

2.94

2.83

2.67

2.58

2.53

2.42

2.33

2.31

4.28

3.42

3.03

2.80

2.64

2.53

2.45

2.38

2.32

2.28

2.24

2.20

2.14

2.10

2.04

1.96

1.91

1.88

1.82

1.77

1.76

7.88

5.66

4.76

4.26

3.94

3.71

3.54

3.41

3.30

3.21

3.14

3.07

2.97

2.89

2.78

2.62

2.53

2.48

2.37

2.28

2.26

4.26

3.40

3.01

2.78

2.62

2.51

2.43

2.36

2.30

2.26

2.22

2.18

2.13

2.09

2.02

1.94

1.89

1.86

1.80

1.74

1.73

7.82

5.61

4.72

4.23

3.90

3.67

3.50

3.36

3.25

3.17

3.09

3.03

2.93

2.85

2.74

2.58

2.49

2.44

2.33

2.23

2.21

4.24

3.38

2.99

2.76

2.60

2.49

2.41

2.34

2.28

2.24

2.20

2.16

2.11

2.06

2.00

1.92

1.87

1.84

1.77

1.72

1.71

7.77

5.57

4.68

4.18

3.86

3.63

3.46

3.32

3.21

3.13

3.05

2.99

2.89

2.81

2.70

2.54

2.45

2.40

2.29

2.19

2.17

4.22

3.37

2.89

2.74

2.59

2.47

2.39

2.32

2.27

2.22

2.18

2.15

2.10

2.05

1.99

1.90

1.85

1.82

1.76

1.70

1.69

7.72

5.53

4.64

4.14

3.82

3.59

3.42

3.29

3.17

3.09

3.02

2.96

2.86

2.77

2.66

2.50

2.41

2.36

2.25

2.15

2.13

4.21

3.35

2.96

2.73

2.57

2.46

2.37

2.30

2.25

2.20

2.16

2.13

2.08

2.03

1.97

1.88

1.84

1.80

1.74

1.68

1.67

7.68

5.49

4.60

4.11

3.79

3.56

3.39

3.26

3.14

3.06

2.98

2.93

2.83

2.74

2.63

2.47

2.38

2.33

2.21

2.12

2.10

4.20

3.34

2.95

2.71

2.56

2.44

2.36

2.29

2.24

2.19

2.15

2.12

2.06

2.02

1.96

1.80

1.81

1.78

1.72

1.67

1.65

7.64

5.45

4.57

4.07

3.76

3.53

3.36

3.23

3.11

3.03

2.95

2.90

2.80

2.71

2.60

2.44

2.35

2.30

2.18

2.09

2.06

4.18

3.33

2.93

2.70

2.54

2.43

2.35

2.28

2.22

2.18

2.14

2.10

2.05

2.00

1.94

1.85

1.80

1.77

1.71

1.65

1.64

7.60

5.52

4.54

4.04

3.73

3.50

3.33

3.20

3.08

3.00

2.92

2.87

2.77

2.68

2.57

2.41

2.32

2.27

2.15

2.06

2.03

4.17

3.32

2.92

2.69

2.53

2.42

2.34

2.27

2.21

2.16

2.12

2.09

2.04

1.99

1.93

1.84

1.79

1.76

1.69

1.64

1.62

7.56

5.39

4.51

4.02

3.70

3.47

3.30

3.17

3.06

2.98

2.90

2.84

2.74

2.66

2.55

2.38

2.29

2.24

2.13

2.03

2.01

4.11

3.26

2.86

2.63

2.48

2.36

2.28

2.21

2.15

2.10

2.06

2.03

1.89

1.93

1.78

1.78

1..72

1.69

1.62

1.56

1.55

7.39

5.25

4.38

3.89

3.58

3.25

3.18

3.04

2.94

2.86

2.78

2.72

2.62

2.54

2.43

2.26

2.17

2.12

2.00

1.90

1.87

40

46

50

55

60

65

70

80

100

125

150

4.08

3.23

2.84

2.61

2.45

2.34

2.25

2.18

2.12

2.07

2.04

2.00

1.95

1.90

1.84

1.74

1.69

1.66

159

1.53

1.51

7.31

5.18

4.31

3.63

3.51

3.29

3.12

2.99

2.88

2.80

2.73

2.66

2.56

2.49

2.37

2.20

2.11

2.05

1.94

1.84

1.81

4.05

3.20

2.81

2.57

2.42

2.30

2.22

2.14

2.09

2.04

2.00

1.97

1.91

1.87

1.80

1.71

1.66

1.62

1.54

1.48

1.46

7.21

5.10

4.24

3.76

3.44

3.22

3.05

2.92

2.82

2.73

2.66

2.60

2.50

2.42

2.30

2.13

2.04

1.98

1.86

1.76

1.72

4.03

3.18

2.79

2.50

2.40

2.29

2.20

2.13

2.07

2.02

1.98

1.95

1.90

1.85

1.78

1.69

1.63

1.60

1.52

1.46

1.44

7.17

5.06

4.20

3.72

3.41

3.16

3.02

2.88

2.78

2.70

2.62

2.56

2.46

2.39

2.26

2.10

2.00

1.94

1.82

1.71

1.68

4.02

3.17

2.78

2.54

2.38

2.27

2.18

2.11

2.05

2.00

1.97

1.93

1.88

1.83

1.76

1.67

1.61

1.58

1.50

1.43

1.41

7.12

5.01

4.16

3.68

3.37

3.15

2.98

2.85

2.75

2.66

2.59

2.53

2.43

2.35

2.23

2.06

1.96

1.90

1.70

1.66

1.64

4.00

3.15

2.76

2.52

2.37

2.25

2.17

2.10

2.04

1.99

1.95

1.92

1.86

1.81

1.75

1.65

1.59

1.56

1.48

1.41

1.39

7.08

4.98

4.13
2

3.65

3.34

3.12

2.95

2.82

2.72

2.63

2.56

2.50

2.40

2.3

2.22

2.03

1.93

1.87

1.74

1.63

1.60

3.99

3.14

2.75

2.51

2.36

2.24

2.15

2.08

2.02

1.98

1.94

1.90

1.85

1.80

1.73

1.63

1.57

1.54

1.46

1.39

1.37

7.04

4.95

4.10

3.62

3.31

3.09

2.93

2.79

2.70

2.61

2.54

2.47

2.37

2.30

2.18

2.00

1.90

1.84

1.71

1.60

1.56

3.89

3.13

2.74

2.50

2.35

2.32

2.14

2.07

2.01

1.97

1.93

1.89

1.84

1.79

1.72

1.62

1.56

1.53

1.45

1.37

1.35

7.01

4.92

4.08

3.60

3.29

3.07

2.91

2.77

2.67

2.59

2.51

2.45

2.35

2.28

2.15

1.98

1.88

1.82

1.69

1.56

1.53

3.90

3.11

2.72

2.48

2.33

2.21

2.12

2.05

1.99

1.95

1.91

1.88

1.82

1.77

1.70

1.60

1.54

1.51

1.42

1.35

1.32

6.95

4.88

4.04

3.56

3.25

3.04

2.87

2.74

2.64

2.55

2.48

2.41

2.32

2.24

2.11

1.94

1.84

1.78

1.65

1.52

1.49

3.94

3.09

2.70

2.46

2.30

2.19

2.10

2.03

1.97

1.92

1.88

1.85

1.79

1.75

1.68

1.57

1.51

1.48

1.39

1.30

1.28

6.90

4.82

3.98

3.51

3.20

2.99

2.82

2.69

2.59

2.51

2.43

2.36

2.26

2.19

2.06

1.89

1.79

1.73

1.59

1.46

1.43

3.92

3.07

2.68

2.44

2.29

2.14

2.08

2.01

1.95

1.90

1.86

1.83

1.77

1.72

1.65

1.55

1.49

1.45

1.36

1.27

1.25

6.84

4.78

3.94

3.47

3.17

2.95

2.79

2.65

2.56

2.47

2.40

2.33

2.23

2.15

2.03

1.85

1.75

1.68

1.54

1.40

1.37

3.91

3.06

2.67

2.43

2.27

2.16

2.02

2.00

1.94

1.89

1.85

1.82

1.76

1.71

1.64

1.54

1.47

1.44

1.34

1.25

1.22

6.68

4.62

3.80

3.34

3.04

2.82

2.66

2.53

2.43

2.34

2.26

2.20

2.09

2.01

1.89

1.71

1.61

1.54

1.38

1.19

1.11

61

200

400

1000

62

3.89

3.04

2.65

2.41

2.26

2.14

2.05

1.98

1.92

1.87

1.83

1.80

1.74

1.69

1.62

1.52

1.45

1.42

1.32

1.22

1.19

6.76

4.71

3.88

3.41

3.11

2.90

2.73

2.60

2.50

2.41

2.34

2.28

1.17

2.09

1.97

1.79

1.69

1.62

1.48

1.33

1.28

3.86

3.02

2.62

2.39

2.23

2.12

2.03

1.96

1.90

1.85

1.81

1.78

1.72

1.67

1.60

1.49

1.42

1.38

1.28

1.16

1.13

6.70

4.66

3.83

3.36

3.06

2.85

2.69

2.55

2.46

2.37

2.29

2.23

2.12

2.04

1.92

1.74

1.64

1.57

1.42

1.24

1.19

3.85

3.00

2.61

2.38

2.22

2.10

2.02

1.95

1.89

1.84

1.80

1.76

1.70

1.65

1.58

1.47

1.41

1.36

1.26

1.13

1.08

6.68

4.62

3.80

3.34

3.04

2.82

2.66

2.53

2.43

2.34

2.25

2.20

2.09

2.01

1.89

1.71

1.61

1.54

1.38

1.19

1.11

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

w=

1
1+ r
log
2
1 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

,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

,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

,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

,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

,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

,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

,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

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 usar 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 anlisis 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

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

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 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

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

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

COVENIN 2829:1991
COVENIN 2830:1991
COVENIN 3090:1994

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

COVENIN 3134:1994

Cemento Portland con adiciones. Especificaciones

COVENIN 3374:2000

Cemento de albailera

COVENIN 3638:2000

Yeso. Construccin y moldeo. Requisitos

COVENIN 3639:2000

Yeso. Construccin y moldeo. Anlisis fsico

COVENIN 3640:2000

Yeso. Construccin y moldeo. Anlisis qumico.

COVENIN 935:1976
COVENIN 2503:1990
COVENIN 2824:1991
COVENIN 2825:1991
COVENIN 2826:1991
COVENIN 2827:1991
COVENIN 2828:1991

C.3

Normas Venezolanas COVENIN referentes a agregados

COVENIN 254:1998
COVENIN 255:1998

Cedazos de ensayo
Agregados. Determinacin de la composicin granulomtrica

COVENIN 256:1977

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 38,1 mm (1 y p pulg.) por medio de la mquina de Los Angeles
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 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

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

COVENIN 2385:2000
C.5

Normas Venezolanas COVENIN referentes a encofrados

COVENIN 2244:1991
C.6

Concreto y mortero. Agua de mezclado. Requisitos.

Encofrados. Requisitos de seguridad.

Normas Venezolanas COVENIN referentes a terminologa

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

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 2702:1990
COVENIN 3049:1993

C.7

Mtodos de ensayo mecnicos. Definiciones y clasificacin

Mantenimiento. Definiciones.

Normas Venezolanas COVENIN referentes a edificaciones

COVENIN 1618:1998
COVENIN 1750:1987

Estructuras de acero para edificaciones. Mtodo de los estados lmites

Especificaciones generales para edificios

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

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

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

Normas Venezolanas COVENIN referentes a calidad

COVENIN-ISO 2679-1:1998

Ensayos de aptitud por comparaciones interlaboratorios. Parte 1: Desarrollo y

funcionamiento de programas de ensayos de aptitud

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:

03.120.30; 91.100.30

ISBN:

980-06-2483-X

FONDONORMA

RESERVADOS TODOS LOS DERECHOS

Prohibida la reproduccin total o parcial, por cualquier medio.

Descriptores: Concreto, tecnologa del concreto, estadstica.