Beruflich Dokumente
Kultur Dokumente
PROBABILIDAD
Introducción
Para incrementar los conocimientos que se tienen acerca del mundo es necesario
emplear los métodos y las inferencias estadísticas. Sin embargo debido a la amplitud y
profundidad de la materia, es conveniente escoger los métodos pertinentes a la finalidad
que se persigue. La estadística es una ciencia que comprende la recopilación, tabulación,
análisis e interpretación de un grupo de datos cuya principal característica es que el valor de
una variable tiene muchos valores posibles.
Distribución de Frecuencias
Al registrar cualquier medición de laboratorio, se obtendrá un conjunto de datos
diferentes que debe ser interpretado, analizar cada valor no proporciona ninguna
información; ordenar los valores según vayan apareciendo permite estudiar la secuencia,
obtener el máximo y mínimo pero el proceso matemático para analizar estos datos no
agrupados es complejo. Es por ello que la distribución de frecuencias permite agrupar los
datos en categorías o clases mostrando el número de elementos o frecuencia en cada clase.
1. Decidir cuantas clases se van a utilizar para agrupar los datos (por lo general debe
ser mayor de 5 y menor de 15), estos depende de la diferencia entre el máximo y
mínimo del grupo de valores el cual se denomina rango (d). Un valor práctico es el
sugerido en la Ecuación 1 por Sturges,
Representación grafica
Una manera útil de representar los datos arreglados es mediante histogramas de
frecuencias, el cual es un gráfico donde se representa la frecuencia de cada clase con una
barra. El gráfico da una visión de la amplitud de los datos, la mayor frecuencia, la
dispersión alrededor de los valores centrales. Otra representación gráfica de los datos es la
distribución de frecuencias acumuladas, la cual se obtiene al sumar las frecuencias hasta la
clase considerada, estos puntos se unen por lo general con una línea recta (Benjamin y
Cornell, 1981; Kennedy y Neville, 1982).
Ejemplo 1
Agrupar los resultados de los cilindros de concreto
fa
f
1.5 6
1 4
0.5 2
0 0
270.50 281.00 291.50 302.00 312.50 323.00
=
∑
(2)
≡ media aritmética,
donde,
=
∑
(3)
En ocasiones, es necesario asignar un valor apropiado a cada clase que difiere de los
demás asignados a las otras clases, por lo que deben ser tomados en cuenta al calcular la
media para obtener un valor más preciso (Chou, 1972).
=
∑
∑
(4)
donde,
wi ≡ valor asignado a la clase i.
Medidas de dispersión
El empleo de un solo valor para representar un conjunto de datos es insuficiente, ya
que los conjuntos de datos presentan diferencias con respecto al valor central. Es por ello
que se debe representar el grado de dispersión de los datos con respecto al valor central,
para así obtener una descripción más precisa del conjunto de datos. Es importante señalar
que la variación es la característica más importante de un conjunto de datos, de estas
medida la más representativa es la desviación estándar, otras medidas son la varianza y la
desviación media.
Desviación estándar
=
∑
(5)
donde,
s ≡ desviación estándar del conjunto de datos.
Rango ponderado
= (7)
Coeficiente de variación
= ∗ 100
(8)
Medidas de asimetría
La forma de un histograma de frecuencia puede ser simétrica o asimétrica, por lo tanto
es útil determinar el grado de asimetría para obtener una característica adicional a las dos
medidas anteriores.
" )
! = #
'(
∑$%&%
)
(9)
donde,
g1 ≡ Coeficiente de asimetría.
Cuantiles
Para un conjunto de datos se puede considerar puntos que dividen las observaciones en
partes iguales, esta división se denomina cuantil, de manera que la cantidad representa el
número de observaciones por debajo del enésimo cuantil, en contraste por encima tenemos
el total de la población menos el número de observaciones por debajo. Por ejemplo la
mediana que divide en dos el conjunto de datos. Otro ejemplo son los cuartiles que dividen
el conjunto de datos en cuatro partes, de manera que para el primer cuartil (25%) tenemos
el primer 25% de las observaciones, en el segundo cuartil tenemos el 50% de las
observaciones (Miller, Freund y Johnson, 1992; Kennedy y Neville, 1982).
Axiomas de probabilidad
La probabilidad de que un suceso ocurra debe satisfacer las siguientes tres
condiciones.
Axioma I
0 ≤ +, ≤ 1 (10)
Axioma II
+- = 1 (11)
Variables aleatorias
Se llama variable aleatoria, a una magnitud cuyo valor no puede predecirse con certeza
antes de que ocurra, por lo tanto su comportamiento se caracteriza mediante las leyes de
probabilidades. La forma más común de realizarlo es mediante las distribuciones de
probabilidades para una variable aleatoria, el cual es una función que proporciona los
posibles resultados de un experimento.
fa
f
FP FDA
FDP FDA
Distribución Normal
Para muchos fines es preferible definir el conjunto de valores de una variable aleatoria
mediante una función o distribución de probabilidades que mediante distribución de
frecuencias. Dado que la probabilidad del espacio muestral es igual a 1, el área bajo la
curva de una distribución es la unidad. Existen varios tipos de distribuciones a los cuales se
puede ajustar una variable aleatoria, una de estas distribuciones se denomina Normal.
f
Este tipo de distribución es importante ya que según el teorema del límite central
tenemos que “en condicione generales cuando la suma del número de variables se hace
grande, la distribución de la suma de las variables se acerca a la distribución normal”, por
ello se puede emplear este tipo de distribución sin conocer la distribución de la variable así
como el número de datos.
'
" %&9
01 = 2√45 6 = =8 ;
7 8 ; < >?
:
2 2
(13)
@1 = Φ 8 ; con y s
>?
2
(14)
1
FP se aplica a las variables aleatorias discretas y FDP para el caso de variables aleatorias continuas.
La FP proporciona la probabilidad de ser igual a un valor dado de la variable aleatoria mientras que FDP
proporciona la frecuencia estandarizada (f/n) para un valor dado de la variable aleatoria.
2
Función que proporciona la probabilidad por debajo de un valor dado de la variable aleatoria o
probabilidad acumulada.
Z=
>>?
2
; (15)
Uniforme
0 VOSO < O
O ≤ ≤ P
0 = KLM N ; @ = U
MN
O≤≤P
0 6
QRSQ TOQ LM
VOSO >P
(18)
0
x?= ; s4 =
MYL LM
4 4
(19)
Log Normal
0 = =8 ; @ =Φ 8 ;
\] Z[ % \] Z[ %
Z[ % Z[ %
(20)
Z[ %
Tamaño de la muestra
Un aspecto práctico de la teoría de probabilidades consiste en emplearla para resolver
aspectos usuales del diseño y construcción de edificios, para ello conocer con certeza
cuantas observaciones se necesitan para que las inferencias que se realicen sean confiables
se convierte en una pregunta crucial.
≥
fg h
(24)
donde,
n ≡ tamaño de la muestra,
ε ≡ máxima diferencia entre la frecuencia de la muestra y la de la población,
α ≡ nivel de confianza del resultado.
Ajuste de curvas
El principal objetivo de múltiples investigaciones estadísticas es efectuar predicciones,
de preferencia basándose en ecuaciones matemáticas, para determinar la “mejor” línea de
una serie de datos (x1, y1; x2, y2; x3, y3; ….; xn, yn). Por ello el principal interés es el estudio
de la relación existente entre dos variables, y se denomina el valor de la variable aleatoria
cuya distribución depende de x. Esta relación se denomina curva de regresión de y sobre x.
Ajuste lineal
Para ajustar los datos a una recta cuya ecuación tiene la forma y=a+bx, los valores de
m y b según los datos observados es luego de aplicar el métodos de los mínimos cuadrados.
O=
∑ ∑ j∑ ∑ j
∑ ∑
(25)
P=
∑ j∑ ∑ j
∑ ∑
(26)
Ajuste polinómico
Para ajustar los datos a un polinomio de grado p, los términos bi se obtienen mediante
un sistemas de p+1 ecuaciones lineales con p+1 incógnitas (b0, b1, b2,…, bp) para ajustar
los datos a un polinomio.
∑ i =
Pl + P ∑ + ⋯ + Pn ∑ n
∑ i = Pl ∑ + P ∑ 4 + ⋯ + Pn ∑ nY (27)
⋮
∑ n i = Pl ∑ n + P ∑ nY + ⋯ + Pn ∑ 4n
n ≣ Número de datos,
p ≣ Grado del polinomio,
b ≣ Coeficientes del polinomio de grado p.
Correlación
El ajuste de un conjunto de datos a una función no significa que realmente los datos
sigan dicha función, por lo tanto se calculan las diferencias de la función con respecto a los
datos para obtener un coeficiente que ilustre la diferencia.
S=
∑ j
∑ ∑ j
(28)
@TS = @T + 1,34
Fc Fcr
Fc≤ 350 kgf/cm2
@TS = @T + 2,34 − 35
@TS = @T + 1,34
@TS = 0,9@T + 2,34
Fc> 350 kgf/cm2
@TS = @T − G (29a)
@TS = @T − G − 1 − 35
(29 b)
@TS = 0,9@T − G − 1 (29c)
donde,
Fcr ≡ Valor medio requerido del esfuerzo a compresión del concreto,
Fc ≡ esfuerzo de diseño del concreto indicado en las especificaciones de obra,
3
Variables independientes.
=
∑
(30)
Criterios de rechazo
Al disponer de pocos ensayos el valor de Fcr es impreciso, por lo que existe un
intervalo de confianza que va disminuyendo conforme aumenta el número de ensayos
(véase Figura 5). El intervalo de confianza de Fcr se obtiene de aplicar los conceptos de
estimación del intervalo de confianza de la media poblacional, que aplicado al control de
calidad del diseño de mezcla tenemos:
= @TS ±
E
√
(31)
donde,
n ≡ número de ensayos,
z ≡ valor correspondiente a una confiabilidad determinada por la Tabla 12.
Los criterios para que un ensayo individual de concreto sea aceptado son dos. El
primer criterio se refiere al valor mínimo de un ensayo (véase Ecuación 32a) mientras que
el segundo criterio se refiere al valor mínimo de la media de tres ensayos consecutivos
(véase Ecuación 32b). En caso de no cumplir con estos criterios se debe comprobar si los
ensayos fueron bien realizados, al detectar alguna falla se considera estos ensayos nulos y
no forman parte del conjunto de datos para el análisis estadístico.
Fcr
0 10 20 30 40 50
n
Por otra parte, si el número de ensayos es mayor de 30 y no hay falla en los ensayos se
debe considerar si la baja calidad del concreto afecta la seguridad o durabilidad de la obra,
esto dependerá del porcentaje de la muestra que no cumple así como la ubicación en la
estructura (Porrero et. al., 2009).
Referencias
– Benjamin, J. y Cornell, C. (1981). Probabilidad y Estadística en Ingeniería Civil.
Bogotá, Colombia: McGraw-Hill Latinoamericana, S.A.
– Chou. Y. (1972). Análisis Estadístico. México: Nueva Editorial Interamericana,
S.A. de C.V.
– COVENIN (2003). Proyecto y Construcción de Obras en Concreto Estructural
1753-2003A.Caracas, Venezuela: Fonacit.
– Kennedy, J. y Neville, A. (1982). Estadística para Ciencias e Ingeniería. México
D.F., México: Harla, S.A. de C.V.
– Miller, I., Freund, J. y Johnson, R. (1992). Probabilidad y Estadísticas para
Ingenieros. Naucalpan de Juárez, México: Prentice-Hall Hispanoamericana, S.A.
– Nowak, A. y Collins, K. (2000). Reliability of Structures. EE.UU.: McGraw-Hill
Companies, Inc.
– Porrero, J., Ramos, C., Grases, J. y Velazco, G. (2009). Manual del Concreto
Estructural. Caracas, Venezuela: Sidetur.