CAR NT/1

Programa Master en Ingeniera Civil

U N I V E R S I D A D D E P I U R A













Teora de Confiabilidad y Aplicaciones en Ingeniera Civil___________




















Documento elaborado por el Dr. Ricardo O. Foschi Profesor de Ingeniera Civil University of
British Columbia, Vancouver BC. Canad.


2


Introduccin

La mayora de los problemas en ingeniera se reieren a la interaccin de ariables, del
resultado o de la respuesta a esa interaccin y, inalmente, de la eriicacin que los
resultados no iolan los requerimientos de diseno. As, en un problema de capacidad
hidraulica de una seccin de un canal, las ariables seran: 1, las dimensiones de la seccin del
canal, 2, La rugosidad del ondo del canal, y 3, la pendiente del ondo en la seccin de
analisis. Lstas ariables actuaran recprocamente dentro de un modelo, basado en hiptesis
de capacidad hidraulica, lujo unidimensional, que permitiran el calculo de una respuesta ,por
ejemplo, el tirante de agua en la seccin,. Ln el proceso de diseno, ste tirante calculado sera
comparada con un alor admisible para determinar la aceptabilidad del diseno.

Ln realidad, la mayora si no todas de las ariables no se conocen exactamente. Ls decir, las
ariables son inciertas o no deterministas. Por ejemplo, la resistencia real de una iga de
madera no se sabe ,lo que se sabe son las estadsticas de muestras de igas similares probadas
en el laboratorio,. Similarmente, las cargas aplicadas se saben solamente en orma estadstica
,por ejemplo, una estimacin de qu cargas maximas se pudieran esperar en un perodo de
un ano,. As, el ingeniero tiene que tratar la incertidumbre en las ariables del problema, y
entender la incertidumbre asociada a las respuestas que se obtienen.

La 1eora ae ta Covfiabitiaaa procura cuantiicar la incertidumbre, usando la teora de la
probabilidad, e introduciendo conceptos por medio de los cuales los disenos pueden ser
logrados con una probabilidad tolerable de alla, o riesgo que el diseno no tenga la
perormance esperada. Lsto es una clara dierencia con los conceptos tradicionales de, por
ejemplo, disenar para eitar la alla. Ll uso de mtodos probabilsticos reconoce, por deecto,
que las allas no pueden ser eitadas, pero que el ingeniero puede reducir al mnimo el
nmero preisto de allas tal que pueda lograr un diseno dentro de un niel tolerado por
demandas econmicas y otras necesidades de la sociedad.

Lste curso discute los undamentos de la 1eora de la Coniabilidad tal y como se aplica a
diersos aspectos de la Ingeniera Ciil, y presenta ejemplos para clariicar el enoque. Desde
que los undamentos de la teora estadstica y de probabilidades son requeridos, los
conceptos basicos seran repasados breemente.

Diseo Basado en Confiabilidad y Performance

Ll objetio en el diseno de cualquier sistema de ingeniera es reunir criterio. ae erforvavce
especiicados y lograrlo con un viret ae.eaao ae covfiava o covfiabitiaaa para la esperada ida til
del sistema. Los criterios de perormance estan asociados con dierentes situaciones de
diseno, o estados limites, los cuales son usualmente considerados por el ingeniero en el
proceso de diseno: por ejemplo, limites de sericiabilidad como distancias de borde libre, en
diques, producidas durante grandes aenidas y que son menores a las disenadas, o limites de
allas de capacidad producidas por caudales que superan la capacidad de un dren urbano. Ll
problema as ormulado, es conocido como ai.evo ba.aao ev erforvavce.

La solucin del problema del diseno basado en perormance depende en la cuantiicacin de
la perormance para cada estado lmite y esto, a su ez, requiere de la disponibilidad de
voaeto. ae catcvto. Por ejemplo, la determinacin de los caudales de escorrenta en una seccin
de un dren requiere un modelo realstico para el calculo del caudal.


3


ig. 01 Moaeto ae catcvto ara cavaat ae e.correvta.

Ln general, el comportamiento representado por un modelo de calculo enolera arias
ariables, cada una con un dierente grado de incertidumbre. Algunas de estas ariables
pueden ser conocidas con buena certeza ,por ejemplo, las dimensiones de la seccin de un
canal,, mientras otras pueden ser muy inciertas, o aleatorias, como las intensidades de lluias,
la rugosidad del ondo de un ro o la distribucin granulomtrica del lecho de un ri para el
calculo de la erosin en el pilar de un puente. Dada la incertidumbre de los datos, el
resultado calculado de la perormance tendra tambin un niel de incertidumbre y, por lo
tanto, habra siempre la posibilidad que la perormance real no cumpla con el criterio de
aceptacin. Ll diseno entonces debe ser ajustado para satisacer el criterio con robabitiaaae.
toterabte. ae voerforvavce. Lstas probabilidades pueden tambin ser llamadas robabitiaaae. ae
fatta ob;etiro, a pesar que en general ellas pueden reerirse a estados limites que no inolucran
alla o colapso. Ll complemento de la probabilidad de no-perormance es la covfiabitiaaa del
diseno. Se debe enatizar que la coniabilidad estimada corresponde al modelo de calculo
usado, y es importante, por lo tanto, que el modelo represente la realidad tan cerca como sea
posible. Ln cualquier caso, una ariable aleatoria adicional asociada con un error ae
voaetaciv debe siempre ser usada.

Ln general, la perormance de un sistema de ingeniera puede ser descrita por una fvvciv ae
e.taao tvite o ae erforvavce C;) , de la orma siguiente:

) , ( ) , ( ) (
d d c c
d x D d x C x G = l,3.4,

C;) es una uncin de las ariables x que interienen en el problema, y siempre puede ser
escrita como la dierencia entre dos unciones: una caaciaaa C y una aevavaa D. Las ariables
pueden ser diididas en dos grupos: uno, ,
c
, a
c
,, relacionado con la capacidad C, y una
segunda, ;
a

,
a
a
) , asociada con la demanda D. Los ectores
c
,
a
incluyen todas aquellas
ariables que son aleatorias o inciertas, mientras que los ectores a
c
y a
a
incluyen todas
aquellas cantidades que son aeterviv.tica. o conocidas con suiciente certeza. Por ejemplo el
coeiciente de rugosidad de Manning inluye en la capacidad de una seccin de un dren
pluial y ormara parte de
c
, mientras que el coeiciente de escorrenta C` aectara la
magnitud del caudal en la misma seccin del dren y ormara parte de
a
. Por otro lado, las
dimensiones de la seccin del dren ormaran parte de a
c
, mientras que el area de una cuenca
sera incluida en a
a
.

Cuando la uncin de perormance se escribe en la orma mostrada en la l,3.4,, la no-
perormance correspondera a situaciones donde las ariables se combinan para tener CD, o
C 0. As, estimar la probabilidad de no-perormance es equialente a estimar la

4

probabilidad que el eento resulte en C 0. Lsta sera la robabitiaaa ae fatta, P
f
, y la
coniabilidad sera el complemento, 1.0 - P
f
.

A continuacin se presenta un problema donde se analiza la capacidad de una seccion de un
rio determinada por el galibo especiicado en una seccion de un puente:


ig.02 Moaeto ara et avati.i. aet gatibo ae vv vevte.

Capacidad ,C,:
A R s
n
Q
3
2
2
1
1
=

Variables:
Aleatorias: n,s.
Determinsticas: A,R.

Demanda ,D,:
Qd: Obtenido de una data

luncin de distribucin acumulada ajustada:


ig. 0 Di.tribvciv ae vaivo. avvate..

Variables: Aleatoria: Q.

luncin de Perormance G,X,:
G,x, ~ C-D ~ Q-Qd

Prob. De alla:
P ~ P,CD, ~ P,QQd, ~ P,Q-Qd0,

5


Coniabilidad del sistema:
R ~ 1-P ~ 1-P,QQd,

Ll calculo de la coniabilidad requiere inormacin estadstica sobre la ariabilidad de las
ariables aleatorias. Por ejemplo, la intensidad de una lluia ariara a lo largo del ano, y esta
ariabilidad puede ser obtenida a tras de mediciones en estaciones pluiales y representada
por distribuciones estadsticas. Ln un modelo de calculo de capacidad mas soisticado, las
estadsticas para el coeiciente de Manning pueden ser deriadas a partir de ensayos de
laboratorio en supericies de similares caractersticas, y los ensayos realizados proeeran la
inormacin requerida. Algunas ariables pueden tener mas inluencia que otras y, por lo
tanto, requeriran una descripcin estadstica mas precisa. Algunas ariables de la demanda
dependeran de datos disponibles, por ejemplo, distribucin de caudales, espesores de capas
de niee, milmetros de precipitacin o intensidades ssmicas histricas. Por otro lado, todas
aquellas ariables asociadas con la capacidad son dependientes del caso en estudio. Ln este
sentido, por ejemplo, desde que las caractersticas del coeiciente de Manning tienden a ser
generalmente mas ariables que las de la seccin transersal del dren, la teora de
coniabilidad juega un papel relatiamente mas importante en la hidrologa. Por supuesto,
pueden haber algunas ariables para las cuales no existen datos o hay muy poca inormacin
disponible. Ln este caso, las estimaciones subjetias de la ariabilidad pueden ser
introducidas con el in de estudiar la importancia de tales asumidos en la coniabilidad global
del diseno. Si una ariable particular se encuentra que es muy importante, pero alta
inormacin detallada, se debe hacer un mayor esuerzo para obtener mas datos con el in de
eitar alores poco coniables en la estimacin de la coniabilidad.

La coniabilidad, en el contexto del diseno basado en perormance, orece muchas entajas
no adecuadamente tratadas por los mtodos de calculo mas tradicionales y determinsticos.
La coniabilidad calculada de un estado lmite dado disminuira si la inormacin es
incompleta o la ariabilidad es alta. Por el contrario, mejores resultados se obtienen con una
mayor inormacin sobre las ariables, con una mejor modelacin numrica del estado
limite, o mejores procedimientos para el control de calidad. Ln este sentido, estos mtodos
probabilsticos acilitan la innoacin en la abricacin y en las aplicaciones ingenieriles.

,Cmo implementamos, en la practica, calculos de la coniabilidad y diseno basado en
perormance Un acercamiento sera estudiar cada situacin especica del diseno, y obtener
los alores para los parametros deterministas a
c
o a
a
de manera tal que una coniabilidad dada
sea obtenida para la ida til del sistema. Lsto sera un enoque modiicado para requisitos
particulares del diseno, quizas requerido para los sistemas importantes o en la abricacin de
componentes de un sistema. Otro enoque sera el desarrollo de un procedimiento codiicado,
por medio del cual una ecuacin prescripta para el diseno sera especiicada para cada estado
lmite. Ll enoque codiicado podra cubrir una gran cantidad de aplicaciones simples para el
cual el enoque modiicado para requisitos particulares puede no ser necesario.

Por ejemplo, para el caso del diseno estructural de estructuras en contacto con liquidos ,ACI
350,, las ecuaciones de diseno contienen normalmente un suiciente nmero de "actores de
diseno" que se aplicaran a las demandas nominales de carga o a las capacidades nominales.
Lstos actores podran haber sido elegidos o calibrados de una manera tal que, al usar el
cdigo, el diseno que resulta habra alcanzado el niel de coniabilidad deseado. Por
supuesto, con apenas algunos actores, la coniabilidad deseada no se puede lograr para una
gran cantidad de situaciones de diseno. Por tanto, los actores son calibrados por
optimizacin, reduciendo al mnimo la dierencia entre las coniabilidades deseadas y aquellas

6

que se alcanzan sobre una gran cantidad de condiciones del diseno a las cuales el cdigo se
aplica. Una desentaja de este enoque optimizado es que la coniabilidad alcanzada ara a
tras de arias situaciones. Por ejemplo, las prescripciones del cdigo para el diseno de
iiendas en Norteamrica han estado calibradas para alcanzar una coniabilidad bastante
uniorme pero, en realidad, el niel ara con la localizacin geograica de acuerdo con
cambios en la estadstica de la carga de la niee. Ll proceso de la calibracin del cdigo
producira solamente un cdigo con una rango de aplicabilidad dependiendo de la eleccin
de las situaciones consideradas en la ejecucin de la calibracin. Una descripcin mas
detallada de la calibracin de cdigos se muestra en loschi et el al. ,1990,.

Ll diseno basado en perormance esta ntimamente ligado al calculo de la coniabilidad y al
reconocimiento de imprecisiones en el proceso de diseno. Las herramientas matematicas
requeridas son proedas por la teora de probabilidades. Para completar este tema, la
prxima seccin incluye una breve revisin de conceptos bsicos de probabilidad y de los
mtodos requeridos en la estimacin de la confiabilidad.

Representacin estadistica de variables y conceptos bsicos de probabilidad.

Los datos para cada una de las ariables inolucradas se deben proporcionar en orma de
inormacin estadstica. Los conceptos basicos de estadstica y probabilidades se encuentran
muy bien desarrollados en arios textos ,Benjamin y Cornell, 190, Ang y 1ang, 1984,. Ln
este apartado se hace una bree reisin.

Consideremos el caso especico de la resistencia a la lexin de una iga de madera, de una
seccin transersal y de una longitud dados. Suponga que se ensayan N especimenes,
manteniendo constantes ciertas caractersticas que inluencian la resistencia a la lexin: por
ejemplo, distribucin de carga, elocidad de carga, temperatura y contenido de humedad.
Con certeza, las resistencias f obtenidas de las N pruebas .erav toaa. aiferevte.. Ademas,
suponga que cada prueba tambin es utilizada para obtener el mdulo de la elasticidad . Las
estadsticas basicas que pueden ser obtenidas seran los alores medios y las desiaciones de
estandar de f y de , mas la coarianza entre ellos:

Valores medios:

=
=
N
i
i
f
N
f
1
1

=
=
N
i
i
E
N
E
1
1
|2|


Desiacin estandar:
( )
N
f f
N
i
i
f

=
1
2

( )
N
E E
N
i
i
E

=
1
2
|3|



Coarianza f :
( )( )
N
E E f f
N
i
i i
E f

=
1
|4|



y los parametros asociados:

7



Coeicientes de ariacin:
f
f
f

= cov
E
E
E

= cov |5|

Coeiciente de correlacin lineal f :
E f
E f
E f

= |6|

La desiacin estandar proporciona inormacin de la dispersin de la ariable respecto a su
alor medio, sin reerencia al signo de la desiacin, mientras que el coeiciente de ariacin
expresa esa dispersin como una raccin del alor medio. Dos ariables aleatorias se dice
que son ivaeevaievte. si una puede tomar cualquier alor dentro de su rango
independientemente del alor tomado por la otra. Dos ariables independientes tienen
coarianza cero y, correspondientemente, coeiciente de correlacin cero. Las ariables que
tienen una relacin lineal determinstica entre ellas estan perectamente correlacionadas
linealmente, y el coeiciente de correlacin toma un alor entre -1 o -1 dependiendo de la
pendiente de la relacin lineal. Ln la prueba de lexin probablemente se encontrara que las
ariables f y estan correlacionadas, pero no perectamente, y el coeiciente de correlacin
podra estar en el orden de 0.60 a 0.0. Lsto signiica que una iga mas resistente tiende a ser
mas rgida e, inersamente, una iga mas dbil tiende a ser mas lexible. Debido a la
correlacin positia, es poco probable encontrar combinaciones de una iga muy resistente
,alta f, con caractersticas muy lexibles ,bajo ,.

Para calculos de coniabilidad no es suiciente con proeer solamente las estadsticas basicas.
Los datos tambin deben ser clasiicados con la inalidad de construir una uncin, llamada
ai.tribvciv ae robabitiaaa acvvvtaaa, ;), deinida como:

) ( Pr ) (
0 0
x x ob x F = ||


es decir, ;
0
) representa la probabilidad de encontrar, en el rango de la ariable estudiada,
alores de menores que o iguales que
0
. Lsta uncin toma alores entre 0 y 1, como se
muestra en la ligura 1, para datos correspondientes a resistencia a la lexin de una iga de
madera ,en Mpa,.


8


0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
0 10 20 30 40 50


Iigura J. Ljemplo de datos discretos ajustados con una uncin de distribucin acumulada
,\eibull de 2-parametros,

Los puntos discretos usados para construir ;) a partir de los datos pueden ser ajustados
con una uncin matematica, que luego es usada en las estimaciones de coniabilidad. Otra
uncin til es la deriada f;) de la distribucin acumulada ;). La uncin f;) se llama la
aev.iaaa ae robabitiaaa. Debido a la relacin entre f;) y ;), la probabilidad ;
0
) tambin se
puede escribir como:

=
0
) ( ) (
0
x
dx x f x F |8|

La distribucin acumulada ;) puede ser representada con una ariedad de unciones
matematicas. Una discusin detallada de las dierentes distribuciones de probabilidad se
encuentra en Benjamin y Cornell ,190,, Ang y 1ang ,1984a,, o 1hot-Christensen ,1982,.
Aqu amos a considerar solo algunas de las distribuciones mas empleadas en ingeniera.

a) Distribucin Normal ,o de Gauss,: Lsta muy conocida distribucin se describe por
su uncin de densidad f;):

( ) ( )
2
2
2 / exp
2
1
) (

x x x f = |9|

Lsta distribucin es simtrica a partir del alor medio y se extiende de - ~ a -~. Para el caso
especial de alor medio cero y desiacin estandar o~1, la distribucin se conierte en una
Lstndar Normal. La distribucin acumulada ;) se denota como v;) , y el
correspondiente f;) se denomina ;). Aunque una distribucin Normal puede ser siempre
ajustada a una serie de datos, se presenta un problema undamental cuando la ariable no
puede ser negatia ,como en el caso de resistencia a la lexin, o del mdulo de la elasticidad
o de las cantidades de precipitacin,. Sin embargo, una Normal se puede utilizar si el alor
medio es positio y el coeiciente de ariacin es pequeno, teniendo como resultado que muy
pocas eces la ariable tome alores negatios. La distribucin Normal tiene algunas
caractersticas muy interesantes: cualquier combinacin lineal de distribuciones Normales es

9

tambin una Normal, una caracterstica que no se cumple para otras distribuciones. Las
propiedades de la distribucin Normal la han hecho la base para la mayora de los aances en
pruebas e inerencias estadsticas. Una Normal de alor medio v y desiacin estandar o
puede ser escrita como:

R m x + = |10|

donde R es una ariable Normal Lstandar. Puesto que existen algoritmos que generan
nmeros aleatorios con una distribucin normal estandar, la Lc. |10| puede ser usada para
generar nmeros aleatorios con una distribucin Normal.

b, Distribucin Lognormal: Ln este caso, el logaritmo de la ariable x tiene
distribucin normal. Por lo tanto, la ariable x no puede ser negatia y su rango a de
0 a -~.
Lsta caracterstica hace que la distribucin Lognormal sea buena para representar
datos positios como resistencias o mdulos de la elasticidad. Otro ejemplo comn
de aplicacin de la Lognormal esta en la representacin de la ariabilidad de las
aceleraciones pico durante un terremoto.

c, Distribucin Lxtrema 1ipo III o Weibull: La uncin de distribucin acumulada
;) es, es este caso,

} ] / ) [( exp{ 0 . 1 ) (
0
k
m x x x F = |11|



donde se identiican tres parametros como sigue:
0
, la localizacin ,no hay mas pequeno
que
0
,, v, la escala y /, la orma. Un caso particular de la distribucin \eibull implica
solamente dos parametros, para el caso especial de
0
~ 0. Lstos parametros se pueden
relacionar con el promedio y la desiacin estandar de la distribucin: por ejemplo, a mayor
ariabilidad mas pequeno es el parametro de orma /. Una distribucin \eibull no puede ser
negatia, por lo tanto tiene las buenas caractersticas de un Lognormal. Mas an, puede
demostrarse que una distribucin \eibull es una representacin asinttica de la distribucin
correspondiente al alor vvivo de una ariable x entre un numero grande de muestras de la
misma ariable. Lsto hace que la \eibull sea una buena opcin para representar, por
ejemplo, la resistencia de materiales ragiles o, en general, de los sistemas en los cuales la
capacidad de un grupo de muchos componentes esta determinada por la capacidad del
componente mas dbil del grupo. As, el comportamiento de la madera en corte o en tensin
perpendicular al grano, o del concreto en tensin, se puede representar bien por las
distribuciones \eibull. La ecuacin | 11 | se puede tambin escribir en una orma dierente,

( ) [ ]
k
x F m x x
/ 1
0
) ( 1 log + = |12|

Desde que ;) a de 0 a 1, la Lc.|12| puede ser usada para generar alores de x, que
obedezcan una distribucin \eibull, utilizando un generador de nmeros aleatorios que
generen nmeros entre 0 y 1. Lstos nmeros aleatorios uniormes pueden ser generados con
rutinas disponibles, incluso con calculadoras portatiles.

d, distribucin Lxtrema 1ipo I o Gumbel: La uncin de distribucin acumulada
;) es, en este caso,

10



) ) ] [ exp( exp( ) ( b x a x F = |13|


donde a y b son parametros de la distribucin, tambin relacionadas con el promedio y la
desiacin estandar de . Puesto que se puede demostrar que esta distribucin es una
representacin asinttica del alor vaivo de una ariable entre un numero grande de
muestras de la misma ariable, es una buena distribucin para ser usada para representar
datos de demanda en los que uno esta interesado en el alor mas grande dentro de un
interalo de tiempo. Por ejemplo, las estadsticas para maximas descargas anuales de niee en
dierentes lugares de Canada son representadas por distribuciones Gumbel. Similarmente, las
distribuciones Gumbel producen un buen ajuste para maximos caudales anuales, o maximas
elocidades anuales de iento. La Lc. |13| puede ser rescrita como:

))]} ( log( log[ {
1
x F
a
b x + = |14|

permitiendo la generacin de alores de que obedecen una distribucin Gumbel, cuando
los alores de ;) se generan entre 0 y 1 con un generador de nmeros aleatorios uniorme.


e, Distribucin Uniforme: Ln esta distribucin la ariable puede tomar cualquier
alor entre dos limites, a y b, con igual probabilidad. La uncin de densidad es
entonces


a b
x f

=
1
) ( |15|

Lsta distribucin es til cuando no hay otra inormacin disponible para una ariable dada
excepto un asumido subjetio del rango de la ariable. Ln algunos casos, se utiliza la
distribucin Uniorme cuando uno no desea introducir sesgos en los datos: por ejemplo, la
localizacin del epicentro de un sismo se asume uniormemente distribuida dentro de cierta
zona ssmica cuando no se dispone de un mapa detallado de allas geolgicas.

Ln general, la uncin de distribucin acumulada ;) puede ser modiicada antes de ser
usada en estimaciones de coniabilidad. Lstas modiicaciones pueden incluir:

a, Modificaciones por mximos: Ln algunos casos podramos necesitar modiicar el
original ;) para considerar la distribucin para el maximo alor entre N alores de
la ariable . Por ejemplo, supngase que es la maxima carga anual de niee en un
lugar. podramos estar interesados en la distribucin
100
;), donde es ahora la
maxima carga anual que se puede esperar en un interalo de tiempo de 100 anos.
Puede demostrarse que


100
100
) ( ) ( x F x F = o, en general,
N
N
x F x F ) ( ) ( = |16|

donde N es el numero de entanas elementales ,para los cuales ;) es conocida, que
estaran incluidas en el nueo interalo deseado. Un asumido basico en esta relacin
es que el alor de en una entana elemental es independiente de los alores en las

11

otras. As, si la entana elemental es de un ano, la carga maxima de la niee en un ano
se asume que es independiente de la carga maxima en el ano siguiente. Ll resultado
de la transormacin de la Lc.|16 | es un cambio de la orma de la distribucin
original ;), aumentando el alor medio y disminuyendo la ariabilidad. Si la
distribucin original es Gumbel, a partir de la Lc.|13 |, eleandola a la potencia ^, la
Lc.|14 | se modiicara como sigue:

))]} ( log( log[ {
1 log
x F
a a
N
b x
N
+ + = |1|

b, Modificaciones por Minimos. Ln algunos casos podramos necesitar modiicar la
distribucin original ;) para considerar la distribucin del mnimo alor de la
ariable entre N alores de la ariable . Lsta transormacin es til cuando se
analiza un sistema ragil, cuya resistencia es controlada por el componente mas dbil.
Por ejemplo, una armadura estaticamente determinada con conexiones mecanicas
puede estar controlada por la resistencia de la conexin mas dbil. Puede mostrarse
que, si se tienen ^ componentes, todos con la misma distribucin ;), la
distribucin del alor mnimo entre ^ alores esta dado por


N
N
x F x F )] ( 0 . 1 [ 0 . 1 ) ( = |18|

Ll resultado de esta transormacin es tambin un cambio en la orma de la
distribucin original, con un alor medio reducido y un aumento de la ariabilidad.
Consecuentemente, la resistencia de un grupo de conectores disminuira con el
nmero de conectores ,eecto de tamano o .ie effect,.


c) Modificaciones por Limite Inferior. Ln algunos casos puede ser necesario
modiicar la distribucin original ;) para considerar que no puede tomar alores
menores que
0
, un limite inerior. Lsta transormacin puede ser necesaria cuando,
por ejemplo, queremos introducir algunas medidas de control de calidad: para la
abricacin de secciones de madera laminadas, empleando, de todas las maderas
disponibles, solo aquellas que tienen un modulo de elasticidad >
0
. Puede
mostrarse que la nuea uncin de distribucin acumulada ;) satisace


) ( 0 . 1
) ( ) (
) (
0
0 *
x F
x F x F
x F

= |19|

a) Modificaciones por Limite Superior. Similarmente, en algunos casos puede ser
necesario modiicar la original ;) para considerar que no puede tomar alores
mayores que
0
, un limite superior. Lsta situacin puede ocurrir cuando, por
ejemplo, una presin aplicada sobre una estructura puede ser aliiada por medio de
una alula si excede cierto alor tope. Se muestra que la nuea uncin de
distribucin acumulada ;) satisace



) (
) (
) (
0
*
x F
x F
x F = |20|



12

linalmente, para terminar esta reisin, consideremos la probabilidad de que dos eentos
ocurran .ivvttaveavevte. A esto se le llama la robabitiaaa cov;vvta, y se puede expresar como

) 2 ( ) 2 1 ( ) 2 , 1 ( P P P = o ) 1 ( ) 1 2 ( ) 2 , 1 ( P P P = |21|

donde 1 y 2 identiican los dos eentos, P,1,2, es la probabilidad conjunta y P,12, es la
robabitiaaa covaiciovat de que ocurra el eento 1 cuando ba ocvrriao el eento 2. Por el
contrario, P,21, es la probabilidad condicional de que ocurra el eento 2 cuando el eento 1
ha ocurrido. Si los eentos 1 y 2 son ivaeevaievte. entre ellos, entonces la probabilidad
condicional P,12, ~ P,1,, puesto que la ocurrencia del eento 1 no tiene nada que hacer
con la preia ocurrencia del eento 2. Para eentos independientes, se tiene,

) 2 ( ) 1 ( ) 2 , 1 ( P P P = |22|

Una consecuencia interesante de la deinicin de probabilidad condicional es el 1eoreva ae
a,e.. Sea un eento que puede ocurrir simultaneamente con cada uno de ^ eentos
mutuamente excluyentes llamados .
i
, i ~ 1,.., N ,. Un ejemplo practico podra ser cuando
~ alla de un puente, .
1
~ ientos huracanados, .
2
~ inundaciones, etc. A parir de la
Lc.|21| podemos escribir,

) ( ) ( ) (
1
i
N
i
i
A P A E P E P

=
= |23|

y, a partir de la deinicin de probabilidad condicional,

) ( ) ( ) ( ) ( E P E A P A P A E P
i i i
= |24|

se concluye que

=
=
N
j
j j
i i
i
A P A E P
A P A E P
E A P
1
) ( ) / (
) ( ) / (
) / ( |25|

lo que se conoce como el 1eoreva ae a,e.. Lsta ecuacin puede emplearse para actualizar
probabilidades a-priori para cada uno de los eentos .
i
conocida la inormacin que el
eento L ha ocurrido. Para el ejemplo de la alla del puente debido a dierentes probables
causas, el 1eorema de Bayes puede ser usado para estimar la probabilidad de ocurrencia de
cada causa dada la inormacin de que el puente ha allado. Las probabilidades a-priori P;.
i
)
pueden ser inicialmente subjetias, por ejemplo, empezando con que todas sean igual a 1,^,
donde ^ es el numero de eentos mutuamente excluyentes .
i
. Mas adelante se discute una
aplicacin del 1eorema de Bayes en el analisis de un puente existente.

Distribucin de Poisson y Ocurrencia de Lventos

Ln muchos problemas es importante considerar la ocurrencia de eentos a tras del tiempo.
As, la probabilidad del no-perormance se puede estimar primero en el caso de que un
eento ocurra, y luego utilizando inormacin de la recuencia u ocurrencia de estos eentos,
se puede estudiar el riesgo para dierentes interalos de tiempo ,riesgo anual, riesgo en 100

13

anos, etc.,. Un ejemplo sera el estudio del riesgo ssmico: la probabilidad de exceder un
cierto niel del dano en una estructura se puede estudiar primero dado que ha ocurrido un
terremoto de caractersticas dadas, y luego, sabiendo la recuencia de tales sismos, se puede
concluir cual es el riesgo que, en 50 anos, ocurran danos que superen el niel especiicado de
danos. Para los acontecimientos inrecuentes y de duracin inita, el ingeniero podra tolerar
as una probabilidad de alla mas alta para el eento, compensado con el hecho de que dichos
eentos son raros. Los calculos de las aseguradoras toman en cuenta esta inormacin de
manera precisa.

Muchos modelos probabilsticos pueden ser usados para estudiar la ocurrencia de eentos. Ll
modelo de arribo de Poisson es uno de ellos. Lsta basado en la distribucin de Poisson que
calcula la probabilidad de N eentos en un tiempo 1:


( )
T
N
e
! N
T
) T en N ( P

= |26|

en la que ` es una constante. La Lc.|26| puede ser usada para calcular la distribucin
acumulada del tiempo 1 hasta el prximo eento. Por deinicin, de la Lc.||, l, 1 , es la
probabilidad que el tiempo hasta que ocurra el prximo eento sea menor que 1. Por el
contrario, la probabilidad que el prximo eento ocurra despus de 1 es igual a la
probabilidad que no haya eentos antes de 1. De la Lc.|26|,


T -
e T) en 0 N o T de antes eventos no ( P

= = |2|

de donde se deduce que la probabilidad de ocurrir eentos antes de 1 es


T
e 0 . 1 ) T ( F

= |28|

Lste modelo predice que, si uno espera bastante tiempo, cuando 1 ~, babra por lo menos
un eento, con certeza. Por otra parte, si 1 es algo corto, la probabilidad de ocurrir un
eento antes de 1 es pequena. As, la probabilidad de que ocurra un sismo en los prximos 5
minutos es muy pequena, mientras que la probabilidad de que ocurra un sismo durante los
prximos 1000 anos es casi una certeza. Usando la Lc.|28 | para obtener el alor medio de la
distribucin, o el tievo roveaio ae ocvrrevcia ae to. erevto., T. Se puede mostrar que

T ~ 1,` |29|

Por lo tanto, ` es el vvvero roveaio ae erevto. e.eraao. ev ta vviaaa ae tievo e.cogiaa. Si el tiempo
entre eentos ,1, se mide en anos, entonces ` es el nmero promedio de eentos por ano. La
Lc.|29| permite una manera de calcular el parametro ` a partir de datos histricos. Se puede
mostrar que, aun basados en datos histricos limitados, el parametro ` puede ser estimado
usando el 1eorema de Bayes.

linalmente, se puede mostrar que si el eento para la ariable x es x x0 , y si la
probabilidad que ocurra el eento es PL,xx0,, entonces el riesgo en un periodo 1 esta dado
por


) x x ( P T
0 T
0 E
e 0 . 1 ) x x ( P
>
= > |30|


14

Para bajas probabilidades y eentos raros, la Lc.|30| puede ser aproximadamente escrita
como

) x x ( P ) x x ( P
0 E 0 T
> = > |31|


Metodos para calcular la Probabilidad de No-Performance.

lay arios mtodos para calcular la probabilidad de la alla o de no-perormance. Una
discusin muy buena de diersos enoques se encuentra en Ditlesen et el al. ,1996,,
Melchers ,198,, Madsen ,1986,, Augusti et al. ,1984, y Ang y 1ang ,1984b,. Ll mtodo mas
basico y mas directo es el de la simulacin por computadora ,Montecarlo,, mientras que
quizas los mas eicientes son los mtodos aproximados basados en el calculo del ndice de
coniabilidad ,procedimientos lORM y SORM,. lay tambin mtodos para una
simulacin mas eiciente, llamados Mve.treo ae vortavcia ,Importante Sampling, o de Mve.treo
.aatabte ,Adaptie Sampling,. Ademas, todos los mtodos pueden ser implementados
utilizando ya sea la uncin de perormance real C;) o una aproximada supericie de ajuste
C;). Lsta supericie ajustada se llama .verficie ae re.ve.ta del problema.

1odos estos mtodos computacionales han sido implementados en sotware ahora
disponible. Una de estas aplicaciones, RLLAN, ha sido usada en los ejemplos de aplicacin
de este documento. RLLAN ha sido desarrollado en el Departamento de Ingeniera Ciil de
la Uniersity o British Columbia. Otros programas son CALRLL, desarrollado en la
Uniersity o Caliornia at Berkeley, ISPUD, desarrollado en la Uniersity o Innsbruck,
Austria. Ln el sotware comercial se encuentran, S1RURLL ,Munich, Germany, y PROBAN
,Det Norske Veritas, Norway,.
Aunque la mayora de estas aplicaciones se han desarrollado pensando en analisis de
coniabilidad estructural, la teora de la coniabilidad en la cual se han basado es
completamente general y, por lo tanto, pueden ser utilizadas para el analisis de cualquier otro
tipo de sistema de ingeniera. 1odos incorporan los mtodos discutidos aqu, y diieren
principalmente en la soisticacin axial como en la organizacin de los datos de entrada y
salida. Para completar, se incluye aqu solamente una bree descripcin de los mtodos de
cmputo.

a, Simulacin Montecarlo

Suponga que, usando generadores de nmeros aleatorios apropiados, se crean alores
de de acuerdo a, por ejemplo, las Lcs.| 10|, o |12|, o |14| o |1|. Ll saber permite
calcular la correspondiente C;). Si C;)>0, entonces el criterio de perormance se
cumple. Por otro lado, si C;)0 , la combinacin resulta en no-perormance. Si
este calculo se repite ^ eces, y ^
f
es el numero de eentos que resultaron en no-
perormance, la probabilidad de alla puede ser aproximada por la relacin


N
N
P
f
f
|32|

Ll resultado sera dierente si el proceso se repite para otra muestra de ^ selecciones.
La ariabilidad en los resultados depende de N, disminuyendo mientras que N
aumenta, y la estimacin conergera a la probabilidad exacta si N llega a ser grande.
Lsta es una entaja de este procedimiento de simulacin. Sin embargo, si el sistema
analizado tiene una baja probabilidad de alla, por ejemplo, 10
-6
, sera necesario

15

realizar, en promedio, N ~ 10
6
repeticiones para esperar encontrar un caso de no-
perormance. Puesto que ste es el nmero de eces que la uncin G,x, debe ser
ealuada, el procedimiento podra tomar mucho tiempo, particularmente cuando esta
ealuacin requiere el uncionamiento de un programa adicional para calcular la
capacidad o la demanda.

Ln una simulacin estandar de Montecarlo, los ectores x se eligen aleatoriamente
dentro de todo su dominio. Para mejorar la eiciencia de la simulacin, se han
desarrollado tcnicas que permiten una estimacin de la probabilidad con un nmero
reducido de repeticiones. Lstas tcnicas, bajo nombres de Muestreo de Importancia
,vortavce avtivg) o de Muestreo Adaptio ;.aatire avtivg), seleccionan ectores
x solamente dentro de las regiones de la importancia, dentro de las cuales se
encuentran las combinaciones mas probables de producir alla. Lstos procedimientos
son muy eicaces y descripciones mas detalladas se pueden encontrar en la literatura
,Ditlesen, 1996, Schueller et al., 1989,.



b, Metodos de Confiabilidad de Primer y Segundo Orden (IORM y SORM)

Con la inalidad de tener una alternatia a la simulacin de Montecarlo, se han
desarrollado mtodos aproximados muy eicientes conocidos como lORM o SORM,
mtodos de Coniabilidad de Primer y Segundo Orden, respectiamente. Con la
inalidad de entender las bases de lORM, podemos tratar un problema simple donde


2 1
) ( X X x G = |33|

con las ariables ` siendo ^orvate. , vo corretaciovaaa.. Ademas, notar que la uncin
de perormance es lineal. Si expresamos las ariables ` en termino de sus promedios,
desiaciones estandar y las ariables ^orvate. .tavaar , siguiendo la Lc.|10|,
podemos escribir


2 2 1 1 2 1
) ( x x X X x G + = |34|

Por lo tanto, la alla o no-perormance ocurrira cuando G,x, 0, o cuando



2 1 1 2 2 1 2
/ / ) ( x X X x + |35|



16

x
1
x
2
y
1
y
2

G > 0
G < 0
G = 0
o
P

Iigura 2. Supericie de lalla y deinicin de ndice de Coniabilidad, C ~ `1 - `2


La ligura 2 muestra el plano ,
1
,
2
, con la respectia regin de alla C0, deinida por la
Lc.|35|, y la regin de no-alla, C>0. Se e que la supericie de alla C~0 es una lnea recta.
Una caracterizacin mas simple de la regin de alla puede ser obtenida rotando el eje de
coordenadas, de ,
1
,
2
, a , ,
1
, ,
2
,, de all entonces C0 corresponde a


2
y si Falla |36|

Se puede mostrar que , dado que las ariables se asumieron como ^orvate. .tavaar vo
corretaciovaaa., las ariables , tambin resultan ser Normales Lstandar no correlacionadas. Por
lo tanto, la probabilidad de no-perormance, de acuerdo con la Lc.|36|, es la probabilidad
que el eento ,
2
. Lsto puede ser obtenido directamente de la uncin de distribucin
acumulada de la distribucin Normal Lstandar,

) ( =
f
P |3|

La Lc.|3| implica que todo lo que se requiere para calcular la probabilidad de alla es
encontrar la distancia entre el origen O y el punto P. Lsta es la mnima distancia entre el
origen ,correspondiente a los alores medios de `
1
, `
2
, y la supericie de alla C ~ 0.
Lncontrar esta distancia mnima es un problema geomtrico, solucionado acilmente por
algoritmos de optimizacin. La distancia se llama el vaice ae covfiabitiaaa, y el punto P se
llama el vvto aet ai.evo. Note que cuanto mayor es el ndice de coniabilidad, la zona de alla
estara mas alejada del origen o del punto promedio, implicando menores probabilidades de
alla. 1ambin, se e acilmente que, dada la densidad de probabilidad de las ariables , , las
combinaciones de las ariables mas probables de conducir a la alla estan agrupadas
alrededor del punto P. As, otra manera de llamar al punto P es el vvto va. robabte ae fatta.

Lstas conclusiones se pueden generalizar para cualquier otra uncin C;). Sin embargo, el
resultado de calcular y luego usar la Lc.|3| sera exacto solamente si las tres condiciones
siguientes se satisacen:

1odas las ariables que interienen son Normales
1odas las ariables estan no-correlacionadas

17

La uncin C;) es lineal ,de otra orma la Lc.|36| no seria cierta,

Con transormaciones apropiadas de ariables ,Ditlesen, 1981, 1996, Rackwitz, 198, Der
Kiureghian, 1986, Melchers, 198,, las primeras dos condiciones pueden ser resueltas
siempre. Ls decir, las ariables no-normales pueden ser normalizadas, y las ariables que
tengan una estructura correlacionada pueden ser des-correlacionadas. Sin embargo, la
linearidad de la uncin C esta relacionada con la esencia del problema y no puede ser
eliminada con transormaciones. As, en general, el usar la Lc.|3| proporcionara solamente
una respuesta aproximada, y el error sera dependiente de que tan no-lineal es la uncin de
perormance en la cercana de P. Aortunadamente, para muchos problemas, el error es
absolutamente aceptable para las aplicaciones de ingeniera. Ll mtodo lORM ha sido
modiicado, y con el, la Lc.|3|, si se asume que la supericie de la alla es una uncin
cuadratica, con curaturas iguales a las de la supericie erdadera en el punto P. Ll mtodo
resultante se llama SORM, o ecova Oraer Retiabitit, Metboa. Ln muchos casos, los resultados
demuestran una mejora lee sobre los resultados con el mtodo lORM, pero es acil
construir ejemplos donde las respuestas serian mas errneas.

La Lc.|3| tambin puede usarse en general para expresar los resultados en trmino del
ndice de coniabilidad o su probabilidad de alla respectia P
f
si sta ultima ha sido
obtenida por simulacin.

1ambin es interesante notar que, para el simple caso estudiado aqu, existe una ecuacin
para calcular el ndice de coniabilidad. De hecho, a partir de la ligura 2 y considerando la
pendiente y la interseccin con la supericie de alla recta C~0, se puede concluir que


2
2
2
1
2 1

=
X X
|38|

este es correcto solo para un problema de dos ariables, y cuando estas son normales y no-
correlacionadas. 1ambin hay una expresin para el ndice de coniabilidad si las dos
ariables son lognormales y con baja ariabilidad,



2
2
2
1
2 1
log log
V V
X X
+

|39|

donde 1
1
y 1
2
son los respectios coeicientes de ariacin.

Para el caso general de arias ariables no-Normales o correlacionadas, no hay expresiones
explicitas para el calculo del ndice de coniabilidad. Ln ez de eso, tiene que ser calculado
por mtodos numricos. Ll punto importante aqu es que el procedimiento lORM es
bastante rapido y eiciente, puesto que solo requiere el calculo geomtrico de .

lasoer y Lind ,194, propusieron un esquema iteratio cuasi-Neutoniano que se utiliza
comnmente en paquetes de la computadora. Considere la ligura 3, donde la uncin C se
dibuja en el eje ertical como una uncin de los componentes del ector . La supericie de
alla C ~ 0 es entonces la interseccin de C con el plano horizontal, y el ndice de
coniabilidad sera la longitud entre el punto O y P, situado a una distancia mnima de O.
Lmpezando por un ector inicial , el algoritmo reemplaza la supericie erdadera C por un

18

plano tangente en . Lste plano intercepta C ~ 0 con una lnea recta, y el algoritmo
encuentra el punto P, a una distancia mnima entre esa intercepcin y el origen O. Ll punto
P es luego utilizado como el nueo , repitiendo el procedimiento hasta la eentual
conergencia en P.

La conergencia es dependiente de la adecuada eleccin del ector inicial . Sin embargo,
cuando se logra la conergencia, sta es alcanzada in unas pocas iteraciones, debido a la
eiciencia del mtodo. Los programas de cmputo implementan algoritmos especiales para
encontrar un adecuado ector inicial.

Uno de los resultados muy tiles de lORM es un ector unitario en la direccin OP, cuyos
componentes nos dan inormacin de la sensitiidad de las ariables en el calculo de .

x
x
G
o
P

G*
P*

x*


Iigura 3. Algoritmo Iteratio para hallar el ndice de Coniabilidad ,lasoer y Lind,



La exactitud de lORM esta inluenciada por la no-linearidad de la uncin de perormance
C;). Los resultados de lORM pueden ser mejorados usando la simulacin de Muestreo de
Importancia ,vortavce avtivg, alrededor del punto de diseno P, el punto mas probable de
alla.


c, Superficies de Respuesta

Los mtodos discutidos preiamente dependen en la capacidad de calcular el alor de C;)
para un ector . Algunas eces, los alores del ector x resultan de aplicar otro programa de
cmputo, por ejemplo, de un analisis dinamico o de un calculo de elementos initos. Ln
estos casos, puede ser poco til enlazar directamente la iteracin para hallar el ndice de
coniabilidad con, por ejemplo, un analisis dinamico no lineal. Una alternatia es construir
una .verficie ae re.ve.ta para la capacidad o para la demanda, esencialmente ealuando C;)
con anterioridad, en un nmero suiciente de suicientemente grande de combinaciones de
,laraelli, 1989, Liu y Moses, 1994,. Los puntos discretos obtenidos as se pueden utilizar

19

para ajustar una representacin matematica para la respuesta, y esta representacin es luego
usada como substituto de la C;) real. La respuesta ajustada C

;) se utiliza en el calculo de
coniabilidad para obtener el punto P de diseno y un ndice de coniabilidad . Ll
procedimiento puede detenerse en ese punto o se puede obtener una nuea supericie de
respuesta tomando nueos alores del ector alrededor del punto P recin obtenido. La
nuea supericie de respuesta se utiliza para obtener un P y actualizados, y el
procedimiento se puede continuar hasta llegar a la conergencia de dentro de la tolerancia
deseada.

Se pueden emplear dierentes ormas para la uncin ajustada C

;). Bucher et al. ,199,, por

ejemplo, han considerado expresiones polinomiales del tipo




= =
+ + =
N
i
N
i
i i i i F
X b X a a x G
1 1
2
0
) ( |40|


con los 2N-1 coeicientes encontrados por regresin de los datos discretos. Se pueden
escoger otros datos, cuando se desea una mayor inluencia de una ariable especica. Por
ejemplo, supngase que una de las ariables es la carga Q y que la ariable de respuesta es la
delexin de una placa. Otras ariables que interienen en la respuesta podran ser el modulo
de elasticidad y el modulo de corte. Obiamente, si no hay carga Q no habra ninguna
delexin. Ln este caso, es quizas mejor proponer



[ ]

= =
+ + =
N
i
N
i
i i i i F
X b X a a Q x G
1 1
2
0
) ( - [ ]

= =
+ +
N
i
N
i
i i i i
X d X c c Q
1 1
2
0
2
|41|


que satisace la condicin de respuesta cero cuando Q ~ 0.


d, Lnfoques de Interpolacin Lineal y Redes Neuronales

Los alores discretos de C;) obtenidos como se indic en c, permiten ajustar una expresin
matematica, una supericie de respuesta, alida sobre el rango entero de los datos. Algunas
eces esto es dicil de hacer y no es necesariamente preciso. Lxisten dos alternatias posibles
para interpolar los alores de C;) v.avao ta ba.e ae aato. ai.creta.
Si el alor C;
0
) se requiere para las simulaciones, entonces un numero suiciente de
puntos de datos se localizan tan cerca como sea posible de x0. Luego, estos puntos
son usados para ajustar localmente una supericie aproximada ,por ejemplo, un
plano, y este plano es luego usado para realizar la interpolacin ,loschi et al., 2002,.
1oda la inormacin de la base de datos discretos pueden ser usados para entrenar
una red neuronal, que luego puede ser usada para obtener C;
0
) ,loschi y Zhang,
2003,.

Lxperiencias recientes han mostrado muy buenos resultados usando bases de datos de
respuestas discretas y redes neuronales, para problemas dinamicos ,sismos, de arias
ariables.

20



e, Mltiples Modos de Ialla

Un sistema puede allar en un nmero grande de modos y su coniabilidad podra ser
substancialmente dierente de aquel obtenido para los componentes indiiduales ,1hot-
Christensen et al., 1986,. Por ejemplo, una iga puede allar por lexin o corte, o puede no
cumplir con un requisito de sericiabilidad. Cada modo se puede analizar por separado,
obtenindose ndices de coniabilidad indiiduales y sus respectias probabilidades de alla. Si
el sistema es considerado un .i.teva ev .erie, cuando se estipula que la alla ha ocurrido cuando
por lo menos un modo ha allado, la probabilidad total de alla debe considerar muchas
posibilidades: alla en cada modo, alla en pares, alla en grupos de tres, etc. Ll calculo de la
probabilidad total llega a complicarse, a menos que el sistema tenga solo dos modos. Ln este
caso, la probabilidad total se da por

) 2 , 1 ( ) 2 ( ) 1 ( P P P P
T
+ = |42|

donde P;1) y P;2) son las probabilidades para los modos indiiduales, y P;1,2) es la
probabilidad que ambos modos ocurran simultaneamente. Ln el caso general, es posible
calcular lmites para la probabilidad total. Por ejemplo, se puede demostrar que P
1
debe ser
menor que la suma de las probabilidades indiiduales de cada modo pero mayor que la
mayor probabilidad de los modos indiiduales. Lstos lmites dependen solo de la
probabilidad de los modos indiiduales pero pueden ser bastante amplios. Limites menos
amplios han sido desarrollados por Ditlesen ,Madsen et al., 1986,, pero requieren el calculo
de probabilidades conjuntas as como de los modos indiiduales. Usualmente, los lmites de
Ditlesen son suicientemente cercanos como para estimar que el promedio de ellos es un
buen estimado de P
1
. Las probabilidades conjuntas dependen de la correlacin entre los
modos si las respectias unciones C comparten algunas ariables: por ejemplo, puesto que
las allas por lexin y corte comparten la ariable de la carga aplicada, los dos modos estan
correlacionados. Ls decir, un alto alor de la carga puede producir simultaneamente la alla
en lexin , corte. Madsen et al. ,1986, o Ditlesen ,1996, presentan detalles en la estimacin
de probabilidades conjuntas y correlaciones entre modos de alla.


,, Problemas de Combinaciones de Demanda o de Cargas

1ambin se han estudiado problemas de combinaciones de carga, particularmente el
problema de coincidencia de secuencias de carga con dierentes estadsticas de ocurrencia en
el tiempo ,\en, 1990,. Un resultado til e interesante es la tasa de ocurrencia de la
coincidencia de dos eentos, cada uno con su propia tasa de ocurrencia y duracin de
eento. Digamos que el eento 1 tiene una tasa de ocurrencia `1 y, que cuando ocurre, una
duracin promedio d1 . 1ambin digamos que los respectios alores para el eento 2 son `2
y d2 . Lntonces, la tasa de ocurrencia de la coincidencia de ambos eentos es,
aproximadamente,

) d d (
2 1 2 1 12
+ = |43|


La Lc.|43| puede ser aplicada para estudiar la tasa de ocurrencia de un eento combinado tal
como la ocurrencia simultanea de sismos en poca de lluias del Nino, si es que se desea

21

considerar la probabilidad de alla de un sistema en el poco probable eento de tener lluias
uertes y un sismo en el mismo tiempo.

Conclusiones

Lstas notas han presentado una bree reisin de conceptos probabilsticos y mtodos de
coniabilidad.

Ln todos los aspectos de la ingeniera Ciil, la teora de coniabilidad y los mtodos
probabilsticos proeen un enoque realstico a la solucin de problemas, tomando en cuenta
las ineitables incertidumbres en las ariables inolucradas. La teora de coniabilidad
tambin orece, en particular, un marco slido para el estudio de la implementacin del
control de calidad, mezcla de materiales y optimizacin. Ll asto potencial del enoque, sin
embargo, es completamente explotado cuando los problemas son resueltos cada uno de
manera particular, particularizando la solucin. Ll objetio de un diseno basado en
perormance puede ser logrado a tras de un enoque particular del problema, una tarea
acilitada por la disponibilidad de sotware para el analisis de coniabilidad, unido con la cada
ez mas creciente elocidad de procesamiento de las computadoras.

Referencias

Ang, A.l.S and 1ang, \. 1984a. Probability Concepts in Lngineering Planning and Design. Volume
I: Basic Principles. Bookmasters Inc., Mansield, Ohio.

Ang, A.l.S and 1ang, \. 1984b. Probability Concepts in Lngineering Planning and Design. Volume
II: Decision, Risk and Reliability. Bookmasters Inc., Mansield, Ohio.

Augusti, G., Baratta, A. and Casciati, l. 1984. Probabilistic Methods in Structural Lngineering.
Chapman and lall.

Benjamin, J. and Cornell, A. 190. Probability, Statistics and Decision or Ciil Lngineers. McGraw-
lill, New \ork.

Bucher, C.G. and Bourgund, U. 1990. A last and Licient Response Surace Approach or
Structural Reliability Problems. Structural Saety, Vol., pp.5-66.

Der Kiureghian, A. and Liu, P. 1986. Structural Reliability Under Incomplete Probability
Inormation. Journal o Lngineering Mechanics, ASCL. Vol.112, No.1

Ditlesen, O. 1981. Principle o Normal 1ail Approximation. Journal o Lngineering Mechanics,
ASCL. Vol. 10, No.6, pp.1191-1208.

Ditlesen, O. and Madsen, l.O. 1996. Structural Reliability Methods. John \iley and Sons.

laraelli, L.1989. Response Surace Approach or Reliability Analysis. Journal o Lngineering
Mechanics, ASCL. Vol. 115, pp. 263-281.

loschi, R.O., lolz, B. and \ao, l. 1990. Reliability-Based Design o \ood Structures. Structural
Research Series Report No.34, Department o Ciil Lngineering, Uniersity o British Columbia,
Vancouer, Canada.

loschi, R.O., Li, l., lolz, B., \ao, l. and Baldwin, J. 2000. RLLAN: A General Sotware Package
or Reliability Analysis. Department o Ciil Lngineering, Uniersity o British Columbia, Vancouer,
Canada.

22


loschi,R. O. 2000. Modeling the hysteretic response o mechanical connections or wood structures.
Proceedings, \orld 1imber Lngineering Conerence, \histler, B.C. Canada, July 2000.

loschi, R.O. and Li, l. 2001. A Methodology or Perormance-Based Design in Larthquake
Lngineering`, Proc. 8
th
International Conerence on Structural Saety and Reliability, ICOSSAR`01,
Newport Beach, CA.

loschi, R.O. , Li, l. and Zhang, J. 2002. `Reliability and Perormance-Based Design: A
Computational Approach and Applications`, Structural Saety, Vol. 24, Nos. 2-4, pp. 205-218.

loschi, R.O. and Zhang, J. 2003. `Perormance-Based Design and Seismic Reliability Using
Designed Lxperiments and Neural Networks`, 5th. International Conerence on Stochastic
Structural Dynamics, langzhou, China, May 26-28, 2003.

lasoer, A.M. and Lind, N.C. 194. Lxact and Inariant Second-Moment Code lormat. Journal o
Lngineering Mechanics, ASCL. Vol.100, No.1, pp. 111-121.

Li, long and loschi, R.O. 1998. An Inerse Reliability Method and Applications`, Structural
Saety, Llseier, 20: 25-20.

Liu, \.\. and Moses, l. 1994. A Sequential Response Surace Method and Its Application in the
Reliability Analysis o Aircrat Structural Systems. Structural Saety, Vol.19, pp.3-19.

Madsen, l.O., Krenk, S. and Lind, N.C. 1986. Methods o Structural Saety. Prentice-lall.

Melchers, R. 198. Structural Reliability: Analysis and Prediction. Lllis lorwood Limited, U.K.

Rackwitz, R. and liessler, B. Structural Reliability under Combined Random Load Sequence.
Computers and Structures, Vol.9, No.5, p.489-494.

Schueller, G.I., Bucher, C.G. and Bourgund, U. 1989. On Licient Computational Schemes to
Calculate Structural lailure Probabilities. Probabilistic Lngineering Mechanics, Vol.4, No.1, pp.10-18.

1hot-Christensen, P. and Baker, M. 1982. Structural Reliability 1heory and Its Applications.
Springer-Verlag.

1hot-Christensen, P. and Murotsu, \. 1986. Application o Structural Systems Reliability 1heory.
Springer-Verlag.

\en, \.K. 1990. Structural Load Modeling and Combination or Perormance and Saety Laluation.
Llseier.