Академический Документы
Профессиональный Документы
Культура Документы
11/1/11
09:54
Pgina 1
11/1/11
09:54
Pgina 2
MADRID MMXI
11/1/11
09:54
Pgina 4
11/1/11
09:54
Pgina 6
.
.
.
.
8. Problemas de fatiga
8.1. Efecto de escala en la vida a fatiga de elementos longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.1.1. Modelo de independencia . . . . . . . . . . . . .
8.1.2. Modelo de dependencia . . . . . . . . . . . . . .
8.1.3. Modelos varios . . . . . . . . . . . . . . . . . . .
8.2. El modelo S-N de Whler . . . . . . . . . . . . . . . . . .
8.2.1. Modelo para nivel de tensin constante . . . . . .
8.2.2. Modelo S-N para nivel de tensin variable . . . . .
8.2.3. Modelos E-N . . . . . . . . . . . . . . . . . . . .
56
58
58
59
61
64
66
66
67
67
71
73
73
73
74
75
75
76
81
83
84
85
85
86
89
89
10. Eplogo
97
11. Bibliografa
98
89
94
11/1/11
09:54
Pgina 8
2.
Leyes de la ciencia
La primera idea que trato de trasmitirles es que no toda frmula es vlida para relacionar magnitudes fsicas. En la literatura existente es frecuente
encontrar expresiones que no satisfacen las condiciones exigidas para que
esta relacin sea posible y esta situacin debera evitarse. En un sistema
fsico hay unas variables fundamentales, tales como, por ejemplo, la longitud, el tiempo, el espacio y la temperatura, a partir de las cuales pueden
obtenerse otras variables derivadas, mediante frmulas ms o menos complicadas. En otros casos, las frmulas relacionan diferentes variables, no
necesariamente fundamentales.
Cuando a una variable, como el tiempo, el espacio o la temperatura, se
le permite cambiar de origen y escala (unidades de medida), se dice que es
una variable de localizacin y escala, mientras que aquellas variables, como
la longitud, el rea, el volumen, la velocidad o la aceleracin, a las que slo
se les permite un cambio de escala (unidades) se les llama variables de
escala.
2.1.
(1)
donde r indica el cambio de escala de x1 y x2 , y R(r), el de x3 , que depender del cambio realizado en las otras dos variables.
La ecuacin (1) es una ecuacin funcional en u(x1 , x2 ) y R(r) (funciones incgnitas) que impone condiciones muy fuertes sobre estas funciones,
de modo que no toda funcin cumple dicha ecuacin funcional.
Resolver la ecuacin (1) significa nada menos que obtener la estructura
matemtica de todas las leyes fsicas vlidas que relacionan las tres variables de escala en las hiptesis indicadas, y tambin obtener las frmulas
que dan los cambios de escala correspondientes.
La solucin general de la ecuacin funcional (1) es:
u(x1 , x2 ) = xc1 f (x2 /x1 ) ;
R(r) = rc ,
(2)
10
11/1/11
09:54
Pgina 10
11
2,7 a
2,9 a
23,1 a
1,2 b
4,1 b
1,5 b
2,4 b
1,5 b
4,4 b
2,7 b
1,8 b
20,4 b
1,8 b
2,7 b
4,4 b
1,5 b
2,7 b
2,7 b
5,4 b
3,0 b
13,8 a
4,5 a
4,2 a
1,8 a
1,2 a
2,4 a
2,4 a
1,5 a
2,4 a
7,7 b
y f (x) = x,
es decir,
u(x1 , x2 ) = x1 x2 ;
y u(x1 , x2 ) = x1 x2 ,
(5)
12
11/1/11
09:54
Pgina 12
es
u(x) = xc1 f
x2 x3
xn
x1 , x1 , . . . , x1
(6)
Corolario 1 (Caso particular. Variables de escala) La funcin ms general que puede representar una variable dependiente real de escala, cuando
se supone que todas las variables independientes son variables de escala,
no necesariamente idntica, es decir, la solucin general de la ecuacin
funcional
u(rx) = R(r)u(x); r, x IR n++
(14)
es
u(x) = a
n
Q
i=1
(7)
(10)
(11)
es de la forma
u(x) =
n
P
ci log xi + b;
R(r) = 1;
i=1
P (r) =
n
P
ci log ri ,
(12)
i=1
o de la forma
u(x) = a
n
Q
i=1
xci i
+ b;
R(r) =
n
Q
i=1
rici ;
13
P (r) = b 1
n
Q
i=1
rici
con a 6= 0 y
n
X
n
Q
i=1
rici ,
(15)
c2i 6= 0.
i=1
(13)
xci i ; R(r) =
i=1
(19)
14
11/1/11
09:54
Pgina 14
2.2.
15
Un ejemplo de fatiga
Teorema de Buckingham
Para comenzar hay que decir que es muy conveniente desarrollar los
modelos en forma adimensional. La razn es que la consideracin de modelos con variables adimensionales ayuda a descartar modelos errneos, a
identificar relaciones simples entre variables y a obtener modelos sencillos.
Con este objetivo el teorema de Buckingham (vase Buckingham [38])
se convierte en una herramienta esencial, que debe aplicarse sistemticamente.
Teorema 5 (Teorema de Buckingham) Si una ecuacin con sentido fsico implica un cierto nmero, v, de variables fsicas y estas variables son
expresables en funcin de k magnitudes fsicas independientes, entonces la
expresin original es equivalente a una ecuacin que slo involucra a un
conjunto de p = v k variables adimensionales construidas a partir de
las variables originales.
donde:
1. N es el nmero de ciclos.
2. p es la probabilidad de fallo a fatiga de una pieza cuando se somete a
N ciclos.
16
11/1/11
09:54
Pgina 16
N N0 0 ` K Kth Kc
M 0 0 1
1
1
1
1
1
L 0 0 1 1 1 -1/2 -1/2 -1/2
T 1 1 2 2 2 -2
-2
-2
3. es el rango de tensin.
4. ` es el nivel de tensin.
5. N0 es el valor umbral de N , es decir el mnimo tiempo posible de
vida a fatiga.
6. 0 es el lmite de fatiga1 , que se define en este libro como el valor
que conduce a un tiempo de vida a fatiga de 1 106 de ciclos
para la curva percentil mediana (p = 0.5) S-N2 .
7. a0 es el tamao inicial de grieta.
L
0
1
0
L0
0
1
0
a
0
1
0
a0
0
1
0
p
0
0
0
N = log(N/N0 );
` = ` /0 ; a = a/L0 ;
p
= /0 ;
es decir, cualquier relacin fsica vlida que involucre las 14 variables iniciales es de la forma
, Kc , Y , L , a , a0 , p) = 0.
(N , , ` , K , Kth
{N , , ` , K , Kth
, Kc , Y , L , a , a0 , p},
Y
0
0
0
17
2.2.2.
En el problema de la evaporacin en rgimen turbulento en una superficie libre en presencia de viento, se consideran (vase Kahlig [82]) las
siguientes variables como importantes para el problema (las dimensiones
se dan entre corchetes y expresadas en funcin de la longitud L y el tiempo
T ):
La evaporacin VT bajo condiciones de turbulencia [LT 1 ]
(20)
la diferencia de humedad qs q (dficit de saturacin) donde q es la
humedad especfica del aire y qs es la humedad especfica de saturacin a la temperatura de la superficie del agua (ambas son adimensionales)
Se utiliza el lmite de fatiga en vez del lmite de endurancia porque ste puede ser nulo,
lo que le invalidara como variable de normalizacin.
2
Alternativamente, podran haberse utilizado los 2 106 o 107 ciclos, pero un nmero
menor parece mejor para facilitar su determinacin experimental en laboratorio.
3
Existen diferentes alternativas para seleccionar las variables adimensionales. Aqu se
han elegido N0 , 0 y L0 como variables de normalizacin, pero otras combinaciones son
tambin posibles.
18
11/1/11
09:54
Pgina 18
M
L
T
VT
0
1
1
qs q
0
0
0
K
0
2
1
19
S
0
2
0
U
0
1
1
A partir de estas variables, utilizando el teorema de Buckingham se pueden obtener tres coeficientes adimensionales (vase la tabla 2), por ejemplo:
2.2.3.
El nmero de Reynolds evaporativo 1 = VT S 1/2 /K.
El nmero de Reynolds advectivo 2 = U S 1/2 /K.
El dficit de saturacin 3 = qs q.
Segn el teorema , existe una relacin entre todas las variables, que es
equivalente a
(1 , 2 , 3 ) = 0 1 = f (2 , 3 ),
donde y f son funciones desconocidas.
Informacin de tipo fsico adicional conduce a:
(21)
(22)
propuesta por Paris et al. [87], en la que C y n son parmetros, que relacionan linealmente la velocidad de crecimiento de grieta da/dN y el rango
del factor de intensidad de tensiones K cuando se consideran escalas logartmicas.
En primer lugar, esta frmula involucra solamente a las variables a, N
y K, que segn el teorema de Buckingham no son suficientes para que
exista una relacin fsica entre ellas5 .
Adems, puesto que el trmino da/dN de la izquierda de esta ecuacin,
y el trmino K de la derecha tienen diferentes dimensiones, la constante C debe tener dimensiones. Sin embargo, stas no pueden determinarse
5
20
11/1/11
09:54
Pgina 20
antes de saber el valor del parmetro n. Se deduce que para materiales diferentes, o incluso para el mismo material bajo distintas hiptesis de carga,
las dimensiones de la constante C son diferentes.
Desgraciadamente, la mayora de las versiones modificadas de la ley de
Paris presentan tambin problemas dimensionales.
El lector puede comprobar que desgraciadamente este tipo de modelos no es excepcional, sino la regla (por ejemplo, ninguno de los modelos
revisados en Kohout [83] incluye parmetros adimensionales.).
Sin embargo, hay afortunadamente algunas excepciones, como la ley
de Paris generalizada propuesta por Pellas et al. [88] y utilizada por Agha
et al. [17] y Chantier et al. [78]
n
Kmax
da
= C aM
dN
Kth (a)
,
Kth (a)
Kc
g(R )
(a)g(R )
(23)
3.
Matemticas
En esta seccin se comentan algunos modelos de importantes operaciones matemticas, tales como las operaciones asociativas y la de los iteradores.
3.1.
Operaciones asociativas
21
(24)
22
11/1/11
09:54
Pgina 22
3.2.
El iterador
x
f (2)(x)
f (n)(x)
(a)
g
g-1
(26)
n
f (x)
23
f (n)(x)
(b)
(27)
(28)
log
f (n) (x) = g 1 [g(x) + n];
g 1 (x) = CAx +
o
f (g 1 (x)) = g 1 (x + 1),
(30)
B(1 An )
,
1A
g(x) =
(29)
4.
B + (A 1)x
(A 1)C
;
log(A)
B
.
1A
4.1.
24
11/1/11
09:54
Pgina 24
4.2.
x 1
2
1
0
-0.5
Giros
0.5
25
Flechas
-1
-2
-1
-3
-1.5
0.2
0.4
x 10
0.6
0.8
0.2
0.4
0.6
75
0.8
Cortantes
50
25
-5
-10
-25
-15
-20
-50
Momentos
-75
-25
0
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
que dicho balance o equilibrio debe satisfacerse para dicho elemento. Una
vez impuesta esta condicin a un conjunto infinito de elementos de un cierto
dominio, se obtiene el conocido modelo tradicional basado en ecuaciones
diferenciales. Si se discretiza, se obtiene un modelo basado en ecuaciones
en diferencias, que normalmente aproxima la solucin del problema inicial.
En esta seccin se propone una alternativa basada en ecuaciones funcionales. Considrese un elemento no diferencial y establzcase el balance
o equilibrio en l, reflejando el hecho de que dicho balance o equilibrio debe satisfacerse en dicho elemento. Si, por el contrario, se supone que dicho
balance debe cumplirse para cualquier elemento de dimensiones cualesquiera de todos los de un cierto dominio, se obtiene una ecuacin funcional
equivalente a la diferencial anterior, y de esta forma se obtiene el mode-
26
11/1/11
09:54
Pgina 26
27
p(x)
p(x)dxdx
m0 (x) = q(x),
(32)
2
donde m(x) es el momento flector en el punto genrico x y m0 (x) su derivada.
Considrese ahora la bien conocida relacin de la resistencia de materiales entre el momento flector y la curvatura de la viga
m(x + dx) = m(x) + q(x)dx +
m(x+dx)
m(x)
q(x+dx)
q(x)
dx
p(x)
(33)
Llamando w(x) = z 0 (x) al giro de la viga en el punto x, de las ecuaciones (31), (32) y (33) se obtiene el sistema de ecuaciones diferenciales de
primer orden
q 0 (x) = p(x),
m0 (x) = q(x),
m(x)
w0 (x) =
,
EI
0
z (x) = w(x),
(35)
4.2.1.
(34)
(31)
(36)
donde
A(x, u) =
x+u
Z
p(s)ds.
(37)
28
11/1/11
09:54
Pgina 28
29
Adems se tiene
p(x)
q(x)
q(x+u)
m(x)
m(x+u)
z(x + u) = z(x) +
x+u
Z
w(s)ds
x
x+u
Z
1
[m(x)(s x)
EI
x
(s x)2
+q(x)
+ C(x, s x) ds
2
1
u2
u3
= z(x) + w(x)u +
m(x) + q(x) + D(x, u) ,
EI
2
6
(42)
= z(x) +
p(x)
w(x) +
donde
Figura 6: Ilustracin del equilibrio de una pieza discreta.
x+u
Z
D(x, u) =
C(x, s x)ds.
(43)
y el equilibrio de momentos
m(x + u) = m(x) + uq(x) + B(x, u),
(38)
donde
B(x, u) =
x+u
Z
(x + u s)p(s)ds.
(39)
w(x + u) = w(x) +
= w(x) +
1
EI
1
EI
x+u
Z
donde
m(s)ds
A(x, u)
x
x+u
Z
x
1
u2
= w(x) +
m(x)u + q(x) + C(x, u) ,
EI
2
(40)
C(x, u) =
donde
C(x, u) =
x+u
Z
B(x, s x)ds.
(41)
D(x, u) =
x+u
Z
p(s)ds,
x
x+u
Z
(x + u s)p(s)ds,
x
x+u
Z
B(x, s x)ds,
x
x+u
Z
C(x, s x)ds,
(45)
30
11/1/11
09:54
Pgina 30
31
Ejemplo 4 (Vigas con carga uniforme) Supngase una viga con carga uniforme p. Entonces se tiene
A(x, u) = pu,
C(x, u) = pu3 /6,
(50)
m(s) = z(s) = 0.
(52)
w(0) = z(0) = 0,
m(s) = q(s) = 0.
(53)
m(s) = z(s) = 0.
(54)
w(s) = z(s) = 0.
(55)
2. Mnsula:
w(x + 3u) = w(x) 3w(x + u) + 3w(x + 2u)
[3C(x, u) 3C(x, 2u) + C(x, 3u)]
+
,
(EI)
(47)
(48)
(49)
w(0) = z(0) = 0,
4. Viga biempotrada:
w(0) = z(0) = 0,
Cada uno de los casos anteriores da lugar a un sistema de 4 ecuaciones en 4 incgnitas en el conjunto {q(0), q(s), m(0), m(s), w(0), w(s),
z(0), z(s)}. Estos sistemas se muestran en la tabla 3. Resolviendo estos
sistemas y sustituyendo sus soluciones en (51) con x = 0 se obtienen las
leyes de cortantes, momentos, giros y flechas que se muestran en la tabla 4.
32
11/1/11
09:54
Pgina 32
q(0) ps
ps2
sq(0)
2
s3
s2
1
p + q(0)
w(0) +
EI
2
6 4
s
s3
1
p + q(0)
+sw(0) +
EI
24
6
q(0) ps
2
0
w(s)
z(s)
q(s)
Mnsula
Cortante
p(s 2u)
2
p(s u)
Momento
pu(s u)
2
p(u s)2
2
Giro
pu(3s2 + 3su u2 )
6EI
Flecha
pu(u s)(s2 + su u2 )
24EI
Viga biempotrada
Cortante
p(5s 8u)
8
p(s 2u)
2
Momento
p(s 4u)(u s)
8
Giro
p(s 2u)u(u s)
12EI
Flecha
pu2 (u s)2
24EI
q(0) ps
ps2
m(0) + sq(0)
2
s3
s2
1
p + sm(0) + q(0)
=
EI
6
2
s4
s2
s3
1
p + m(0) + q(0)
=
EI
24
2
6
=
m(s)
5.
ps
m(0) + sq(0)
2
1
s3
s2
=
p + sm(0) + q(0)
EI
6
2
1
s4
s2
s3
=
p + m(0) + q(0)
EI
24
2
6
q(s)
Viga biempotrada
Sistema de ecuaciones
q(s)
Mnsula
33
q(0) ps
ps2
m(0) + sq(0)
2
1
s3
s2
p + sm(0) + q(0)
EI
6
2
1
s4
s2
s3
p + m(0) + q(0)
EI
24
2
6
Geometra
Una de las primeras sorpresas que me llev con las ecuaciones funcionales fue al descubrir que si se plantea mediante un sistema de dos ecua-
34
11/1/11
09:54
Pgina 34
f(a1+a2, b)
f(a, b1+b2)
b1
b
a2
f(a1, b)
b2
(56)
a1
35
f(a, b2)
5.1. Ar
Area
rea de un rrectngulo
ectngulo (Legendre
(Leggendre (1791))
Supongamos
Supon
p nggamos que
q no se conoce la frmula f (a,
(a,, b)
b) que
q da el rea
rrea de un
eamos que medi
a proante
rectnguloo en funcin de su altura a y su base bb.. V
Veamos
mediante
piedades que
q deben cumplir los rectn
ngulos, puede obtenerse esta frmula.
rectngulos,
En la partee izquie
rda de la figura 7 se muestra
m
un rectngulo de bas
se b y cuizquierda
base
ya altura a se ha dividido
dividido horizontalmente
horizontalmente para formar dos rectngulos
rectnggulos con
la misma base
b b y alturas a1 y a2 , respectivamente.
respeectivamente. Aunque no pode
podemos
emos segn nuestr
ra hiptesis calcular las rea
as de los tres rectngulos, s podemos
p
nuestra
reas
eexpresarlas
xpresarlaas mediante la funcin f com
mo f (a
(a1 , bb),
), f ((a
a2 , bb),
), y f ((a
a1 + a2 , bb),
),
como
respecti
vamente.
a
Anlog
amente, pode
emos di
vidir el rectngulo ini
icial vvererrespectivamente.
Anlogamente,
podemos
dividir
inicial
ticalmentee en otros dos rectngulos
g
((vase la pparte derecha de llaa misma
figura) y escribir
e
sus reas mediante f (a,
(a, b1 )),, f ((a,
a, b2 )),, y f ((a,
a, b1 + b2 )),, respecti
vameente.
pectivamente.
Establleciendo que el rea del primer
primer rectngulo debe ser igual a la suma
Estableciendo
de las rea
as de los subrectngulos en ambos
a
casos, se obtiene el sis
stema de
reas
sistema
que implica
f (a, b) = cab,
(57)
donde c es una constante positiva cualquiera, lo que prueba que el rea del
rectngulo no es la conocida frmula base altura", sino una constante
base altura". La constante tiene en cuenta las unidades utilizadas para
la base, la altura y el rea resultante. Esto significa que si b se mide en
pulgadas, h en pies, y se desea el rea en metros cuadrados, la constante no
es la unidad.
Resulta interesante comprobar cmo las ecuaciones funcionales nos ponen de manifiesto esta posibilidad en la que posiblemente no hubiramos
pensado. Sin embargo, para los sumerios, que no saban ecuaciones funcionales, el rea de un campo rectangular fue un resultado emprico usado
para calcular la cantidad de grano G necesario para sembrar su campo de
lados a y b: G = cab, donde en este caso la constante c era la densidad de
siembra.
5.2.
Area de un trapecio
Seguidamente se deduce la frmula del rea del trapecio, en la que aparecen dos constantes arbitrarias, ya que el rea depende de las longitudes
de las dos bases y de la altura, es decir de una variable ms, resultando la
frmula
Area = f (b1 , b2 , a) = (k1 b1 + k2 b2 ) a,
que para k1 = k2 = 1/2 resulta la conocida frmula:
36
11/1/11
09:54
Pgina 36
b01 , b2
b02 , a)
= f (b1 , b2 , a) +
f (b01 , b02 , a)
(58)
b2
(59)
(60)
5.3.
Las funciones homogneas juegan un importante papel en Fsica e Ingeniera y surgen muy frecuentemente en las aplicaciones.
Teorema 7 (Funciones homogneas) La solucin ms general de la ecuacin funcional de la homogeneidad
k
f (yx) = y f (x) ; x, y IR +
37
(61)
b2
b1
b1
a
b1
sb1
es
k
f (x) = cx ,
(62)
38
11/1/11
09:54
Pgina 38
39
Area
0.433 x2
Elemento
Area lateral
Volumen
1.000 x2
Tetrahedron
1.7321a2
0.11785a3
1.721 x2
Octahedron
3.4641a2
0.471404a3
2.598 x2
Dodecahedron
20.6458a2
7.663119a3
3.634 x2
Icosahedron
8.6603a2
2.181695a3
4.828 x2
6.182 x2
10
7.694 x2
11
9.366 x2
12
11.19 x2
5.4.
x
x
k
( xy) h
ox g
si
y
y
axk
si
f (x, y) =
si
by
c(ck = 0)
si
x 6= 0, y 6= 0,
y = 0, x 6= 0,
x = 0, y 6= 0,
x = y = 0,
(65)
fk (x)gk (y) = 0
(66)
k=1
f1 (x)
a11 a12
f2 (x) a21 a22
... = ... ...
an1 an2
fn (x)
g1 (y)
b1r+1
g2 (y) b2r+1
... = ...
bnr+1
gn (y)
...
...
...
...
b1r+2
b2r+2
...
bnr+2
a1r
a2r
...
anr
...
...
...
...
1 (x)
2 (x)
... ,
r (x)
b1n
r+1 (y)
b2n
r+2 (y) ,
...
...
bnn
n (y)
(67)
40
11/1/11
09:55
Pgina 40
= 0.
(68)
... ... ... ... ...
...
... ...
a1r a2r . . . anr
bnr+1 bnr+2 . . . bnn
41
y (68) conduce a
b14
b24
b34
1
0
0
b15
b25
b35
0
1
0
b16
b26
b36
0
0
1
= 0,
(73)
b14 = a41 ; b15 = a51 ; b16 = a61 ; b24 = a42 ; b25 = a52 ;
b26 = a62 ; b34 = a43 ; b35 = a53 ; b36 = a63 .
(74)
+ b(y)x + c(y),
z(x, y) =
z(x, y) = d(x)y 2 + e(x)y + f (x).
(69)
b(y) = D + Ey + F y 2 ;
d(x) = I + F x + Cx2 ;
f (x) = G + Dx + Ax2 ,
(75)
(70)
x
1
0
0
x 0
2
1
0
x
1 0
0
1
=
x ,
(71)
d(x) a41 a42 a43
1
e(x) a51 a52 a53
f (x)
a(y)
b(y)
c(y)
y 2
y
1
(77)
b14
b24
b34
1
0
0
b15
b25
b35
0
1
0
b16
b26
b36
0
0
1
y ,
5.5.
(72)
42
11/1/11
09:55
Pgina 42
43
donde (x), (y) y (z) son vectores de funciones arbitrarias y Cijk son
constantes arbitrarias.
Adems, las funciones U, V y W no pueden ser arbitrarias, sino de la
forma
6
ui (y, z) =
4
2
0
0.2
vj (z, x) =
0.4
0.4
0.6
0.6
wk (x, y) =
0.8
0.8
(80)
(81)
(82)
j=1 k=1
0
0.2
K
J X
X
I X
K
X
i=1 k=1
J
I X
X
i=1 j=1
1 1
I
P
f (x, y, z)
i=1
J
P
i (x)ui (y, z) =
J
P
j (y)vj (z, x) =
j=1
K
P
j=1
f (x, y, z) =
Sea f (x) la funcin que da la suma de los ngulos internos de un polgono con x lados. Para obtener esta funcin se considera el siguiente hecho:
si se divide uno de los lados de un polgono de x lados, en dos lados, la suma de los ngulos internos del polgono resultante es la suma de la de los
ngulos internos del polgono inicial ms la suma de los ngulos internos
de un tringulo (vase la figura 11).
Por tanto, se tiene
f (x + 1) = f (x) + + + = f (x) + f (3),
(83)
(84)
k=1
5.6.
(79)
44
11/1/11
09:55
Pgina 44
41
45
f (x)
Y
1
4
2
0
3
4
6.
Economa y Sociologa
La Economa y la Sociologa son ciencias en las que la Matemtica juega un papel muy relevante. Por ello, tambin he dedicado un cierto tiempo
a problemas y modelos en Economa y Sociologa.
6.1.
n
X
i=1
[gi (xi )] .
46
11/1/11
09:55
Pgina 46
Aadimos adems algunas condiciones a la funcin f tales como la unanimidad, que se expresa mediante la condicin
)
( n
X
1
[gi (x)] = x.
f (x, x, . . . , x) = x
s1
i=1
Si, adems a todos los jueces se les da el mismo peso, entonces gi (x) =
g(x) para todo i = 1, 2, . . . , n y se obtiene
1
1 (x)
f (x, x, . . . , x) = x {n[g(x)]} = x g(x) =
,
n
con lo que, finalmente, f resulta
f (x1 , x2 , . . . , xn ) = 1
n
P
(x
)
i
i=1
que nos da todas las frmulas de consenso que cumplen las condiciones
establecidas.
Algunos casos particulares interesantes son:
47
s2
sn
En el pasado se han dado muchos modelos para resolver el problema de fatiga de elementos longitudinales, pero desafortunadamente, la mayora de
ellos se basan en la hiptesis de independencia de las resistencias a fatiga
de las diferentes piezas. Esta hiptesis establece que si un elemento de longitud s, tal como el mostrado en la figura 12, se divide hipotticamente en
varias piezas de longitudes s1 , s2 , ..., sn , entonces, la funcin de supervivencia S(s, t) del elemento satisface la ecuacin siguiente
S(s, t) =
n
Y
S(si , t),
i=1
6.2.
donde t es el tiempo.
Aqu abandonaremos esta hiptesis y haremos uso de las ecuaciones
funcionales para plantear el problema de una forma diferente.
Supondremos que se ha requerido a un equipo de tres personas disear
por consenso un modelo de fatiga para elementos longitudinales. Sin embargo, se requiere que den propuestas iniciales separadas e independientes
antes de reunirse para adoptar una solucin de consenso. Las tres propuestas asociadas a los tres miembros se denotaran como modelos 1, 2 y 3,
respectivamente.
Modelo 1
El primer experto supone que si un elemento de longitud x+y se divide
en dos piezas no solapadas de longitudes x e y, su funcin de supervivencia
S(x + y, t) que da la probabilidad de supervivencia en t para una pieza de
longitud x + y, puede ser calculada en funcin de las funciones de supervivencia de las dos piezas, es decir, supone que S(x, t) satisface la ecuacin
funcional
S(x + y, t) = H[S(x, t), S(y, t)],
(85)
48
11/1/11
09:55
Pgina 48
49
30
60
S(x + y, t) = H[S(x, t), S(y, t)] = S(y + x, t) = H[S(y, t), S(x, t)],
90
(86)
[f (0) = ; w() = 1]
[f () = 0 ; w(0) = 0], o
S(x, ) = 0 w[f ()x] = 0 [f () = ; w() = 0], o
[f () = ; w() = 0].
Si w(x) = exp(Dx) se obtiene el caso particular del modelo de independencia.
La estructura de la funcin H en (86) revela claramente el carcter asociativo y conmutativo de esta funcin.
Modelo 2
El segundo miembro del equipo desea comenzar con un modelo recomendado por Bogdanoff and Kozin [37]: Basndose en resultados experimentales de Picciotto [89], estos dos autores sugieren el modelo
S(x, t) = S(y, t)N (y,x) ,
(87)
50
11/1/11
09:55
Pgina 50
q(x)
, por lo que resulta
q(y)
el
Modelo 2 : S(x, t) = p(t)q(x) ; N (y, x) =
q(x)
.
q(y)
(88)
para que S(x, t) sea una funcin de supervivencia debe ser no-creciente en
t y adems debe ser
S(x, 0) = 1 p(0)q(x) = 1 p(0) = 1,
S(x, ) = 0 p()q(x) = 0 p() = 0.
51
[l(1) = p(0) = ], o
S(x, 0) = l1 [p(0) + r(x)] = 1 [l(1) = p(0) = ], o
[l(0) = p() = ], o
S(x, ) = l1 [p() + r(x)] = 0
[l(0) = p() = ], o
Alcanzando un consenso
p0 (t)
h(x, t) =
q(x) = [log p(t)]0 q(x) = s(t)q(x),
p(t)
queda probado que el modelo 2 es el conocido modelo de los riesgos proporcionales de Cox. (vase Cox [79]). Por ello, la ecuacin funcional (87)
caracteriza dicho modelo.
Modelo 3
El tercer miembro, basado en la expresin (87), supone que la funcin
de supervivencia de un elemento de longitud x puede obtenerse a partir
de la funcin de supervivencia de un elemento de longitud y y un cierta
funcin desconocida de x e y. En otras palabras, supone que la funcin de
supervivencia satisface la ecuacin funcional
S(x, t) = K[S(y, t), N (x, y)],
(89)
(90)
(91)
52
11/1/11
09:55
Pgina 52
6.3.
En esta seccin se discuten algunas frmulas del inters bancario, tratando de ilustrar qu hay tras cada una de ellas.
53
54
11/1/11
09:55
Pgina 54
x
t
x+y
tt+u
+u
(98)
55
x
u
Figura 16:
166: Ilustracin del problema del
d inters simple. P
Partiendo
artiendo la duracin en do
os partes.
dos
(99)
f ((x,
x,, t)
t) = c(t)x,
c(t)x,,
( )
(95)
(x, t)
t) = h(x)t,
h(x)t,
f (x,
(96)
6.3.2.
(97)
y
de donde resulta finalmente la frmulaa
f (x,
(x, t)
t) = kxt,
k xt,
innters. La expresin
expresin (97) ess la bien
donde la constante k es la tasa de inters.
f
Por tanto, la frmula del inters
inters simple
conocida frmula
del inters simple. Por
q
caraacterizada por
p las dos propiedades
ppropie
p edades anteriores.
queda
caracterizada
im
mportante observar
observar que las hiptesis
hiiptesis anteriores no se cumplen
cum
mplen en
Es importante
realidadd. Se puede comprobar que los
l bancos aumentan el inters
inters con la
la realidad.
d
tiene una influencia
influenccia en el
cantidad depositada
y que la duracinn tambin tiene
au
unque sta no es tan clara como
com
mo la anterior.
anterior.
inters, aunque
Inters compuesto
que establece que al final del periodo t + u, se recibe el mismo inters si:
1. se deposita la cantidad x durante un periodo de duracin t + u, o
2. se deposita la cantidad x primero durante un periodo de duracin t
y luego se deposita todo lo recibido f (x, t) durante un periodo de
duracin u.
56
11/1/11
09:55
Pgina 56
57
(104)
c(t + u) = c(u)c(t),
(102)
(105)
log m(x)
q(x)
=
.
q(y)
log m(y)
(106)
f (x, t) = xm(x)n(t) ,
(103)
(107)
(108)
(109)
58
11/1/11
09:55
Pgina 58
6.4.
59
(112)
60
11/1/11
09:55
Pgina 60
10
10
C
U
O
T
A
I
N
T
E
G
R
A
C
U
O
T
A
46%
8
6
I
N
T
E
G
R
A
2
4
1985
0
10
56 %
8
6
4
2
1988
0
12,2
5,5
61
10
20
BASE IMPONIBLE
20
BASE IMPONIBLE
Figura 18: Curva ingreso bruto-impuesto vigente en 1988 en Espaa (correccin a la falta de convexidad).
mucho antes, como en Mill [86] o Stuart [92] pp. 48-71), aunque no fueron
formulados mediante ecuaciones funcionales. El trabajo de Aczl [8] llama
la atencin de los expertos en ecuaciones funcionales sobre esta interesante
aplicacin.
6.4.3.
62
11/1/11
09:55
Pgina 62
Seguidamente se presenta una metodologa para obtener funciones impositivas, que consiste en las etapas siguientes:
1. Planteamiento de las propiedades que se requieren de la funcin impositiva.
2. Solucin matemtica del sistema de ecuaciones e inecuaciones funcionales.
3. Seleccin de los restantes grados de libertad para satisfacer las necesidades impositivas.
el impuesto asociado a cada unidad de ingreso debe ser mayor que el asociado a la anterior. La condicin (117) establece que el impuesto, a igualdad
de ingresos totales, no debe crecer con el nmero de miembros.
Independencia del tipo de declaracin (conjunta o separada).
!
m
m
m
X
X
X
s
xi ,
yi , m, p, q
=
s(xi , yi , 1, p, q),
s
i=1
m
X
i=1
(113)
(114)
(115)
(116)
(117)
Estas primeras condiciones se refieren a la progresividad. Las condiciones (113) y (114) establecen que a mayor ingreso, proceda ste del capital o
del trabajo, mayor impuesto. Las condiciones (115) y (116) establecen que
63
xi ,
i=1
m
X
yi , m, p, q
i=1
i=1
m
X
s(xi , yi , 1, p, q),
(118)
(119)
i=1
x y
, , 1, p, q .
(120)
m m
Las condiciones (118),(119) y (120) se refieren a la declaracin de las
parejas casadas. La ecuacin (118) expresa la coincidencia de impuesto
cuando coinciden los ingresos totales de la unidad familiar. La desigualdad (119) fuerza a que la declaracin conjunta (como pareja) sea menor o
igual que la separada. Debe entenderse que la igualdad debe ser alcanzable,
es decir, debe existir un caso particular (cuando ambos cnyuges ganen lo
mismo) en el que ambas declaraciones coincidan. Finalmente, la ecuacin
(120) fuerza la coincidencia slo en el caso de idnticos ingresos para todos los miembros de la unidad. Esta condicin, junto con las (115), (116) y
(123) se ver que son equivalentes a la condicin (119).
s(x, y, m, p, q) = ms
(123)
(124)
(125)
64
11/1/11
09:55
Pgina 64
La ecuacin (123) se refiere a la independencia del nmero de declaraciones y establece que el impuesto debe depender slo del ingreso total y
no de si ste se declara en uno o en varios aos.
Las ecuaciones (124) y (125) establecen la independencia del tiempo de
generacin de los ingresos, es decir, el impuesto pagado debe ser funcin
slo del ingreso total y no de cmo se ha generado en el tiempo.
(126)
(127)
6.4.4.
65
(128)
Caso 2: Declaracin conjunta con menor o idntico impuesto que la declaracin separada. En esta seccin se obtiene la funcin impositiva ms
general que satisface las condiciones (113) a (117) y (121) a (125) con
(119) o (120) y posteriormente se aade la condicin (126) o la (127).
Se tiene el teorema siguiente.
Teorema 12 (Declaracin conjunta con impuesto inferior) La funcin impositiva ms general que satisface las condiciones (113) a (117) y (121) a
(125) con (119) o (120) es
y
x
+ qv
,
(130)
s(x, y, m, p, q) = m pu
pm
qm
donde u y v son funciones tales que
u(0) = v(0) = 0,
u(x) y x u(x) son crecientes,
v(y) y y v(y) son crecientes,
u(x) es continua y convexa,
v(x)es
continua
yy convexa,
x
y mv
son no crecientes en m,
mu
m
m
(131)
66
11/1/11
09:55
Pgina 66
Esta funcin impositiva puede tambin utilizarse para primar la natalidad, teniendo en cuenta el nmero de hijos de la unidad familiar (incrementando el parmetro m). En otras palabras, m puede ser la suma de personas
que declaran en la unidad familiar ms una fraccin por hijo o persona dependiente.
Corolario 4 (Caso particular) Si adems se impone la condicin (126) a
la funcin impositiva (130) se obtiene
x
y
s(x, y, m, p, q) = m pu
+ qu
; u(0) = v(0) = 0.
pm
qm
(132)
Una vez establecida la estructura de las funciones impositivas, quedan
por definir los valores de sus parmetros y de sus funciones arbitrarias pra
tener una frmula aplicable en la prctica.
A la luz de todo lo anterior puede decirse que la funcin impositiva
(130) es utilizada en algunos pases de la comunidad europea no por mera
casualidad sino porque resulta de condiciones dictadas por el sentido comn, la justicia y consideraciones sociales, polticas y econmicas.
7.
Probabilidad y Estadstica
7.1.
Para determinar la funcin de distribucin continua que verifica la propiedad de no envejecimiento, resulta la ecuacin funcional
P (X > s + t|X > t) = P (X > s) for all s, t 0,
7.2.
G(u; , ) G(x + u; , )
G(x + u; , )
=
,
G(u; , )
G(u; , )
(134)
con solucin
x 1/
h(u, , ) = u.
67
G(x; , ) =
7.3.
(135)
68
11/1/11
09:55
Pgina 68
(136)
d(y)
h(y)
exp 12
c(y)
= fX/Y (x|y)h(y) =
,
c(y)
(137)
donde b(x) > 0, c(y) > 0 y a(x) y d(y) definen las lneas de regresin
y b(x) y c(y) las correspondientes desviaciones tpicas. Resolviendo esta
ecuacin funcional en seis funciones incgnitas se obtiene:
a(x) =
d(y) =
b2 (x) =
c2 (y) =
u(x) =
v(y) =
(A + Bx + Cx2 )
;
(D + 2Ex + F x2 )
(H + By + Ey 2 )
;
(J + 2Cy + F y 2 )
1
;
(D + 2Ex + F x2 )
1
;
(J + 2Cy + F y 2 )
(A + Bx + Cx2 )2
1
2
;
G + 2Hx + Jx
2
(D + 2Ex + F x2 )
(H + By + Ey 2 )2
1
;
G + 2Ay + Dy 2
2
(J + 2Cy + F y 2 )
(138)
(139)
(140)
(141)
(142)
(143)
G + 2Hx + Jx2
exp
2
h(y) = (J + 2Cy + F y 2 )1/2
G + 2Ay + Dy 2
exp
69
(A+Bx+Cx2 )2
(D+2Ex+F x2 )
; (144)
; (145)
(H+By+Ey 2 )2
(J+2Cy+F y 2 )
1
G
1
2
2
exp [2Hx+2Ay+Jx +Dy ]
f (x, y) = exp
2
2
2
1
2
2
2 2
exp [+2Bxy+2Cx y+2Exy +F x y ] . (146)
2
Para que la funcin f (x, y) sea una funcin de densidad, las constantes
{A, B, C, D, E, F, G, H, J} deben satisfacer las condiciones:
(i) F = E = C = 0, D > 0, J > 0, B 2 < DJ,
(ii) F > 0, F D > E 2 , JF > C 2 .
El modelo (i) es el modelo bivariado normal, y el modelo (ii) tiene las
siguientes propiedades:
Las lneas de regresin no son lneas rectas
las distribuciones marginales no son normales.
La moda o modas estn en la interseccin de las lneas de regresin.
La figura 19 muestra tres ejemplos de distribuciones con condicionales normales mostrando las funciones de densidad conjuntas, las marginales, como
proyecciones horizontales, y las lneas de regresin en proyeccin vertical.
La figura superior corresponde al caso normal. Las otras dos no son normales, siendo una unimodal y la otra un ejemplo interesante de distribucin
bimodal.
Estos resultados fueron publicados en ese congreso (Castillo and Galambos [46]). El Profesor Barry Arnold de la Universidad de California
estaba en esa conferencia y poco tiempo despus nos escribi solicitando
permiso para publicar un artculo inspirado en el nuestro, en el que haca
lo mismo pero con la distribucin exponencial (vase Arnold and Strauss
[23]). Tambin publicamos estos resultados en otro congreso en El Cairo
70
11/1/11
09:55
Pgina 70
Figura 19: Ejemplos de distribuciones con condicionales normales mostrando las funciones de densidad conjuntas, las marginales, como proyecciones horizontales, y las lneas de regresin en proyeccin vertical. La
figura superior corresponde al caso normal. Las otras dos no son normales, siendo una unimodal y la otra un ejemplo interesante de distribucin
bimodal.
71
(Castillo and Galambos [48]) y una extensin a caracterizacin de distribuciones normales en Castillo and Galambos [49]. Poco despus resolvimos
el caso de la distribucin de Weibull en Castillo and Galambos [50], de la
gamma en Castillo et al. [67], la beta tipo dos en Castillo and Sarabia [54]
y la lognormal Sarabia et al. [91].
Puesto que el profesor Barry Arnold estaba trabajando en el mismo tema que nosotros, Jos Mara Sarabia y yo decidimos ponernos en contacto
con l y proponerle escribir una monografa sobre el tema, a lo que accedi
gustoso y tras varias reuniones en Santander, sali a la luz una monografa
de 150 pginas en la serie Lecture Notes in Statistics Castillo and Sarabia
[55] que se agot en poco tiempo. Durante ese periodo publicamos con l
una larga serie de trabajos que incluyen la familia de Pareto generalizada
Arnold et al. [18] y otras (Arnold et al. [28], Arnold et al. [30], Arnold et al.
[32], etc.). A ellas siguieron otras publicaciones relacionadas con la caracterizacin de distribuciones, especialmente la normal, tales como Arnold
et al. [19], Arnold et al. [20], Arnold et al. [21], Arnold et al. [24], Arnold
et al. [27] y Arnold et al. [31].
Puesto que dos familias de distribuciones condicionales no son en general compatibles, estudiamos en varios trabajos las condiciones de compatibilidad, como en Arnold et al. [25] y Arnold et al. [29].
Tambin nos interesamos por la especificacin de distribuciones mediante combinaciones de marginales y condicionales (Arnold et al. [22]), o
una familia de condicionales y los percentiles o las modas de la otra (Arnold
et al. [33]), y tambin de distribuciones multivariadas definidas en funcin
de sus curvas de nivel (Arnold et al. [34]).
Todos estos trabajos, aparte de la ya mencionada monografa, dieron
lugar al libro Arnold et al. [35], publicado por Springer, y a un artculo
invitado en Statistical Science (Arnold et al. [26]), que tuvieron una gran
resonancia.
Tengo que decir que todo este trabajo fue posible por mi descubrimiento de las ecuaciones funcionales, por lo que debo reconocer de nuevo la
contribucin del profesor Janos Aczl, que lo hizo posible.
7.4.
Considrese un sistema con n estados posibles y sea fij (s, t) la probabilidad de que el sistema cambie del estado i-simo al estado j-simo
durante el periodo (s, t) (Vase Aczl [1], pp. 363)).
Definir este problema supone definir una matriz de funciones de dos
variables fij (s, t), lo que inicialmente supone una gran complejidad.
72
11/1/11
09:55
Pgina 72
Sin embargo, bajo la hiptesis de independencia de Markov, debe cumplirse la ecuacin de Chapman-Kolmogorov
fij (s, t) =
n
X
n
X
fij (s, t) = 1, i,
j=1
k=1
73
y entonces
F(s, t) = G(t s) = exp[C(t s)] = B exp[J(t s)]B1 ,
donde C = BJB1 es la forma cannica de Jordan de la matrix C.
El resultado final interesante es que hemos pasado de tener que definir
una matriz funcional de dos variables F(s, t) a tener que definir slo las
dos matrices numricas B y J.
8.
Problemas de fatiga
tante.
Esto supone una notable simplificacin, ya que slo hay que definir
n
P
una matrix funcional M(s) que cumpla las condiciones
Mij = C , i.
j=1
8.1.
G(t)
= exp(Ct + a + b)
a
=
M(t) = exp(Ct + a)
G(t)
=
M(t)1 = exp(Ct + b)
En noviembre de 1982 tuvo lugar otro hecho importante en mi vida cientfica: el profesor Alfonso Fernndez-Canteli de la Universidad de
Oviedo, se present en mi despacho una maana pidiendo ayuda para resolver un problema estadstico de fatiga de materiales. Esa entrevista que
tuvimos fue el comienzo de una colaboracin muy fructfera que dura hasta
hoy. El haba realizado la tesis doctoral en la ETH de Zrich y comenzaba su investigacin en la Escuela de Ingenieros Industriales de Gijn. Tras
algunos trabajos previos, me sugiri que pasase un verano en la ETH para trabajar juntos y con el Profesor Bruno Thrlimann, acadmico de la
Academia de Ingeniera estadounidense (NAE). All nos surgi la primera
ecuacin funcional al formular una condicin de compatibilidad.
En esta seccin se tratan varios modelos de fatiga surgidos de esta colaboracin, que van desde modelos muy sencillos a modelos muy complejos.
8.1.1.
Supongamos un elemento longitudinal dividido en un conjunto de piezas imaginarias no solapadas (vase la figura 20).
Sea G(x, a) la funcin de supervivencia de la pieza longitudinal de longitud a y supngase que las resistencia de todas las piezas son variables
aleatorias independientes. Entonces, la funcin de supervivencia G(x, s) de
un elemento de longitud s debe satisfacer la ecuacin funcional:
G(x, s) = G(x, y + z) = G(x, y)G(x, z) ; s = y + z
b
exp(Ct)
74
11/1/11
09:55
Pgina 74
s1
s2
donde p(x) es una funcin de supervivencia cualquiera, que puede asociarse con una longitud de referencia y0 , es decir, el valor de y0 tal que
q(y0 ) = 1. Una conclusin notable es que la funcin k(x, y) no puede
elegirse arbitrariamente como uno pudiera pensar al observar la ecuacin
(147).
sn
donde g(x) debe ser no-negativa, no-creciente y adems satisfacer las condiciones g(0) = 1 y lm g(x) = 0, para que sea una funcin de supervix
vencia, pero libre en el resto.
8.1.2.
Modelo de dependencia
(147)
(149)
exp[g(y)]
m(y)
=
,
exp[g(x)]
m(x)
(150)
75
(151)
8.1.3.
Modelos varios
8.2.
76
11/1/11
09:55
Pgina 76
'V
p = 0.95
500
VM
'V
Vm
400
300
pP (media)
200
100
0
probetas
supervivientes
p = 0.05
10
103
10
10
10
10
V*M
'V *
V m*
N*
1. Principio del eslabn ms dbil. Si un elemento longitudinal se divide en n sub-elementos, su vida a fatiga deber ser la vida a fatiga de
su elemento ms dbil, es decir la mnima vida de todos ellos.
2. Independencia. La vida a fatiga de dos sub-elementos no solapados
son variables aleatorias independientes.
3. Estabilidad. La familia elegida para la funcin de distribucin de la
vida a fatiga deber ser vlida para cualquier longitud, pero con parmetros diferentes.
4. Valor lmite. La familia anterior debe incluir el caso lmite de longitud
infinita. Por ello, deber ser una familia asinttica.
'V*
8.2.1.
77
78
11/1/11
09:55
Pgina 78
V*M
(N B )( C )
Modelo 1 :
p=h
, (154)
Modelo 2 :
p = h (A N + B + C ) ,
(155)
'V*
Vm*
'V*
Trayectorias
que entran por
Trayectorias
que salen por
N*
N 1 ( )
2 (N )
=h
,
(152)
p=h
1 ( )
2 (N )
donde 1 ( ), 1 ( ) y 2 (N ), 2 (N ) son, respectivamente, los parmetros de localizacin y escala de N dado y de dado N , o,
equivalentemente,
N
1 ( )
1 ( )
2 (N )
,
2 (N )
79
(153)
(156)
(157)
donde N es la vida a fatiga medida en ciclos, es el rango de tensiones, p = F (N ; k ) es la probabilidad de rotura y , B y C son los
parmetros del modelo con el significado siguiente:
80
11/1/11
09:55
Pgina 80
81
[47]), resultando que la funcin de distribucin en (158) debe ser una de las
dos familias
i
h
(159)
1 exp D(Ex + F )C log(Ay+B)
(160)
o
n
1 exp [C(x A)(y B) + D]E ,
82
11/1/11
09:55
Pgina 82
Es importante resaltar que resolver la ecuacin funcional (162) equivale a descubrir la estructura funcional de las funciones implicadas, lo que
conduce al modelo (163) con (164) y (165).
VM* ! VM*
2
VM* = VM*
Vm* ! Vm*
8.2.2.2. Consideraciones estadsticas de valores extremos. Finalmente, teniendo en cuenta el principio del eslabn ms dbil y las distribuciones
de extremos de Weibull y Gumbel, se obtienen los dos modelos siguientes:
'V
83
Vm*= Vm*
Vm*= Vm*
i
h
, ) + s ( , )N )
Modelo 1 : p = 1 exp (r (m
m M
M
(166)
VM= VM*
*
y
N*
, ) + s ( , )N ]} .
Modelo 2 : p = 1 exp { exp [r (m
m M
M
(N Bm (m ))(m M Cm (m )) m (m )
=
h
( )
m
m
(N BM (M ))(m M CM (M )) M (M )
h
, (162)
( )
M
M
o , segn se
Los parmetros B , C , y son ahora funciones de m
M
indica mediante los correspondientes subndices. La ecuacin (162) es una
ecuacin funcional, cuya solucin conduce a (vase Castillo et al. [75])
, M
) + s (m
, M
)N ) ,
p = h (r (m
(163)
, M
) = C0 + C1 m
+ C2 M
+ C3 m
M ,
r (m
(164)
donde
s
C0
C7
(m
, M
)
son constantes, y
C4
N
C5 m
C6 M
= log(N/N0 ).
C7 m
M ,
(167)
Obsrvese que los modelos (166) y (167) permiten predecir estadsti y
camente el comportamiento a fatiga para cualquier combinacin de m
, con lo que se ha resuelto el problema inicial de determinar el campo
M
y .
S N para cualesquiera valores de m
M
Una conclusin importante que se deduce de lo anterior, es que la funcin trilineal7 que se obtiene de sustituir (164) y (165) en (166) y (167) no
ha sido elegida arbitrariamente, sino que surge como resultado de la condicin de compatibilidad. Ms importante an es que una seleccin de una
funcin que no sea trilineal conducir a una situacin de incompatibilidad.
Estos modelos se han publicado en Castillo and Fernndez-Canteli [44]
y Castillo et al. [76], habiendo sido validados experimentalmente en el EMPA (Dbendorf (Switzerland) by Koller et al. [84], y extendido para el caso
de distribuciones exponenciales en Balakrishnan et al. [36].
8.2.3.
Modelos E-N
Los modelos E-N (deformacin-vida a fatiga) se han desarrollado tradicionalmente mediante la descomposicin de las deformaciones en sus
componentes elstica y plstica, lo cual supone una gran complicacin y
requiere hiptesis adicionales, que son realmente innecesarias. Nosotros en
Castillo and Fernndez-Canteli [43] y con un grupo portugus en De Jesus
et al. [80] hemos extendido los modelos S-N a este caso, mostrando que
(165)
7
84
11/1/11
09:55
Pgina 84
85
9.1.
0.007
Deformacin
0.005
Total
0.003
Plstica
0.002
0.0015
9.1.1.
Elstica
10000
50000 100000
500000 1000000
3000000
N ,
Figura 25: Ilustracin del modelo basado en descomponer las deformaciones en sus componentes elstica y plstica, junto con el modelo conjunto.
9.
, M
) = h(a0 , N , Q ),
a = h(a0 , N , m
(168)
, ) para
donde por simplicidad de notacin hemos denotado Q = (m
M
englobar las variables m y M .
Puesto que la deduccin de esta relacin, que involucra cinco variables,
es compleja, la dividiremos en varias etapas:
a = h (a0 , N1 + N2 , Q ) = h (h (a0 , N1 , Q ) , N2 , Q ) .
(169)
a0 , N ,
(170)
09:55
Pgina 86
N = 1 (a , Q ) 1 (a0 , Q ) .
9.1.2.
87
a*1
(171)
Condicin de compatibilidad de N |a y a |N .
Seguidamente, se estudia cmo depende a de m y M . Para analizar esta dependencia hay que considerar que la curva de crecimiento es un
proceso aleatorio, que depende de la probeta elegida. En la figura 26 se
muestran varias curvas de crecimiento asociadas a probetas diferentes, de
forma que las curvas de la parte baja representan probetas ms resistentes
que las situadas en la parte alta.
Si se considera un punto cualquiera (N1 , a1 ) y se trazan por l una recta
horizontal y una vertical, se observa que toda curva que pasa por el tramo
horizontal izquierdo debe pasar tambin por el tramo vertical superior, lo
que implica que las funciones de densidad de estas dos variables no son
independientes, sino relacionadas, tal como se muestra en la figura 26, en
la que las reas sombreadas deben ser complementarias, es decir, sumar
la unidad. Por tanto, las funciones de distribucin de las variables a |N
tamao de grieta, dado el nmero de ciclos, y el nmero de ciclos, N |a ,
dado el tamao de grieta deben tomar valores que suman la unidad (vase
Castillo et al. [74]).
Esta condicin es muy similar a la ilustrada en la figura 23, pero hay
una diferencia importante: en el caso de la figura 23 se trata de dos leyes
de mnimo, una para N | y otra para |N , que estn asociadas al
principio del eslabn ms dbil, mientras que aqu se trata de una ley de
mnimo N |a , y una de mximo a |N , puesto que a es el mayor tamao
de grieta existente en la pieza considerada. Por ello, se debe considerar
una ley de mximos en vez de una de mnimos para a , y la condicin de
compatibilidad correspondiente se puede escribir como
a 1 (N )
N 2 (a )
p = qmax
= 1 qmin
, (172)
1 (N )
2 (a )
N 1*
N*
7*
86
11/1/11
p
p
p
N*
Figura 26: Ilustracin de la condicin de compatibilidad basada en la funcin de densidad de a condicionada a N y de la funcin de densidad
de N condicionada a a , para una carga Q constante, mostrando que las
reas (probabilidades) de las dos funciones de densidad, deben ser iguales.
donde qmax y qmin son distribuciones para mximos y mnimos, respectivamente. Teniendo en cuenta que estas distribuciones deben satisfacer la
condicin (ver Castillo [39] y Castillo et al. [70])
qmax (x) = 1 qmin (x) ,
(173)
88
11/1/11
09:55
Pgina 88
9.1.3.
(174)
que es equivalente a
a 1 (N )
2 (a ) N
=
,
1 (N )
2 (a )
(175)
2 (a ) =
1 (N )
1 (N ) =
Fa |N ,Q
(178)
(179)
(180)
(181)
a0
(182)
(183)
1 (p)
+ qmax
M N
1
1
1
,
= + qmax (p)
+
a0 ath a ath
a = ath +
(184)
(185)
"
#
a + N
= exp
,
(188)
"
#
N )(a a )
(M
th
Fa |N ,Q (a , N ) = exp
(189)
donde los parmetros , , , , M y ath dependen del factor de carga
Q .
(a , N )
y el Modelo 2:
9.2.
(187)
que hay que sustituir en (181) y (183). Dos de ellos son el Modelo 1:
(177)
p = qmax (a N + a N + ) ,
N =
(176)
y tambin a
+ a
+ a
1
+ a
1
N
N
1
(p)
a = N + + qmax
89
Obsrvese que = M
m
mientras que ` puede significar ` = m
, ` =
M
, ` = (m
+ M
)/2 o R = m /M .
90
11/1/11
09:55
Pgina 90
p
p
p
p
a
a
a
p
p
p
N1
p
p
N = q (N 1,Q )
Q , N
1 (p)
1 + 1 qmax
M1 q(N , Q )
(191)
y
a (Q ) = ath (Q ) +
N2
Figura 27: Ilustracin de la condicin de compatibilidad basada en la funcin de densidad de a para tres valores diferentes del factor de carga Q .
Q
Q
densidad del tamao de grieta pueden alcanzarse mediante diferentes historias de carga. Esta hiptesis, que es muy conveniente para acumulacin
de dao, se ilustra en la figura 27, en la que se ven ejemplos de densidades
idnticas para tres historias de carga, y en la que se representan tres niveles de dao (tamaos de grieta) a , a1 y a2 , y tres factores diferentes de
carga Q1 > Q > Q2 junto con los correspondientes nmeros de ciclos
necesarios N , N1 y N2 para alcanzar un idntico nivel de dao.
En la figura se ve que si se tiene una carga fija, por ejemplo Q1 =
, ), las funciones de densidad de a al aumentar el nmero de ci(m
M1
1
clos N , van evolucionando de la misma forma que si se tiene una carga
, ), o una carga cualquiera Q = ( , ), pero a un ritmo
Q2 = (m
m M
M2
2
diferente.
Por tanto, si se elige una carga de referencia Q1 y se obtienen las funciones de densidad para un N1 cualquiera, pueden utilizarse stas para obtener
las correspondientes a una carga cualquiera Q , sin ms que determinar una
funcin N1 = q(N , Q ), que nos diga qu valor de N1 hay que utilizar en
el nivel de referencia para obtener la correspondiente funcin de densidad
asociada a un nmero de ciclos N para la carga Q . En consecuencia, si
se conoce la evolucin de las funciones de densidad de a para una carga
de referencia Q1 y la funcin q(N , Q ), tenemos resuelto el problema de
determinar la funcin de densidad de a asociada a cualquier N y Q .
En resumen, para predecir el crecimiento aleatorio de grieta que tiene
lugar para una historia de cargas dada, es preciso introducir la siguiente
hiptesis simplificativa:
91
(190)
1 (p)
(Q ) + (Q )qmax
M (Q ) N
(192)
(Q )
1
= 0;
M1 q(N , Q ) M (Q ) N
Q , N
(193)
92
11/1/11
09:55
Pgina 92
1
(Q )
= 0;
M1 q(N , Q ) M (Q ) N
Q , N ,
Q1*
(194)
1 (M (Q ) N )
(Q )
0.0008
a*
1 (Q ) 1 (Q )
1 (M (Q ) N )
0.001
(195)
y
ath (Q ) ath1 =
0.0006
(196)
0.0004
1 (p)
1 (Q )/1 + (Q )qmax
;
M (Q ) N
0.0002
p, Q , N , (197)
2.10
(Q ) =
ath1
1 (Q )
.
1
(198)
N*
6.10
8.10
Q2*
1.10
Q3*
0.0012
(199)
1 .
Fa |N ,Q (a , N ) = qmax
1
(Q )
(200)
4.10
Q1*
0.001
0.0008
a*
ath (Q )
Q3*
0.0012
de donde
N1 = q(N , Q ) = M1
Q2*
0.0006
0.0004
0.0002
2.10
4.10
6.10
N*
8.10
1.10
puede verse que al coincidir las funciones de densidad, basta trasladar horizontalmente las curvas para tener en cuenta diferentes cargas en periodos
diferentes.
94
11/1/11
09:55
Pgina 94
9.3.
, M
) + N s (m
, M
),
(202)
= r (m
, ) y s ( , ) estn dadas por (164) y (165), respecdonde r (m
m M
M
tivamente. Obsrvese que (201) es una ecuacin funcional, que resulta de
, ),
esta condicin de compatibilidad, con funciones incgnitas M (m
M
, ) y ( , ).
h (m
m M
M
Seguidamente, se resuelve la ecuacin funcional (201). Con este fin, se
identifican los coeficientes que multiplican a la variable N y los trminos
independientes de ambos miembros, obtenindose
, ) a
1 h (m
M
th1
, )
1
(m
M
= s (m
, M
) (203)
95
, ) a
h (m
1
M
th1
1
= r (m
M
(
,
)
, M
), (204)
m M
, )
1
(m
M
que conducen a
, ) a )
1 (h (m
M
th1
,
, )
1 s (m
M
r ( , ) +
M (m
, M
) = 1 m M 1 .
1 s (m , M )
(m
, M
) =
(205)
(206)
(N s (m
m
1
1
M
M
th1
p = qmax
1 ,
, ) a
h (m
1
M
th1
(207)
en el que qmax es una de las funciones que aparecen en (186) (187).
, ) por
Ntese que en el modelo (207) slo queda una funcin h (m
M
, )
determinar, mientras que en el modelo (200) haba dos funciones M (m
M
, ), por lo que de nuevo la condicin de compatibilidad junto
y (m
M
con condiciones fsicas y estadsticas permiten obtener la estructura funcional del modelo de crecimiento de grieta.
Para que quede claro lo que se gana con la consideracin de las diferentes condiciones, las curvas de crecimiento de grieta han evolucionado como
sigue:
1. Inicialmente, se expresaba a como
a = h (a0 , N , m
, M
),
a = h (a0 , N , m
, M
) = 1 (a0 , Q ) + N , Q ; (208)
y
que contiene una funcin h dependiente de tres variables N , m
, pues Q = ( , ).
M
m M
a = ath (m
, M
)+
, ) + ( , )q 1 (p)
(m
m M max
M
, (209)
, ) N
M (m
M
96
11/1/11
09:55
Pgina 96
'V
p
'V
p p
1
+ qmax (p) ,
a = ath1+
, )+ /
N s (m , M )+r (m
1
1
1
M
(211)
, ) de dos variables y
que depende slo de la funcin h (m
m
M
, pues las funciones r ( , ) y s ( , ) vienen dadas por
M
m M
m M
(164) y (165), respectivamente.
Curvas S-N
Q 'V V l
'V V l
Q 'V V l
'V
97
10.
p
p
p
p
p
p
p
p
p
'V
'V
'V
Rotura
Curvas de crecimiento de grieta
N
a
a
a
, ), ( , ), ( , )
que depende de 4 funciones ath (m
m M
m M
M
, ) de dos variables y .
y M (m
m
M
M
, ) + ( , )q 1 (p)/
(m
m M max
1
1
M
,
, ) N
M (m
M
(210)
, ) y M ( , ) de dos
que depende de dos funciones (m
m M
M
variables m y M .
Eplogo
Llega ya el momento de concluir este discurso tras el repaso a mis incursiones en el mundo de la modelizacin matemtica y sus aplicaciones.
He tratado de describir cmo surgi cada uno de los trabajos realizados
y qu hay detrs de cada una de las condiciones establecidas, y creo ha quedado patente la importancia, por un lado de las personas que aparecen en
la vida de un estudioso e investigador, que motivan y producen cambios de
rumbo en su trayectoria investigadora convirtindose en verdaderos maestros. He indicado ya que muchos de ellos fueron acadmicos de diferentes
academias, lo que considero que no es una casualidad, sino el resultado
de la excelencia, que debe ser cuidada.Tambin he destacado el papel de
los libros que hacen posible que los conocimientos que uno tiene lleguen a
muchos, produciendo un efecto que el autor, cuando escribe, no puede ni
siquiera imaginar.
Concluyo ya agradeciendo a todos ellos por esta labor tan beneficiosa
para nuestra sociedad, e invitando a que surjan nuevos maestros y escritores que arrastren a los jvenes a dedicarse al maravilloso mundo de la
Matemtica.
Tengo tambin que decir que todo este trabajo no hubiese sido posible
sin la dedicacin de mis padres a mi educacin, el apoyo de mi familia, y
la paciencia de mi esposa Mary Carmen y mis hijos, a los que he restado
mucho tiempo para poder dedicarlo a la enseanza y la investigacin. Vaya
para todos ellos, mi agradecimiento y reconocimiento.
Slo me queda ya insistir una vez ms en mi gratitud, expresada al
comienzo de este discurso, por mi nombramiento como Acadmico de Nmero de la Real Academia de Ingeniera y a todos ustedes por su presencia
en este acto.
Muchas gracias.
98
11/1/11
09:55
Pgina 98
11.
Bibliografa
Referencias
[1] J. Aczl. Lectures on functional equations and their applications. Vol.
19, Mathematics in Science and Engineering. Academic Press, 1966.
[2] J. Aczl. Some recent applications of functional equations to geometry. J. Geometry, 1:127142, 1971.
[3] J. Aczl. Some recent applications of functional equations to combinatorics, probability distributions, information measures and to the
theory of index numbers in mathematical economics. In Theory
and applications of economic indices (Proc. Internat. Sympos., Univ.
Karlsruhe, Karlsruhe, 1976), pages 565590. Physica-Verlag, Wrzburg, 1978.
[4] J. Aczl. On history, applications and theory of functional equations. In Functional equations: history, applications and theory,
Math. Appl., pages 312. Reidel, Dordrecht, 1984.
[5] J. Aczl. On weighted synthesis of judgements. Aequationes Math.,
27(3):288307, 1984.
99
[6] J. Aczl. On the general form of the laws of science without dimensional constants. Rend. Sem. Mat. Fis. Milano, 55:2335 (1988), 1985.
[16] J. Aczl, M. Hossz, and E. G. Straus. Functional equations for products and compositions of functions. Publ. Math. Debrecen, 8:218
224, 1961.
[17] H. Yaacoub Agha, A. S. Branger, R. Billardon, and F. Hild. Highcycle fatigue behaviour of spheroidal graphite cast iron. 21:287296,
1998.
[9] J. Aczl. Basics of functional equations arising from recent applications to economics and to other sciences. In XII Symposium on Operations Research (Passau, 1987), volume 59 of Methods Oper. Res.,
pages 314. Athenum/Hain/Hanstein, Knigstein, 1989.
[10] J. Aczl. Some recent applications of functional equations to the social and behavioral sciences. Further problems. Aequationes Math.,
50(1-2):3849, 1995.
[20] B. Arnold, E. Castillo, and J.M. Sarabia. A conditional characterization of the multivariate normal distribution. Statistics and Probability
Letters, 19:313315, 1994.
100
11/1/11
09:55
Pgina 100
101
[32] B. C. Arnold, E. Castillo, and J. M. Sarabia. Distributions with generalized skewed conditionals and mixtures of such distributions. Communications in Statistics - Theory and Methods, 36(8):14931503,
2007.
[33] B. C. Arnold, E. Castillo, and J. M. Sarabia. Bivariate distributions
characterized by one family of conditionals and conditional percentile
or mode functions. Journal of Multivariate Analysis, pages 1383
1392, 2008.
[34] B. C. Arnold, E. Castillo, and J. M. Sarabia. Multivariate distributions
defined in terms of contours. Journal of Statistical Planning and Inference, 138(12):41584171, 2008.
[35] B.C. Arnold, E. Castillo, and J.M. Sarabia. Conditional Specification
of Statistical Models. Springer Verlag, New York, 1999.
[36] N. Balakrishnan, E. Castillo, A. Fernndez-Canteli, and M. Kateri.
An exponential model for damage accumulation. Communications in
Statistics: Simulation and Computation, 38(2):215232, 2009.
[37] J.L. Bogdanoff and F. Kozin. Effect of length on fatigue life of cables.
113:925940, 1987.
[38] E. Buckingham. The principle of similitude. Nature, 96:396397,
1915.
[39] E. Castillo. Extreme value theory in Engineering. Academic Press,
San Diego, California, 1988.
[40] E. Castillo. Constructing models and solving problems with functional equations. Gac. R. Soc. Mat. Esp., 4(1):2766, 2001.
[41] E. Castillo and A. Fernndez-Canteli. A statistical model for lifetime
analysis. Elektrika, 84:521, 1986.
[42] E. Castillo and A. Fernndez-Canteli. Statistical models for fatigue
analysis of long elements. In International Association for Bridge and
Structural Engineering, editors, Proceedings of the IABSE Workshop,
pages 1532, El Paular, Madrid, 1992.
[43] E. Castillo and A. Fernndez-Canteli. A general regression model for
lifetime evaluation and prediction. International Journal of Fracture,
107(2):117137, 2001.
102
11/1/11
09:55
Pgina 102
103
[48] E. Castillo and J. Galambos. Bivariate distributions with normal conditionals. In Proceedings of the IASTED International Symposium:
Simulation, Modelling and Development - SMD 87, pages 5962,
Cairo, 1987. ACTA Press.
[59] E. Castillo, A. Fernndez-Canteli, A. Ascorbe, and E. Mora. Aplicacin de los modelos de series temporales al anlisis estadstico de la
resistencia de tendones de puentes atirantados. Anales de Ingeniera
Mecnica, 2:379382, 1984.
[49] E. Castillo and J. Galambos. Conditional distributions and the bivariate normal distribution. Metrika, International Journal for Theoretical
and Applied Statistics, 36(3):209214, 1989.
[60] E. Castillo, A. Fernndez-Canteli, E. Mora, and A. Ascorbe. Influencia de la longitud en la resistencia a fatiga de tendones de puentes
atirantados. Anales de Ingeniera Mecnica, 2:383389, 1984.
[50] E. Castillo and J. Galambos. Bivariate distributions with Weibull conditionals. Analysis Mathematica, 16(1):39, 1990.
[51] E. Castillo and A. Iglesias. Some applications of functional equations
to the characterization of families of surfaces. In D. Lasser, editor,
CAGD94 1st Peruvian Workshop on Computer Aided Geometric Design, pages 153169, Aachen, 1994. Verlag Shaker.
[52] E. Castillo and A. Iglesias. A package for symbolic solution of real
functional equations of real variables. Aequationes Math, 54(1-2):
181198, 1997.
[53] E. Castillo and R. Ruiz-Cobo. Functional Equations in Science and
Engineering. Marcel Dekker, New York, 1992.
[54] E. Castillo and J.M. Sarabia. Bivariate distributions with second kind
beta conditionals. Communications in Statistics, Theory and Methods,
19(9):34333445, 1990.
104
11/1/11
09:55
Pgina 104
105
[76] E. Castillo, A. Fernndez-Canteli, and M. L. Ruiz-Ripoll. A general model for fatigue damage due to any stress history. International
Journal of Fatigue, 30(1):150164, 2008.
[67] E. Castillo, J. Galambos, and J.M. Sarabia. Caracterizacin de modelos bivariantes con distribuciones condicionadas tipo gamma. Estadstica Espaola, 32(124):439450, 1990.
[78] I. Chantier, V. Bobet, R. Billardon, and F. Hild. A probabilistic approach to predict the very high-cycle fatigue behaviour of spheroidal
graphite cast iron structures. 23:173180, 2000.
[70] E. Castillo, A. S. Hadi, N. Balakrishnan, and J. M. Sarabia. Extreme Value and Related Models with Applications in Engineering and
Science. Wiley, New York, 2005.
[71] E. Castillo, A. Iglesias, and R. Ruiz-Cobo. Functional Equations in
Applied Sciences. Mathematics in Science and Engineering Elsevier,
Madrid, 2005.
[72] E. Castillo, A. J. Conejo, C. Castillo, and R. Mnguez. Solving ordinary differential equations with range conditions. Applications. SIAM
Review, 48(2):307317, 2006.
[73] E. Castillo, M. Lpez-Aenlle, A. Ramos, A. Fernndez-Canteli,
R. Kieselbach, and V. Esslinger. Specimen length effect on parameter estimation in modelling fatigue strength by Weibull distribution.
International Journal of Fatigue, 28(9):10471058, 2006.
[74] E. Castillo, A. Fernndez-Canteli, H. Pinto, and M. L. Ruiz-Ripoll. A
statistical model for crack growth based on tension and compression
Whler fields. Engineering Fracture Mechanics, 75(15):44394449,
2008.
[75] E. Castillo, A. Fernndez-Canteli, and M. L. Ruiz-Ripoll. A general
model for fatigue damage due to any stress history. 30:150164, 2008.
106
11/1/11
09:55
Pgina 106