See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/333759289

Conceptos Básicos de Confiabilidad Estructural

Book · June 2019

CITATIONS READS
0 128

1 author:

Luis Orta
Tecnológico de Monterrey
10 PUBLICATIONS   6 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Reliability View project

Restrained shrinkage View project

All content following this page was uploaded by Luis Orta on 13 June 2019.

The user has requested enhancement of the downloaded file.

 Conceptos Básicos de Confiabilidad Estructural
Semana i – AD2018

Dr. Luis Orta

Contenido

I. Introducción ------------------------------------------------------------------------------------------------2

II. Evaluación del desempeño-------------------------------------------------------------------------------4

III. Descripción estadística de variables aleatorias -------------------------------------------------------7

IV. Descripción probabilística de eventos---------------------------------------------------------------- 12

V. Funciones de variables aleatorias --------------------------------------------------------------------- 28

VI. Índice de Confiabilidad -------------------------------------------------------------------------------- 40

VII. Calibración de códigos --------------------------------------------------------------------------------- 42

VIII. Ejemplo de calibración de factores de seguridad --------------------------------------------- 53

IX. Índices de confiabilidad en códigos existentes ----------------------------------------------------- 57

X. Resumen -------------------------------------------------------------------------------------------------- 59

XI. Referencias ----------------------------------------------------------------------------------------------- 59

Page 1 of 60
I. Introducción

La infraestructura que se diseña, construye, opera y mantiene en una comunidad tiene que ser
confiable durante su ciclo de vida. El concepto de confiabilidad se asocia con la incertidumbre de
que dicha infraestructura cumpla con las funciones objetivo durante su ciclo de vida. En ingeniería
estructural se aplica principalmente en la seguridad contra el colapso. El colapso ocurre cuando no
hay equilibrio entre las fuerzas internas (resistentes) y las fuerzas externas (que actúan en la
estructura).

Para cuantificar la confiabilidad de un componente o de un sistema estructural se utilizan dos

principales indicadores: (a) Índice de confiabilidad, , o (b) Probabilidad de falla, Pf. Algunos
valores típicos de Pf son 102, 103, 104, 106 que aproximadamente corresponden a índices de
confiabilidad  = 2, 3, 4 y 4.5, respectivamente. La relación entre  y Pf lo rige la distribución
probabilística de las variables aleatorias involucradas en la física del problema.

Uno de los principales usos (de la confiabilidad) en ingeniería estructural es la calibración de

reglamentos de diseño. Este taller pretende desarrollar la competencia de calibración de
reglamentos de diseño a nivel básico en alumnos de licenciatura, aplicado a obras civiles de
edificaciones.

La filosofía de desempeño (Performance-Based Design Philosophy) es: La probabilidad, p, de

que la función de desempeño g(X) sea menor o igual a un valor objetivo g0, es menor o igual a un
valor [que se considera] pertinente, pa. El formato matemático para escribir ésta definición es:

p[g(X)  g0 ]  pa [1]

La notación de letras mayúsculas representa variables aleatorias (su magnitud exacta es

desconocida o variable), letras minúsculas representan valores determinísticos (su magnitud es
conocida exactamente o que no varía) y letras en negritas representan vectores o matrices (conjunto
de números). La pertinencia es definida por un comité que puede estar formado por ingenieros,
dueños, usuarios, funcionarios de gobierno, inversionistas y personas en general que se vean
afectadas o beneficiadas por la infraestructura a construir.

Page 2 of 60
Entonces éste taller estará enfocado en: ( 1 ) definir la función de desempeño, ( 2 ) definir el valor
objetivo de dicha función, ( 3 ) calcular numéricamente el lado izquierdo de la ecuación [1], ( 4 )
definir numéricamente el lado derecho de la ecuación [1], ( 5 ) establecer si la ecuación [1] se
satisface o no, y ( 6 ) tomar una decisión basado en el resultado del paso anterior.

Page 3 of 60
II. Evaluación del desempeño

Consideremos el ejemplo de una viga simplemente apoyada sujeta a carga distribuida, como se
muestra en la Figura 1. La magnitud de la carga, la longitud de la viga y la resistencia a flexión se
consideran como las únicas variables aleatorias que existen en la descripción de la física del
problema.

Figura 1 Viga simplemente apoyada

La filosofía de diseño puede ser: “Si la resistencia de la viga es mayor o igual que el momento que
producen la carga, entonces la viga se clasifica como segura; es decir Mr  Mmax . De lo contrario
la viga es insegura.” A este enunciado se le conoce como el enunciado de desempeño. De este
enunciado se escribe la función de desempeño. Dicha función puede tener múltiples formas de
escribirse; algunos ejemplos son:

g(X) = Mr  Mmax [2]

g(X) = Mr / Mmax [3]

Si consideramos la ecuación [2] es evidente que la viga es segura si g(X) > 0 o bien si consideramos
la ecuación [3] la viga es segura si g(X) > 1.

Ahora bien, si el momento máximo en la viga es WL2/8, entonces la función de desempeño se

puede escribir como:

g(X) = Mr  (1/8)WL2 = X3  (1/8) X1X 22 [4]

Page 4 of 60
Ejemplo: Responde las siguientes preguntas con respecto al ejemplo de la viga simplemente
apoyada.

(1) ¿Cuál es la función de desempeño?

(2) ¿Quién es el vector X?
(3) ¿Qué representan físicamente las variables aleatorias?
(4) ¿Cuál es el valor objetivo de la función de desempeño?
(5) ¿Cuáles son los estados posibles de la función de desempeño?
(6) ¿Expresa la posibilidad del desempeño para diseño?
(7) ¿Cuál es el valor pertinente de la probabilidad de falla?

Solución:

(1) ¿Cuál es la función de desempeño?

g(X) = X3  (1/8) X1X 22
(2) ¿Quién es el vector X?
 X1 
 
X  X 2 
X 
 3
(3) ¿Qué representan físicamente las variables aleatorias?
X1 = Magnitud de la carga sobre la viga
X2 = Longitud de la viga
X3 = Momento resistente de la viga
(4) ¿Cuál es el valor objetivo de la función de desempeño?
g0 = 0
(5) ¿Cuáles son los estados posibles de la función de desempeño?
g(X) < 0  Viga es insegura
g(X) = 0  Viga está en el límite
g(X) > 0  Viga es segura
(6) ¿Expresa la probabilidad de falla para el diseño estructural?
p[g(X)  0]

Page 5 of 60
(7) ¿Cuál es el valor pertinente de la probabilidad de falla?
pt = .

La respuesta a la pregunta (7) se deja como un ejercicio de reflexión para el alumno.

El problema de confiabilidad queda expresado de la siguiente forma: ¿Cuál es la probabilidad de

que la viga sea insegura? El enunciado que define el diseño de la viga es: ¿Cuál es la geometría,
dimensiones y materiales que satisface la filosofía de desempeño? De esta forma, el objetivo de
un reglamento de diseño es establecer e indicar cuales son los requisitos mínimos que las
estructuras y sus componentes deben de cumplir para satisfacer dicha filosofía.

Page 6 of 60
III. Descripción estadística de variables aleatorias

El objetivo de esta sección es describir a las variables aleatorias de forma estadística. Un escalar
es la magnitud de una cantidad física que se expresa por un solo número. Una variable aleatoria se
define como un escalar cuya magnitud no se conoce de forma exacta y se denota con una letra
mayúscula. Un muestreo (o la ocurrencia de un evento observado) se denota con una letra
minúscula. Por ejemplo: El peso de una persona es aleatorio, W, pero un buen día pudiera pesarse
y tener una lectura específica, w. Al conjunto de muestras u observaciones se le denomina el rangoA
de la variable. Por ejemplo el peso de la persona adulta promedio pudiera estar comprendido entre
700 y 900 N (70 y 90 kgf). Digamos que se realizan varias mediciones y se registran en una bitácora:
{712, 845, 778, 893, 891, 701, 899, 850}. Dichos valores (típicamente) se ordenan y definen el
rango de la variable: {701, 712, 778, 845, 850, 891, 893, 899}.

Las variables aleatorias pueden ser discretas o continuas. Existen dos medidas de gran importancia:
(1) medidas de tendencia central y (2) medidas de dispersión. Estas dos medidas se cuantifican y
se expresan en histogramas o distribuciones probabilísticas. Los objetivos de la descripción
estadística son:

(1) establecer conclusiones a cerca del fenómeno físico

(2) la toma de decisiones.

Tendencia central: Se caracteriza por un solo número. Puede ser la media, la moda o la mediana.
Las unidades de éstas medidas son las mismas de la variable.

in
La media se define como x  m X  E[X]   pi x i donde xi representan los valores del muestreo
i 1

y pi los pesos o ponderaciones para cada valor observado de X. La condición que deben satisfacer
los pesos es pi = 1. El valor numérico mX representa el valor esperado de la variable, E[X], y

A
Existen condiciones naturales que se desconocen tal que producen observaciones de X con diferentes magnitudes; y
esto hace que X sea aleatoria.

Page 7 of 60
también se le conoce como el promedio. La moda se define como el valor de X que fue observado
con la mayor frecuencia. La mediana es el valor intermedio de la variable cuando los valores se
ordenan (típicamente de menor a mayor). Se expresa m . La mediana también se define como aquel
número que tiene 50% de probabilidad de ser excedido. Cuando la variable tiene una distribución
simétrica, la media, la moda y la mediana tienen la misma magnitud.

Cuando los pesos pi son numéricamente iguales implica que la probabilidad de observar cualquier
valor de xi es la misma e igual a 1/n. Entonces E[x] = (1/n) xi.

Medidas de dispersión: Se caracteriza por un solo número. Puede ser el rango, la varianza, la
desviación estándar y el coeficiente de variación.

El rango se define como el conjunto de valores comprendidos entre el máximo y mínimo valor
observado de la variable. La varianza se define como el segundo momento de la variable con
in
respecto a la media; esto es s 2X  V[X]  (1/ n)  x i  m X  . La raíz positiva de la varianza se
2

i 1

denomina la desviación estándar. El coeficiente de variación se define como el cociente de la

desviación estándar y la media, vX = sX / mX. La siguiente expresión resulta muy conveniente (en
algunas aplicaciones) para el cálculo de la varianza: (sX)2 = (1/n)xi2  mx2 ; o bien V[X] = E[X2]
 E2[X]. Esta última ecuación indica queB: la varianza de X es igual al valor esperado de X2 menos
el cuadrado del valor esperado de X.

Cuando se observanC dos variables X1 y X2 en un mismo fenómeno físico es muy común

preguntarse de la dependencia y correlación que existen entre ambas variables. El error más común
es querer interpretar como un sinónimo dependencia y correlación. Se invita al estudiante a
investigar las diferencias e identificarlas en cada proyecto que involucra múltiples variables
aleatorias. A manera rápida de repaso, la correlación lineal entre dos variables aleatorias se define

B
Se puede decir que si Y = X2, entonces la varianza de X es igual a la media de Y menos el cuadrado de la media de
X. V[X] = E[Y]  E2[X].
C
La observación de ambas variables tiene que ser simultánea durante todo el tiempo que dura el experimento.

Page 8 of 60
a través de la covarianza: s12 = (1/n)(x1i  m1)(x2i  m2); o también a través del coeficiente de
correlación

r12 = s12 / (s1  s2) [5]

Es importante mencionar que si r12 tiende a cero se puede inferir que las variables no están
correlacionadas o que su correlación es no-lineal.

Finalmente los valores de la variable aleatoria se representan gráficamente. Existen muchas

opciones y en este taller revisaremos únicamente dos de ellas: Histograma de frecuencias y
distribuciones probabilísticas. El histograma grafica en el eje horizontal los posibles valores de la
variable y en el eje vertical la frecuencia de ocurrencia de dicho valor. Cuando la variable es
continua entonces el eje horizontal se divide en sub-rangos y el eje vertical se normaliza con
respecto al ancho de cada sub-rango.

Ejemplo: Considere una colección de sismos en una Zona Metropolitana con intensidades altas, a,
medias, m, y bajas, b. Las observaciones de cada año son: {b, m, b, m, a, b, m, a, m, m}. El número
total de años observados es 10. La cantidad de sismos bajos, b = 3, medianos, m = 5, y altos, a = 2.
Entonces el histograma se muestra en la Figura 2. La Figura 2(a) muestra el histograma con las
frecuencias observadas, mientras que la Figura 2(b) muestra las frecuencias relativas; a éste
histograma se le llama la distribución de la variable aleatoria. Observe que la suma de las
ordenadas de la Figura 2(a) es igual a 10 (número total de observaciones), mientras que la suma de
las ordenadas de la Figura 2(b) es igual a 1.0.

6 0.6
5
Frecuencia relativa

0.5
Frecuencia

4 0.4
3 0.3
2 0.2
1 0.1
0 0
b m a b m a
Intensidad del sismo Intensidad del sismo
(a) (b)

Figura 2 Histograma de eventos sísmicos

Page 9 of 60
Ejemplo: Considere ahora que la intensidad de cada registro sísmico durante los últimos 40 años
se expresa a través de la máxima aceleración del suelo, A, en cm/s2 que se haya registrado en la
estación sísmica de la Zona Metropolitana. Las lecturas de cada año se muestran en la Tabla 1.

Tabla 1 Aceleraciones máximas, cm/s2, registradas en la Zona Metropolitana

131 111 262 259 268 349 421 363
239 189 190 381 332 515 420 550
381 332 311 505 459 333 394 500
453 512 517 212 299 467 308 629
725 634 628 417 352 321 805 115

Los datos se ordenan de menor a mayor y se definen rangos de 150 cm/s2. Los resultados se
muestran en la Figura 3. La Figura 3(a) muestra el histograma con frecuencias; observe que la suma
de las ordenadas es igual a 40 (número total de observaciones). La Figura 3(b) muestra el
histograma con frecuencias relativas; observe que la suma de las áreas de las columnas es igual a
1.0.

-3
x 10
3
Frecuencia relativa [s2/cm]

15 2.5

2
Frecuencia

10
1.5

1
5
0.5

0 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Intensidad máxima del sismo [cm/s2] Intensidad máxima del sismo [cm/s2]
(a) (b)

Figura 3 Histograma de intensidades sísmicas

Page 10 of 60
Para obtener las frecuencias relativas, fA, se calcula cada ordenada del histograma como: ni / (nb);
donde ni es el número de observaciones en cada rango, n es el número total de observaciones y b
es el ancho de cada rango (150 cm/s2 para este ejemplo). La Tabla 2 muestra los resultados de las
aceleraciones máximas agrupadas en los rangos definidos.

Tabla 2 Aceleraciones máximas en rangos

Frecuencia relativa
Número de
Rango de A fA = ni / 6000 Área
observaciones
( cm/s2 ) ( s2/cm ) Ai = bfA
ni
0  150 3 0.00050 0.075
150  300 8 0.00133 0.200
300  450 15 0.00250 0.375
450  600 9 0.00150 0.225
600  750 4 0.00067 0.100
750  900 1 0.00017 0.025
Total = 40 Suma = 1.000

La frecuencia relativa se conoce como la densidad de la distribución de la variable aleatoria; es

decir, fA(a) es la densidad de distribución de la aceleración máxima anual registrada en la Zona
Metropolitana.

Page 11 of 60
IV. Descripción probabilística de eventos

El objetivo de esta sección es describir a eventos aleatorias de forma probabilística; es decir, poder
describir la probabilidad de que un evento ocurra bajo ciertas condiciones, p[A|C].D Por ejemplo:

Evento A: La viga se colapsa

Condiciones C: La máxima aceleración del sismo es 124 cm/s2
p[A|C] = probabilidad de que la viga se colapse cuando la máxima aceleración del sismo es 124
cm/s2.

Los eventos se clasifican a través de asignar una magnitud numérica o un descriptor cualitativo y
se le conoce como experimento u observación. El ejemplo anterior muestra una aplicación cuando
se asignan descriptores. Utilizando este mismo ejemplo con magnitudes numéricas sería:

Evento A: La resistencia de la viga es menor o igual que 100 kNm

Condiciones C: La intensidad del sismo es igual a 124 cm/s2
p[ R  100 kNm | a = 124 cm/s2 ] = probabilidad de que la resistencia de la viga es menor o igual
que 100 kNm cuando la máxima aceleración del sismo es 124 cm/s2

Al conjunto de valores numéricos o descriptores se le conoce como espacio de muestra, S. El

evento excluyente de A se escribe como ¬A. (En matemática lógica ¬A representa la negación del
enunciado A.) Cuando el espacio de muestra está compuesto por dos eventos, se dice que los
eventos son mutuamente excluyentesE si la ocurrencia de uno no implica la ocurrencia del otro o si
no hay elementos en común. Cuando los eventos no son excluyentes, entonces existen
experimentos donde se observan ambos eventos y se les etiqueta como eventos AB. Si los eventos
son excluyentes entonces AB =  (el espacio nulo). Cuando la p(AB) = p(A)p(B) se dice que
los eventos son independientes.

D
p[A|C] = probabilidad de observar la ocurrencia del evento A dadas las condiciones enunciadas en C.
E
Hasta ahora se han identificado tres conectores entre eventos: Correlación, dependencia y excluyentes.

Page 12 of 60
La representación gráfica más utilizada son diagramas de Venn. La Figura 4 muestra cuatro
diagramas. La figura (a) muestra el espacio de las lecturas de la aceleración máxima del suelo del
ejemplo anterior y la figura (b) muestra dos eventos mutuamente excluyentes. La figura (c) muestra
la intersección de dos eventos. Aquellos elementos exclusivos de A se identifican como A0, los
exclusivos de B se identifican como B0 y los elementos en común se identifican como AB. Si los
elementos en común se les llama C = AB, entonces los eventos en C tienen las características de
A y de B. Note además que A0, C y B0 forman tres eventos mutuamente excluyentes. La figura (d)
muestra la unión de dos eventos y se denota como AB. Si los elementos AB = D, entonces los
eventos en D son aquellos que tiene las características de A0 o C o B0.

S S
A
A B

¬A
(a) (b)
S
A0 B0
AB

(c) (d)

Figura 4 Diagramas de Venn

Considera que se realizan experimentos con 10 vigas idénticas como la que se muestra en la Figura
1. En cada experimento se calcula el momento resistente Mr [kNm] y se registra el momento
máximo Mmax [kNm] cuando se aplica la carga. Los resultados se muestran en laTabla 3. El
momento máximo se denomina X1 y el momento resistente X2. Note que mX2 > mX1.

Page 13 of 60
 Tabla 3 Resultados de 10 experimentos
X1 = Mmax X2 = Mr
Experimento
[kNm] [kNm]
E1 111 372
E2 239 220
E3 189 321
E4 131 465
E5 453 325
E6 725 800
E7 634 635
E8 512 444
E9 381 912
E10 332 812
Media 371 531

El espacio de muestra S = {E1, E2, E3, E4, E5, E6, E7, E8, E9, E10}

Ejemplo: Se definen los siguientes eventos

A: El momento máximo es menor o igual a 400 kNm

B: El momento máximo es mayor o igual a 600 kNm

El diagrama que representa a estos dos eventos se muestra en la Figura 5(a). El conjunto de puntos
que definen los eventos son: A = {E1, E2, E3, E4, E9, E10} y B = {E6, E7}. Se puede observar
que los eventos son mutuamente excluyentes (no hay elementos en común). Los elementos de los
siguientes eventos son:

¬A = {E5, E6, E7, E8}

(¬A)(¬B) = {E5, E8}
AB = {}
AB = {E1, E2, E3, E4, E6, E7, E9, E10}

Page 14 of 60
 1000 1000
S E9 S E9
800 E10 E6 800 E10
B E6

E7 B E7
600 A 600
A
Mr Mr
[kNm] E4 E8 [kNm] E4 E8
400 400
E1 E1
E3 E5 E3 E5
200 E2 200 E2

0 0
0 200 400 600 800 1000 0 200 400 600 800 1000
Mmax [kNm] Mmax [kNm]

(a) (b)

Figura 5 Diagramas de Venn para la viga simplemente apoyada

Ejemplo: Se definen los siguientes eventos

A: El momento máximo es menor o igual a 600 kNm: Mmax  600 kNm

B: El momento resistente es mayor o igual a 600 kNm: Mr  600 kNm

El diagrama que representa a estos dos eventos se muestra en la Figura 5(b). El conjunto de puntos
que definen los eventos son: A = {E1, E2, E3, E4, E5, E8, E9, E10} y B = {E6, E7, E9, E10}. Se
puede observar que los eventos no son mutuamente excluyentes (hay elementos en común). Los
elementos de los siguientes eventos son:

¬A = {E6, E7}
(¬A)(¬B) = {}
AB = {E9, E10}
AB = S
A0 = (A¬B) = {E1, E2, E3, E4, E5, E8}
B0 = (B¬A) = {E6, E7}

Page 15 of 60
La probabilidad de ocurrencia de un evento tiene diferentes interpretaciones: Clásica, Frecuencia
y Bayesiana. La interpretación clásica asume que n eventos pueden ocurrir con la misma
posibilidad; de tal forma que si nA eventos tienen la característica A, entonces la probabilidad de
ocurrencia es p[A] = nA/n. La interpretación de frecuencia asume que n eventos, cuando n tiende a
un número grande (n) y se observan nA eventos con la característica A, entonces la probabilidad
de ocurrencia es p[A]  lim  n A / n  . Sin embargo, esta definición es difícil de aplicar en ingeniería
n 

civil debido a que la repetición de muchos experimentos similares no es posible o factible. La

interpretación Bayesiana asume que las probabilidades asociadas a un evento reflejan el nivel de
conocimiento o creencia de una característica específica A. Este tema es actualmente una línea de
investigación en el ámbito de la filosofía matemática. El objetivo de presentar estas tres
interpretaciones es simplemente que el alumno:

( a ) reconozca que para algunas personas el significado de probabilidad puede tener

diferentes interpretaciones

( b ) en algunas aplicaciones de la ingeniería civil una u otra interpretación puede ser más
adecuada para tomar decisiones

Existen tres axiomas de la probabilidad de un evento:

Axioma I: La probabilidad de un evento está comprendido entre 0 y 1. 0  p[A]  1

Axioma II: La probabilidad de un evento certero es 1. p[S] = 1
Axioma III: La probabilidad de un evento que es mutuamente excluyente es p[AB] = p[A] + p[B]

De aquí se pueden derivar muchas conclusiones para un conjunto de eventos. Considera por
ejemplo la Figura 4(c). Basado en el axioma III, la probabilidad de A es la suma de las
probabilidades de A0 y C (porque estos tres eventos son mutuamente excluyentes); esto es: p[A] =
p[A0] + p[AB]. De igual forma la probabilidad de B es la suma de las probabilidades de B0 y C
(porque estos tres eventos son mutuamente excluyentes); esto es: p[B] = p[B0] + p[AB].
Finalmente la probabilidad de AB es la suma de las probabilidades de A0, C y B0 (porque estos

Page 16 of 60
tres eventos son mutuamente excluyentes); esto es: p[AB] = p[A0] + p[AB] + p[B0] = ( p[A] 
p[AB] ) + p[AB] + ( p[B]  p[AB] ) = p[A] + p[B]  p[AB]. En resumen:

p[AB] = p[A] + p[B]  p[AB] [6]

La ecuación [6] se puede describir como la probabilidad de que ocurran los eventos A o B es igual
a la suma de la probabilidad del evento A más la probabilidad del evento B menos la probabilidad
de A y B. Observe que también se puede reescribir la ecuación [6] como:

p[AB] = p[A] + p[B]  p[AB] [7]

Considere como ejemplo el caso de la Figura 5(b). El evento A = { E | Mmax  600 kNm } y el
evento B = { E | Mr  600 kNm }. Reescribiendo los resultados del caso y asumiendo que todos
los eventos tienen la misma probabilidad de ocurrencia, se puede determinar las siguientes
probabilidades.

S = {E1, E2, E3, E4, E5, E6, E7, E8, E9, E10} p[S] = 1.00
A = {E1, E2, E3, E4, E5, E8, E9, E10} p[A] = 0.80
B = {E6, E7, E9, E10} p[B] = 0.40
A0 = {E1, E2, E3, E4, E5, E8} p[A0] = 0.60
B0 = {E6, E7} p[B0] = 0.20
AB = {E9, E10} p[AB] = 0.20
AB = S p[AB] = 1.00

Revisamos algunos resultados:

p[AB] = p[A] + p[B]  p[AB] = 0.80 + 0.40  0.20 = 1.00 

p[AB] = p[A] + p[B]  p[AB] = 0.80 + 0.40  1.00 = 0.20 
p[A] = p[A0] + p[AB] = 0.60 + 0.20 = 0.80 
p[B] = p[B0] + p[AB] = 0.20 + 0.20 = 0.40 

Page 17 of 60
En ingeniería civil es muy común preguntarse de la probabilidad de ocurrencia de un evento bajo
ciertas condiciones; esto es p[A|B]. Esta notación se interpreta como la probabilidad de que ocurra
A cuando se sabe que ha ocurrido el evento B. Usando el mismo ejemplo anterior se puede concluir
que los eventos {E9,E10} satisfacen la condición (ocurre A sabiendo que ha ocurrido B). La
probabilidad de dicho evento condicionado es 0.20/0.40 = 0.5; es decir: si sabemos que ha ocurrido
B entonces tenemos únicamente 4 elementos. Los elementos E9 y E10 son los únicos elementos
(de los 4 posibles que tiene B) que satisfacen la probabilidad buscada. Una narrativa alterna es:

Sabemos que el momento resistente es mayor o igual que 600 kNm, ¿cuál es la
probabilidad de que el momento máximo sea menor o igual a 600 kNm?

Solución

El espacio muestra es {E6, E7, E9, E10}. Los puntos que tienen Mmax  600 kNm
son {E6, E7}. Entonces la probabilidad es 2/4 = 0.5.

De esta forma, la probabilidad condicional se puede representar como:

p[A  B]
p[A | B]  [8]
p[B]

La ecuación [8] se puede reescribir como:

p[A  B]  p[A | B]  p[B] [9]

y se interpreta como la probabilidad de que ocurra A y B es igual a la probabilidad de A dado B

multiplicado por la probabilidad de que ocurra B. Si la probabilidad de que ocurra A dado B es
igual a la probabilidad de A entonces se dice que los eventos son independientes; esto es, la
ocurrencia de A no está condicionada a que ocurra B, y viceversa. En resumen:

Page 18 of 60
 Si p[A|B] = p[A], entonces de la ecuación [9] se puede concluir que p[AB]
= p[A]p[B], los eventos se denominan independientes y se expresa en la
ecuación [10]

p[A  B]  p[A]  p[B] [10]

La probabilidad condicional es el medio para establecer el Teorema de la Probabilidad Total y el

Teorema de Bayes. Se invita al alumno a continuar su preparación en éste tema para su formación
integral.

1. Distribución de variables aleatorias

El objetivo de esta sección es presentar dos distribuciones básicas que se requieren para resolver
problemas de ingeniería civil: Distribución binomial y normal.

La Figura 2 y Figura 3 muestran un ejemplo de distribuciones. Dichas figuras se replican en la

Figura 6 para su referencia. La figura (a) representa la distribución de A (máxima intensidad del
sismo) cuando ésta puede tomar valores discretos, y se llama función de masa de probabilidad. La
figura (b) representa la distribución de A cuando ésta puede tomar valores continuos, y se llama
función de densidad de probabilidad. Observe que el eje vertical ha sido denominado densidad.
Estas dos funciones pueden ser interpretadas como probabilidades siempre y cuando cumplan con
los tres axiomas de la probabilidad: I su valor numérico está comprendido entre 0 y 1, II la suma
de las ordenadas de la función de masa y el área bajo la curva de densidad es 1 y la probabilidad
de dos eventos mutuamente excluyentes es la suma de las ordenadas o el área de la curva de
densidad.

Page 19 of 60
 0.6

0.5

0.4
Densidad

0.3

0.2

0.1

0
baja media alta
Intensidad del sismo

(a) (b)

Figura 6 Distribuciones de la intensidad del sismo

Para el caso de la figura (a), la densidad se interpreta como probabilidad de ocurrencia y se pueden
expresar los siguientes enunciados:

 La probabilidad de que A sea baja es p[A = b] = 0.30.

 La probabilidad de que A sea baja o media es
p[ (A = b)(A = m) ] = p[A = b] + p[A = m] = 0.3 + 0.5 = 0.8.
 La probabilidad de que ocurra un sismo de cualquier intensidad es
p[ (A = b)  (A = m)  (A = a) ] = 0.3 + 0.5 + 0.2 = 1.0.
 La probabilidad de que ocurra un sismo con una intensidad media o mayor es
p[ (A = m)  (A = a) ] = 0.5 + 0.2 = 0.7 y también se puede calcular como
p[ (A = m)  (A = a) ] = 1  p[A = b] = 1  0.3 = 0.7

Para el caso de la figura (b), el área bajo la curva de densidad se interpreta como probabilidad de
ocurrencia. Observe que las unidades de la densidad son el inverso de las unidades de la variable
aleatoria. En este caso se pueden hacer los siguientes enunciados:

 La probabilidad de que A esté en el rango de 0 a 150 cm/s2 es: p[0  A  150] = 0.075.
 La probabilidad de que A esté en el rango de 150 a 600 cm/s2 es
p[ (150  A  300)  (300  A  450)  (450  A  150)] = p[ (150  A  300) ] + p[ (300
 A  450) ] + p[ (450  A  150) ] = 0.2 + 0.375 + 0.225 = 0.8.

Page 20 of 60
  La probabilidad de que ocurra un sismo con una intensidad mayor que 600 cm/s2 es
p[ (600 < A  750)  (750  A  900) ] = 0.1 + 0.025 = 0.125 y también se puede calcular
como
p[A > 600] = 1  p[A  600] = 1  0.875 = 0.125.

Las funciones de masa y de densidad se pueden ir acumulando y formar una distribución acumulada
o función de probabilidad. La Figura 7 muestra dichas distribuciones para el caso discreto y
continuo.

1
1
0.8
0.8

Probabilidad
Probabilidad

0.6 0.6
0.4 0.4
0.2 0.2

0
0
baja media alta 0 150 300 450 600 750 900
Intensidad del sismo Intensidad del sismo [cm/s2]

(a) (b)

Figura 7 Función de probabilidad

Para el manejo de las funciones es muy común realizar un ajuste de curvas como el que se muestra
en la Figura 6(b). Una distribución ampliamente utilizada en ingeniería es la distribución normalF.
Una variable aleatoria que se distribuye normalmente en su rango se describe con la siguiente
expresión:

1  (x  mX )2 
f X (x)  exp      x  + [11]
2 s X  2s2X 

F
Otras distribuciones como Poisson, Lognormal y Gumbel son ampliamente utilizadas en ingeniería estructural con
fuertes aplicaciones en respuesta sísmica de edificaciones y diseño de puentes.

Page 21 of 60
donde mX y sX representan la media y desviación estándar de la variable X, respectivamente. De
esta forma se puede estimar la probabilidad de que X esté en el rango [a,b] como:

b
p[a  X  b]   f X (x) dx [12]
a

En estas notas se reserva la letra “f” para denotar la función de densidad y “F” para la función de
probabilidad. De esta forma la ecuación [12] se puede expresar como:

p[a  X  b]  F(b)  F(a) [13]

Para el caso particular de a   entonces:

p[X  b]  F(b) [14]

No existe una solución analítica para calcular los valores de F() pero existen tablas del valor
numérico. Para el uso de dichas tablas se requiere hacer un cambio de variable. Sea X una variable
normalmente distribuida con media y varianza conocida, entonces la variable Z  (X  mX) / sX es
una variable normalmente distribuida con media cero y varianza unitaria.G De esta forma entonces
 a  mX X  mX b  mX 
  p  z1  Z  z 2   z1 f Z (z) dz
1  z2 /2 z2
f Z (z)  e y p[a  X  b]  p   
2  sX sX sX 

p[a  X  b]  F(z2 )  F(z1 )

Considere el ejemplo de la intensidad máxima del sismo. La media m A = (ai)/n = 390 cm/s2 y la
varianza sA2 = 177296  (390)2 = 25410 cm2/s4. La desviación estándar es sA = 159 cm/s2 y el
coeficiente de variación es vA = 159/390 = 0.409.

G
El alumno debe de demostrar esta definición usando el material de la siguiente sección.

Page 22 of 60
 Tabla 4 Aceleraciones máximas, cm/s2, registradas en la Zona Metropolitana
131 111 262 259 268 349 421 363
239 189 190 381 332 515 420 550
381 332 311 505 459 333 394 500
453 512 517 212 299 467 308 629
725 634 628 417 352 321 805 115

1  (a  mA )2  1  (a  390)2 
La función de densidad es f A (a)  exp     exp  .
2 s A 
2
 2s A  159 2  50820 
Observe que esta ecuación asume que valores negativos de la aceleración son posibles. Esta
suposición limita su aplicación en proyectos sensibles a los extremos de la distribución llamadas
colas. La Figura 8 muestra las gráficas de la distribución de densidad y distribución de probabilidad
para la variable aleatoria “A = intensidad máxima del sismo en la Zona Metropolitana”. Observe
que las unidades del eje vertical de la densidad corresponden al inverso de las unidades de la
variable. Las unidades del eje vertical de la figura (b) son probabilidad.

0.0030 1
1  (a  390) 2  a
f A (a) 
159 2
exp  
 50820 
 FA (a)  f

A (s)ds
0.0025
0.75
Densidad [s2/cm]

0.0020
Probabilidad

0.0015 0.5

0.0010
0.25
0.0005

0.0000 0
-150 0 150 300 450 600 750 900 -150 0 150 300 450 600 750 900
a = Intensidad del sismo [cm/s2] a = Intensidad del sismo [cm/s2]

(a) (b)

Figura 8 Distribución de la intensidad del sismo

Page 23 of 60
Usando dicha densidad calculemos algunas probabilidades:

 La probabilidad de que A esté en el rango de 150 a 600 cm/s2:

150  390 A  mA 600  390 

p[ (150  A  600) ]  p    
 159 s A 159 

 p  1.50  Z  1.32  F(1.32)  F(1.50)

p[ (150  A  600) ] = 0.906  0.066 = 0.84

comparando con la respuesta anterior de 0.80 vemos que la aproximación tiene un error del 5%.
De aquí habría que evaluar si la importancia de la estructura admite dicha magnitud del error. Parte
del error está en que la distribución normal asume que el rango de A incluye valores negativos.

 La probabilidad de que ocurra un sismo con una intensidad mayor que 600 cm/s2:

p[A > 600] = 1  p[A  600] = 1  F(1.32) = 1  0.906 = 0.094

comparando con la respuesta anterior de 0.125 vemos que la aproximación tiene un error del 25%
y dicho error es no conservador. Esto demuestra que la distribución de A es sensible a la cola
derecha (máximos) y por lo tanto la distribución normal para la intensidad máxima del sismo no es
una distribución adecuada. Sin embargo, se puede utilizar si se realiza un ajuste de curva
únicamente a las últimas lecturas registradas cuando éstas se ordenan de menor a mayor.

Se dice entonces que la distribución normal (en general) es adecuada para predecir valores
alrededor de la media de la variableH; a menos que se realice un ajuste de curvas con los valores

H
Es una práctica recomendada para estimar valores esperados. Por ejemplo: magnitud típica de carga muerta o viva,
deflexión a largo plazo de una viga, temperatura promedio, etc.

Page 24 of 60
mínimos si el problema es sensible a la cola izquierdaI o con los valores máximos si el problema
es sensible a la cola derecha.J

Si un evento tiene probabilidad de ocurrencia p entonces q = 1  p representa la probabilidad de

que no ocurra. Ahora bien, si un experimento se puede repetir n veces y se cuenta cuantas veces
ocurre dicho evento, la probabilidad de observar exactamente un número entero de dicho evento
es:

p[H = h] = C(n,h)phqnh h = 0, 1, 2, 3, …, n [15]

donde C(n,h) representa el número total de combinaciones de observar h eventos en n experimentos

y se calcula como: n! / ( h!(nh)! ). La media de h (mH = el número promedio de eventos
observados) es E[H] = np y su varianza es V[H] = npq. La distribución de H se le conoce como
distribución binomial.

Considere el ejemplo de la intensidad de sismo clasificada en bajo = b, medio = m y alto = a. Los

registros sísmicos de los últimos 40 años (de 1978 a 2017) se listan en la Tabla 5.

Tabla 5 Intensidades sísmicas registradas en la Zona Metropolitana

1978 m 1983 b 1988 b 1993 m 1998 m 2003 b 2008 b 2013 b
1979 b 1984 b 1989 b 1994 b 1999 m 2004 b 2009 b 2014 b
1980 a 1985 m 1990 b 1995 a 2000 b 2005 b 2010 b 2015 a
1981 b 1986 b 1991 b 1996 b 2001 b 2006 b 2011 m 2016 m
1982 b 1987 m 1992 b 1997 b 2002 b 2007 b 2012 m 2017 m

Se puede observar que el primer año (1978) se observó un sismo medio y que el tercer año (1980)
fue alto. Si de 1980 comenzamos nuevamente a contar los años, entonces el primer año (1981) se

I
El ajuste a la cola izquierda es una práctica recomendada para estimar mínimos. Por ejemplo: mínima resistencia a la
tensión, mínima capacidad de carga del suelo, etc.
J
El ajuste a la cola derecha es una práctica recomendada para estimar máximos. Por ejemplo: máximo tráfico vehicular,
máximo nivel de aguas freáticas, máxima intensidad del viento o sismo, máxima carga muerta o viva, etc.

Page 25 of 60
observó un sismo bajo y el 15º año (1995) fue alto. Si de 1995 comenzamos nuevamente a contar
los años, entonces el primer año (1996) se observó un sismo bajo y el 20º año (2015) fue alto. Estas
observaciones se muestran en la Figura 9.

Año 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Intensidad m b a b b b b m b m b b b b b m b a b b m m b b b b b b b b b b b m m b b a m m
Experimento 1 2 3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 2

Figura 9 Intensidades de sismos de 1978 a 2017

Entonces, los sismos con intensidad alta se registraron a cada 3, 15 y 20 años. La media es m T =
(3+15+20)/3 = 12.7 años; es decir, en promedio cada 12.7 años se observa un sismo de alta
intensidad en la Zona Metropolitana. En este caso T es la cantidad de años entre los eventos de
interés. La desviación estándar es sT = 8.74 añosK y el coeficiente de variación es vT = 8.74/12.67
= 0.69. Este coeficiente de variación es grande, comparado con los coeficientes de variación de
cargas muertas y vivas (0.25), y es mucho mayor al coeficiente de variación de la resistencia de
materiales (0.10).

El promedio de sismos de alta intensidad es  = 1/mT = 1/12.67 = 0.079/año; es decir, en un periodo

de 40 años el promedio de sismos es (40)(0.079) = 3.16  3 sismos (1980, 1995 y 2015). Si
consideramos a cada año como un experimento entonces el valor de  se puede interpretar como
la probabilidad de ocurrencia en cualquier experimento. Entonces p = 0.079 representa la
probabilidad de observar un sismo de alta intensidad en cualquier año. Obviamente que conforme
pasan los años es más probable de observar un sismo de alta intensidad. Note que éste valor:

( a ) depende de la cantidad de años que se tengan registros sísmicos en la Zona, y

( b ) tiene que actualizarse una vez que se presente un sismo de intensidad alta.

Entonces, el evento a observar es “Sismo de Intensidad Alta” y cada año representa un

experimento. La probabilidad de ocurrencia es p = 0.079 y de no ocurrencia es q = 0.921. El número

K
Se ha utilizado s2 = [1/(n1)](xmX)2 debido a que se tienen muy pocas observaciones del evento de interés.

Page 26 of 60
de sismos observados se puede modelar como una variable con distribución binomial, H, y entonces
podemos enunciar las siguientes probabilidades de ocurrencia:

 La probabilidad de que ocurra únicamente un sismo en los próximos 3 años es p[H = 1].

 3! 
p[H=1] = C(3,1)(0.079)1(0.921)2 =  2 2
 (0.079)(0.921) = (3)(0.079)(0.921) = 0.20
 1!2! 

 La probabilidad de que ocurra únicamente un sismo en los próximos 40 años es p[H = 1].

 40! 
p[H=1] = C(40,1)(0.079)1(0.921)39 =  39 39
 (0.079)(0.921) = (40)(0.079)(0.921) = 0.127
 1!39! 

 La probabilidad de que ocurra al menos un sismo en los próximos 3 años es p[H  1].

p[H  1] = p[H = 1] + p[H = 2] + p[H = 3]; o bien:

 3! 
p[H  1] = 1  p[H = 0] = 1  C(3,0)(0.079)0(0.921)3 = 1   3
 (1)(0.921) = 0.22
 0!3! 

 La probabilidad de que ocurra al menos un sismo en los próximos 40 años es p[H  1].

p[H  1] = p[H = 1]+p[H = 2]+  + p[H = 39]+ p[H = 40]; o bien:

 40! 
p[H  1] = 1  p[H = 0] = 1  C(40,0)(0.079)0(0.921)40 = 1   40
 (1)(0.921) = 0.96
 0!40! 

De aquí podemos concluir que la probabilidad de observar al menos un evento de interés con
probabilidad de ocurrencia p en n experimentos es:

p[H  1] = 1  (1  p)n [16]

Page 27 of 60
V. Funciones de variables aleatorias

El alumno está muy familiarizado con el uso y aplicaciones de funciones de variables

determinísticas (i.e. se conoce con exactitud la magnitud de la variable independiente). El objetivo
de esta sección es evaluar (numéricamente) las características de una función que depende de
variables aleatorias. Dichas características se expresan en términos de tendencias (central y
dispersión) y de distribución probabilística. La pregunta a resolver es: Si g es una función de x y
se conocen las propiedades estadísticas de x, entonces ¿cuáles son las propiedades estadísticas de
g?

A manera de ejemplo considere la viga mostrada en la Figura 10. La viga está sujeta a una carga
distribuida W y a una carga puntual P al centro del claro. La deflexión al centro del claro es Y. La
ecuación para calcular dicha deflexión es:

5WL4 PL3
Y  [17]
384EI 48EI

Donde E es el módulo de elasticidad, I es la inercia de la sección transversal y L es la longitud de

la viga. Considere que todas las variables son aleatorias. La deflexión es una función de variables
aleatorias y no se conoce su magnitud con exactitud debido a que no se conocen con exactitud las
magnitudes de las variables.

P
W

Figura 10 Viga simplemente apoyada con carga distribuida y puntual

Page 28 of 60
La deflexión entonces se puede expresar de forma general como:

5X1X 42 X5 X32
Y  [18]
384X3X 4 48X3X 4

Donde Xi representa cada una de las variables aleatorias. Finalmente la ecuación [18] puede
escribirse como:

5X1X 42 X5 X32
g( X)   [19]
384X3X 4 48X3X 4

Esta función aleatoria g(X) depende de 5 variables aleatorias; X1, X2, X3, X4 y X5. Dicha función
es no lineal.L

El objetivo de esta sección es determinar la media y desviación estándar de g(X) si se conocen la

media y desviación estándar de cada una de las variables Xi.

Ahora bien, la ecuación [17] puede escribirse como:

5WL P 5X1X 2 X 4
Y    [20]
8K K 8X 3 X3

Donde K = 48EI/L3 y se conoce como la rigidez de la viga. En este caso, la deflexión ahora es
función de cuatro variables.

Finalmente, la ecuación [17] puede escribirse como:

Y  X1  X 2 [21]

Donde X1 es la deflexión debido a la carga distribuida y X2 es la deflexión debido a la carga puntual.

En este caso, la deflexión ahora es función únicamente de dos variables.

L
Una función es lineal si: g(cx) = cg(x)

Page 29 of 60
A este proceso se le conoce como condensación.

Ahora considere que únicamente la carga distribuida y puntual son aleatorias; es decir, la longitud,
el módulo de elasticidad y la inercia se conocen con exactitud. La deflexión de la viga es:

5X1 4 X5 3
g( X)    c1X1  c 2 X 2 [22]
384ei 48ei

Donde c1 y c2 son constantes determinísticas, y X1 y X2 son variables aleatorias. En este caso, la

deflexión es función únicamente de dos variables.

Esta forma de condensación se justifica cuando se demuestra que la variabilidad de la función g(X)
proviene en gran medida de unas cuantas variables. En muchas ocasiones no se realiza dicha
demostración y se realiza la condensación para fines prácticos de cálculo o bien por criterio del
ingeniero.

1. Sistemas lineales

Para una función Y = g(X) definida como: Y  c1X1  c2X2   cn Xn tiene una media y varianza:

mY  c1m1  c2m2   cn mn [23]

s2Y  (c1s1 )2  (c2s2 )2   (cnsn )2 [24]

Donde mi y si es la media y desviación estándar de la variable Xi.

2. Sistemas multiplicativos

Para una función Y = g(X) definida como: Y  X1X2 Xn tiene una media y varianza:

m Y  m1m 2 mn [25]

in in
s 2Y   si2  mi2     mi2  [26]
i 1 i 1

Page 30 of 60
Donde mi y si es la media y desviación estándar de la variable Xi, y el símbolo  representa
multiplicación del argumento.

3. Sistemas no lineales

La función g(X) se puede expresar en series de Taylor de la siguiente forma:

g(X) = g(m) + g(m) (X  m) + ½ g(m) (X  m)2 +  [27]

donde g(m) es la función evaluada en la media de X, g(m) = (dg/dx)|m la derivada de g con respecto
de X evaluada en m, y g(m) = (d2g/dx2)|m la segunda derivada de g con respecto de X evaluada en
m. Si Y = g(X), entonces la media y desviación estándar son:

mY  g(m)  (1/2)  g(m)  s2 [28]

sY  g(m)  s [29]

Para una función Y = g(X) no lineal de múltiples variables, la media y varianza son:

n n
 2g
mY  g(m1 , m2 , , mn )  (1/2)   S(Xi , X j ) [30]
i 1 j1 Xi X j
m

n n
g g
s2Y   S(Xi , X j ) [31]
i 1 j1 Xi X j
m

Donde S(Xi,Xj) es la matriz de covarianzas. Cada elemento sij = (rij)(si)(sj), donde si = desviación
estándar de Xi, sj = desviación estándar de Xj y rij = coeficiente de correlación entre Xi y Xj (ver
ecuación [5]). Por ejemplo para una función de 3 variables

 s12 r12s1s 2 r13s1s3 

 
S s 22 r23s 2s3  [32]
sim s32 


Page 31 of 60
Donde s1 es la desviación estándar de X1, s2 es la desviación estándar de X2, s3 es la desviación
estándar de X3, r12 es el coeficiente de correlación entre X1 y X2, r13 es el coeficiente de correlación
entre X1 y X3, y r23 es el coeficiente de correlación entre X2 y X3. La matriz S es simétrica.

48EI
Ejemplo 1: Si K  y se conocen la media y desviación estándar de E, I y L, determine la
L3
media y desviación estándar de K. Considere que las variables son independientes.

Solución: La función K es una función de tres variables aleatorias y es una función no lineal. La
media se calcula utilizando la ecuación [30]; esto es:

3 3
 2g
mK  K(mE , mI , mL )  (1/2)   S(Xi , X j )
i 1 j1 Xi X j
m

3 3
 2g  2g  2g  2g

i 1 j1 X i X j
S(X i , X j ) 
X1X1
S(1,1) 
X1X 2
S(1, 2) 
X1X 3
S(1,3) 
m

 2g  2g  2g
S(2,1)  S(2, 2)  S(2,3) 
X 2 X1 X 2 X 2 X 2 X 3
 2g  2g  2g
S(3,1)  S(3, 2)  S(3,3)
X 3X1 X 3X 2 X 3X 3

Debido a que las variables son independientes, entonces:

3 3
 2g  2g 2  2g 2  2g 2  2 K 2  2 K 2  2 K 2

i 1 j1 Xi X j
S(X i , X j ) 
X12
s1  2 s 2  2 s3  2 s E  2 s I  2 s L
X2 X3 E I L
m

Calculando las derivadas y sustituyendo en mK.

48mE mI  576mE mI 2 
mK  3
 (1/2)   5
sL  [33]
mL  mL 

Page 32 of 60
La varianza de K se calcula utilizando la ecuación [31]; esto es:

3 3
g g
s2K   S(Xi , X j )
i 1 j1 Xi X j
m

3 3
g g g g g g g g
 X S(X i , X j )  S(1,1)  S(1, 2)  S(1,3) 
i 1 j1 i X j m
X1 X1 X1 X 2 X1 X 3
g g g g g g
S(2,1)  S(2, 2)  S(2,3) 
X 2 X1 X 2 X 2 X 2 X 3
g g g g g g
S(3,1)  S(3, 2)  S(3,3)
X 3 X1 X 3 X 2 X 3 X 3

Debido a que las variables son independientes, entonces:

2 2 2
g g  g  2  g  2  g  2  K   K   K 
3 3 2 2 2


i 1 j1 Xi X j
S(Xi , X j )    s1  
X1 
 s2  
X 2 
 s3  
X3  
sE    sI   
E   I   L 
sL 
m   
Calculando las derivadas y sustituyendo en sK.

2 2 2
 48m   48m E   144m E m I 
s   3 I sE   
2
K 3
sI     sL  [34]
 mL   mL   m L4 

Suponga los siguientes valores:

Media Desviación
mL = 10 m sL = 0.1 m
mE = 20 GPa sE = 7 GPa
mI = 540 000 cm4 sI = 6 480 cm4

mK  5.19 kN/mm

s2K  3.292  0.004  0.024  3.32 kN2 /mm2  sK  1.82 kN/mm

Page 33 of 60
 5WL
Ejemplo 2: Si Y  y se conocen la media y desviación estándar de W, L y K, determine la
8K
media y desviación estándar de Y. Considere que las variables son independientes.

Solución: La función Y es una función de tres variables aleatorias y es una función no lineal. La
media se calcula utilizando la ecuación [30]; esto es:

 2Y 2 2Y 2 2Y 2 

mY  Y(mW , mL , mK )  (1/2)   s  2 sL  2 sK 
 W L K
2 W


Calculando las derivadas y sustituyendo en mY.

5mW mL 10m W mL 2 
mY   (1/2)   3
sK 
8mK  8m K 

La varianza de Y se calcula utilizando la ecuación [31]; esto es:

 Y   Y   Y 
2 2 2

s 
2
sW    sL    sK 
 W   L   K 
Y

Calculando las derivadas y sustituyendo en sY.

2 2 2
 5m L   5m   5m m 
s 
2
Y sW    W sL     W 2 L sK 
 8m K   8m K   8m K 

Suponga los siguientes valores:

Media Desviación
mW = 20 kN/m sW = 4 kN/m

mY  27.07 mm

s2Y  23.23  0.06  71.66  94.95 mm2  sY  9.74 mm

Page 34 of 60
 P
Ejemplo 3: Si Y  y se conocen la media y desviación estándar de P y K, determine la media
K
y desviación estándar de Y. Considere que las variables son independientes.

Solución: La función Y es una función de dos variables aleatorias y es una función no lineal.
Repitiendo el mismo proceso, la media y varianza de Y son:

2 2
m  2m   1   m 
mY  P  (1/2)   3 P s K2  s 
2
Y s P     2P s K 
mK  mK   mK   mK 

Suponga los siguientes valores:

Media Desviación
mP = 150 kN sW = 30 kN

mY  32.49 mm s Y  11.69 mm

5WL P
Ejemplo 4: Si Y   y se conocen la media y desviación estándar de W, L, P y K,
8K K
determine la media y desviación estándar de Y. Considere que las variables son independientes.

Solución: La función Y es una función de cuatro variables aleatorias pero podemos hacer un
5WL P
cambio de variable como Y    X1  X 2 y ahora es una función de dos variables (X1 y
8K K
X2) y es lineal. De esta forma la media y varianza de Y están dadas por las ecuaciones [23] y [24]
; esto es:

mY  m1  m2 [35]

s2Y  s12  s22 [36]

Page 35 of 60
Los valores numéricos de las medias y desviaciones estándar son:

Media Desviación
m1 = 27.07 mm s1 = 9.74 mm
m2 = 32.49 mm s2 = 11.69 mm

Sustituyendo en la media y desviación estándar:

mY  59.56 mm s Y  15.22 mm

En resumen: Las propiedades estadísticas de la deflexión al centro del claro de la viga mostrada
en la Figura 11(a) y considerando las propiedades estadísticas de las variables mostradas en la
Figura 11(b) son:

mY  59.56 mm s Y  15.22 mm

P
W
Media COV Desviación
mW = 20 kN/m 0.200 sW = 4 kN/m
Y mL = 10 m 0.010 sL = 0.1 m
mE = 20 GPa 0.350 sE = 7 GPa
mI = 540000 cm4 0.012 sI = 6480 cm4
L mP = 150 kN 0.200 sP = 30 kN

(a) (b)

Figura 11 Deflexión al centro del claro

Ejemplo 5: Si la tolerancia en el desplazamiento es 55.56 mm, determine la probabilidad de que

la viga no cumpla con la tolerancia. Asuma que el desplazamiento es normalmente distribuido.

Solución: La viga no cumple con la tolerancia si Y > 55.56 mm; entonces lo que se busca es
p[Y>55.56]. Esta probabilidad también se puede calcular como:

 Y  mY 55.56  59.56 
p[Y > 55.56] = 1  p[Y  55.56] = 1  p   
 s Y 15.22 

Page 36 of 60
p[Y > 55.56] = 1  p[Z  0.263] = 1  F(0.263) = 1  0.40 = 0.60

Entonces la probabilidad de que la viga no cumpla con la tolerancia es 0.60.

Ejemplo 6: Determine mI para que la probabilidad, de que la viga no cumpla la tolerancia, sea
menor o igual a 0.20.

Solución: Debido a que no tenemos una expresión analítica que relaciona mI y p, es necesario
resolver el problema de forma iterativa. En una hoja de MSExcel se ha programado el cálculo de p
y se procede a cambiar el valor numérico de mI hasta satisfacer la condición de que p  0.20. El
procedimiento se muestra en la Figura 12.

Media COV Desviación Media COV Desviación

mW = 0.02 kN/mm 0.2 sW = 0.004 kN/mm mW = 0.02 kN/mm 0.2 sW = 0.004 kN/mm
mL = 10000 mm 0.01 sL = 100 mm mL = 10000 mm 0.01 sL = 100 mm
mE = 20 GPa 0.35 sE = 7 GPa mE = 20 GPa 0.35 sE = 7 GPa
mI = 5400000000 mm4 0.012 sI = 64800000 mm4 mI = 5400000000 mm4 0.012 sI = 64800000 mm4
mP = 150 kN 0.2 sP = 30 kN mP = 150 kN 0.2 sP = 30 kN

E I L W L K
48EI 5WL
sK2 = 3.292 0.004 0.024 K s12 = 23.229 0.058 71.659 X1 
L3 8K
mK = 5.19 kN/mm m1 = 27.07 kN/mm
sK = 1.82 kN/mm s1 = 9.74 kN/mm

Media COV Desviación Media COV Desviación

mW = 0.02 kN/mm 0.2 sW = 0.004 kN/mm mW = 0.02 kN/mm 0.2 sW = 0.004 kN/mm
mL = 10000 mm 0.01 sL = 100 mm mL = 10000 mm 0.01 sL = 100 mm
mE = 20 GPa 0.35 sE = 7 GPa mE = 20 GPa 0.35 sE = 7 GPa
mI = 5400000000 mm4 0.012 sI = 64800000 mm4 mI = 5400000000 mm4 0.012 sI = 64800000 mm4
mP = 150 kN 0.2 sP = 30 kN mP = 150 kN 0.2 sP = 30 kN

P K X1 X2
P
s22 = 33.450 103.189 X2  sY2 = 94.946 136.638 Y  X1  X2
K
m2 = 32.49 kN/mm mY = 59.56 kN/mm
s2 = 11.69 kN/mm sY = 15.22 kN/mm

Media COV Desviación Resultados:

mW = 20 kN/m 0.200 sW = 4 kN/m
mL = 10 m 0.010 sL = 0.1 m mY = 59.56 kN/mm
mE = 20 GPa 0.350 sE = 7 GPa sY = 15.22 kN/mm
mI = 540000 cm4 0.012 sI = 6480 cm4 y0 = 55.56 mm
mP = 150 kN 0.200 sP = 30 kN
p[Y y0] = 0.60
P
W

Y 5WL4 PL3 5WL P

Y     X1  X 2
384EI 48EI 8K K
L

Figura 12 Hoja de MSExcel para el cálculo del desplazamiento de la viga

Page 37 of 60
Iterando el valor de mI se obtiene mI = 703 362 cm4, como se muestra en la Figura 13.

Media COV Desviación

mW = 20 kN/m 0.200 sW = 4 kN/m
mL = 10 m 0.010 sL = 0.1 m
mE = 20 GPa 0.350 sE = 7 GPa
mI = 703362 cm4 0.012 sI = 8440 cm4
mP = 150 kN 0.200 sP = 30 kN

mK = 6.76 kN/mm m2 = 24.94 kN/mm

sK = 2.37 kN/mm s2 = 8.97 kN/mm

m1 = 20.78 kN/mm mY = 45.73 kN/mm

s1 = 7.48 kN/mm sY = 11.68 kN/mm

y0 = 55.56 mm

p[Y y0] = 0.20

Figura 13 Iteración de la deflexión de la viga

Considere que la viga original tiene una sección transversal rectangular de 30x60 cm (I = bh3/12 =
540 000 cm4). Para satisfacer la tolerancia del desplazamiento, entonces el peralte de la viga
(respetando b = 30 cm) tiene que ser:

703 362 = (30)h3 / 12  h = 65.5 cm  h = 66 cm

Observaciones:

1. La varianza de K ( s2K  3.292  0.004  0.024  3.32 kN2 /mm2 ) está comprendida
principalmente por la varianza del módulo de elasticidad. De tal forma que se pudiera
considerar la inercia y longitud de la viga como variables determinísticas. A este análisis se le
conoce como análisis de sensibilidad.
2. Para el cálculo del ejemplo 2 (Y = 5WL / 8K) se consideraron las variables independientes.
Esto es una aproximación debido a que la variable K depende de L (K = 48EI / L3). Sin embargo
la varianza de Y ( s2Y  23.23  0.06  71.66  94.95 mm2 ) depende principalmente de la

Page 38 of 60
 varianza de W y de K. Sugiriendo nuevamente que la longitud de la viga se puede considerar
determinística.
3. Para el cálculo del ejemplo 3 (Y = X1 + X2) se consideraron las variables independientes. Esto
es una aproximación muy fuerte debido a que X1 y X2 tienen variables en común y son
altamente dependientes. Para corregir esta consideración es mejor calcular la media y
desviación estándar de Y utilizando las propiedades estadísticas de las variables W, L, P, I y E.
4. Las expresiones indicadas para los sistemas lineales y multiplicativos son exactas; mientras que
para los sistemas no lineales son aproximadas debido a que la serie de Taylor se trunca. Las
aproximaciones son de segundo orden.
5. Observe que el método requiere:
a. Conocer la media y desviación estándar de las variables aleatorias
b. Calcular numéricamente las derivadas de la función evaluadas en las medias
c. Asumir que las variables son independientes e idénticamente distribuidas

Page 39 of 60
VI. Índice de Confiabilidad

Con los conceptos previos estamos listos para regresar al problema de evaluación del desempeño:
La probabilidad, p, de que la función de desempeño g(X) sea menor o igual a un valor objetivo g0,
p[g(X)  g0 ] .

La función de desempeño considerada en este taller es g(X) = R  P, donde R es la resistencia de

la estructura y P es la fuerza interna causada por las cargas. La resistencia y las fuerzas internas
dependen de otras variables aleatorias que aquí simplemente se indican como X y entonces g(X)
asume que se ha realizado una condensación de variables hasta llegar a R y a P.

Considera el ejemplo de la viga simplemente apoyada que se menciona en la sección 0. La función

desempeño es g(X) = ZX FY  (1/8) WL2 , donde W es la carga sobre la viga, L es la longitud, SX es
el módulo elástico de la sección transversal y FY es el esfuerzo de fluencia del material. Es claro
que g es una función aleatoria y que se puede condensar como Y = R  P, donde la resistencia R =
SXFY y la fuerza interna P = WL2/8.

Los tres posibles estados de la función de desempeño se pueden enunciar como:

Y<0  La viga es insegura

Y=0  La viga está en el límite
Y>0  La viga es segura

y entonces la probabilidad de falla es Pf = p[ Y  0 ].

La función objetivo es una función de dos variables (R y P). Utilizando las ecuaciones [23] y [24]
se puede estimar la media y varianza de la función de desempeño. Esto es:

mY = mR  mP (sY)2 = (sR)2 + (sP)2

Page 40 of 60
  Y  mY 0  mY 
La probabilidad de falla es: Pf = p[ Y  0 ] = p    = p [Z  ] = F() = 1  F().
 sY sY 

Donde  = mY / sY y se conoce como el índice de confiabilidad. Esto es:

mR  mP
 [37]
s 2R  s 2P

De forma general el índice de confiabilidad se expresa como:

mY
 [38]
sY

donde Y = g(X) = función de desempeño.

Page 41 of 60
VII. Calibración de códigos

Con los conceptos previos estamos listos para regresar al gran tema de la filosofía del desempeño:
La probabilidad, p, de que la función de desempeño g(X) sea menor o igual a un valor objetivo g0,
es menor o igual a un valor pertinente, pt; p[g(X)  g0 ]  pa . El formato general del código de
diseño es:

La resistencia de diseño  La fuerza interna última [39]( a )

Rd  P U [39]( b )
Rn  Pn [39]( c )

La ecuación [39] se identifica en el código como: Rn  PU, donde  es el factor de resistencia, Rn
es la resistencia nominal (ecuación que indique el código a usar), FU es la fuerza interna última y
se calcula como PU = Pn y Pn es la fuerza interna nominal producida por las cargas.

Ejemplo: El reglamento del ACI318 establece que para diseñar vigas de concreto Mn  Mu ,
donde Mn = 0.9ASfy(d  a/2) y Mu = 1.2MD + 1.6ML. El factor de resistencia es 0.9 y los
factores de carga son 1.2 y 1.6 para carga muerta y viva, respectivamente. Observe que  de carga
viva es mayor que el de carga muerta, representando que existe mayor incertidumbre en la
magnitud de la carga viva.

El objetivo de esta sección es determinar numéricamente los factores de resistencia y de cargar que
satisfacen la filosofía del desempeño utilizando el formato de los códigos de diseño.

Los códigos de diseño utilizan como función de desempeño Q = R/P, 0 < Q < +. Es claro que los
tres posibles estados de ésta función son:

Page 42 of 60
Q>1  La estructura es segura
Q=1  La estructura está en el límite
Q<1  La estructura es insegura

Entonces la probabilidad de falla es Pf = p [ Q  1 ]. Realizamos un cambio de variable; Y = ln Q,

 < Y < +. Es claro que los tres posibles estados de ésta nueva función son:

Y>0  La estructura es segura

Y=0  La estructura está en el límite
Y<0  La estructura es insegura

Entonces la probabilidad de falla es Pf = p [ Q  1 ] = p [ln Q  ln(1)] = p[Y  0] y de acuerdo con

la ecuación [38] esto es Pf = 1  F(), donde  = mY / sY. La función Y = lnR  lnP = X1  X2.
Utilizando las ecuaciones [28] y [29] se puede estimar la media y varianza de X1: m1 = ln(mR) +
½ (vR)2 ; (s1)2 = (vR)2. Donde vR = coeficiente de variación de R = sR/mR. Si vR es pequeño se puede
despreciar de la media y entoncesM m1 = ln(mR). De igual forma, la media y varianza de X2 son:
m2 = ln(mP) ; (s2)2 = (vP)2. Donde vP = coeficiente de variación de P = sP/mP. Con esto entonces:

La media de Y es: mY = ln(mR)  ln(mP) = ln( mR/ mP ) [40]

La desviación estándar de Y es: s Y  vR2  vP2 [41]

m Y ln  m R / m P 
El índice de confiabilidad es:   [42]
sY v 2R  v 2P

La probabilidad de falla es: Pf = 1  F() [43]

M
Este método se denomina el Método de Confiabilidad de Primer Orden. (FORM = First Order Reliability Method)

Page 43 of 60
Al cociente del valor medio y valor nominal de una variable aleatoria se le conoce como el
coeficiente de sesgo; esto es: X = mX / xn. Por ejemplo, el coeficiente de sesgo de la resistencia es
R = mR / Rn, mientras que para la fuerza última es P = mP / Pn.

Para un índice de confiabilidad pertinente, t, la ecuación [42] se puede escribir como:

ln  R R n / P Pn 
a   ln  R R n / P Pn   a vR2  vP2 [44]
v v 2
R
2
P

El término v 2R  v 2P se puede aproximar como: v2R  vP2  0.75  vR  vP  y entonces:

ln  R R n / P Pn   0.75a  vR  vP  [45]

R R n
 e a  R P   e0.75a vR e0.75a vP
0.75 v  v
[46]
 P Pn

 e
R
0.75a vR
 R   e
n P
0.75a vP
P
n [47]

Si comparamos la ecuación [47] y [39](c) se puede concluir que:

  R exp  0.75 a vR  [48]

  P exp  0.75 a vP  [49]

De esta forma entonces los factores de resistencia y de carga quedan calculados con las ecuaciones
[48] y [49], respectivamente.

Page 44 of 60
1. Propiedades estadísticas de resistencias

La Tabla 6 muestra las propiedades estadísticas típicas para diferentes materiales de construcción
y mecanismos de falla.

Tabla 6 Propiedades estadísticas para resistencias

Designación R vR
Acero estructural
Elementos en tensión 1.08 0.11
Elementos en compresión 1.08 0.14
Flexión elementos compactos 1.07 0.13
Flexo-compresión 1.07 0.15
Tornillos A325, tensión 1.20 0.09
Acero rolado en frío
Vigas arriostradas 1.17 0.17
Columnas arriostradas 1.07 0.20
Aluminio
Vigas arriostradas 1.10 0.08
Vigas sin arrostramiento 1.03 0.13
Concreto
Vigas en flexión 1.05 0.11
Columnas cortas 1.05 0.12
Columnas esbeltas 1.10 0.17

Page 45 of 60
2. Propiedades estadísticas de cargas

La Tabla 7 muestra las propiedades estadísticas típicas para diferentes cargas.

Tabla 7 Propiedades estadísticas para cargas

Designación P vP
Carga muerta
Peso propio de perfiles de acero 1.01 0.03
Peso propio de vigas de concreto 1.04 0.04
Peso propio de losas de concreto 1.07 0.14
Peso propio de cubiertas asfálticas 1.44 0.53
Valor típico en edificios 1.05 0.10
Cargas vivas
Valor típico en edificios 0.70 0.30
Cargas de viento
Edificios 0.53 0.43
Edificios de alta importancia 0.44 0.55
Cargas de sismo
Depende de la zona ---- 2.50

3. Índices de confiabilidad pertinentes

En ingeniería civil se requiere conocer el riesgo que se tiene ante la falla, para definir si un sistema
fue diseñado de forma pertinente. La probabilidad de falla, Pf, o el índice de confiabilidad, , son
necesarios, pero no suficientes. El riesgo se calcula (por definición) como la probabilidad
multiplicada por las consecuencias. El resultado numérico del riesgo son las mismas unidades de
la consecuencia. Las consecuencias se definen en términos monetarios o bien pérdidas humanas.
La magnitud tolerante del riesgo varía mucho dependiendo de la importancia de la infraestructura
y de la misma tolerancia del diseñador. De forma general el ser humano tiende a aceptar un mayor
riesgo cuando éste es consiente. Por ejemplo, el riesgo de un accidente en automóvil o avión es
mucho mayor que el riesgo de colapso de un puente. Ante un evento el accidente automovilístico

Page 46 of 60
el usuario es más tolerante y acepta las consecuencias del evento (que muchas veces lo atribuye a
un acto divino). Sin embargo, ante un evento de colapso estructural (digamos por sismo) la
tolerancia es muy poca y se atribuye la falla a los ingenieros civiles o constructores (mas no a la
probabilidad de ocurrencia).

Poder establecer un riesgo aceptable es una tarea complicada y que interviene desde la cultura del
país hasta la propia tolerancia del ingeniero calculista. Es por esto que los ingenieros civiles forman
sociedades (como el Colegio de Ingenieros Civiles, Sociedad Mexicana de Ingeniería Estructural,
Sociedad Mexicana de Ingeniería Sísmica, entre otras) para llegar a un consenso y definir los
niveles de riesgo aceptables que después se traducen en factores de carga y resistencia para los
reglamentos de construcción.

Considere un ejemplo donde se clasifica el diseño estructural en distintos niveles, vea la Tabla 8.
Observe que cada nivel describe el tipo de análisis, diseño, y costo que tiene que ocurrir durante el
proceso de cálculo estructural.

Con esta clasificación se exponen tres posibles casos. La Figura 14 muestra los casos. Dependiendo
de la probabilidad de falla y las consecuencias, se especifica un nivel de diseño a satisfacer. El caso
A corresponde a un reglamento muy estricto y poca tolerancia en el riesgo (por ejemplo:
Consecuencias altas obliga a los ingenieros a realizar un diseño avanzado independientemente de
la probabilidad de falla). El caso B corresponde a un reglamento con mucha tolerancia en el riesgo
(por ejemplo: Consecuencias altas obliga a los ingenieros a realizar un diseño intermedio
independientemente de la probabilidad de falla). El caso C es un caso intermedio entre A y B (por
ejemplo: Consecuencias altas obliga a los ingenieros a realizar un diseño de acuerdo con la
probabilidad de falla).

Ahora bien, el diseño por desempeño puede aplicar tanto a estructuras de bajo riesgo o alto riesgo
y lo único que habría que hacer es calibrar los factores de carga y resistencia que reflejen el nivel
de riesgo aceptable o que se considera tolerante. Lo mismo aplica para la importancia de la
estructura: estructuras con alta importancia serían equivalentes a estructuras con riesgos altos.

Page 47 of 60
 Tabla 8 Niveles de diseño estructural
Nivel Tipo Descripción
Estático
Lineal
1 Básico Elástico
Teoría de esfuerzos
Costo del diseño = $$
Estático equivalente
No lineal
3 Intermedio Elástico
Teoría última
Costo del diseño = $$$
Dinámico
No Lineal
5 Avanzado Inelástico
Desempeño
Costo del diseño = $$$$$$

CASO ( A ) Probabilidad de falla CASO ( B ) Probabilidad de falla CASO ( C ) Probabilidad de falla

Concecuencias Alta Media Baja Concecuencias Alta Media Baja Concecuencias Alta Media Baja
Alta 5 5 5 Alta 3 3 3 Alta 5 4 3
Media 4 4 4 Media 2 2 2 Media 4 3 2
Baja 3 3 3 Baja 1 1 1 Baja 3 2 1

Figura 14 Casos de nivel de diseño estructural

Investigadores en la materia de riesgo de infraestructura han recomendado distintas expresiones

para evaluar la probabilidad pertinente de tolerancia [Ref]. La siguiente ecuación es una de ellas:

A
pa  105 / año [50]
W n

Donde A es un factor basado en el tipo de infraestructura, W es un factor que depende del tipo de
falla estructural y n es el número de vidas en riesgo de muerte. La Tabla 9 muestra los valores
recomendados de A y W para diferentes aplicaciones. El ingeniero puede usar valores diferentes a
los de esta tabla dependiendo del proyecto y de su propio criterio.

Page 48 of 60
 Tabla 9 Factores A y W
Tipo de infraestructura A
Refugios post-desastres naturales 0.30
Edificios 1.00
Puentes 3.00

Tipo de falla estructural W

Falla gradual (dúctil) 0.01
Falla intermedia 0.30
Falla repentina (frágil) 1.00

Los códigos de diseño se rigen por los niveles de tolerancia que se perciben de la sociedad o
comunidad. Estudios realizados en los 80’s arrojan la información que se presenta en la Tabla 10
[Ref]. Considere que dichos estudios fueron realizados para eventos de involucran a la industria de
la aviación, que son únicamente un referente para la industria de la construcción y que pueden
cambiar con el tiempo.

Tabla 10 Reacción general de la sociedad ante riesgos

Probabilidad Reacción de la sociedad

Es un nivel inaceptable de forma general y la sociedad reclama

103
remediaciones inmediatas para reducir el peligro.
La sociedad está dispuesta a invertir fondos públicos para
104
gestionar el riesgo.
La sociedad reconoce el peligro y adopta acciones para para
105
mitigar riesgos.
El habitante promedio pudiera no reconocer que existe riesgo y en
106
caso de presentarse un evento lo atribuye a un acto divino.

Page 49 of 60
Si consideramos que el riesgo se distribuye normalmente, entonces las probabilidades anteriores
se pueden transformar en índices de confiabilidad a través de la ecuación [43], Pf = 1  F(). Esto
es:  = F1 [ 1  Pf ]. La Figura 15 muestra la relación entre la probabilidad de falla y el índice de
confiabilidad, ecuación [43].

-1
10
-2

Probabilidad de falla = Pf
10
-3
10
-4
10
-5
10
-6
10
-7
10
-8
10
1 2 3 4 5 6
Índice de confiabilidad = 

Figura 15 Índices de confiabilidad y probabilidad de falla

La Tabla 11 muestra los valores de  para distintos niveles de probabilidad. Una expresión
aproximada para el índice de confiabilidad es t* = 0.9  0.6Log ( pt ) y que también se incluyen
en la tabla.

Tabla 11 Índices de confiabilidad y probabilidad de falla

pt t  t*
102 2.3 2.1
103 3.1 2.7
104 3.7 3.3
105 4.3 3.9
106 4.8 4.5

Las probabilidades e índices de confiabilidad pertinentes corresponden a la tolerancia aceptable

durante cualquier año (pa) o al final del ciclo de vida (pt) de la infraestructura.

Page 50 of 60
La ecuación [16] relaciona las probabilidades pa y pt. Esto es:

p[H  1] = 1  (1  p)n  pt = 1  (1  pa)t [51]

Donde pt es la probabilidad pertinente, pa es la probabilidad anual y t es el ciclo de vida de diseño

para la infraestructura en años.

Tabla 12 Probabilidad e índices de confiabilidad a 30 y 50 años

t = 30 años
pa pt = p30 a 30
102 3 X 10 1
2.3 0.6
103 3 X 102 3.1 1.9
104 3 X 10  3 3.7 2.7
105 3 X 10 4
4.3 3.4
106 3 X 105 4.8 4.0

t = 50 años
pa pt = p50 a 50
102 4 X 10 1 2.3 0.3
103 5 X 102 3.1 1.7
104 5 X 10  3
3.7 2.6
105 5 X 10 4
4.3 3.3
106 5 X 10  5
4.8 3.9

Los reglamentos de diseño establecen los índices de confiabilidad mínimos a satisfacer para una
determinada longevidad de la estructura. De manera general se puede calcular los índices de
confiabilidad anula a través de

a = 0.730 + 1.8

a = 0.750 + 2.0

Page 51 of 60
Considera como ejemplo una infraestructura con un ciclo de vida de 30 años y una probabilidad de
falla pertinente de 3X104, los elementos estructurales (vigas, columnas, losas, apoyos, etc.) deben
ser diseñados para un índice de confiabilidad de 4.3 y esto implica que cualquier año el elemento
estructural tiene una probabilidad de falla de 105.

Page 52 of 60
VIII. Ejemplo de calibración de factores de seguridad

La viga metálica que se muestra en la Figura 16 es parte de un edificio del Gobierno Federal en
Jalisco para el cual se solicita una calibración especial de los factores de carga y resistencia para
ejecutar su diseño estructural. El Gobierno está dispuesto a invertir fondos públicos para gestionar
el riesgo y se contará con una póliza de seguro en caso de ocurrir una falla estructural. El ciclo de
vida del edificio se define de 75 años y se estima que 50 personas estarían en peligro de muerte en
caso de falla de dicha viga. La viga se sujeta a una carga muerta y carga viva. La carga muerta
consiste en instalaciones (hidráulicas, eléctricas, ductos de aire acondicionado y muros divisorios)
y una losa de concreto. La carga viva se considera para lugares de reunión sin asientos fijos. El
diseño de la viga se solicita para que en el límite ocurra una falla gradual. El diseño estructural lo
ejecutará la empresa SFDA SA de CV (un despacho de cálculo estructural).

Figura 16 Viga a calibrar factores

Solución: El formato de diseño será: Rn  Pn y el objetivo es dar a conocer a SFDA SA de CV
los factores  y  que satisfacen los requisitos del riesgo indicado por el Gobierno Federal de
Jalisco (cliente). Rn representa la resistencia nominalN y Pn es la fuerza interna producida por la
carga nominal. En este caso la carga nominal se define como: Pn = Dn + Ln, donde Dn la fuerza
interna producida por la carga muerta nominalO y Ln la fuerza interna producida por la carga viva
nominalP.

N
La ecuación de Rn se define en el reglamento de diseño. Por ejemplo: ACI, AISC, etc.
O
La intensidad de Dn se calcula con las prácticas comunes de calcular los pesos de cada componente.
P
La intensidad de Ln se consulta en el reglamento de construcciones de Jalisco.

Page 53 of 60
La ecuación de diseño también puede expresarse como: Rn  Pn, donde  se le conoce como el
factor de seguridad central,  = /.

Las ecuaciones [48] y [49] definen las magnitudes de los factores,  = R  exp[ 0.75  a  vR] y
 = P  exp[0.75  a  vP].

( 1 ) Propiedades estadísticas de la resistencia: De la Tabla 6 obtenemos R = 1.07 y vR = 0.13.

( 2 ) Propiedades estadísticas de la carga: De la Tabla 7 obtenemos D = 1.05, vD = 0.10, L = 0.7

y vL = 0.30. La fuerza interna será P = D + L.

Primero calculamos el sesgo de la carga, P:

Como P = D + L, entonces: Pn = Dn + Ln y mP = mD + mL. Sustituyendo mP = PPn, mD = DDn

y mL = LLn en la media de P se obtiene: PPn = DDn + LLn. Esta ecuación puede escribirse
como

P = [D + rL] / (1 + r) [52]

donde r = Ln/Dn es el cociente de la fuerza producida por la carga viva nominal y la carga muerta
nominal.

Ahora calculamos el coeficiente de variación de la carga, vP:

Como P = D + L, entonces: s2P  s2D  s2L . Esto es m2P v2P  m2D v2D  m2L v2L ; Sustituyendo mP = PPn,

mD = DDn y mL = LLn en la varianza de P se obtiene:

2 2
 D   r  L 
v 
2
vD    vL  [53]
 D  r L   D  r L 
P

Page 54 of 60
( 3 ) Índice de confiabilidad requerido

De la Tabla 10 se obtiene: pt = 104. De la ecuación [51] y t = 75 años calculamos la probabilidad

anual, pa; esto es:

pt = 1  (1  pa)t  104 = 1  (1  pa)75  pa = 1.33 X 106

y el índice de confiabilidad es (ecuación [43]):

Pf = 1  F()  1.33 X 106 = 1  F(a)  a = 4.69

( 4 ) Factores de carga y resistencia

  R exp  0.75 a vR     1.07 exp  0.75  4.69  0.13    0.68

Para el caso específico de Ln/Dn = 1, r = 1, obtenemos:

P = [D + rL] / (1+r) = [1.05 + 10.7] / (1 + 1) = 0.875

2 2
 D   r  L    1 0.7
2 2
 1.05 
v 
2
vD    vL     0.10     0.30 
 D  r L   D  r L  1.05  1 0.7  1.05  1 0.7
P


vP  (0.06)2  (0.12)2  0.134

  P exp  0.75 a vP     0.875exp  0.75  4.69  0.134     1.40

Para otros valores de r, la tabla muestra los factores de carga.

P vP 
r = Ln/Dn
Ec. [52] Ec. [53] Ec. [49]
0.0 1.050 0.100 1.49
0.5 0.933 0.106 1.36
1.0 0.875 0.134 1.40
1.5 0.840 0.158 1.47
2.0 0.817 0.177 1.52

Page 55 of 60
( 5 ) Factores seguridad central,  = /.

r = Ln/Dn   =/
0.0 0.68 1.49 2.21
0.5 0.68 1.36 2.00
1.0 0.68 1.40 2.07
1.5 0.68 1.47 2.17
2.0 0.68 1.52 2.25

Finalmente se puede tomar la decisión de redondear los factores. El rango típico de r está
comprendido entre 0.5 y 1.5. El promedio de  = 2.08.

Utilizando un diseño por teoría última: si fijamos  = 0.65 entonces  = 1.352; digamos  = 1.35.

Utilizando un diseño por teoría elástica: El análisis calcula esfuerzos en lugar de fuerzas y es común
compararlo contra un esfuerzo admisible. Dicho esfuerzo admisible se puede calcular como el
esfuerzo resistente divido entre un factor de seguridad. En este caso  = 2.08; digamos  = 2.1

Conclusión: El diseño estructural deberá satisfacer el siguiente requisito de resistencia última:

Resistencia factorizada  Fuerza interna factorizada  Rn  (Dn + Ln)

Donde  = 0.65 y  = 1.35

O bien, el siguiente requisito de esfuerzo permisible

Esfuerzo nominalQ  Esfuerzo permisible  n  R/

Donde R es el esfuerzo resistente y  = 2.1.

Q
Esfuerzo que producen las cargas (resultado del análisis estructural)

Page 56 of 60
IX. Índices de confiabilidad en códigos existentes

En esta sección se mencionan los índices de confiabilidad típicos que se encuentran registrados en
códigos existentes y que han sido utilizados para calibrar los factores de resistencia, factores de
carga y factores de seguridad.

El reglamento CSA S408-1981 (Canadian Standards Association) establece los índices de

confiabilidad mostrados en la Tabla 13.

Tabla 13 Índices de confiabilidad CSA

Clasificación de CSA S408 30
consecuencias Falla dúctil Falla frágil
Baja 2.5 3.0
Normal 3.5 4.0
Alta 4.0 4.5

El reglamento AISC LRFD-1984 (American Institute of Steel Construction) establece los índices
de confiabilidad mostrados en la Tabla 14.

Tabla 14 Índices de confiabilidad AISC

Carga AISC LRFD t
Gravitacional 3.00
Gravitacional + Viento 2.50
Gravitacional + Sismo 1.75

Para el diseño de puentes, la Tabla 15 muestra los índices de confiabilidad.

Tabla 15 Índices de confiabilidad para el diseño de puentes

Reglamento Índice
AASHTO 1992 t = 3.50
OHBDC 1992 50 = 3.75

Page 57 of 60
Para el diseño de barcos, se han presentado propuestas de los índices de confiabilidad que se indican
en la Tabla 16.

Tabla 16 Índices de confiabilidad para el diseño de barcos

Tipo de falla Barcos comerciales Barcos navales
Fluencia 5.0 6.0
Fractura 3.5 4.0
Fatiga 3.0 3.5

Finalmente para estados límite de deflexiones en edificios es común especificar una probabilidad
de falla 0.01/año. Sin embargo hay que tener en cuenta que una falla por deflexiones excesivas
puede desencadenar el colapso; un ejemplo claro es efecto P-Delta y deflexiones debido al flujo
plástico del concreto en puentes presforzados o postensados.

Page 58 of 60
X. Resumen

El ingeniero civil es un profesionista que tiene la competencia de planear, diseñar, construir, operar
y mantener la infraestructura que se requiere en las comunidades para el desarrollo de sus
habitantes. La sociedad espera que dicha infraestructura sea confiable durante su ciclo de vida. La
confiabilidad en ingeniería civil se mide a través de la probabilidad de falla o bien el índice de
confiabilidad.

La filosofía de desempeño ofrece un método para asegurar que la infraestructura es confiable. Esta
filosofía se concentra en calcular la probabilidad, de que la función de desempeño sea menor o
igual a un valor objetivo, es menor o igual a un valor admisible o pertinente. La pertinencia se
evalúa considerando aspectos como la importancia de la estructura, riesgo de falla o criterios
establecidos por las sociedades de ingenieros civiles.

En estas notas se presentaron los métodos básicos para evaluar numéricamente los índices de
confiabilidad utilizando: (1) herramientas de probabilidad y estadística, (2) valores recomendados
en la literatura y (3) las prácticas comunes de cálculo.

Los valores característicos de la probabilidad de falla están comprendidos entre 104 y 106, y entre
3.0 y 4.5 para los índices de confiabilidad.

XI. Referencias

Estas notas son escritas con la única finalidad de ilustrar la aplicación de confiabilidad en ingeniería
civil. Los contenidos de estas notas se basan en las siguientes referencias.

Alessio Pipinato (2015): Innovative bridge design handbook. Butterworth-Heinemann, Elsevier,

878 pp.

Bartlett, M. (2006): Bridge design and evaluation. ES679, Western University, 215 pp.

Bhattacharya, B., Basu, R. y Ma, K. (2001): Developing target reliability for novel structures: the
case of the Mobile Offshore Base. Marine Structures, 14:37-58.

Page 59 of 60
 Cornell, C. A. y Benjamin, J. R. (1976): Probability, statistics, and decisions for civil engineers.
McGraw-Hill, 684 pp.

Hong, H. P. (2005): Risk analysis and decision making in engineering. EGS520A, Western
University, 196 pp.

Melchers, R. E. (1999): Structural reliability analysis and prediction. Wiley, 437 pp.

Page 60 of 60

View publication stats