Está en la página 1de 10

ESTIMACIN DE ALGUNAS PROPIEDADES GEOTCNICAS DE LOS SUELOS

MEDIANTE ANLISIS MULTIVARIADO (REGRESIN MLTIPLE) Y SU UTILIDAD


EN LA INGENIERA CIVIL: SUELOS FINOS DEL ORIENTE BOLIVIANO
Alberto Bentez Reynoso (*)
1. INTRODUCCIN
Los ingenieros de en general, a menudo debemos predecir algunas propiedades
geotcnicas y el comportamiento de los suelos cuando hay poca o ninguna
informacin proveniente de pruebas de laboratorio. Esto tiene ms sentido en
proyectos pequeos y en diseos y estimaciones preliminares.
Imagnese que, de manera urgente, un ingeniero debe realizar y presentar el diseo
preliminar de la estructura de un pavimento y la consecuente estimacin del
presupuesto de un tramo de carretera. Como es lgico, para este diseo, se requiere
conocer numricamente la capacidad soporte o resistencia tanto de la subrazante
como de las diferentes capas de suelo del llamado paquete estructural. Expresemos
esta capacidad soporte en trminos del CBR (Valor Soporte California), cuya
determinacin en laboratorio requiere, varios das, tiempo demasiado largo para el
citado ingeniero.
Ante esta situacin, surgen las siguientes preguntas:
Cmo estimar el CBR del suelo sin recurrir a los ensayos de laboratorio de modo que
el ingeniero pueda cumplir su tarea con la urgencia y la precisin que requiere?.
Es posible construir modelos matemticos que permitan estimar el CBR a partir del
conocimiento de otras propiedades cuya determinacin es ms simple y toma mucho
menos tiempo?.
Cules son las formas matemticas que adoptan estos modelos?.
Qu diferencias hay entre los valores del CBR estimados con los modelos y los
obtenidos mediante el ensayo convencional de laboratorio?.
Se puede construir modelos que correlacionen otras propiedades mecnicas de los
suelos de utilidad en la ingeniera civil?.
Qu implicaciones tienen estos modelos en la ingeniera civil?.
En consecuencia, se formula los objetivos siguientes:
Desarrollar los modelos matemticos multivariados ms idneos para la estimacin
de algunas propiedades mecnicas de los suelos, con referencia particular a los
suelos del oriente boliviano.
Comparar los valores de las propiedades mecnicas de los suelos obtenidos
mediante el uso de los modelos y los determinados en laboratorio.
Establecer las implicaciones que tienen los modelos citados en el diseo de las
estructuras de ingeniera civil.
2. ESTRATEGIA METODOLGICA
2.1 Modelos simples (unidimensionales)
La metodologa utilizada en la presente investigacin consta de dos partes, a saber: a)
fase emprica y b) fase racional.
Con relacin la fase emprica, podemos decir que la misma consiste en cientos de
mediciones de laboratorio y de campo, las cuales, en su mayora fueron realizadas en
el marco del Proyecto de la Carretera Pailn-San Jos-Puerto Surez, en el que, el
autor ha participado en la etapa final de la evaluacin de la preinversin. Asimismo, se
han realizado ensayos adicionales con la finalidad de completar la informacin
disponible. En esta fase emprica, la medicin de cada variable, en campo o
laboratorio, requiere de procedimientos especiales y se sujeta a normas

internacionales cuya descripcin escapa de los objetivos de este trabajo y puede


encontrarse en la literatura tcnica especializada.
Con respecto a la fase racional de la metodologa, la misma fue descrita y aplicada por
el autor en otros trabajos, la cual se sintetiza en los prrafos que siguen.
Supngase que Y es una variable (dependiente) que corresponde a una propiedad
mecnica de los suelos; del mismo modo, sea X una variable (independiente) que
corresponde a otra propiedad del suelo. Ambas variables son relevantes de un
fenmeno particular de la Mecnica de Suelos.
Si se utiliza el mtodo de los cuadrados mnimos para la modelacin matemtica, el
problema puede ser tratado mediante la siguiente metodologa (Bentez, 2013, 2010,
2004 y 1997; Mendenhall y Sincich, 1997; Haan, 1982; Yevjevich, 1972) :
1. Si se elige un modelo matemtico especfico, como hiptesis, la variable
dependiente de salida, Y, (output) es una funcin de la variable independiente de
entrada X (input) y de los parmetros del modelo, variables que intervienen en un
fenmeno dado de la Mecnica de Suelos. Es decir:
f(X, 1, 2)
Y

(1)

donde Y es la prediccin de Y mediante el modelo; 1 y 2 son los parmetros del


modelo.
2. Encontrar los parmetros 1 y 2. Esto puede plantearse como un problema de
optimizacin, determinando los valores de 1 y 2, de modo tal que los valores
predichos Y estn tan cerca como sea posible de los valores medidos Y. El criterio
ms comn es que la suma de los cuadrados de las diferencias entre los valores
predichos y los observados de la variable Y sea un mnimo; es decir:
n

SSE = E(1, 2) = Y i Y i
i 1

= mnimo
2

(2)

Alternativamente, se puede usar el criterio de minimizar el error mximo de


Chebyshev:
E(1, 2) = max ( Y
i Yi ) = mnimo

(3)

3. En el caso del primer criterio, los valores de los parmetros del modelo que
minimizan E( 1, 2), valores esperados de 1 y 2, se obtienen haciendo:

SSE
= 0;

1

SSE
=0

(4)

4. Evaluar la idoneidad del modelo. Se calcula el coeficiente de correlacin y se


hacen inferencias acerca de los parmetros. En el caso de un modelo de regresin
lineal simple, Y = o + 1X + , donde es el componente de error aleatorio y
E(Y) = o + 1X es el componente determinista, las hiptesis son:
La media de la distribucin de probabilidad de es 0. Esto significa que el valor
medio de Y, E(Y), para un valor dado de X es E(Y) = o + 1X.
La varianza de la distribucin de probabilidad de es constante para todos los
valores de la variable independiente.
La distribucin de probabilidad de es normal.
Los errores asociados a cualesquier dos observaciones distintas son
independientes.
Las etapas especficas son:

i. Proponer el modelo probabilista hipottico, como el siguiente u otro de mayor


complejidad:
Y = o + 1X +

(5)

ii. Estimar los parmetros desconocidos, o y 1, del componente determinista,


o + 1X.
iii. Especificar la distribucin de probabilidad del componente de error aleatorio,
. En general, se supone que: E() = 0, la varianza 2 de es constante para
todos los valores de la variable independiente X, la distribucin de es
normal y los errores asociados a cualesquier dos observaciones distintas son
independientes.
iv. Evaluar la idoneidad del modelo hipottico. Esto incluye calcular el
coeficiente de correlacin (R) de Pearson y hacer inferencias acerca de los
parmetros.
v. Prueba t para 1.
vi. Usar el modelo para estimar el valor medio de Y, E(Y), para un valor dado de
X y para predecir valores individuales de Y para valores especficos de X.
2.2 Modelos mltiples (anlisis multivariado)
La metodologa presentada se generaliza, mediante la notacin matricial, para
modelos de regresin lineal mltiple.
Supngase que Y es una variable (dependiente) que corresponde a una propiedad
mecnica del suelo. Del mismo modo, X1, X2, . . . . , Xp, son las variables
(independientes) correspondientes a otras propiedades mecnicas del suelo. Adems,
supngase que se tienen n mediciones de cada una de las citadas variables. Se
plantea, como hiptesis, un modelo lineal general de la forma:
Y = o + 1X1 + 2X2 + . . . . +pXp +

(6)

Donde:
= componente de error aleatorio;
Y = o + 1X1 + 2X2 + . . . . +pXp = componente determinista.
o, 1, . . . . , p son los parmetros del modelo.
Los supuestos, en este caso, son:
La media de es 0 E() = 0.
Para todos los valores de X1, X2, . . . . , Xp, la varianza de es constante.
La distribucin de probabilidades de es normal.
Los errores aleatorios son independientes.
Se plantean las n ecuaciones siguientes:
Y1 = o + 1X11 + 2X12 + . . . . . . . + pX1p
Y2 = o + 1X21 + 2X22 + . . . . . . . + pX2p
. . . . . . . . . . . . . . . .
Yi = o + 1Xi1 + 2Xi2 + . . + jXi,j + . . + pXip
. . . . . . . . . . . . . . . .
Yn = o + 1Xn1 + 2Xn2+ . . . . . . . + pXnp

(7)

Donde:
Yi = i-sima observacin de Y;
Xi,j = i-sima observacin de la j-sima variable independiente.
En consecuencia, si se usa notacin matricial, el modelo lineal general se puede
expresar como:
Y=X+
Siendo:
Y = matriz de los valores de la variable dependiente;
X = matriz de los valores de las variables independientes;
= matriz de los parmetros.
La solucin de cuadrados mnimos de esta ecuacin matricial es:

= (X X)-1 X Y

(8)

(9)

Ecuacin matricial, que permite la estimacin de los parmetros del modelo.


Si se plantea la hiptesis de un modelo no lineal de la forma:
Y = o X11 X22 . . . . Xpp

(10)

Se puede demostrar que el mismo puede ser transformado fcilmente a la forma


lineal. Una vez que se han obtenido los parmetros para varias opciones hipotticas
de modelos, representados por diferentes formas algebraicas de ecuaciones, se
selecciona el modelo ms idneo, mejor modelo o mejor ecuacin, que se realiza
bajo los siguientes criterios estadsticos y de prediccin:
1. La idoneidad o bondad global del modelo de regresin mltiple se la determina
mediante el coeficiente de correlacin o determinacin mltiple, R o R2,
respectivamente.
2. Prueba F de anlisis de varianza.
3. Estimacin de Var( ) o 2 (varianza de ).
4. Pruebas t para o, 1, . . . . , p y errores tpicos de estimacin.
5. La habilidad del modelo para predecir la variable dependiente en funcin de las
observaciones o valores de la variable independiente, es decir, la comparacin de
los valores observados (medidos) contra los valores predichos o estimados con los
modelos.
6. Anlisis de residuales.
Un anlisis de residuales a menudo proporciona informacin que permite modificar
y mejorar un modelo de regresin. Estas modificaciones pueden hacerse por
cualquiera de las tres razones siguientes: (1) el componente determinista del
modelo no se especific correctamente, (2) se violan uno o ms de los supuestos
de y (3) los datos empleados para ajustar el modelo contienen uno o ms
valores fuera de lo comn.
Los aspectos citados a continuacin son muy importantes y se toman en cuenta en el
desarrollo de modelos de regresin mltiple:
Un factor que complica la seleccin del modelo se refiere al hecho de que las
variables independientes no son absolutamente estadsticamente independientes
y estn correlacionadas. Por eso, uno de los primeros pasos que podra darse en
un anlisis de regresin mltiple es calcular la matriz de correlacin de las
variables independientes.
Qu variables incorporar al modelo?. Como cada vez ms variables son
adicionadas al modelo, r puede no decrecer. Entonces, desde el punto de vista del
valor de R, se podran usar todas las variables. Sin embargo, esto dara lugar a la
generacin de una ecuacin difcil de manejar debido a la dificultad en la

interpretacin de los coeficientes. Cuando ms variables se adicionan, el error


tpico puede crecer. Las variables retenidas en el modelo deben hacer una
contribucin significativa a la regresin, salvo que haya una razn especial
(intuitiva o tcnica) para retener una variable no significativa.
El nmero de coeficientes estimados no debiera exceder de 25% a 35% del
nmero de observaciones. Esta es una regla para evitar un "sobre ajuste" donde
pueden ocurrir oscilaciones en la ecuacin entre observaciones de las variables
independientes. Adems de otros, hay dos mtodos para seleccionar las variables
de un modelo de regresin: todas las regresiones posibles y regresin por pasos.
Todas las regresiones posibles. Si todas las ecuaciones van a tener trmino
independiente, se tienen que calcular 2p-1 ecuaciones de regresin, donde p es el
nmero de variables independientes, una de las cuales es siempre igual a 1 para
producir el trmino independiente.
Regresin por pasos, que consiste en construir el modelo de regresin
considerando una variable por vez, adicionando, en cada paso, la variable que
explica la mayor parte de la variacin remanente no explicada. Despus de cada
paso todas las variables son examinadas respecto a su significacin y descartadas
si no explican una significativa variacin.
La adicin progresiva (forward) y la eliminacin regresiva (backward) son
fundamentalmente procesos de ensayo y error para buscar los mejores
estimadores de regresin.
Una situacin comn, en la cual se usa la regresin mltiple ocurre cuando una
variable dependiente y varias variables independientes estn disponibles y se
desea encontrar un modelo para predecir valores no observados para la variable
dependiente, que es el caso del presente estudio.
En las diferentes ciencias de la Ingeniera en general y en el caso de la Mecnica
de los Suelos en particular, son muchas las variables que se miden. Casi siempre
se tienen mediciones y registros de las variables ms fciles de medir, por ejemplo,
variables granulomtricas, lmites de consistencia y otras. En tanto que, el CBR,
las variables correspondientes al fenmeno de la consolidacin, etc., son variables
ms difciles de medir o toman mucho ms tiempo.
Con relacin al tamao de muestra, n, se puede decir que, en la regresin mltiple,
es quiz el elemento aislado ms influyente bajo el control del investigador. Sin
embargo, en el caso de las investigaciones geotcnicas, casi siempre el tamao de
muestra es coincidente con la disponibilidad de los registros (mediciones).
Se dijo que, un primer criterio numrico que permite determinar la idoneidad de un
modelo de regresin es el coeficiente de correlacin R, simple o mltiple. Sin embargo,
otras pruebas pueden realizarse a fin de ratificar o rectificar la primera decisin
adoptada en base al parmetro R. Si bien existen varias pruebas que permiten hacer
este trabajo, hay tres de ellas que se destacan por su importancia, a saber:
Prueba de valores medidos (observados) contra valores predichos con el modelo.
Prueba de residuales. Se la realiza usando una o varias de las opciones
presentadas anteriormente.
Prueba de normalidad de los residuales.
Estas pruebas fueron realizadas para todos los modelos obtenidos, que han arrojado
coeficientes de correlacin (R) ms altos, pruebas grficas y numricas que no se
incluyen por razones de espacio.
3. APLICACIONES Y RESULTADOS
3.1 Modelos simples (unidimensionales)
Considerando que el modelo lineal es el ms simple y ms usual, se ha considerado
apropiado determinar los coeficientes de correlacin entre cada una de las variables.

Los resultados, que dan una idea de la fortaleza de la relacin lineal existente, se
presentan en la siguiente matriz:
Cuadro No. 1: Matriz de coeficientes de correlacin lineal
CBR1
LL
IP
N200
IG
DM
HO
CBR1
1
-0.673 -0.711 -0.529 -0.722 0.730 -0.650
LL
-0.673
1
0.883 0.287 0.920 -0.783 0.794
IP
-0.711 0.883
1
0.304 0.960 -0.741 0.731
N200 -0.529 0.287 0.304
1
0.442 -0.549 0.318
IG
-0.722 0.920 0.960 0.442
1
-0.770 0.712
DM
0.730 -0.873 -0.741 -0.549 -0.770
1
-0.824
HO
-0.650 0.749 0.731 0.318 0.712 -0.824
1
EXP1 -0.529 0.520 0.586 0.305 0.558 -0.594 0.419

EXP1
-0.529
0.520
0.586
0.305
0.558
-0.594
0.419
1

Lo que se hizo, como siguiente paso, es probar varia formas algebraicas de modelos,
considerando, como variable dependiente, el CBR1. Se han obtenido los siguientes
resultados:

CBR1 - 0.0977

57.534
IP

(11)

(R = 0.942)

CBR1 exp(2.082 - 0.0526 * IG)

(12)

(R = 0.814)

CBR1 exp(0.0022 85

41.984
)
LL

(13)

(R = 0.781)
Siendo, en los dos cuadros anteriores:
CBR1 = Valor Soporte California al 100% de la densidad mxima (%);
LL = lmite lquido (%);
IP = ndice plstico (%);
N200 = Porcentaje de material ms fino que 0.074 mm (tamiz No. 200);
IG = ndice de grupo (sistema de clasificacin AASTHO);
DM = Densidad mxima (kg/m3);
HO = Humedad ptima (%);
EXP1 = Expansin del CBR al 100% de la densidad mxima (%)
Asimismo, se han desarrollado otras correlaciones, cuyas expresiones matemticas y
sus coeficientes de correlacin se presentan a continuacin:

IP 4.936 0.798 * IG

(14)

(R = 0.960)

IP - 5.933 0.647 * LL

(15)

(R = 0.883)

DM 2204.65 - 24.833 * HO
(R = -0.824)

(16)

HO

1
(0.0500

0.312
)
IP

(17)

(R = 0.808)
3.2 Modelos mltiples: anlisis multivariado
En un primer intento de incorporar ms de una variable independiente (anlisis
multivariado), se ha encontrado que los siguientes modelos arrojan coeficientes de
correlacin bastante altos y que permitiran estimar el CBR1 en funcin de
propiedades del suelo que son ms fciles de determinar en laboratorio como el lmite
lquido y el lmite plstico.

CBR1 0.2763 0.028 *

DM
IP

(18)

(R = 0.948)

CBR1 1.506

1013.38
LL * IP

(19)

(R = 0.941)

CBR1 - 0.843 3.844 *

IP
IG

(20)

(R = 0.883)
En realidad, un anlisis multivariado completo debe considerar todos los posibles
modelos de regresin. Es decir, si se considera el CBR1 como variable dependiente,
todas las otras (LL, IP, N200, HO, DM, IG y E1) son las variables independientes. En
consecuencia, al tener 7 variables independientes, se tendrn 27-1 = 64 posibles
modelos. Pero, no todas las variables independientes son significativas en un anlisis
de regresin. Afortunadamente, la adicin progresiva (forward) y la eliminacin
regresiva (backward), denominadas seleccin hacia delante y seleccin hacia atrs,
respectivamente, permiten tomar en cuenta todas las variables independientes y
eliminar paso a paso aquellas que no son significativas en el modelo, quedando, de
este modo, un nico modelo final con las variables independientes que realmente son
significativas.
As, considerando las siete variables independientes mencionadas, la seleccin hacia
adelante arroja el siguiente modelo final lineal:

CBR1 - 22.258 - 0.156 * IP 0.0158 * DM

(21)

(R = 0.773)
En tanto que, la seleccin hacia atrs arroja el siguiente resultado:

CBR1 13.851 - 0.251*IP - 0.0622 * N200

(22)

(R = 0.784)
Anlogamente, en el caso de considerar un modelo no lineal, tanto la seleccin hacia
delante como la seleccin hacia atrs, indican que el modelo final ms adecuado es el
siguiente:

CBR1

15.861
IG0.591

(23)

(R = 0.883)
3.3 Las otras pruebas de idoneidad de los modelos
Se ha destacado anteriormente que un primer criterio numrico que permite
determinar la idoneidad de un modelo de regresin es el coeficiente de correlacin R,
simple o mltiple. Sin embargo, otras pruebas deben realizarse, de las cuales, hay tres
que se destacan por su importancia, a saber:

Prueba de valores medidos (observados) contra valores predichos con el


modelo
Esta es una prueba que permite establecer si el modelo es un buen predictor de la
variable dependiente (CBR1) en funcin de las variables independientes. Es la ms
importante para el ingeniero. La prueba es bastante simple, pero altamente prctica;
bsicamente consiste en graficar los valores observados (medidos) en funcin de los
valores predichos o estimados con el modelo. Si el modelo fuese perfecto, todos los
pares de puntos as graficados se alinearn en una recta de pendiente igual a 1 (Y =
X). Como ningn modelo es perfecto, se considera que el modelo es aceptable si los
pares de puntos se sitan razonablemente alrededor de la citada recta. En suma, los
valores estimados con el modelo deben estar tan cerca como sea posible de los
valores medidos.
Prueba de residuales
Esta prueba permite determinar si el modelo ha sido mal especificado.
Prueba de normalidad de los residuales
Consiste en determinar si la serie de residuales sigue una distribucin cercana a la
normal (una de las hiptesis). Si la respuesta es afirmativa, se estara verificando la
hiptesis y, por lo tanto, ratificando el modelo.
4. CONCLUSIONES
En funcin al desarrollo de todo el trabajo de investigacin, en sus dos fases, a saber:
i) Emprica, referida a las mediciones de campo y de laboratorio y ii) Racional, que ha
consistido en el desarrollo terico y metodolgico, planteamiento de leyes generales y
particulares que rigen los diferentes fenmenos estudiados, construccin, desarrollo y
verificacin los modelos matemticos obtenidos, que reflejan las relaciones entre las
variables relevantes de cada fenmeno; se han establecido las siguientes
conclusiones:
1. Se han ratificado, en algunos casos, planteado y demostrado, en otros, relaciones
entre varios fenmenos de la Mecnica de Suelos, que pueden considerarse como
leyes, regularidades o pautas, que son representadas por sus variables ms
importantes, tal como se concluye a continuacin:
Se ha establecido la relacin o ley lineal entre dos propiedades de las arcillas
estudiadas, como son el ndice plstico y el lmite lquido, lo cual permite una
caracterizacin general de estos suelos finos.
En general, se ha demostrado que la resistencia de los suelos finos, expresada
en trminos de la variable CBR, es una funcin, principalmente, de las
propiedades plsticas como LL y IP.
2. Los modelos propuestos son vlidos para los suelos de la regin considerada
(oriente boliviano), aunque, con la debida precaucin, la generalizacin es evidente

3.

4.

5.

6.

y pueden ser usados para los suelos de otras partes del planeta, tomando en
cuenta sus caractersticas, similitudes y/o diferencias con relacin a los estudiados.
La utilidad prctica de los modelos planteados consiste en la posibilidad de estimar
indirectamente una propiedad del suelo, por ejemplo, CBR, en funcin de otra u
otras, cuya determinacin en laboratorio o campo es ms simple y toma menos
tiempo, por ejemplo el LL.
Las pruebas de comparacin entre valores medidos y valores predichos con los
modelos, de residuales y de normalidad de los mismos, conducen a establecer
que, en general, los modelos que arrojan ms altos coeficientes de correlacin, R,
son los ms idneos para la estimacin de la variable dependiente.
Adicionalmente, en todos los casos, el nivel de significacin o confiabilidad, desde
el punto de vista estadstico, fue del 95%.
Con relacin a las implicaciones de la investigacin realizada, en el campo de la
Ingeniera Civil, se puede establecer, sin lugar a dudas, lo siguiente:
El valor de una propiedad mecnica del suelo (magnitud o variable), estimado
mediante un modelo matemtico, no sustituye (porque no es idntico) al valor
obtenido en laboratorio o campo, pero, a falta de ensayos de laboratorio (por
diversas razones como recursos fsicos, financieros y tiempo), modelos como
los formulados son de mucha utilidad prctica en el ejercicio de la Ingeniera
Civil. Esto es posible gracias a una de las pruebas realizadas para verificar la
idoneidad de los modelos, que es la prueba de comparacin de valores
observados (medidos) con los valores predichos (estimados) con los modelos,
cuyas diferencias son insignificantes y atribuibles, desde el punto de vista
estadstico, a errores de muestreo.
Se ha probado, de forma prctica, la idoneidad de los modelos para la
prediccin o estimacin de algunas variables dependientes, por ejemplo el
CBR, en funcin de otras propiedades. Para ello, se han determinado varios
valores del CBR en laboratorio y se han comparado con los estimados con los
modelos, arrojando diferencias siempre menores al 5%, lo que puede
calificarse como una precisin razonable.
Se han dimensionado espesores de estructura de pavimentos, utilizando
valores del CBR de dos maneras: determinados en laboratorio y estimados con
algunos de los modelos planteados. La conclusin es elocuente: las diferencias
son insignificantes y se confunden o desaparecen en los habituales redondeos
de las dimensiones en los procesos de diseo, con lo que se demuestra su
implicacin y utilidad en la ingeniera Civil.
Se puede afirmar, categricamente, que se ha respondido a las cuestiones
planteadas y alcanzado los objetivos formulados.

REFERENCIAS BIBLIOGRFICAS
1. Bentez, A. (2013). Dialctica de la Ingeniera Estructural. Tesis de Doctorado en
Ciencias, Mencin Ingeniera Civil (Estructural)- UNSXX-CAB, La Paz.
2. Bentez, A. (2010). Modelos multivariados en la estimacin de algunas
propiedades mecnicas de los suelos y sus implicaciones en la ingeniera vial. XX
Congreso Argentino de Mecnica de Suelos e Ingeniera Geotcnica (6 al 9 de
octubre) publicacin en CD e impresa (libro del Congreso) ISBN: 978-950-42-01298, Mendoza (Argentina).
3. Bentez, A. (2004). Generalizacin de las relaciones entre los procesos del ciclo
hidrolgico para la cuenca internacional del ro de La Plata: Enfoque Sistmico y
Anlisis Multivariado. Tesis de doctorado, Universidad de Sevilla, Espaa.
4. Bentez, A. (1997). Modelos matemticos para la estimacin de propiedades
mecnicas de los suelos y su aplicacin al diseo de firmes. Los suelos del valle
Central de Tarija. Revista Rutas, No. 59 II poca, marzo-abril, pp. 73-78, Madrid,
Espaa.

5. Haan, C. T. (1982). Statistical Methods in Hydrology. The Iowa State University


Press. Iowa, USA.
6. Hair, J.F. y otros. (2001). Anlisis multivariante. Prentice Hall, Madrid.
7. Magnan, J.P. (1982). Les mthodes statistiques et probabilistas en mcanique des
sols. Presses de lecole nationale des Ponts et Chausses, Pars.
8. Mendenhall, W. y Sincich, T. (1997). Probabilidad y Estadstica para Ingeniera y
Ciencias. Prentice Hall. Mxico.
9. Ministerio de Desarrollo Econmico de Bolivia (2001). Diseo final de la Carretera
Pailn San Jos Puerto Surez. Consorcio Consultor BCEOM PCA
PLANSERVI PCE, La Paz.
10. Statgraphics plus 5 (2000). Manugistics, USA.
11. Yevjevich, V. (1972). Probability and Statistics in Hydrology. Water Resources
Publications, Colorado, USA.
(*) El autor es Ingeniero Civil, Doctor (Ph.D.) en Ciencias Mencin Ingeniera Civil
(Estructural), Doctor en Formacin e Investigacin en Medio Ambiente, Magister
en Ingeniera (M.E.), Mster en Ciencias (M.Sc.) en Educacin, Especialista en
Elementos Finitos y Miembro de la Academia Panamericana de Ingeniera.