Proceso estocsticos

Los sismos son aleatorios en un doble sentido. De hecho, no solamente su

ocurrencia es estocstica en el tiempo sino tambin la trayectoria espacial
impone a sus ondas una forma altamente errtica. Esto explica porque, junto
con otras acciones estructurales, tal como el empuje del viento y las ondas del
ocano, ha habido un inters persistente en la ingeniera estructural en
examinarlos desde el punto de vista estocstico a lo largo de los ltimos aos.
El termino proceso estocstico hace referencia a una variable aleatoria escalar
o vectorial que evoluciona en el tiempo. Esto quiere decir que el valor de una
funcin x(t) en cualquier instante t es impredecible con certeza y, por tanto, es
una variable aleatoria X(t) que solo puede ser tratada de manera probabilista.
De acuerdo con esta definicin, la relacin existente entre la teora de procesos
estocsticos y la de variables aleatorias es paralela a la existente entre la
dinmica y la esttica de estructuras.
Figura 1. Acelerograma de un sismo

En la figura 1 muestra un acelerograma de un sismo. A diferencia de la visin

determinista corriente en dinmica estructural, que toma este registro como el
acelerograma verdadero, desde el punto de vista estocstico es solo cuestin
de azar que esta y no otra historia de aceleraciones haya sido registrada y
muchas otras con una estructura probabilista de fondo semejante podrn
igualmente haber ocurrido. Sin embargo, las respuestas estructurales ante
cada realizacin posible sern en cada caso diferentes, especialmente si el
sistema es no lineal.

En consecuencia, tanto la excitacin como la respuesta deben ser consideradas

como procesos estocsticos.
La mencionada estructura probabilista de fondo es el objeto de estudio de la
teora de vibraciones aleatorias. Es decir, si los estados discretos de la variable
aleatoria vectorial X(t) son X1, X2,X3 en los instantes t1 < t2 < t3 la
descripcin de la variable debe hacerse por medio de medidas probabilistas
comunes para todas las realizaciones posibles x1,x2,x3 En dependencia de la
informacin disponible se pueden obtener una serie de medidas que conviene
distinguir jerrquicamente. As, la descripcin probabilista ms completa del
proceso es el conjunto de funciones de distribucin de probabilidad conjunta
del tipo

F ( x 1, t 1 )=P [ X 1 ( t 1 ) < x 1 ] (1)

F ( x 1, t 1 ; x 2, t 2 )=P [ X 1 (t 1 )< x 1 X 2 ( t 2 )< x 2 ] (2)
F ( x 1, t 1 ; x 2, t 2 xm, tm )=P [ X 1 (t 1 )< x 1 Xm ( tm ) < xm ] (3)
Las correspondientes densidades de probabilidad se obtienen derivando
parcialmente con respecto a todos los argumentos. Para un proceso escalar se
tiene

f ( x 1, t 1 ; x 2, t 2 xm, tm )=

F ( x 1,t 1, x 2, t 2 xm, tm )
(4 )
x 1, x 2, . xm

Una clase importante de procesos para los cuales la descripcin (1) se puede
simplificar en gran medida es la de procesos difusivos de Markov. Tales
procesos pueden ser especificados completamente por densidades
condicionales del tipo

f ( x 1, t 1x 2, t 2 )
que expresan la probabilidad de que el proceso pase por el estado x 2 en el
instante t2 dado que se hallaba en el estado x1 en el instante t1. Esta nocin
ha permitido el desarrollo de la teora de ecuaciones diferenciales estocsticas.
En muchos casos, sin embargo, aun la determinacin de tales funciones de
probabilidad condicional resulta difcil y solamente es posible estimar algunos
momentos del vector de respuesta, dados por
k1

k2

kn

k ( X ; t ) = x1 x2 x n f ( x ,t ) dx
Donde k es un multi-indice que denota las potencias de las variables del vector

k =[k 1, k 2 ..]
y k es la suma de sus elementos,

|k|=k 1+k 2+ .
Dichos momentos constituyen, obviamente, una descripcin probabilista del
proceso ms pobre que las densidades. El grado ms bajo de la jerarqua de
informacin ocurre cuando solo se dispone de los momentos probabilistas de
primero y segundo ordene (k= 1; 2). pero, si el proceso es Gaussiano (es decir,
si las densidades marginales y conjuntas obedecen la ley normal), tal
Descripcin es equivalente a la densidad de probabilidad, debido a que la ley
Gaussiana puede ser especificada completamente por los dos primeros
momentos (Papoulis 1991). Si el proceso no es Gaussiano, la informacin de
primer y segundo orden es, de todas formas, relevante para la descripcin
aproximada de caractersticas del proceso tales como mximos esperados,
sobrepaso de umbrales,etc.

Modelos estocsticos derivados de espectros de respuesta

En vista de la importancia practica de los espectros de respuesta en el diseo
ssmico de estructuras, algunos autores se han esforzado en hallar relaciones
tericas entre la densidad espectral de potencia y el espectro de respuesta de
osciladores lineales, principalmente con el fin de generar acelerogramas
compatibles con ellos (Vanmarcke, 1976). El objetivo es calcular dicha funcin
a partir del espectro de velocidad mxima relativa Sv(!) correspondiente a un
sistema lineal de un grado de libertad excitado en la base, caracterizado por
una fraccin de amortiguamiento crtico y frecuencia natural !.
Dentro de los lmites de este trabajo no es posible exponer en detalle la
deduccin de la relacin propuesta entre el espectro de velocidad y la densidad
espectral de potencia. Nos limitaremos a decir que sus fundamentos tericos
son los siguientes:
1. La relacin estocsticas entrada-salida de sistemas lineales. De acuerdo con
ella, la densidad espectral de potencia de una respuesta de un sistema lineal
sencillo es igual al cuadrado del mdulo de la funcin de transferencia de la
respuesta multiplicado por la densidad espectral de la excitacin
2. La hiptesis de valor mximo de un proceso estocstico, realizada sobre
informacin probabilista de segundo orden, como la dada por la funcin de
autocorrelacin o la densidad espectral. Esta hiptesis esta basada en la teora
de cruce de niveles de procesos estocsticos.
La relacin es la siguiente:

G ( w ) dw
w
w S u2(w )

( s , p)
0
1
G ( w )=

w(
)
4 vs
2

Donde S es un factor de amortiguamiento modificado por la evolucin de la

respuesta desde cero hasta el estado estacionario en un tiempo s:

Vs=

v
1exp (2 vw)

Por otra parte, (s; p) es una funcin que relaciona el valor mximo probable de
la velocidad con su desviacin estndar. Es, por tanto, un valor dependiente de
la probabilidad de alcanzar ese mximo, p, y de la duracin que toma el
sistema en alcanzar la fase estacionaria, s:

4 Vsln (ln

w
( lnp
))

1exp
ws

lnp
2 ln
( s , p )=
Modelos estacionarios
Las primeras propuestas de modelos estocsticos de la accin smica
consideraban que para el anlisis estructural ser suficiente utilizar solamente
la parte ms fuerte de un acelerograma, correspondiente a las ondas de corte,
que normalmente son mayores en amplitud que las de compresin y las
superficiales. Consiguientemente, esta porcin se describir como un proceso
estacionario
Esta consideracin se basaba en gran medida en registros como el de Imperial
Valley - El Centro (1940) (figura 2) en el que puede observarse una parte
inicial ascendente, un intervalo corto subsiguiente de grandes amplitudes

Figura 2. Modelacin estocstica de la accin ssmica

Inicialmente una larga zona de ondas de amplitud decreciente. El

periodograma de esta seal se muestra en la Figura 2. Se puede ver que en su
sector mas importante hay una oscilacin alrededor de 100 cm2=s3, que
sugiere un ruido blanco limitado en banda como modelo grueso del sismo
(Bycroft 1960). En aos subsiguientes se propusieron modelos estacionarios
mas sofisticados de la fase fuerte de movimiento.
Una clase importante de procesos est formada por aquellos cuya estructura
probabilista no vara en el tiempo. Ms claramente, un proceso estacionario en
sentido estricto se define como aquel para el cual sus distribuciones
probabilistas permanecen inalteradas para una traslacin arbitraria t, del eje
de tiempo, o sea,

F ( x 1, x 2, .. ; t 1,t 2 . tm )=F ( x 1, x 2 . xm ; t 1+t , t 2+ .. t . tm+t )(5)

Haciendo t= t1 se puede ver que las distribuciones no dependen de la posicin
absoluta en el eje de tiempo sino del retraso temporal t solamente.
Para el caso especfico de la distribucin de primer orden (m = 1) no hay
dependencia temporal en absoluto, por lo cual los momentos del proceso sern
constantes:

E [ X 2 ( t ) ] =const ,i=1,2 (6)

Por su parte, los momentos de segundo orden dependern solamente de la
diferencia

t= t2 - t1 y en consecuencia

E [ X ( t 1 ) , X ( t 2 ) ]=E [ X (t ) X ( t+t ) ] =Rx (t) ,(7)

Por tanto, la funcin de auto-covarianza, definida como

{ X ( t 2 )(t 2) }

{X ( t 1 ) (t 1)}
( t 1,t 2 )=E

donde (ti) es la media del proceso en el tiempo ti ,

( t 1 )=E [ X ( ti ) ] i=1,2

se reduce a

( t 1, t 2 ) =Rx ( t ) 2 (9)
x

para t = t2 -t1.
La exigente condicin, mencionada anteriormente, para considerar un proceso
como estacionario en sentido estricto puede ser relajada para dar lugar a los
procesos estacionarios en sentido dbil. Estos se definen por las condiciones
siguientes: (a) los momentos de primer y segundo ordenes son constantes y (b)
la funcin de auto-correlacin depende solamente del retraso temporal, como
en la ecuacin (5). Como los procesos estacionarios en sentido estricto
cumplen estas condiciones, puede decirse que la estacioneidad en sentido
dbil no implica la estacioneidad en sentido fuerte. La nica excepcin la
constituyen los procesos Gaussianos, por estar definidos completamente por
los momentos de los dos primeros rdenes.

Modelos no estacionarios

Es un hecho ampliamente reconocido que los registros de sismos son

altamente
no estacionarios. Esto se debe a las diferencias en el tiempo de llegada y
frecuencia de sus ondas componentes. La accin ssmica puede ser modelada
estocsticamente como un proceso aleatorio no estacionario en dos formas:
1. Como un proceso uniformemente modulado, es decir un proceso
estacionario transformado en uno que es no estacionario nicamente en
amplitud.
La transformacin se realiza mediante una funcin determinista (t), cuyos
parmetros se estiman con base en registros reales
2. Como un proceso con una densidad espectral de potencia evolutiva, es
decir, como un proceso que no solamente varia en amplitud sino tambin en el
contenido frecuencial a lo largo del tiempo. La estimacin de los parmetros
del modelo a partir de registros existentes es, por supuesto, ms complicada
que en el caso previo.

Como se dijo anteriormente, un proceso aleatorio estacionario admite una

representacin espectral del tipo

00

X ( t )= e iwt dZ (w)
00

Donde Z es un proceso aleatorio con incrementos independientes que en

general debe ser representado en el campo complejo. Esta ecuacin indica que
cualquier proceso estacionario puede descomponerse en una suma infinita de
armnicos de amplitudes aleatorias, que pueden ser relacionados
estadsticamente con su frecuencia respectiva mediante una funcin aleatoria
que tenga una naturaleza espectral. Esta descomposicin constituye, de hecho,
el fundamento de la simulacin de procesos aleatorios continuos.En el caso de
procesos no estacionarios, sin embargo, no es posible representarlos como una
suma de funciones seno y coseno porque estas son completamente
estacionarias. Como la representacin espectral es atractiva tanto en sentido
terico (para clculos analticos) como prctico por el hecho de que el
espectro del proceso esta implcito en su definicin, algunos autores han
propuesto modelos no estacionarios basados en la representacin espectral. La
propuesta ms divulgada es la debida a Priestley (1981). Debido a que la
trasformada de Fourier de una funcin seno o coseno es un pulso de Dirac
ubicado en la frecuencia respectiva, mientras el de un armnico amortiguado
exponencialmente es una funcin Gaussiana centrada a su alrededor, Priestley
propuso interpretar esto _ultimo como la trasformada de Fourier de una onda
con amplitud evolutiva y, consiguientemente, desarrollo la teora de funciones
oscilatorias y de espectro evolutivo. La teora generaliza el concepto de
frecuencia y permite la conservacin del significado de densidad espectral en
el caso de procesos no estacionarios. En este trabajo, sin embargo, solo es
posible resumir brevemente la nocin de espectro evolutivo, el cual esta dado
por

Sx ( w , t )=[ ( w ,t ) ]2 Sy (w)
donde S es la densidad espectral de potencia de un proceso asociado Y (t) es
una funcin oscilatoria suave (en general, compleja) que controla la evolucin
del proceso tanto en amplitud como en frecuencia. Esta ecuacin es la base de
la representacin espectral de procesos no estacionarios propuesta por
Priestley
oo

X ( t )= ( w , t)eiwt dz(w)
oo

Que es posible si se cumplen algunas condiciones impuestas sobre ( t). Una

simplificacin ampliamente usada de este modelo es el de modulacion

uniforme, en que la funcin de modulacin es real e independiente de la

frecuencia, es decir

( w ,t )= (t)
Por lo cual controla nicamente la amplitud del proceso. La densidad espectral
evolutiva se reduce

Sx ( w , t )= ( t ) Sy (w)
Otro enfoque para la descripcin espectral de procesos no estacionarios se
debe a Bendat y Piersol (1971) quienes proponen describir el proceso por
medio de la funcin local de auto correlacin

( 2 ) X (t + 2t )

X t

Rx ( t )=E
Una densidad espectral de potencia dependiente del tiempo puede derivarse
como la transformada de Fourier
00

1
Sx ( w , t )=
e iwt Rx ( t ) dt

2 00
Se ha observado, sin embargo, que en el anterior modelo no siempre se
respeta la no negatividad que por definicin debe tener el espectro de potencia
(Priestley 1981).

Modelos con modulacin uniforme

Sea M(t) un proceso aleatorio estacionario Gaussiano con densidad espectral
de potencia GM. Una realizacin a(t) del proceso A(t) correspondiente a la
aceleracin de movimiento de terreno con la modulacin uniforme entonces
est dada por
a(t)= ( t ) m(t)
Donde m(t) es una realizacin de un proceso estacionario y (t)es una funcin
determinista que define la variacin de la amplitud en el tiempo. Segn la

teora de procesos no estacionarios, la densidad espectral de potencia del

proceso a(t) es
2

GA ( w , t ) = ( t ) Gm(w)

Simulacin de acelerogramas ssmicos

La simulacin sinttica de procesos estocsticos y, especficamente, de
acelerogramas ha sido un rea activa de investigacin desde el surgimiento de
computadoras rpidas. En la actualidad hay un espectro amplio de algoritmos
para ese propsito. La eleccin entre ellos depende de la informacin
disponible, las caractersticas que se pretenda dar a la seal, la eficiencia
computacional y la exactitud (Nigam y Narayanan 1994).
Esta restriccin se debe al hecho que en el caso Gaussiano el proceso esta
completamente definidos por la informacin estadstica de segundo orden.
Como esta dada indirectamente por la densidad espectral de potencia del
proceso, se tiene la certeza que las realizaciones asi obtenidas corresponden al
modelo probabilista. Esto no es vlido en el caso de procesos no Gaussianos,
los cuales requieren informacin espectral de mayor orden.

RUIDO BLANCO
Un importante proceso estocastico estacionario es el ruido blanco, W(t), que
puede definirse como un proceso que tiene una densidad espectral constante
sobre todo el eje de frecuencias, es decir,

Sw ( w )=const
lo que significa que a cada frecuencia se asocia una cantidad igual de energa
(lo que explica el termino \blanco"). La funcion de autocorrelacion se obtiene
por transformacin de Fourier, o sea

Rw=2 Sw(t)
Donde () es la funcin delta de Dirac. El significado de esta ecuacin es que
cualquier valor del proceso se correlaciona nicamente con su mismo. Si,
adems, el ruido es Gaussiano, este es completamente independiente de los
valores prximo o previo. Esta es, por supuesto, una situacin altamente
idealizada que es imposible encontrar en el mundo fsico. No obstante, el
proceso de ruido blanco es muy til en derivaciones tericas y el anlisis
practico de vibraciones
aleatorias y sus realizaciones se pueden simular por medio del algoritmo
siguiente (Clough y Penzien 1993; Nigam y Narayanan 1994):
1. Generar un conjunto de nmeros aleatorios con distribucin uniforme
fx1; x2; : : :xn en el rango [0; 1].
2. Hacer la transformacin

yi= 2lnxi cos 2 x i +1

y i+1= 2lnxisin 2 x i+1

3. Multiplicar todos los nmeros yi por la intensidad del proceso y asignarlos a

valores de tiempo igualmente espaciados a intervalos h.
Puede demostrarse que el proceso resultante tiende un ruido blanco segn la
figura 3 muestra una realizacin de un ruido blanco de S W = 1 obtenida de
esta manera. La importancia de ruido blanco en la mecnica yace en el hecho
que muchas cargas aleatorias (y, en general, muchos fenmenos naturales)
pueden modelarse o bien como ruido blanco o bien como la respuesta de filtros
lineales o no lineales a excitacin blanca.

Figura 3. Ruido blanco

Simulacin de ruido blanco filtrado

Hay, en general, dos de maneras de hacer este tipo de simulacin. La primera
consiste en generar una realizacin de un proceso blanco w(t) y luego calcular
la respuesta de los filtros resolviendo sus ecuaciones dinmica, que pueden
expresarse sucintamente como

L [ x ,t ] =w(t)
Donde L[] es el operador matemtico del filtro. La segunda tcnica se basa en
la di-densidad espectral de potencia del proceso, SX(). Las realizaciones
pueden ser generadas por el algoritmo (Shinozuka 1987): disponibilidad de una
expresin matemtica o emprica de la funcin de
M

x ( t )= 2 Sx ( wj) w cos ( wjt +t + j)

j=1

Donde la densidad espectral ha sido discretizada en M frecuencias, que tienen

un ngulo asociado de fase aleatorio j uniformemente distribuido entre 0 y 2.
Evidentemente,

w=

Wmax
M

Donde Wmax es la frecuencia mxima por dar a la seal, seleccionada sobre

consideraciones sismolgicas y estructurales. Las frecuencias j se asignan o
bien en medio de cada intervalo o bien aleatoriamente dentro suyo.
M

x ( t )= Zj cos ( wjt+ j)
j=1

2x =

1
Z 2j

Por otra parte, la varianza esta dada tambin por

00

2x = Sx ( w ) dw
00

Consiguientemente, se puede asignar a las amplitudes Zj el valor

Zj=2 Sx(wj) w
Puede demostrarse que la funcin de densidad de las seales x(t) obtenidas
por este mtodo tiende a la del proceso X(t) (Shinozuka 1987).

Al expresar el coseno en la ecuacin como la parte real de un exponencial

complejo, la simulacin puede ser efectuada mucho ms eficientemente por
medio de la transformada rpida de Fourier (Shinozuka y Lenoe 1976). De
hecho,

Sx ( wj ) w exp ( i j) xexp(iwjt)
2
M

j=1

x ( t )=R
que indica que x(t) puede calcularse como la parte real de la transformada
discreta de Fourier del conjunto complejo

2 Sx (wj) exp ( i j)

Simulacin de acelerogramas no estacionarios

La simulacin de realizaciones de procesos no estacionarios Gaussianos de
media nula caracterizados por una densidad espectral de potencia variable en
el tiempo SX(t) puede realizarse por una modificacin simple del algoritmo
anterior:
M

x ( t )= 2 Sx( wj , t) wcos (wjt+ j)

J =1

En el caso particular de procesos modelados segn el modelo evolutivo de

Priestley, es decir

Sx ( w , t )= ( t , w )2 Sy (w)
M

x ( t )= (t , w) 2 Sy (wj) w cos ( wjt + j )

j=1

La figura 4 muestra un acelerograma artificial generado por este mtodo

utilizando como base el espectro de diseo propuesto para Manizales por
Hurtado et al. (1995). Para darle el carcter no estacionario se utiliz la funcin
de modulacin de amplitudes de Amin y Ang (1966) con t1 = 2 s y c = 0:18. En
la _gura 2.9 aparece el espectro de velocidades dado junto con
el espectro del acelerograma sinttico. Puede verse que, para efectos
prcticos, las diferencias entre ambos espectros son poco significativas.
Figura 4 . acelerograma generado por mtodo no estacionario

La simulacin de acelerogramas segn el modelo de espectro instantneo

puede realizarse al resolver las ecuaciones de movimiento de los filtros
variables en el tiempo excitados por las realizaciones sintticas del ruido
blanco de fondo.
Correccin del acelerograma sinttico
La seal generada por el mtodo descrito presenta aun algunas deficiencias
que pueden ser fcilmente eliminadas o atenuadas. El error ms importante
corresponde al posible valor no nulo de la velocidad del terreno. Para esto se
puede emplear la misma tcnica usada en el caso de acelerogramas
registrados por medios analogicos. Esta consiste en una correccin parablica
de la lnea de base del acelerograma, donde los coeficientes de la correccin
son elegidos de manera tal que minimicen el valor cuadrtico medio de la
velocidad.

Si a(t) es un acelerograma obtenido mediante el procedimiento descrito, el

acelerograma corregido a0(t), tiene la forma:
2

1t
t
a ( t )=a ( t )+C 0+C
c 2( )
s
s

donde s es la duracion de la seal. La velocidad se obtiene integrando la

ecuacin anterior con condiciones iniciales nulas y los coeficientes c0, c1 y c2
se seleccionan de manera tal que el valor cuadrtico medio de _esta sea
mnimo en el intervalo [0; s]. Con todo esto se llega a la relacin:

( )

()

C0
300
900
630 b 0
C 1 =( 1800 5760 4200 ) b 1
C 2 1890 6300 4725 b 2

s
k3

bk=s

v ( t )t k+1 dt
0

K=0.1.2
Donde v(t) es la velocidad correspondiente a a(t).
Las integrales se pueden evaluar numricamente, bajo el supuesto de que la
aceleracin a(t) varia linealmente entre dos instantes de tiempo consecutivos.

Despus de esta correccin, la doble integracin de a0(t) proporciona las

velocidades y desplazamientos, respectivamente. Aunque normalmente las
funciones a(t) y a0(t) son muy similares, es importante la modificacin en la
velocidad v(t).

MAESTRIA EN INGENIERIA ESTRUCTURAL

INGENIERIA SISMICA
DISTRIBUCIONES PROBABILISTICAS DE LAS ORDENADAS ESPECTRALES

Nombre:
Diego Quiroga Moreno

Cochabamba - Bolivia