Está en la página 1de 38

ANALISIS GEOESTADISTICO PARA DETERMINACION DE LA

PROBABILIDAD DE ASENTAMIENTO DE LAS UNIDADES LITOLOGICAS EN


LA COMUNA 8 DEL MUNICIPIO DE SANJOSE DE CUCUTA

WILFRIDO MENESES GELVIS 1111918


LUIS ANDERSON RUEDA PEREZ 1111886

UNIVERSIDAD FRANCISCO DE PAULA SANTANDER


FACULTAD DE INGENIERA
PLAN DE ESTUDIOS DE INGENIERA CIVIL
SAN JOS DE CCUTA
GEOTECNIA II
2016
ANALISIS GEOESTADISTICO PARA DETERMINACION DE LA
PROBABILIDAD DE ASENTAMIENTO DE LAS UNIDADES LITOLOGICAS EN
LA COMUNA 8 DEL MUNICIPIO DE SANJOSE DE CUCUTA

WILFRIDO MENESES GELVIS 1111918


LUIS ANDERSON RUEDA PEREZ 1111886

Proyecto presentado como requisito para optar una nota en el tercer corte
de la asignatura Geotecnia II

Director:
CARLOS HUMBERTO FLREZ GNGORA
Ingeniero Civil

UNIVERSIDAD FRANCISCO DE PAULA SANTANDER


FACULTAD DE INGENIERA
PLAN DE ESTUDIOS DE INGENIERA CIVIL
SAN JOS DE CCUTA
GEOTECNIA II
2016
TABLA DE CONTENIDO

1. INTRODUCCION.
4

2. PLANTEAMIENTO DEL PROBLEMA.


5

3. FORMULACION DEL
PROBLEMA..6

4. OBJETIVOS.
7

4.1 OBJETIVO GENERAL.7


4.2 OBJETIVOS ESPECIFICOS...7

5. MARCO TEORICO..8

6. RESULTADOS.. 14

7. CONCLUSIONES. 30

8. RECOMENDACIONES 31

9. REFERENCIAS BIBLIOGRAFICAS..32
1. INTRODUCCION
El presente estudio muestra los datos recolectados a partir de informacin
secundaria, para el empleo y anlisis estadstico en la probabilidad de
asentamiento en la comuna 8 en la ciudad de San Jos de Ccuta. Se utilizaron
mtodos numricos de regresin lineal para imputar datos a travs de Mnimos
Cuadrados, para obtener un mejor ajuste a la curva de cada uno de los datos
faltantes y garantizar un mnimo error al completar datos.

Rubn (1987), sustenta que los procedimientos de imputacin mltiple (IM) deben
aplicarse en forma intensiva, pero no aclara que es altamente probable que en la
prctica no se satisfagan los supuestos en que se fundamenta su metodologa, ya
que es comn que el patrn de datos omitidos est asociado a las caractersticas
de la poblacin de referencia, lo cual invalida el supuesto de aleatoriedad en el
que se sustenta la tcnica IM, y que asume que la falta de informacin tiene una
distribucin aleatoria en la poblacin de referencia.

Entre los estadsticos existe consenso de que la mejor forma de enfrentar la falta
de respuesta es evitndola. No obstante, se reconoce que eliminarla es imposible,
por lo que toda vez que esta se presenta existen procedimientos para sustituir
informacin, pero bajo ninguna circunstancia es adecuado afirmar que una cifra
imputada es mejor que el dato observado. Est ampliamente documentado que las
unidades de observacin que no responden, pueden diferir en forma importante de
las que s lo hacen, lo cual induce a sesgos de estimacin (Medina F, Galvn M
2007).

En este trabajo, se aplica los conceptos de los datos faltantes para la estimacin
de la informacin inconclusa y poder predecir dichos valores. Es importante la
aplicacin de esta metodologa a la geoestadstica porque nos permite
parametrizar datos que en ocasiones los geotecnistas no calculan en los estudios
de suelos, lo cual desde el punto de ingeniera causa preocupacin al momento de
predecir asentamientos o capacidad de carga, que genera accidentes en
edificaciones y estructuras de gran importancia.

Despus de completar y recolectar la informacin se realiza el clculo de la


probabilidad de asentamientos por el Mtodo de Montecarlo.

4
2. PLANTEAMIENTO DEL PROBLEMA

La importancia de la caracterizacin de los suelos radica en el establecimiento de


criterios bsicos en la construccin y expansin de una ciudad. La zona a trabajar
en el proyecto cuenta con pocos estudios geotcnicos basados en la investigacin
del subsuelo, lo cual conlleva a que la gran mayora de proyectos constructivos no
estn cumpliendo con los requerimientos del ttulo H de la NSR-10 por lo cual las
estructuras no se encuentran debidamente preparadas ante un evento ssmico.

5
3. FORMULACION DEL PROBLEMA

Cul es la probabilidad de asentamiento elstico en los suelos de la comuna 8,


ubicada en el municipio de san Jos de Ccuta?

6
4. OBJETIVOS

4.1 OBJETIVO GENERAL


Emplear el mtodo de Montecarlo para determinar la probabilidad de asentamiento
en los suelos de la comuna 8 de la Ciudad de San Jos de Ccuta.

4.2 OBJETIVOS ESPECIFICOS

-Determinar los parmetros del suelo para el clculo de la capacidad admisible.


- Realizar una base de datos de parmetros de deformabilidad para los depsitos
de suelos de la comuna 8 a partir de informacin secundaria.
- Mediante simulacin de Montecarlo obtener valores de asentamiento para los
diferentes niveles de asentamientos de las unidades litolgicas.

7
5. MARCO TEORICO

5.1 MTODO DE CUADRADOS MNIMOS REGRESIN LINEAL.


Hemos enfatizado sobre la importancia de las representaciones grficas y hemos
visto la utilidad de las versiones linealizadas de los grficos (X, Y) junto a las
distintas maneras de llevar a cabo la linealizacin. A menudo nos confrontamos
con situaciones en las que existe o suponemos que existe una relacin lineal entre
las variables X e Y.
Surge de modo natural la pregunta: cul es la relacin analtica que mejor se
ajusta a nuestros datos? El mtodo de cuadrados mnimos es un procedimiento
general que nos permite responder esta pregunta. Cuando la relacin entre las
variables X e Y es lineal, el mtodo de ajuste por cuadrados mnimos se denomina
tambin mtodo de regresin lineal.
Observamos o suponemos una tendencia lineal entre las variables y nos
preguntamos sobre cul es la mejor recta:
y(x) = a x + b Ec(1)
Que representa este caso de inters. Es til definir la funcin:

x 2= ( yi ( a x i +b))2
i

Que es una medida de la desviacin total de los valores observados yi respecto de


los predichos por el modelo lineal a x + b. Los mejores valores de la pendiente a y
la ordenada al origen b son aquellos que minimizan esta desviacin total, o sea,
son los valores que remplazados en la Ec.(1) minimizan la funcinc2. Ec.(2). Los
parmetros a y b pueden obtenerse usando tcnicas matemticas que hacen uso
del clculo diferencial. Aplicando estas tcnicas, el problema de minimizacin se
reduce al de resolver el par de ecuaciones:

8
N
x iy i xi y i
d2 d 2 2
=0 y =0 N x 2i ( xi )
da db
a=

N
x 2i yi x i x iy i
2
N x2i ( x i )
b=

Actualmente, la mayora de los programas de anlisis de datos y planillas de


clculo, realizan el proceso de minimizacin en forma automtica y dan los
resultados de los mejores valores de a y b, o sea los valores indicados por las
ecuaciones.

Grfico de datos asociados a un modelo lineal. La cantidad yi - y(xi)


representa la desviacin de cada observacin de yi respecto del valor predicho por
el modelo y(x).
El criterio de mnimos cuadrados reemplaza el juicio personal de quien mire los
grficos y defina cul es la mejor recta. En los programas como Excel, se realiza
usando la herramienta regresin lineal o ajuste lineal. Los resultados se aplican
en el caso lineal cuando todos los datos de la variable dependiente tienen la
misma incertidumbre absoluta y la incertidumbre de la variable independiente se
considera despreciable (Regresin por mnimos cuadrados: lineal y cuadrtica,
s.f ).

9
MINIMOS CUADRADOS PARA DETERMINAR DATOS FALTANTES EN LA
CAPCIADAD AMISIBLE
A continuacin se da un ejemplo de cmo se calcul la capacidad admisible para
cada muestra incompleta por imputacin por regresin:
de Primero se elimin los datos faltantes y se empez a calcular la funcin
para determinar los datos faltantes
Se hall el coeficiente correlacin dando un valor muy cercano a uno

Se hall los coeficientes del polinomio de segundo grado, resolviendo un sistema


lineal de ecuaciones:

(n) ao + ( x i ) a1 + ( x 2i ) a2 = y i
( x i )a0 + ( x 2i ) a1 + ( x3i ) a2= x i y i
( x 2i ) a0 + ( x 3i ) a1 + ( x i4 ) a2= x 2i y i

Sistema de ecuaciones a partir de mnimos cuadrados;

1 28 79 a 81,
1, ,2 ,2 1 808
0 00 80 =
10
0
0
2 79 24 a 230
8, ,2 5, 1 ,60
2 80 13 = 1
0 6
0
7 24 82 a 717
9, 5, 4, 2 ,01
2 13 85 = 55
8 6 8
0

Aplicando Gauss Jordn se resuelve el sistema y da como resultando los


siguientes valores:

Se halla la desviacin para la muestra:

S y=
x Sr
n(m+ 1)

n=11
m=2

Coeficiente de correlacin:

Al observar la correlacin se concluye que los resultados esperados son


buenos porque nuestra correlacin esta prxima a la unidad.

La ecuacin a partir de esta regresin para capacidad admisible quedara:

2
q a=7,8322,9209q u+ 0,9854 qu

11
Los dems datos faltantes fueron imputados a travs de regresin, ya fuese lineal
o mltiple.

5.2 DISTRIBUCIN NORMAL

Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas.


Su propio nombre indica su extendida utilizacin, justificada por la frecuencia o
normalidad con la que ciertos fenmenos tienden a parecerse en
su comportamiento a esta distribucin.

Muchas variables aleatorias continuas presentan una funcin de densidad cuya


grfica tiene forma de campana. En otras ocasiones, al considerar distribuciones
binomiales, tipo B(n,p), para un mismo valor de p y de valores de n cada vez
mayores, se ve que sus polgonos de frecuencias se aproximan a una forma en
forma de campana. En resumen, la importancia de la distribucin normal se debe
principalmente a que hay muchas variables asociadas a fenmenos naturales que
siguen el modelo de la normal.

- Caracteres morfolgicos de individuos (personas, animales, plantas,) de una


especie.

Por ejemplo: tallas, pesos, envergaduras, dimetros, permetros,


- Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco, o
de una misma cantidad de abono.
- Caracteres sociolgicos, por ejemplo: consciente intelectual, grado de adaptacin
a un medio.
- Errores cometidos al medir ciertas magnitudes.
- Valores estadsticos maestrales, por ejemplo: la media.
- Otras distribuciones como la binomial o la Poisson son aproximaciones normales.
Y en general cualquier caracterstica que se obtenga como suma de mucho
factores.

Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su


propio nombre indica su extendida utilizacin, justificada por la frecuencia o
normalidad con la que ciertos fenmenos tienden a parecerse en su

12
comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya
grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un
mismo valor de p y valores de n cada vez mayores, se ve que sus polgonos de
frecuencias se aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribucin normal se debe principalmente a que
hay muchas variables asociadas a fenmenos naturales que siguen el modelo de
la normal.
Caracteres morfolgicos de individuos (personas, animales, plantas,) de
una especie, p. ejm. Tallas, pesos, envergaduras, dimetros, permetros

Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un


frmaco, o de una misma cantidad de abono.

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un


mismo grupo de individuos, puntuaciones de examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de


adaptacin a un medio

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos maestrales, por ejemplo: la media.

Otras distribuciones como la binomial o la de Poisson son aproximaciones


normales.

Y en general cualquier caracterstica que se obtenga como suma de muchos


factores.

5.3 FUNCIN DE DENSIDAD

13
Empleando clculos bastante laboriosos, puede demostrarse que el modelo de la
funcin de densidad que corresponde a tales distribuciones viene dando por la
frmula

Funcin De Una Distribucin

Puede tomar cualquier valor (- ,+ )

Son ms probables los valores cercanos a uno central que llamados media

Conforme nos separamos de ese valor , la probabilidad va decreciendo


de igual forma a derecha e izquierda (es simtrica).

Conforma nos separamos de ese valor , la probabilidad va decreciendo


de forma ms o menos rpida dependiendo de un parmetro s , que es la
desviacin tpica (Moreno A, s.f)

14
6. RESULTADOS

DISTRIBUCIONES PARA LOS DIFERENTES PARAMETROS A EMPLEAR

15
16
17
MODULO DE POISSON ()

Lmite Inferior

0,300

0,32

0,35

0,38

0,41

Valor
0,450
maximo=
Valor
0,300
minimo=
Rango= 0,150
n= 23,000

18
#
Intervalos= 5,000
Amplitud= 0,030
PROMEDIO 0,347

VS Distribucin
9.000000
8.000000
7.000000
6.000000
5.000000
4.000000
3.000000
2.000000
1.000000
0.000000

19
TABLA DE DISTRIBUCIN CON DATOS ALEATORIOS ()

HUMEDAD (Xi ) f Fi hi f%
Distribucin
Limite Inferior Limite Superior Normal
0,13 0,1
0,300 0,320 0,310 139,00 139,000 9 4 0,0012995
0,74 0,8
0,320 0,350 0,335 742,00 881,000 2 8 0,0012995
0,00 0,8
0,350 0,380 0,365 0,00 881,000 0 8 0,0012995
0,06 0,9
0,380 0,410 0,395 60,00 941,000 0 4 0,0012995
1000,00 0,05 1,0
0,41 0,45 0,43 59,00 0 9 0 0,0012995
Valor Medio () 0,37
DESVIACION ESTANDAR 306,988

PROMEDI
O 0,3410
1000,000
n 0
MAX 0,4300

20
MIN 0,3100
RANGO 0,1200
#INTERVA
LOS 5,0000
0,010909
AMPLITUD 091

vs Distribucin
0.0013048
0.0013048
0.0013048
0.0013048
0.0013048
0.0013048
0.0013048
0.0013048
0.0013048
0.0013048
0.0013048
0.0013048

21
CAPACIDAD ADMISIBLE (qa)

TABLA DE DISTRIBUCIN DE DATOS (qa)

qa Distribuci
(Xi ) f Fi hi f% n
Limite Inferior Limite Superior Normal
0,13 0,1
1,100 1,690 1,395 3,00 2,000 0 3 0,189710
11,00 0,39 0,5
1,69 2,290 1,99 9,00 0 1 2 0,343834
17,00 0,26 0,7
2,29 2,89 2,59 6,00 0 1 8 0,420519
20,00 0,13 0,9
2,89 3,49 3,19 3,00 0 0 1 0,344752
21,00 0,08 1,0
3,49 4,100 3,795 2,00 0 7 0 0,188198

22
TOTAL 23
Desviacin estndar 0,948687251
MEDIA 2,592

Valor
4,100
maximo=
Valor
1,100
minimo=
Rango= 3,000
n= 23,000
#
Intervalos= 5,000
Amplitud= 0,600
PROMEDIO 2,448

23
qa VS Distribucin
0.450000
0.400000
0.350000
0.300000
0.250000
0.200000
0.150000
0.100000
0.050000
0.000000

24
TABLA DE DISTRIBUCIN CON DATOS ALEATORIOS (qa)

(Xi ) f Fi hi f%
(qa) Distribucin
Lmite Inferior Limite Superior Normal
0,14 0,1
1,100 1,690 1,395 144,00 144,000 4 4 0,0022814
0,39 0,5
1,690 2,290 1,990 390,00 534,000 0 3 0,0022814
0,00 0,5
2,290 2,890 2,590 0,00 534,000 0 3 0,0022814
0,37 0,9
2,890 3,490 3,190 376,00 910,000 6 1 0,0022814
1000,00 0,09 1,0
3,49 4,10 3,80 90,00 0 0 0 0,0022814
Valor Medio () 2,59
DESVIACION ESTANDAR 174,866

PROMEDI
O 2,5173
1000,000
n 0
MAX 3,7950
MIN 1,3950
RANGO 2,4000

25
#INTERVA
LOS 5,0000
0,218181
AMPLITUD 818

qa vs Distribucin
0.0022814
0.0022814
0.0022814
0.0022814
0.0022814
0.0022814
0.0022814
0.0022814
0.0022814
0.0022813

26
MODULO DE ELASTICIDAD (E)

TABLA DE DISTRIBUCIN DE DATOS (E)

E Distribuci
(Xi ) f Fi hi f% n
Lmite Inferior Limite Superior Normal
19,00 0,82 0,8
100,000 579,990 339,995 19,00 0 6 3 0,000236
21,00 0,08 0,9
579,99 1059,990 819,99 2,00 0 7 1 0,000430
21,00 0,00 0,9
1059,99 1539,99 1299,99 0,00 0 0 1 0,000526
22,00 0,04 0,9
1539,99 2019,99 1779,99 1,00 0 3 6 0,000430
23,00 0,04 1,0
2019,99 2500,000 2259,995 1,00 0 3 0 0,000236
TOTAL 23
Desviacin estndar 758,9466384
MEDIA 1299,992

27
Valor 2500,00
mximo= 0
Valor
100,000
mnimo=
Rango= 2400,000
n= 23,000
#
Intervalos= 5,000
Amplitud= 480,000
PROMEDIO 428,611

28
E VS Distribucin
0.000600

0.000500

0.000400

0.000300

0.000200

0.000100

0.000000
339.995 819.99 1299.99 1779.99 2259.9949999999999

29
TABLA DE DISTRIBUCIN CON DATOS ALEATORIOS (E)

(E) (Xi ) f Fi hi f%
Distribucin
Limite Inferior Limite Superior Normal
0,82 0,8
100,000 579,990 339,995 829,00 829,000 9 3 0,0000280
0,08 0,9
579,990 1059,990 819,990 88,00 917,000 8 2 0,0004484
0,00 0,9
1059,990 1539,990 1299,990 0,00 917,000 0 2 0,0011302
0,04 0,9
1539,990 2019,990 1779,990 43,00 960,000 3 6 0,0004484
1000,00 0,04 1,0
2019,99 2500,00 2260,00 40,00 0 0 0 0,0000280
Valor Medio () 1299,99
DESVIACION ESTANDAR 352,999

PROMEDI
O 519,2136
1000,000
n 0
2259,995
MAX 0
MIN 339,9950
1920,000
RANGO 0

30
#INTERVA
LOS 11,0000
174,5454
AMPLITUD 545

Es vs Distribucin
0.0012000

0.0010000

0.0008000

0.0006000

0.0004000

0.0002000

0.0000000
339.995 819.99 1299.99 1779.99 2259.9949999999999

31
ASENTAMIENTOS ()

TABLA DE DISTRIBUCIN CON DATOS ALEATORIOS ( )


ASENTAMIENTOS
(Xi ) f Fi hi f%
Distribuci
Lmite Inferior Limite Superior n Normal
133,00000 133,00000 0,13 0,13 14,965905
0,00501
0,00119 0,00882 0 0 30 3 91
146,00000 279,00000 0,14 0,27 26,849827
0,01264
0,00882 0,01646 0 0 60 9 85
334,00000 613,00000 0,33 0,61 32,625286
0,02027
0,01646 0,02409 0 0 40 3 73
651,00000 0,03 0,65 26,849827
0,02791 38,000000
0,02409 0,03172 0 80 1 85
349,00000 1000,0000 0,34 14,209204
0,03604 1
0,03172 0,04036 0 00 90 03
1000,0000
TOTAL 00

32
Valor Medio () 0,02
Desviacin estndar 0,01222801
Varianza 0,00014952

B= 1
ALFA= 4
n= 1000
MAX= 0,04036
MIN= 0,00219
INTERVALO
S 5
RANGO 0,03817
PROMEDIO 0,02309
0,007633
AMPLITUD 03

33
Asentamiento vs Distribucion
5.0084574000061662E-3 2.0274507425297256E-2 3.6040557450588345E-2
1.264148241265171E-2 2.7907532437942802E-2
35 35
30 30
25 25
20 20
15 15
10 10
5 5
0 0

34
7. CONCLUSIONES

35
8. RECOMENDACIONES

36
9. REFERENCIAS BIBLIOGRAFICAS

- Medina F, Galvn M (2007). Imputacin de datos: teora y prctica. Unidad


de Estadsticas Sociales de la Divisin de Estadstica y Proyecciones
Econmicas de la Comisin Econmica para Amrica Latina y el Caribe
(CEPAL). .

- Garcia W (2008). Anlisis geo estadstico y probabilstico de la


compresibilidad de un deposito lacustre. Universidad Nacional de Colombia.

- Bueno Y (2010). Mapa de caracterizacin mecnica de las unidades


litolgica de San Jos de Ccuta. Tesis de Ingeniera civil. UFPS.

- Sarmiento M (2007). Metodologa para la microzonificacin ssmica de la


ciudad de San Jos de Ccuta, Colombia. Tesis de Ingeniera civil. UFPS.

- Lozano C (2008). Anlisis y tratamiento de seales de fuentes sismo


gnicas de campo cercano a San Jos de Ccuta, Colombia. Tesis de
Ingeniera civil. UFPS.

- Torres C (2007). Valoracin del riesgo en deslizamientos. Tesis ingeniera


civil. Universidad Ricardo Palma. Lima, Per.

- Gordon A (1997). Probabilistic Methods in Geotechnical Engineering.


Workshop presented at ASCE GeoLogan97 Conference, Logan, Utah.

- Gomez F , Rodriguez G, Ledezma F simulacin de montecarlo en


ingeniera geotcnica, y su aplicacin en el anlisis de riesgos.
Departamento de ingeniera civil, facultad de ciencias y tecnologa,
universidad mayor de san simn.

- Medina F, Galvan M (2007) Imputacin de datos, teora y practica, CEPAL


divisin de estadstica y proyecciones econmicas

- Faulin J, Juan A. Simulacin de Montecarlo con Excel

- Raychaudhuri S. Introduccin to Montecarlo simulation

- Moreno A,(s.f) Distribucion normal, recuperado de


http://www.monografias.com/trabajos10/dino/dino.shtml

- Torres W, (2016) Control de asentamientos en construcciones y


edificaciones. Trabajo de Grado. Universidad Catlica de Colombia.
Facultad de Ingeniera. Programa de Ingeniera Civil. Bogot, Colombia.

37
- Ibarra L (2014) Anlisis del asentamiento de pilotes individuales mediante el
uso de modelacin numrica. Trabajo de Grado. Universidad Catlica de
Colombia. Facultad de Ingeniera. Programa de Ingeniera Civil. Bogot,
Colombia.

- Largo C, (2014) Balance de asentamientos diferenciales presentes en


edificacin con cimentaciones sobre pilotes. Trabajo de grado Universidad
de Cartagena. Facultad de ingeniera. Programa de ingeniera civil.
Cartagena Colombia

- Rivera J, Brizuela L, Oviedo M, Das Neves, G (2015) Probabilidades de


beneficio en la cotizacin del suministro de mezcla asfltica mediante
simulacin de Monte Carlo. Revista cubana de ingeniera.

- Azofeifa C, (2002) Aplicacin de la simulacin Monte Carlo en la


administracin de proyectos utilizando Excel y @Crystal Ball. Escuela de
matemticas Universidad Nacional de Heredia Costa Rica.

- Aparicio A, (2007) Mtodo Montecarlo de simulacin recuperado de


http://www.excelavanzado.com/2007/05/mtodo-monte-carlo-de-
simulacin.html.

- Regresion por minimos cuadrados: lineal y cuadrtica, (s.f)


https://sites.google.com/site/numerictron/unidad-4/4-3-regresion-por-
minimos-cuadrados-lineal-y-cuadratica

38