Cap2 PDF

Tema 2 Variables Aleatorias
Introducción
El análisis estructural consiste en determinar la forma en que se comporta una
estructura hecha de un material específico ante un sistema de cargas dado, el estudio
considera que el comportamiento de la estructura es satisfactorio si cumple con una serie de
requisitos estipulados por las normativas de cada país que garantizan la seguridad de la
estructura. Estas normativas buscan evitar la posibilidad de falla producto de la
combinación de factores que inciden en el diseño o construcción de la obra o en ambos.
Los estudios de Confiabilidad Estructural consisten en determinar si una estructura

puede estar en condiciones satisfactorias (debajo de un estado límite definido) o por el
contrario en condiciones no satisfactorias o de falla (encima de un estado límite definido).
Para lograr el objetivo planteado la confiabilidad estructural mide la seguridad de una
estructura, determina el grado de seguridad necesario y proporciona herramientas para
establecer el óptimo nivel de seguridad para una estructura.
La condición de la estructura encuentra en la teoría de las probabilidades la mejor

forma de expresar la posición con respecto al estado límite, dada la naturaleza variable de
las cargas y propiedades de los materiales usados, los términos de las probabilidades
indican la condicione satisfactoria o no de una estructura. El enfoque probabilístico es
empleado en el diseño de estructuras de concreto armado y acero1, porque considera las
variables que intervienen en el diseño como aleatorias ya que existe incertidumbre al
estimar la máxima carga que se va a aplicar, la resistencia de los materiales, factores
constructivos que la afectan, errores del método de análisis, dificultad de predecir
fenómenos naturales, etc… Las incertidumbres planteadas se clasifican en dos tipos según
su origen:
• Causa natural: donde se incluyen las magnitudes de todos los tipos de carga y las
propiedades de los materiales de construcción.
• Causa humana: donde se incluyen los errores de cálculo, falta de conocimientos
sobre alguna falla no estudiada lo suficiente y errores constructivos.
Debido a las consideraciones de incertidumbre en los parámetros del análisis

estructural, las variables se tratan como aleatorias y se hace imprescindible para iniciar el
estudio de confiabilidad estructural realizar una revisión de los principios de la estadística y
probabilidad pertinentes. (Nowak y Collins, 2000).
1
Diseño denominado diseño por Estados Limites o diseño por factores de carga y resistencia (LRFD
según las siglas en ingles).
Facultad de Ingeniería
Universidad de Los Andes, Venezuela
Confiabilidad Estructural Prof. Jorge O. Medina M.
Definiciones básicas de estadística y probabilidad
Todos los fenómenos de la naturaleza presentan dispersión en los resultados y la teoría
de las probabilidades es la rama de las matemáticas que contempla esta tendencia porque
trata la incertidumbre en los resultados considerando las variables como aleatorias, así los
modelos son probabilísticos porque consideran el error que existe al realizar la estimación
de un parámetro con un valor numérico de esta posibilidad o probabilidad.
Como resultado de la teoría nunca podrá predecirse completamente el comportamiento

de un modelo, más bien se considera la posibilidad de ocurrir. De esta forma se indica en
esta sección el concepto de probabilidad y las reglas básicas para el cálculo de las
probabilidades. (Benjamin y Cornell, 1981; Chou, 1972).
Espacio muestral y suceso

Se denomina espacio muestral (Ω) al conjunto de todos los posibles resultados de un
experimento, mientras que un suceso (E) en un subconjunto del espacio muestral. Por
ejemplo al realizar ensayos en n cilindros de concreto (x1, x2, x3,…,xn), el espacio muestral
es {Ω}={ x1, x2, x3,…,xn} y un suceso2 o evento E1 de este espacio muestral sería el
conjunto de valores de rotura por debajo de 100 kgf/cm2, E2 el conjunto de valores de rotura
del cilindro entre 100 y 150 kgf/cm2 y así sucesivamente hasta cubrir los n resultados de los
ensayos.
Axiomas de probabilidad
La probabilidad de que un suceso ocurra debe satisfacer las siguientes tres
condiciones.
Axioma I
La probabilidad de un suceso es un número mayor o igual a cero pero menor o igual a

la unidad.
0 1 (1)
Axioma II
La probabilidad de un suceso seguro o probabilidad del espacio muestral es la unidad.
Ω 1 (2)
2
Por lo general se expresa como un rango.
Axioma III
La probabilidad de un suceso que sea la unión de de dos sucesos mutuamente

excluyentes, es la suma de las probabilidades de los dos sucesos.
(3)
Los sucesos mutuamente excluyentes se refieren cuando la ocurrencia de un suceso

excluye la circunstancia de que los demás ocurran, por ejemplo un espacio muestral
conformado por M sucesos n1, n2, n3,… nM.
.
1 (4)
Variables aleatorias
Se llama variable aleatoria a una magnitud cuyo valor no puede predecirse con certeza
antes de que ocurra, por lo tanto su comportamiento se caracteriza mediante las leyes de
probabilidades; para describirla se emplea una función o distribución de probabilidades que
define los sucesos3. Se denota con una letra mayúscula, por ejemplo la variable aleatoria X
y la función X(E) indica la magnitud de ocurrir del suceso E de la variable X.
Un clásico ejemplo de variable aleatoria es el resultado de los ensayos en cilindros de

concreto provenientes de una construcción, ya que para las mismas condiciones de
producción, los resultados son diferentes y al analizar la dispersión en los ensayos se
encuentra que siguen un patrón indicado por las leyes de probabilidades, por lo que se
puede caracterizar por una función de probabilidades.
Las variables aleatorias se dividen en dos tipos: discretas y continuas, las cuales se
representan por una función discreta masa de probabilidades (FMP) que se denota por pX(x)
o por una función de densidad de probabilidades (FDP)4 que se denota como fX(x) y
función de distribución acumulada (FDA)5 que se denota como FX(x). (Benjamin y Cornell,
1981; Miller, Freund y Johnson, 1992; Kennedy y Neville, 1982).
Función discreta masa de probabilidades (FMP)
Cuando los valores que puede tomar una variable aleatoria están restringidos a
números enteros, la variable se llama discreta y se presenta en la forma de una función
masa de probabilidades (FMP) y se define como pX(x)= probabilidad de que una variable
aleatoria discreta X sea igual a un valor especifico x entero.
3
Las distribuciones se emplean de forma similar a las funciones matemáticas como x2, log(x), etc.
4
FP se aplica a las variables aleatorias discretas y FDP para el caso de variables aleatorias continuas.
La FP proporciona la probabilidad de ser igual a un valor dado de la variable aleatoria mientras que FDP
proporciona la frecuencia estandarizada (f/n) para un valor dado de la variable aleatoria.
5
Función que proporciona la probabilidad por debajo o igual a un valor dado de la variable aleatoria o
probabilidad acumulada.
La FMP se representa por lo general con un diagrama de barras (véase Figura 1),
donde la altura es proporcional a la probabilidad de que la variable tome ese valor. Por
ejemplo en la Tabla 1 se indica el número de vehículos que transitan en un puente
simultáneamente, siendo pX(x) la probabilidad de encontrar la cantidad de número de
vehículos en el puente, la Figura 1 representa en diagrama de barras la FMP de las pX
señaladas en la Tabla 1.
Tabla 1. Ejemplo de valores de una Función discreta masa de probabilidades.
x pX(x) FX(x)
1 0,17 0,17
2 0,25 0,42
3 0,17 0,59
4 0,17 0,76
5 0,12 0,88
6 0,12 1,00
0.3 1.2
0.25 1
0.2 0.8
0.15 0.6
0.1 0.4
0.05 0.2
0 0
1 2 3 4 5 6
FMP FDA
Figura 1. Variable aleatoria discreta representada por la función de densidad y la

función de distribución acumulada.
Función de densidad de probabilidades (FDP)
Cuando los valores que puede tomar una variable aleatoria no quedan restringidos a
números enteros, puede tomar cualquier valor del eje de los números reales, esta variable se
denomina continua y es representada en la forma de una función de densidad de
probabilidades (FDP). La FDP se distingue por una línea continua como se indica en la
Figura 2. Cabe destacar que esta distribución se adapta a la mayoría de los problemas
relacionados con la confiabilidad estructural.
Función de distribución acumulada (FDA)
Una forma equivalente de representar las distribuciones de probabilidades, es mediante

una función de distribución acumulada (FDA), la forma es validas tanto para variables
aleatorias discretas como continuas. Se define como la suma (variables aleatorias discretas)
o integral (variables aleatorias continuas) de todas las probabilidades menores o iguales a x
y la Ecuación 4 simboliza la definición. Gráficamente se representa por una línea
ascendente tal como se indica en las Figuras 1 y 2.
∑
(5)
0.025 1.2
0.020 1.0
0.8
0.015
0.6
0.010
0.4
0.005 0.2
0.000 0.0
FDP FDA
Figura 2. Variable aleatoria continua representada por la función de densidad y

la función de distribución acumulada.
Figura 3. Representación gráfica de las propiedades de FDA

Propiedades de las funciones de probabilidades (FDA, FDP, FMP)
1. La definición de FDA es aplicable para variables aleatorias discretas como

continuas.
2. La FDA es una función positiva, ascendente cuyos valores oscilan entre 0 y 1.
3. Si x1<x2, entonces FX(x1)<FX(x2).
4. FX(-∞)=0 y FX(∞)=1.
5. Para FDP la probabilidad entre dos valores se determina según la Ecuación 5 y el
significado grafico se indica en la zona sombreada de la Figura 4. (Benjamin y
Cornell, 1981; Nowak y Collins, 2000).
(6)
Figura 4. Representación gráfica de la Ecuación 5.
Reducción de datos
Una manera útil de representar los datos es mediante histogramas de frecuencias, el
cual es un gráfico donde se representa la distribución de frecuencia de cada clase con una
barra. El gráfico da una visión de la amplitud de los datos, la mayor frecuencia, la
dispersión alrededor de los valores centrales. Otra representación gráfica de los datos es la
distribución de frecuencias acumuladas, la cual se obtiene al sumar las frecuencias hasta la
clase considerada, estos puntos se unen por lo general con una línea recta. (Benjamin y
Cornell, 1981; Kennedy y Neville, 1982).
El procedimiento para realizar la distribución de frecuencias consiste en:
1. Decidir cuantas clases se van a utilizar para agrupar los datos (por lo general debe
ser mayor de 5 y menor de 15), estos depende de la diferencia entre el máximo y
mínimo del grupo de valores el cual se denomina rango (d). Un valor práctico es el
sugerido en la Ecuación 1 por Sturges,
1 3,3log (7)
donde,
k ≡ número de intervalos,
n ≡ número de datos.
2. elegir los límites de cada clase,

3. determinar el número de datos que pertenecen a cada clase (frecuencia).
Parámetros de las variables aleatorias

Los parámetros son medidas que caracterizan una variable aleatoria y representan el
conjunto de datos del espacio muestral de los valores que puede tener la variable.
Media de X
La media es la principal medida de tendencia central del espacio muestral. Es similar

al concepto de centro de gravedad de un área, se distingue por μX para la media poblacional
mientras que indica la media de la muestra. La media se define como la suma de todos
los datos dividida entre el total de los datos, se expresa de las siguientes formas:
∑
(8)
∞
(9)
∞
donde,
≡ media aritmética de la muestra,
μX ≡ media aritmética de la población,
xi ≡ valor del dato,
n ≡ número de datos.
Esperanza de X
El valor esperado se denota por E(X) y es igual a la media de la variable (μX), de tal
forma que los dos nombres se emplean para designar al mismo valor.
(10)
∑
Varianza de X
El empleo de un solo valor para representar un conjunto de datos es insuficiente, ya

que el espacio muestral presentan diferencias con respecto al valor central. Es por ello que
se debe medir la dispersión de los datos con respecto al valor central para así obtener una
descripción más precisa del conjunto de datos. Cabe destacar que las medidas de dispersión
son el parámetro más importantes de un conjunto de datos, porque representa la
variabilidad de los datos
La varianza es la medida de dispersión más representativa y se define como el
promedio de las diferencia de los valores con respecto a la media elevados al cuadrado. Se
distingue por para la varianza poblacional mientras que s2 indica la varianza de la
muestra.
∑
(11)
(12)
donde,
s2 ≡ varianza del conjunto de datos,
≡ varianza de la población.
Desviación estándar de X
La medida más importante de dispersión es la desviación estándar porque en contraste

con la varianza que eleva la diferencia al cuadrado para evitar los valores negativos de la
diferencia, hace que el valor no se pueda relacionar con la media debido al cuadrado de las
unidades que tiene la variable. La desviación estándar se define como la raíz cuadrada de la
varianza.
∑
(13)
(14)
donde,
s ≡ desviación estándar de la muestra,
σX ≡ desviación estándar de la población.
Factor de sesgo de X
El factor de sesgo es una medida que relaciona el valor nominal o valor del diseño
empleado en el análisis estructural con la media de dicha variable que se considera como
aleatoria. Este factor relaciona los valores del diseño con la incertidumbre que se considera
tiene el parámetro de cálculo.
(15)
donde,
λX ≡ Factor de sesgo de X,
x ≡ Valor nominal de la variable aleatoria X.
Coeficiente de variación de X
El coeficiente de variación es una medida adimensional y compara la media con la

desviación estándar, representa la dispersión de los datos de forma porcentual6.
(16)
donde,
V ≡ Coeficiente de variación.
Forma estándar
Para una variable aleatoria X. La forma estándar denotada por Z, está definida por
(17)
Esta forma tiene la propiedad que μZ=0 y =1. (Chou, 1972; Benjamin y Cornell,
1981; Nowak y Collins, 2000).
Ejemplo 1
Los siguientes valores son el resultado del ensayo de cilindros de concreto

273,7 306,7 280,8 317,6 290,3 313,9
294,2 305,5 306,9 264,6 290,1 270,2
Número de ensayos 12
Número de clases 4,6 1+3,3*LOG(n)
Max 317,61
Min 264,61
Intervalo de clase 10,8 (Max-Min)/Numero de clases
Clase f fa
264,60 275,40 3 3
275,41 286,20 1 4
286,21 297,00 3 7
297,01 307,80 3 10
307,81 318,60 2 12
⁻fc 292,9 Media suma(datos)/Número de Ensayos
2
s fc 313,2 Varianza (suma(datos-media))2/Número de Ensayos
sfc 17,7 Desviación estándar Raiz (Varianza)
λfc 1,4 Factor de Sesgo Media/nominal
Coeficiente de
Vfc 6,0% Variación Media/Desviación
6
El porcentaje es la forma más común de expresar el coeficiente de variación.
3.5 14
3 12
2.5 10
2 8
fa
f
1.5 6
1 4
0.5 2
0 0
275.40 286.20 297.00 307.80 318.60
264.60 275.41 286.21 297.01 307.81

Fc
Figura 5. Histograma de Frecuencia del ejemplo 1
Distribuciones usadas en Confiabilidad Estructural

Cualquier variable aleatoria se define bien sea por FMP o por FDP según sea el tipo,
esta deberían ajustarse a las siguientes distribuciones que son las más empleadas en los
análisis de confiabilidad: Uniforme, normal, lognormal, gamma, extrema tipo I, extrema
tipo II, extrema tipo III y poisson. Brevemente se describirá cada una de ellas.
Uniforme
Esta distribución se aplica para los casos donde todos los valores tienen la misma
probabilidad de ocurrir dentro de un intervalo [a, b]. Es una función con muchas
aplicaciones en los problemas de confiabilidad.
f(x)
F(x)
f(x)
F(x)
a b
Figura 6. FDP y FDA de distribución uniforme
(18)
0
0 (19)
0
; (20)
Normal
La distribución normal es probablemente la distribución más importante en la

confiabilidad estructural, es una función donde los valores cercanos a la media tienen
mayor probabilidad de ocurrir, mientras los que están alejado tiene poca probabilidad de
ocurrir.
(21)
√
donde,
µx ≡ media de X,
σx ≡ desviación estándar de X,
fX(x)
FX(x)
Figura 7. FDP y FDA de distribución normal
La ecuación 19 no tiene integral definida por lo que para obtener la FDA, se emplean
tablas de forma estándar con μZ= 0 y = 1.
(22)
= = ; (23)
√
Φ = (24)
donde,
Ζ ≡ variable normal estándar,
φ ≡ función de densidad de probabilidad normal,
Φ ≡ función acumulada de probabilidad normal. (Nowak y Collins, 2000)
Log Normal
Una variable aleatoria X, es log normal si la variable Y=ln(X) posee las características
de una distribución normal, esta distribución está definida solo para valores positivos
(x 0). Las expresiones de f(x), F(x), μX y σX son:
= ; =Φ (25)
(26)
Si Vx 0,20 ln 1 ; ln - (27.a)
Si Vx 0,20 ; ln (27.b)
F(x)
f(x
f(x)
Figura 8. FDP y FDA de distribución log normal
1.20
1.00
0.80
k=1
f(x)
0.60 k=2
k=3
0.40
0.20
0.00
0 1 2 3 4 5 6
Figura 9. FDP y FDA de distribución gamma
Gamma
La distribución Gamma es útil para modelar la carga viva sostenida, las expresiones de
f(x), F(x), μX y σX son:
,
para x 0 ; (28)
!
; = (29)
Extrema tipo I
La distribución Extrema Tipo I es útil para modelar la naturaleza probabilística de los

valores extremos de fenómenos relacionados con el tiempo, por ejemplo durante un año
existirá un máximo valor de un fenómeno dado (velocidad del viento), las expresiones de
f(x), F(x), μX y σX son:
= (30)
= ; (31)
,
; (32)
√
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
‐4.00 ‐2.00 0.00 2.00 4.00 6.00 8.00 10.00
Figura 10. FDP y FDA de distribución extrema tipo I
Extrema tipo II
La distribución Extrema Tipo II es útil para modelar la máxima carga sísmica, las
expresiones de f(x), F(x), μX y σX son:
⁄ ⁄
; = (33)
Γ 1 k>1; (34)
Γ 1 Γ 1 k>2
Γ 1 2 (35)
1
Γ 1 1
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6
Figura 11. FDP y FDA de distribución extrema tipo II
1.2
0.8
β=1
0.6 β=0,5
β=2
0.4
0.2
0
0 1 2 3 4 5 6
Figura 12. FDP y FDA de distribución tipo III
Extrema tipo III (Weibull)
Esta distribución está definida por tres parámetros, y está definida por dos funciones
diferentes según los valores.
para x≤w (36)

Γ 1 ; Γ 1 Γ 1 (37)
(38)
para x≥ε
Γ 1 ; (39)
Γ 1 Γ 1
Poisson
La distribución de Poisson es una función de probabilidades discreta que puede ser

usada para calcular por las FMP. Se puede emplear para definir el número de terremotos
que ocurren en un intervalo de tiempo. Existen dos suposiciones importantes para emplear
esta distribución: la ocurrencia de los sucesos es independiente una de otra y dos o más
sucesos no pueden ocurrir simultáneamente.
para n=0,1,2,…,∞ (40)

!
; √ (41)
Ejemplo 2
2.1 Distribución Normal
Carga que debe ser resistida por una fundación
mX 140
sX 14,1
Carga de diseño con 95% de confianza x 0,95
FX 163,19
2.2 Distribución Lognormal

Número de ciclos para la ruptura de viga de acero
mY 430000 sY 215000
VY 50,0% µlnY 12,86 σlnY 0,472
X 0,00 150000,00 300000,00 450000,00 600000,00 750000.00 900000.00
fX 0,00 0,02 0,28 0,33 0,20 0.09 0.04
FX 0,00 0,02 0,30 0,63 0,83 0.92 0.96
X 1050000,00 1200000,00 1350000,00 1500000,00
fX 0,02 0,01 0,00 0,00
FX 0,98 0,99 1,00 1,00
0.40 1.14
0.35 1.00
0.30 0.86
0.25 0.71
0.20 0.57
FY
fY
0.15 0.43
0.10 0.29
0.05 0.14
0.00 0.00
0 500000 1000000 1500000
Y
Figura 13. Representación gráfica del fY , FY vs número de ciclos
2.3 Distribución Gamma

Datos del Flujo anual de un río
k 1,727 λ 0,00672
mX 256,99 sX 195,56
Determinar la probabilidad del flujo máximo menor de 400 x 400
FX 0,81
2.4 Distribución Extrema Tipo I

Caudal máximo anual de un río
mX 100 sX 50
α 0,0256 u 77,50
Probabilidad que el caudal exceda a 200 x 200

FX 0,042
2.5 Distribución Extrema Tipo II

Velocidad máxima anual del viento
mX 55 sX 12,8
VX 0,233
k 5,500 Mediante Grafico
u 48,060
x 80
FX 0,94
Exceder la velocidad x 0,06

x 30,00 35,00 40,00 45,00 50,00 55,00 60,00 65,00 70,00
fX 3,88E-06 2,95E-03 2,43E-02 4,18E-02 3,96E-02 2,96E-02 2,01E-02 1,33E-02 8,75E-03
FX 0,00 0,00 0,06 0,24 0,45 0,62 0,74 0,83 0,88
x 75,00 80,00
fX 5,82E-03 3,92E-03
FX 0,92 0,94
4.5E‐2 1.00
4.0E‐2 0.89
3.5E‐2 0.78
3.0E‐2 0.67
2.5E‐2 0.56
FX
fX
2.0E‐2 0.44
1.5E‐2 0.33
1.0E‐2 0.22
5.0E‐3 0.11
0.0E+0 0.00
30.00 40.00 50.00 60.00 70.00 80.00
V
Figura 14. Representación gráfica de fX, FX vs. Velocidad máxima anual
Papel Normal de probabilidad

El papel normal de probabilidad esta hecho de tal forma que una distribución normal
generaría una línea recta al dibujarse en el papel xi vs pi. Este efecto es fácil de conseguir al
transformar y graficar en una escala lineal los valores de xi vs zi obtenido según la Ecuación
43. El procedimiento para graficar en el papel de probabilidad normal es el siguiente:
1. Arreglar los datos xi de forma creciente. El menor valor será x1, el siguiente será x2
y así sucesivamente hasta llegar al xn,
2. asociar cada valor de xi con el correspondiente pi acumulado según,
(42)
3. graficar los valores de (xi , pi) en el papel de probabilidad normal. Si el gráfico

siguen aproximadamente una línea recta se concluye que los datos pueden
modelarse con una distribución Normal, se dibuja la línea que mejor ajusta el
conjunto de datos, la pendiente de la recta debe ser igual a y el valor de x para
p=0,5 es igual a 7. En caso que los datos no sigan una línea recta indica que la
distribución Normal no es apropiada para el conjunto de datos.
4. En caso de no emplear el papel de probabilidad normal, se dibuja el par (xi , zi) en

la escala lineal, donde zi es obtenido por la Ecuación 43.
Φ p (43)
donde,
Φ-1 ≡ Inversa de la Función Normal acumulada.
Ejemplo 3
Dibujar en papel normal los siguientes 9 valores
6,5 5,3 5,5 5,9 6,5 6,8 7,2 5,9
6,4
Línea de mejor ajuste Línea de mejor ajuste
gráfico lineal papel probabilidad
i xi pi zi xi zi xi pi
1 5,3 0,1 -1,282 5,3 -1,49 5,3 0,07
2 5,5 0,2 -0,842
3 5,9 0,3 -0,524
4 5,9 0,4 -0,253 5,9 -0,52 6,22 0,50
5 6,4 0,5 0,000 6,4 0,29
6 6,5 0,6 0,253
7 6,5 0,7 0,524
8 6,8 0,8 0,842
9 7,2 0,9 1,282 7,2 1,58 7,2 0,94
⁻x 6,22 s 0,62
Probabilidad Condicional
Un valor importante es describir como dos suceso aleatorios están relacionados, esta
define la probabilidad condicional de que un suceso ocurra dado el hecho que otro ha o no
ocurrido. Dos sucesos E1 y E2, la probabilidad condicional de E1 ocurriendo si E2 ha pasado
se define como
(44)
donde,
≡ Probabilidad de ocurrir el suceso E1 dado que E2 ha ocurrido,
≡ Probabilidad de la intersección del evento E1 y E2,
≡ Probabilidad del suceso E2.
7
Como método alternativo para dibujar la línea de mejor ajuste es emplear el valor de y s para
determinar la pendiente de la recta.
2.0
1.5
1.0
0.5
0.0
0 2 4 6 8
‐0.5
‐1.0
‐1.5
Figura 15. Comparación de papel lineal y papel de probabilidad normal del

ejemplo 3
Ejemplo 4
Diseño de un sistemas de servicios para un parque industrial. Parque contiene 6

fábricas construidas. Las fábricas no se ha arrendado todavía y no se sabe como se va a
ocupar las fábricas, para diseñar el suministro de electricidad y agua un inquilino necesita 5
o 10 unidades de potencia eléctrica mientras que de agua 1 o 2 unidades de capacidad de
agua.
Figura 16. Esquemas de las parcelas
Suceso pS Suceso pS Suceso pS Suceso pS

E5A1 0,1 E10A1 0,1 E5A2 0,2 E10A2 0,6
Espacio muestral E5A1 E5A2 E10A1 E10A2
Agua
E5A2 E10A2
2
1
E5A1 E10A1
Energia Electrica
5 10
Figura 17. Esquema del espacio muestral
Aplicación del Axioma III

Probabilidad A2 0,8
Probabilidad E10 0,7
Probabilidad de A2 dado que E10
Probabilidad E10 A2 0,86
Vectores aleatorios
Un vector aleatorio es un conjunto de variables aleatorias {X1, X2, …,Xn}. Para estos
casos las expresiones de f(x), F(x), μX y σX son:
… , ,…, , ,…, (45)
Esta ecuación se lee como la probabilidad de la intersección de los eventos X1≤x1 con
X2≤x2 con ….. con Xn≤xn
Correlaciones
Si tenemos dos vectores aleatorios X y Y, con medias y desviación estándar, se tiene
que la covarianza es
, (46)
donde,
E[] ≡ Valor esperado.
Se define como coeficiente de correlación ρXY al valor que indica el grado de

dependencia lineal entre dos variables aleatorias X y Y. El coeficiente de correlación está en
el rango -1≤ρXY≤1, cuando se acerca a cero indica que no hay relación lineal entre X y Y,
pero la relación puede ser no lineal.
,
(47)
Ejemplo 5
El momento resistente de una viga de concreto armado Mn=Rnbd2

ρbd 0,5
μRn 9,68 μb 20,20 μd 24,75
σRn 0,15 σb 0,81 σd 0,99
Matriz de coeficiente de correlacion
1 0 0
0 1 0,5
0 0,5 1
Matriz de covarianza
Rn b d
Rn 0,021 0,000 0,000
b 0,000 0,653 0,400
d 0,000 0,400 0,980
Teorema de Bayes
El Teorema de Bayes está referido a resolver la pregunta de donde provienen los
resultados obtenidos, constituye una regla útil para la resolución del planteamiento al
combinar la estadística y la información derivada de los resultados con la actualización en
función de los recientes resultados obtenidos. El enunciado indica que si tenemos eventos
mutuamente excluyentes H1, H2, …,Hn cuya unión es el espacio muestral Ω y si un suceso
E está definido en Ω de modo que P(E)>0, entonces la probabilidad de Hi dado E es
|
| ∑
(48)
|
Por ejemplo consideremos la determinación del esfuerzo de un elemento estructural

obtenido en laboratorio, la variable A define los resultados que fueron A={a1, a2, a3,..., an},
la probabilidad de cada resultado ai es P(A=ai)=pi. Esta probabilidad representa la
información obtenida previamente, experiencia o juicio de valor. En la actualidad se están
realizando ensayos sobre el mismo elemento los cuales se desean actualizar a la luz de los
resultados. La variable E representa los posibles resultados del nuevo experimento y está
conformados por los posible resultados {a1’, a2’, a3’, …,an’}, pi’ representa la probabilidad
de los nuevos resultados que se obtendrá empleando el Teorema de Bayes.
| |
| o (49)
∑ | ∑ |
La probabilidad condicional | representa la probabilidad de que el
resultado del ensayo indique aj’ dado que el verdadero valor es ai. (Chou, 1972; Nowak y
Collins, 2000).
Ejemplo 6
Probabilidades de los esfuerzos de corte de vigas de acero
Esfuerzo de corte viga pi

Rv 0,00
0,9Rv 0,15
0,8Rv 0,30
0,7Rv 0,40
0,6Rv 0,15
Resultados de ensayos sobre viga de ensayo

Matriz de probabilidades condicionales
Esfuerzo de la viga
Valor ensayado Rv 0,9Rv 0,8Rv 0,7Rv 0,6Rv

Rv 0,60 0,05 0,00 0,00 0,00
0,9Rv 0,30 0,65 0,05 0,00 0,00
0,8Rv 0,10 0,25 0,70 0,10 0,05
0,7Rv 0,00 0,05 0,20 0,75 0,25
0,6Rv 0,00 0,00 0,05 0,15 0,70
1,00 1,00 1,00 1,00 1,00
Probabilidad de corte sea Rv en el ensayo 0,8 Rv P Rv 0,8Rv 0,000

Probabilidad de corte sea 0,9Rv en el ensayo 0,8 Rv P 0,9Rv 0,8Rv 0,127
Tabla 2. Comparación de las p previos y posteriores a los ensayos
Esfuerzo de corte viga pi antes de los ensayos pi actualizados

Rv 0,00 0,000
0,9Rv 0,15 0,127
0,8Rv 0,30 0,712
0,7Rv 0,40 0,136
0,6Rv 0,15 0,025
Referencias
– Benjamin, J. y Cornell, C. (1981). Probabilidad y Estadística en Ingeniería Civil.
Bogotá, Colombia: McGraw-Hill Latinoamericana, S.A.
– Chou. Y. (1972). Análisis Estadístico. México: Nueva Editorial Interamericana,
S.A. de C.V.
– Kennedy, J. y Neville, A. (1982). Estadística para Ciencias e Ingeniería. México
D.F., México: Harla, S.A. de C.V.
– Miller, I., Freund, J. y Johnson, R. (1992). Probabilidad y Estadísticas para
Ingenieros. Naucalpan de Juárez, México: Prentice-Hall Hispanoamericana, S.A.
– Nowak, A. y Collins, K. (2000). Reliability of Structures. EE.UU.: McGraw-Hill
Companies, Inc.
Apéndice
Tabla A1. Valores de p de una distribución normal estándar
p z p z p z p z
0,00058 -3,25 0,05480 -1,60 0,51994 0,05 0,95543 1,70
0,00069 -3,20 0,06057 -1,55 0,53983 0,10 0,95994 1,75
0,00082 -3,15 0,06681 -1,50 0,55962 0,15 0,96407 1,80
0,00097 -3,10 0,07353 -1,45 0,57926 0,20 0,96784 1,85
0,00114 -3,05 0,08076 -1,40 0,59871 0,25 0,97128 1,90
0,00135 -3,00 0,08851 -1,35 0,61791 0,30 0,97441 1,95
0,00159 -2,95 0,09680 -1,30 0,63683 0,35 0,97725 2,00
0,00187 -2,90 0,10565 -1,25 0,65542 0,40 0,97982 2,05
0,00219 -2,85 0,11507 -1,20 0,67364 0,45 0,98214 2,10
0,00256 -2,80 0,12507 -1,15 0,69146 0,50 0,98422 2,15
0,00298 -2,75 0,13567 -1,10 0,70884 0,55 0,98610 2,20
0,00347 -2,70 0,14686 -1,05 0,72575 0,60 0,98778 2,25
0,00402 -2,65 0,15866 -1,00 0,74215 0,65 0,98928 2,30
0,00466 -2,60 0,17106 -0,95 0,75804 0,70 0,99061 2,35
0,00539 -2,55 0,18406 -0,90 0,77337 0,75 0,99180 2,40
0,00621 -2,50 0,19766 -0,85 0,78814 0,80 0,99286 2,45
0,00714 -2,45 0,21186 -0,80 0,80234 0,85 0,99379 2,50
0,00820 -2,40 0,22663 -0,75 0,81594 0,90 0,99461 2,55
0,00939 -2,35 0,24196 -0,70 0,82894 0,95 0,99534 2,60
0,01072 -2,30 0,25785 -0,65 0,84134 1,00 0,99598 2,65
0,01222 -2,25 0,27425 -0,60 0,85314 1,05 0,99653 2,70
0,01390 -2,20 0,29116 -0,55 0,86433 1,10 0,99702 2,75
0,01578 -2,15 0,30854 -0,50 0,87493 1,15 0,99744 2,80
0,01786 -2,10 0,32636 -0,45 0,88493 1,20 0,99781 2,85
0,02018 -2,05 0,34458 -0,40 0,89435 1,25 0,99813 2,90
0,02275 -2,00 0,36317 -0,35 0,90320 1,30 0,99841 2,95
0,02559 -1,95 0,38209 -0,30 0,91149 1,35 0,99865 3,00
0,02872 -1,90 0,40129 -0,25 0,91924 1,40 0,99886 3,05
0,03216 -1,85 0,42074 -0,20 0,92647 1,45 0,99903 3,10
0,03593 -1,80 0,44038 -0,15 0,93319 1,50 0,99918 3,15
0,04006 -1,75 0,46017 -0,10 0,93943 1,55 0,99931 3,20
0,04457 -1,70 0,48006 -0,05 0,94520 1,60 0,99942 3,25
0,04947 -1,65 0,50000 0,00 0,95053 1,65

Cap2 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cap2 PDF

Cargado por

Copyright:

Formatos disponibles

Tema 2 Variables Aleatorias

Los estudios de Confiabilidad Estructural consisten en determinar si una estructura

La condición de la estructura encuentra en la teoría de las probabilidades la mejor

Debido a las consideraciones de incertidumbre en los parámetros del análisis

Como resultado de la teoría nunca podrá predecirse completamente el comportamiento

Espacio muestral y suceso

La probabilidad de un suceso es un número mayor o igual a cero pero menor o igual a

La probabilidad de un suceso seguro o probabilidad del espacio muestral es la unidad.

La probabilidad de un suceso que sea la unión de de dos sucesos mutuamente

Los sucesos mutuamente excluyentes se refieren cuando la ocurrencia de un suceso

Un clásico ejemplo de variable aleatoria es el resultado de los ensayos en cilindros de

Función discreta masa de probabilidades (FMP)

Tabla 1. Ejemplo de valores de una Función discreta masa de probabilidades.

Figura 1. Variable aleatoria discreta representada por la función de densidad y la

Función de densidad de probabilidades (FDP)

Una forma equivalente de representar las distribuciones de probabilidades, es mediante

Figura 2. Variable aleatoria continua representada por la función de densidad y

Figura 3. Representación gráfica de las propiedades de FDA

1. La definición de FDA es aplicable para variables aleatorias discretas como

Figura 4. Representación gráfica de la Ecuación 5.

El procedimiento para realizar la distribución de frecuencias consiste en:

2. elegir los límites de cada clase,

Parámetros de las variables aleatorias

La media es la principal medida de tendencia central del espacio muestral. Es similar

El empleo de un solo valor para representar un conjunto de datos es insuficiente, ya

La medida más importante de dispersión es la desviación estándar porque en contraste

El coeficiente de variación es una medida adimensional y compara la media con la

Los siguientes valores son el resultado del ensayo de cilindros de concreto

264.60 275.41 286.21 297.01 307.81

Figura 5. Histograma de Frecuencia del ejemplo 1

Distribuciones usadas en Confiabilidad Estructural

La distribución normal es probablemente la distribución más importante en la

Figura 7. FDP y FDA de distribución normal

Figura 8. FDP y FDA de distribución log normal

Figura 9. FDP y FDA de distribución gamma

La distribución Extrema Tipo I es útil para modelar la naturaleza probabilística de los

Figura 10. FDP y FDA de distribución extrema tipo I

Figura 11. FDP y FDA de distribución extrema tipo II

Figura 12. FDP y FDA de distribución tipo III

Extrema tipo III (Weibull)

para x≤w (36)

La distribución de Poisson es una función de probabilidades discreta que puede ser

para n=0,1,2,…,∞ (40)

2.2 Distribución Lognormal

Figura 13. Representación gráfica del fY , FY vs número de ciclos

2.3 Distribución Gamma

2.4 Distribución Extrema Tipo I

Probabilidad que el caudal exceda a 200 x 200

2.5 Distribución Extrema Tipo II

Exceder la velocidad x 0,06

Figura 14. Representación gráfica de fX, FX vs. Velocidad máxima anual

Papel Normal de probabilidad

3. graficar los valores de (xi , pi) en el papel de probabilidad normal. Si el gráfico

4. En caso de no emplear el papel de probabilidad normal, se dibuja el par (xi , zi) en

Figura 15. Comparación de papel lineal y papel de probabilidad normal del

Diseño de un sistemas de servicios para un parque industrial. Parque contiene 6

Figura 16. Esquemas de las parcelas

Suceso pS Suceso pS Suceso pS Suceso pS

Figura 17. Esquema del espacio muestral

Aplicación del Axioma III

… , ,…, , ,…, (45)

Se define como coeficiente de correlación ρXY al valor que indica el grado de

El momento resistente de una viga de concreto armado Mn=Rnbd2