CONFIABILIDAD Y ANALISIS DE

RIESGOS

Dr. Ricardo O. Foschi

P R O G R A M A M A S T E R E N IN G E N IE R IA
C IV IL
U N I V E R S I D A D D E
Ing. Arturo Martínez R., M.A.Sc.
P I U R A

SESION 02
• Procedimientos para el cálculo de la confiabilidad. Indice
de confiabilidad.
METODOS PARA EL CALCULO DE LA PROBABILIDAD DE FALLA
 Se ha visto que la evaluación de la performance de un sistema se
realiza a través del cálculo de la probabilidad de falla de éste.
 Pf = P(G<0)
 Este cálculo suele hacerse a través de dos formas:

 Simulación computarizada: A través de simulación Montecarlo uno

puede determinar la Pf repitiendo muchas veces la evaluación de la
falla o supervivencia del sistema. Este procedimiento puede resultar
computacionalmente tedioso, aunque existen técnicas de varianza
reducida que la hacen más eficiente.
 Procedimientos aproximados: Los cuales estudiaremos en detalle
por ser mas eficientes en el cálculo de la probabilidad de falla.
Debido a esto pueden ser empleados en la practica y en la
calibración de modernos códigos de diseño basados en
confiabilidad. Los métodos más empleados son FORM, SORM y la
de superficie de respuesta.
Métodos para calcular la probabilidad de no-performance (falla)

El método más básico y directo es la simulación computarizada

(Montecarlo) mientras que quizás los más eficientes son los métodos
aproximados basados en el cáclulo del índice de confiabilidad 
(procedimientos FORM y SORM).

Simulación Montecarlo
Si se tomarán valores aleatorios de las variables que conforman la
función de performance: G(X) = C – D, será posible calcular el valro de
la función G(X).
Si G(X)>0, entonces el sistema no falla, mientras que si G(X)<0 el
sistema falla. Si este cáluclo se repite N veces, y Nf es el número de
veces que el sistema falló, la probabilidad de falla puede ser
aproximada por la relación:

N f
Pf 
N
Simulación Montecarlo

El resultado será diferente si el proceso se repite para otras N

selecciones de las variables aleatorias. La variabiliadad de los
resultados depende de N, disminuye cuando N aumenta y el resultado
converge a la probabilidad exacta cuando N es grande.
Sin embargo, si el sistema analizado tiene una baja probabilidad de
falla, por ej., 10-6, será necesario efectuar, en promedio, N = 106
repeticiones para esperar encontrar un caso de no-performance.
Desde que éste es el múmero de veces que la función de performance
G(x) tendría que ser evaluada, el procedimiento puede ser bastante
largo, especialmente cuando esta evaluación requiere la ejecución de
un programa de cómputo por separado para calcular la capacidad o la
demanda.
Optimizaciones de la simulación Montecarlo se encuentran en los
métodos de Importance Sampling o Adaptive Sampling, en los que
las variables se toman sólo en regiones de importancia, dentro de las
cuales las combinaciones son mas tendentes a producir falla. Estos
procedimientos son muy efectivos y más detallada información puede
encontrarase en la literatura técnica
PROCEDIMIENTOS FORM (FIRST ORDER RELIABILITY METHOD)
 Con el fin de describir el procedimiento FORM, se considera un
problema simple en el cual la función G se define como:

G  X1  X 2


 donde X1 y X2 son las variables básicas aleatorias. Se asume que se

conoce las distribuciones estadísticas de las variables, particularmente
sus valores promedio y la desviación estándar de cada una de ellas.
 Es conveniente trabajar con un nuevo par de variables adimensionales,
x1 y x2, definidas como sigue:

X1  X1 X  X
x1  x2  2 2

1  2

 Por lo tanto, estar en la zona de falla (G < 0) requerirá: X 2

 X1
 o:
X1  X 1
x2  2
  x1
 2
 2
PROCEDIMIENTO FORM
 Por lo tanto, la zona de falla es la zona achurada de la figura, cuando
x2 esta encima de la línea de G=0. Esta línea es la superficie de falla.
 El punto O, en el origen de las coordenadas x1-x2 corresponde al caso
en el que las variables X1 y X2 son iguales a su promedio y por esta
razón O es conocido como “el punto medio”. En la figura el punto O
pertenece a la zona de supervivencia, pero no necesariamente este es
el caso general.
G < 0 G = 0
 La figura también muestra los ejes de x2
coordenadas y1 y y2, obtenidos al y2
rotar los ejes x1-x2 hasta que y2 sea y1
perpendicular a la superficie de falla.
El punto P es el punto de la superficie
G > 0
más próximo al origen, a una distancia P

. También es conocido como el   x1

“punto de diseño” o como la o
combinación más cercana a la falla.
PROCEDIMIENTO FORM

 Es claro que toda la zona de falla puede ser descrita por la condición de
que el valor de la coordenada y2 sea mayor a . Por lo tanto, la
probabilidad de falla será dada por la probabilidad de que y2 > :
P f  PROB ( y2   )

 Si la variable y2 es normalmente distribuida, esta probabilidad es

fácilmente obtenida de las tablas de probabilidad normal cuando se
conoce el valor de . Por lo tanto:

Pf   (  )
 donde  representa la FDA de una distribución normal estandar.
 El único requisito del procedimiento es el cálculo de la distancia , que
es un problema de minimización geométrica que puede ser manejado
por cualquier paquete de optimización.
PROCEDIMIENTO FORM

Los algoritmos comúnmente usados emplean un método iterativo de

minimización basados en derivadas y requieren el cálculo de G y de sus
derivadas en cada paso de la iteración. El usuario debe proveer valores
iniciales para las variables. Una buena técnica para iniciar la iteración es
asignar el valor medio correspondiente a cada variable aleatoria. Ahora, ¿qué
tan exacta es la probabilidad obtenida? El resultado es exacto si tres
condiciones se cumplen:
1. Todas las variables X tienen una distribución normal.
2. Todas las variables X son independientes, o no co-relacionadas
3. La función G, que describe el estado límite, es una función lineal de las
variables básicas.
Un algoritmo para el cálculo de  fue presentado primero por Hasofer y Lind
(1974). Este algoritmo fue mejorado posteriormente de tal modo que se
eliminó el requisito de que las variables sean normalmente distribuidas
(condición 1) y que sean independientes (condición 2), y el resultado es el
algoritmo usado en la mayoría de programas FORM disponibles hoy en día.
PROCEDIMIENTO FORM

G*

o x
x*


P*
P

•Ver hoja Indice beta.pdf

 PROCEDIMIENTO FORM
 La condición 3, tiene que ver con la naturaleza lineal o no lineal del estado
límite a analizar y no puede ser sometido a manipulaciones matemáticas.
 Por ejemplo, si la variable X aparece en la función G como SenX o como
X3, G sería no lineal y la condición 3 no se cumpliría. En la mayoría de
casos como estos, la respuesta de un procedimiento FORM no será
exacta. De todos modos el programa mostraría que las más probables
combinaciones de falla ocurren alrededor de P. Por lo tanto, la exactitud
de un procedimiento de primer orden depende de que tan plana o lineal
es la superficie de falla en los alrededores de P.
 Naturalmente, esto es difícil de determinar cuando G contiene muchas
variables, pero una importante cantidad de investigaciones y experiencia
práctica ha demostrado que las estimaciones de FORM son por lo general
bastante buenas en comparación con los resultados de simulaciones
exactas.
PROCEDIMIENTO FORM

 La distancia  es llamada “índice de confiabilidad” y la ecuación

Pf   (  )
 provee una relación confiable entre ésta y la probabilidad de falla.
 Se debe mencionar que hay soluciones exactas de  en solo dos casos:
1. Cuando hay solo dos variables, X1 y X2, normalmente distribuidas y la
función G es lineal:
X1  X
  2
2 2
1  2

2. Cuando, en el caso anterior las variables tiene una distribución

Lognormal. La expresión es:
X 
Ln  1 
 X2
 
2 2
v1  v 2

donde v1 y v2 son los coeficientes de variación respectivos.

PROCEDIMIENTO FORM

• En los demás casos,  debe ser calculado utilizando algún programa

de computadora. Una de las ventajas de los procedimientos de primer
orden (FORM) es el cálculo automático de los coeficientes de
sensitividad, catalogando la importancia a cada una de las variables
aleatorias a la confiabilidad del sistema estudiado para un estado
límite.
• El coeficiente de sensitividad es más importante mientras más
relevante sea una variable para la confiabilidad del sistema.
• Por lo tanto, cuando se está en duda acerca de la importancia de una
variable, se puede hacer un primer cálculo incluyendo la variable como
aleatoria y un segundo paso eliminando dicha variable,
transformándola en un parámetro determinístico si el primer paso
mostró (a través del coeficiente de sensitividad) que la variable tiene
poca importancia. La simulación de MonteCarlo no provee tales
sensitividades.
• Ver hoja Indice beta no lineal.pdf
PROCEDIMIENTO SORM (SECOND ORDER RELIABILITY METHOD)

• Si la superficie de falla es no lineal (curva), ésta puede ser aproximada

a una superficie cuadrática o parabólica de la misma curvatura en el
punto P.
• Usando esta aproximación, FORM da origen a SORM (Second Order
Reliability Method) y se obtiene una aproximación a la Pf diferente.
• Resultados exactos SORM requerirán entonces una superficie de falla
parabólica. Debido a la necesidad de determinar curvaturas, SORM
exige cálculos más intensos que FORM y en muchos casos
dependiendo de la no-linealidad de G, este podría no proveer una
mejora significativa en la exactitud de Pf.
METODO DE LA SUPERFICIE DE RESPUESTA

• Si la función G puede ser aproximada con un polinomio simple de las

variables básicas (por ejemplo, funciones parabólicas) entonces los
procedimientos FORM o SORM pueden ser aplicados a la superficie
aproximada reduciendo los tiempos de cálculo.

• La función G es evaluada un número de veces suficiente para obtener

un número suficiente de valores de la función G. Luego estos puntos
son ajustados para lograr una representación matemática de la
respuesta, la cual es luego usada como función G.

• La expresión ajustada es usada en los calculos de confiabilidad para

obtener un punto de diseño P y un indice de confiabilidad. Aquí se
puede detener el proceso o se puede construir una nueva superficie de
respuesta evaluando la función G original alrededor del punto P.
• Esta nueva superficie es usada para hallar un nuevo valor de  , y el
proceso asi descrito puede repetirse hasta lograr una convergencia de
 a la tolerancia deseada.
METODO DE LA SUPERFICIE DE RESPUESTA

• Diferentes formas pueden ser usadas para derivar la superficie de

respuesta ajustada. Bucher et al. (1997), por ejemplo, han considerado
expansiones polinomiales del tipo:
N N

G F (x)  a0   ai X i  
2
bi X i
i 1 i 1

• Donde los 2N+1 coeficientes son hallados por regresión de los datos
discretos. Se pueden escoger otras formas cuando se desea
representar mejor la influencia de una variable específica.
• Por ejemplo, supongamos que una de las variables es la carga Q y que
la respuesta es la deflexion de una plancha laminada sometida a tal
carga. Otras variables pueden ser el módulo de elasticidad de cada
laminación y sus módulos de corte. Obviamente, si no hay carga Q no
hay deflexión.
METODO DE LA SUPERFICIE DE RESPUESTA

En este caso es quizás mejor proponer:

N N N N

G F (x)  Q  a0   ai X i   Q  c0   ci X i  
2 2 2
bi X i
diX i
]
i 1 i 1 i 1 i 1

La cual satisface la condición de repuesta cero para Q=0.

INTERPOLACION LINEAL Y REDES NEURONALES

• Los valores discretos de la función G obtenidos con los procedimientos

anteriores no necesitan ser ajustados con una expresión matemática,
válida sobre todo el rango de los datos. Algunas veces esto es dificil de
hacer y puede no ser lo suficientemente preciso. Dos alternativas de
interpolación de los valores discretos de G son posibles:

1.- Si el valor de G es requerido para simulaciones, entonces se evalúa un

número suficiente de puntos tan cerca como sea posible del punto Xo.
Estos puntos son luego utilizados para ajustar localmente una
superficie aproximada, (por ejemplo, un plano) y luego este plano es
empleado para efectuar la interpolacion.
2.- Toda la información de la base de datos discreta puede ser usada para
“entrenar” una red neuronal la cual puede ser empleada para obtener
la función G.

• Experiencias recientes muestran muy buenos resultados usando base

de datos de respuesta discretas y redes neuronales para aplicaciones
en problemas de dinámica estructural (sismos) de varias variables.
INDICES BETA RECOMENDADOS
RIESGO ACEPTABLE
NIVELES DE RIESGO
RIESGO ACEPTABLE
RIESGO ACEPTABLE Y TOLERABLE