MÉTODOS DE MANEJO DE LA INCERTIDUMBRE

PRESENTADO A:

ING. LUIS EDUARDO PATIÑO VALLEJO

PRESENTADO POR:

LUISA FERNANDA – 55

SEBASTIÁN QUIJANO - 55

ANDRÉS FELIPE ROCHA GORDILLO - 5500989

GEOTECNIA

FACULTAD DE INGENIERÍA

UNIVERSIDAD MILITAR NUEVA GRANADA SEDE CAMPUS

2022 – 2

1
 INTRODUCCIÓN

Hay que destacar que como ingenieros civiles nos ocupamos principalmente de las
geometrías y materiales que llega a ofrecer la naturaleza en todos sus contextos, las
condiciones naturales del medio en que trabajamos son desconocidas y deben ser inferidas
de observaciones. Es por esta razón que para nosotros como ingenieros la incertidumbre en
gran medida es inductivas: a partir de observaciones limitadas, el juicio, el conocimiento de
la geología y el razonamiento estadístico se emplean para inferir el comportamiento del
mismo.

Es importante resaltar que las principales incertidumbres tienen que ver con la exactitud e
integralidad con las que se conocen las condiciones del subsuelo, y con las resistencias que
estos materiales serán capaces de movilizar, también podemos identificar que las
incertidumbres son en gran parte deductivas, debido que, a partir de las condiciones
razonablemente bien conocidas, los modelos se utilizan para deducir el comportamiento de
un subsuelo que llega a ser razonablemente bien especificado.

En la incertidumbre se pueden considerar dos fuentes necesarias que permiten definir con
mayor claridad la falta de precisión o certeza respecto a un fenómeno:

1. Incertidumbre por aleatoriedad: Esta fuente de incertidumbre se produce debido a la

aleatoriedad de las variables que llegan a intervenir en un determinado fenómeno.
2. Incertidumbre epistémica: Esta fuente de incertidumbre se produce debido a la falta de
precisión en la ecuación o modelo que llega a representar el fenómeno a estudiar.

Así como en lo mencionamos anteriormente para las fuentes de incertidumbre, también se

pueden establecer los tipos de variables aleatorias que son fundamentales en la
incertidumbre por aleatoriedad:

1. Variables discretas o discontinuas: Son aquellos valores X que se encuentran dentro

de un conjunto no continuo.
2. Variables continuas: Son aquellos valores X que se encuentran dentro de un conjunto
continuo.

2
Para finalizar esta parte introductoria es imprescindible mencionar que existen diferentes
metodologías para aproximarse al índice de confiabilidad y la probabilidad de falla (Pf) de
un problema geotécnico, aquellas metodologías han surgido con el fin de mejorar las
aproximaciones empíricas basadas principalmente en el método observacional que
permitieron el desarrollo inicial de la geotecnia, esto nos permite indicar que dentro de
estas se encuentra el diseño basado en la confiabilidad en el cual las propiedades del suelo y
las solicitaciones se caracterizan como funciones probabilísticas. Los métodos usados en
este trabajo son:

1. Método de estimación puntual: Rosenblueth propuso un método simple para obtener

los momentos de la función de desempeño por medio de la evaluación de la función de
desempeño en un juego de puntos discretos escogidos. La aproximación de Rosenblueth
es una aplicación del método de la cuadratura de Gauss para ubicar las coordenadas de
los puntos óptimos para evaluar una integral y los pesos correspondientes a los puntos.
En este caso, los puntos óptimos para evaluar los momentos de la función de densidad
de probabilidad para cada variable aleatoria es el valor promedio ± la desviación
estándar. Una de las desventajas del método es que al tener que evaluar 2n veces la
función de desempeño, puede llegar a ser dispendioso cuando el número de variables
aleatorias es grande.

2. Método de Primer Orden Segundo Momento - Series de Taylor: Este método usa los
primeros términos de una expansión de la serie de Taylor de la función de desempeño
para estimar el valor esperado y la varianza de la función de desempeño. Este método
supone que de cada una de las variables aleatorias es pequeña, por lo que el cuadrado o
potencias mayores son aún más pequeñas y se pueden ignorar.
Es llamado de segundo momento porque la varianza es de la forma de segundo momento
y es el resultado estadístico de mayor orden usado en el análisis. Si el número de
variables aleatorias es n, este método requiere evaluar n derivadas parciales de la
función de desempeño o desarrollar una aproximación numérica usando la evaluación en
2n+1 puntos.

3
3. Simulación de Monte Carlo: Este método utiliza el muestreo aleatorio para simular
artificialmente el comportamiento de un sistema. En esta aproximación el analista crea
un gran número de juegos de valores generados aleatoriamente para los parámetros
probabilísticos y se calcula la función de desempeño para cada juego de datos de forma
determinística.
Este método tiene como ventaja la simplicidad conceptual, pero requiere un gran número
de juego de valores de la función de desempeño para obtener una precisión adecuada. A
diferencia de otros métodos, la simulación de Monte Carlo no da luces sobre la
contribución relativa de los parámetros aleatorios, allí la generación de números
aleatorios del tipo normal y log-normal se hizo con las rutinas internas del programa.
Con los métodos de primer orden segundo momento (FOSM), para estimar la
probabilidad de falla (PF) es necesario suponer una función de densidad de probabilidad
que tenga como parámetros el valor medio y la desviación estándar. Es por esto que con
el método de simulación de Monte Carlo se tiene directamente las realizaciones de la
función de desempeño menor a 1, pero si se dividen las anteriores entre el total de
realizaciones, se calcula directamente la probabilidad de falla (PF).

DESCRIPCIÓN DEL PROCEDIMIENTO

1. Ejemplo (2.0 puntos):

Se presenta el caso de análisis de incertidumbre para el cálculo de capacidad portante de

una cimentación cuadrada utilizando la ecuación de Terzaghi y los factores de carga de
Vesic.

Para lograr determinar la probabilidad de falla y el factor de seguridad en este primer

ejemplo se desarrolló el método de Monte Carlo, teniendo presente que este tipo de método
maneja cualquier tipo de distribuciones, al utilizar muchísimas combinaciones da una
mayor confiabilidad en el resultado final, esto puesto que a partir de cierto número de
combinaciones la probabilidad de falla converge, allí tuvimos presente diferentes pasos que
se deben establecer para ejecutar de manera correcta este método:

4
Pasos:

a. Definir las variables aleatorias.

b. Establecer la función de estado limite (MS: Margen de Seguridad).
c. Generar valores aleatorios de cada una de las variables aleatorias, esto se hace a partir de
una expresión adecuada para tal fin y según el tipo de variable.
d. Evaluar la función de estado límite para cada combinación.
e. Contar el número de fallas, dividir ese valor entre el número de ocasiones para obtener
la probabilidad de falla (PF).

2. Ejemplo (1.5 puntos):

Para poder calcular la probabilidad de que el asentamiento producido supere el

asentamiento máximo permitido en este segundo ejemplo, se utilizó el método de
simulaciones de Monte Carlo, teniendo presente que este tipo de método maneja cualquier
tipo de distribuciones, al utilizar muchísimas combinaciones da una mayor confiabilidad en
el resultado final, esto puesto que a partir de cierto número de combinaciones la
probabilidad de falla converge, allí tuvimos presente diferentes pasos que se deben
establecer para ejecutar de manera correcta este método:

Pasos:

a. Definir las variables aleatorias.

b. Establecer la función de estado limite (MS: Margen de Seguridad).
c. Generar valores aleatorios de cada una de las variables aleatorias, esto se hace a partir de
una expresión adecuada para tal fin y según el tipo de variable.
d. Evaluar la función de estado límite para cada combinación.
e. Contar el número de fallas, dividir ese valor entre el número de ocasiones para obtener
la probabilidad de falla (PF).

Para poder calcular la probabilidad de que el asentamiento producido supere el

asentamiento máximo permitido en este segundo ejemplo, se utilizó el método de Primer

5
Orden Segundo Momento - Series de Taylor, teniendo presente que este tipo de método
maneja distribuciones normales, suponiendo que de cada una de las variables aleatorias es
pequeña, por lo que el cuadrado o potencias mayores son aún más pequeñas y se pueden
ignorar, allí tuvimos presente diferentes pasos que se deben establecer para ejecutar de
manera correcta este método:

Pasos:

a. Definir cuáles son las variables aleatorias.

b. Establecer la función de estado limite (MS: Margen de Seguridad).
c. Determinar la varianza de la función de estado límite con la ecuación correspondiente.
d. Hallar el valor medio de la función de estado limite.
e. Hacer la tipificación.
f. Hallar probabilidad de falla (PF).

3. Ejemplo (1.5 puntos):

Para poder calcular la probabilidad de falla del ejemplo de la columna en este tercer
ejemplo, se utilizó el método de simulaciones de Monte Carlo, teniendo presente que este
tipo de método maneja cualquier tipo de distribuciones, al utilizar muchísimas
combinaciones da una mayor confiabilidad en el resultado final, esto puesto que a partir de
cierto número de combinaciones la probabilidad de falla converge, allí tuvimos presente
diferentes pasos que se deben establecer para ejecutar de manera correcta este método:

Pasos:

f. Definir las variables aleatorias.

g. Establecer la función de estado limite (MS: Margen de Seguridad).
h. Generar valores aleatorios de cada una de las variables aleatorias, esto se hace a partir de
una expresión adecuada para tal fin y según el tipo de variable.
i. Evaluar la función de estado límite para cada combinación.
j. Contar el número de fallas, dividir ese valor entre el número de ocasiones para obtener
la probabilidad de falla (PF).

6
 ECUACIONES

Para poder entender cada una de las descripciones de los procedimientos que se
mencionaron anteriormente por medio de pasos a seguir, es indispensable tener presente las
siguientes ecuaciones y funciones de las mismas.

1. Factor de Seguridad: Es una expresión que nos permite saber si la falla ocurre cuando
F s ≤ 1. Se representa con la siguiente ecuación:
R
Ms=
Q
(ecuación 1)

R=qu ; q u=N c Cu ; N c =4.43+ ( 0.476∗B

H ) ; Q=γ t∗h

2. Margen de Seguridad: Es una expresión que nos permite saber si la falla ocurre cuando
Ms ≤ 0 . Se representa con la siguiente ecuación:
Ms=R−Q
(ecuación 2)
R: Resistencia de diseño.
Q: Resistencia requerida.

( (
Ms= 4.43+
0.476∗B
H ))
∗Cu−γ t∗h

(ecuación 3)

3. Función Estado Límite: Es una expresión que nos permite saber si estamos en el límite
o falla de un determinado sistema. Se representa con la siguiente ecuación:

Fs=
( (
4.43+
0.476∗B
H
∗Cu ))
γ t∗h
(ecuación 4)

7
4. Varianza Función Estado Límite: Es una expresión que nos permite saber si estamos
en el límite o falla de un determinado sistema. Se representa con la siguiente ecuación:

V s [ Ms ] = ( )
∂ Ms 2
∂X1
2
¿ (V X 1) +( )
∂ Ms 2
∂ X2
2
¿ ( V X 2) + …+ ( )
∂ Ms 2
∂ Xn
¿ (V X n )
2

(ecuación 5)
5. Tipificación:
a. Para el margen de seguridad (Ms):

(
P Z≤
0−M s
V Ms )
(ecuación 6)
b. Para el factor de seguridad (Fs):

(
P Z≤
1−F s
V Fs )
(ecuación 7)

6. Datos aleatorios: Distribución normal

a. Rn ( 0,1 )=√−2 lnU 1 cos (2 π∗U 2)
b. X =X + Rn(V X )
c. Cu=C u+ Rn ( 0,1 )∗V Cu

RESULTADOS

CONCLUSIONES

1. Utilizando el método de Montecarlo, se pudo determinar la probabilidad de falla y el

factor de seguridad para diferentes simulaciones, a partir de esto se logró graficar el
número de simulaciones VS la probabilidad de falla encontrada, determinando así
cuantas simulaciones de probabilidad de falla tienden a ser constantes.