Professional Documents
Culture Documents
UNIVERSIDAD NACIONAL
AUTONOMA DE
MEXICO
PROGRAMADEMAESTRAYDOCTORADOEN
INGENIERA
FACULTADDEINGENIERA
CONFIABILIDAD EN
ESTABILIDAD DE TALUDES
TESIS
QUEPARAOBTENERELGRADODE:
MAESTROENINGENIERA
INGENIERA CIVILGEOTECNIA
P R E S E N T A :
MXICOD.F.
ABRIL 2009
J URADOASIGNADO:
Presidente :
Secretario :
Vocal
1er.Suplente :
2do.Suplente :
Lugardondeserealizlatesis:
TUTORDETESIS:
FIRMA
AGRADECIMIENTOS
Al Dr. Alberto Jaime Paredes por su apoyo, enseanza y gua, aporte invaluable para la
realizacin de esta tesis.
A mis sinodales M.I. Jorge Castilla Camacho, M.I. Jaime Martnez Mier, Dr. Venancio Trueba
Lpez y Dra. Lilia Reyes Chvez por sus comentarios y correcciones que enriquecieron este
trabajo.
NDICE
1
INTRODUCCIN
1.1
Antecedentes
1.2
Objetivos
1.3
Alcances
ESTABILIDAD DE TALUDES
2.1
2.2
2.3
12
2.4
13
PROBABILIDAD
34
3.1
Probabilidad
34
3.2
Teorema de Bayes
36
3.3
Variables aleatorias
37
3.4
41
3.5
45
3.6
Asimetra
46
3.7
Curtosis
47
3.8
Distribuciones de probabilidad
47
3.9
Estadstica
55
ANLISIS DE CONFIABILIDAD
66
4.1
ndice de confiabilidad
67
4.2
69
4.3
72
86
5.1
Propiedades de inters
86
5.2
88
5.3
Fuentes de incertidumbre
95
EJEMPLO DE APLICACIN
105
6.1
Ejemplo 6.1
105
6.2
Ejemplo 6.2
116
6.3
Ejemplo 6.3
121
CONCLUSIONES
125
REFERENCIAS
127
ii
1
1.1
INTRODUCCIN
Antecedentes
El diseo tradicional en estabilidad de taludes se basa en factores de seguridad, cuyas
magnitudes son dictadas por la experiencia acumulada en la prctica profesional a travs de muchos
aos. Por su parte, los anlisis de confiabilidad se basan en el modelo Demanda (cargas)-Capacidad
(resistencia), en el cual el comportamiento no deseable se define como la probabilidad de que la
demanda exceda a la capacidad.
Debido a la incertidumbre en la determinacin de los parmetros mecnicos utilizados en los
anlisis de estabilidad de taludes y a la heterogeneidad que presentan los suelos que forman estas
estructuras. La aplicacin de la teora de la probabilidad a estos anlisis permite desarrollar estudios
con mayor apego a las condiciones reales del problema.
El anlisis de confiabilidad permite considerar en el diseo la incertidumbre de los
parmetros del suelo y de las cargas actuantes. En esos anlisis se parte de un modelo determinista,
como es el caso de la estabilidad de taludes y permiten asignar a un factor de seguridad calculado un
valor o ndice de confiabilidad puede establecerse un rango cuantitativo entre el valor medio del
factor de seguridad y el valor en el cual se considera la falla catastrfica o falla de servicio.
1.2
Objetivos
Alcances
El captulo 2 presenta la definicin de talud para fines de ingeniera. Se consideran dos tipos
de taludes en suelo: taludes naturales (laderas) y taludes construidos por el hombre (cortes y
terraplenes); no se consideran los taludes en roca. Se describen los factores ms comunes que
producen la falla de estas estructuras, las principales hiptesis utilizadas para simplificar su anlisis,
los mecanismos de falla ms comunes y los mtodos empleados para su anlisis en dos dimensiones.
1
El captulo 3 presenta los conceptos bsicos de probabilidad, que son la base de la teora de
confiabilidad. Est dividido en dos partes principales: en la primera se exponen los conceptos que
aplican al manejo de las variables y las funciones de distribucin comnmente utilizadas; en la
segunda parte se presentan los conceptos propios de la estadstica descriptiva.
En el captulo 4 se expone la teora de confiabilidad, marcando conceptos y mtodos
aplicables a la ingeniera: ndice de confiabilidad, mtodo de segundo momento de primer orden,
mtodo del valor medio de serie de Taylor, mtodo de estimadores puntuales, mtodo del 3 y
mtodo de Monte Carlo. Se comparan stos por medio de un ejemplo de aplicacin.
La incertidumbre en los anlisis geotcnicos es resultado principalmente de dos factores: 1)
la estratigrafa y propiedades del suelo en el sitio y, 2) las solicitaciones a las que se vern sometidos
los suelos. Buscando obtener una representacin cuantitativa de la heterogeneidad de los suelos en
sus propiedades ndices y mecnicas, se ha adoptado una descripcin probabilista de ellas. En el
captulo 5 se presentan de forma global, las condiciones que deben evaluarse para lograr esta
representacin probabilista de los suelos.
Mediante un ejemplo de aplicacin de estabilidad de taludes en el captulo 6 se presenta la
metodologa aplicada en el clculo del ndice de confiabilidad por diferentes mtodos, se realiza la
comparacin de los resultados obtenidos entre stos y se compara con el clculo del factor de
seguridad aplicando el mtodo del elemento finito.
Finalmente, en los captulos 7 y 8, se presentan, respectivamente, las conclusiones derivadas
y las referencias utilizadas en el trabajo.
ESTABILIDAD DE TALUDES
Se define como talud a una masa de suelo con una superficie externa inclinada con respecto a la
horizontal. Cuando el talud se forma de manera natural, sin la intervencin del hombre, se denomina
ladera natural o ladera. Cuando la inclinacin en la masa de suelo es generada por la intervencin de
la actividad humana, excavaciones o rellenos, se denomina talud.
La falla de un talud se presenta tanto en taludes naturales como en los construidos por el
hombre. Muchos proyectos de ingeniera resultan afectados o afectan la estabilidad de taludes al
producir modificaciones en la topografa, condiciones de flujo de agua, prdida de resistencia,
cambios en el estado de esfuerzos, por mencionar algunos factores.
En este caso, la finalidad de los anlisis de estabilidad de taludes es estimar la posibilidad de
falla de stos al provocarse un deslizamiento de la masa de suelo que lo forma, buscando que el
diseo de excavaciones y rellenos que den lugar a un talud o afecten la estabilidad de una ladera se
realicen de forma segura y econmica.
El anlisis convencional de estabilidad de taludes en dos dimensiones busca el determinar la
magnitud de las fuerzas o momentos actuantes (que provoquen el movimiento) y determinar la
magnitud de las fuerzas o momentos resistentes (que se opongan al movimiento) que actan en los
suelos que forman al talud.
Para lograr lo anterior se calcula la relacin entre las fuerzas o momentos resistentes y las
fuerzas o momentos actuantes obteniendo un factor seguridad que est afectado por las
incertidumbres de los parmetros que le dieron origen, por lo cual, a todo factor de seguridad
intrnsecamente va ligado un grado de incertidumbre.
2.1
disminucin de resistencia al esfuerzo cortante del suelo. Esta variacin, en general, es causada por
efectos naturales y actividades humanas.
Segn Budhu (2007) los factores principales que afectan la estabilidad de un talud, natural o
diseado son:
2.1.1
Erosin
Corona
Movimiento
Nuevo talud
ms inclinado
Pie
2.1.2
Lluvia
Durante el periodo de lluvias, los taludes se ven afectados al saturarse los suelos que los
forman, provocando un aumento de peso de la masa, una disminucin en la resistencia al esfuerzo
cortante y la erosin de la superficie expuesta. Al introducirse agua en las grietas que presente el
talud se origina un incremento en las fuerzas actuantes o aparicin de fuerzas de filtracin, pudiendo
provocar la falla del mismo, figura 2.2.
Lluvia
Grieta llena
con agua
Fuerzas de filtracin
2.1.3
Sismo
Los sismos suman fuerzas dinmicas a las fuerzas estticas actuantes a las que est sometido un
talud, provocando esfuerzos cortantes dinmicos que reducen la resistencia al esfuerzo cortante,
debilitando al suelo. Un aumento en la presin de poro en taludes formados por materiales
granulares puede provocar el fenmeno conocido como licuacin, figura 2.3.
Corona
Fuerzas ssmicas
Movimiento
Pie
W (Gravedad)
2.1.4
Aspectos geolgicos
Algunas fallas de taludes son provocadas por aspectos geolgicos no detectados durante el
levantamiento y exploracin de campo, los cuales, al no ser considerados durante la evaluacin de la
estabilidad del talud, aumentan la incertidumbre del factor de seguridad calculado, figura 2.4.
Un ejemplo de este tipo de falla es el que se present durante la operacin del Proyecto
Hidroelctrico en el talud excavado atrs de la casa de maquinas de la presa Agua Prieta, Herrera y
Resendiz (1990), en el cual un bloque de roca desliz sobre un estrato de arcilla, no detectado
durante la exploracin y construccin del proyecto.
Movimiento
Estrato dbil
2.1.5
Cargas externas
La aplicacin de cargas sobre la corona del talud provocan un aumento en las fuerzas actuantes
en la masa de suelo, lo cual puede llevar a la falla del talud si estas cargas no son controladas o
tomadas en cuenta durante la evaluacin de la estabilidad del talud, figura 2.5.
En algunos casos esta situacin se remedia mediante la excavacin de una o ms bermas en el
cuerpo del talud, lo que reduce las fuerzas actuantes en ste.
Sobrecarga en la corona del talud
Movimiento
2.1.6
Movimiento
Excavacin
Los taludes construidos con material de banco de prstamo se realizan al compactar estos
materiales en el sitio bajo especificaciones de control, generando un relleno artificial o terrapln.
2.1.7
Los embalses pueden estar sujetos a un cambio rpido en su nivel de agua y se ven sujetos a una
reduccin de la fuerza lateral que proporciona el agua, adems de que el exceso de presin de poro
no tiene tiempo de disiparse, figura 2.7.
Durante el vaciado rpido la fuerza
debida al agua es removida
Fuerzas de Filtracin
Nivel alto
Embalse
Nivel bajo
Movimiento
En ese tiempo se puede presentar la falla del talud. Si el nivel de agua en el embalse permanece
en niveles bajos y la falla no ocurre mientras presenta condiciones de resistencia al esfuerzo cortante
no drenadas, el flujo que se presenta y las fuerzas de filtracin pueden provocar la falla del talud,
figura 2.8.
Nivel superior
Zona de
mareas
Nivel inferior
Movimiento
2.2
desplazarse hacia la parte baja y al frente por efecto de su propio peso. Cuando la resistencia al
esfuerzo cortante del suelo contrarresta esa tendencia, el talud es estable; en caso contrario, se
produce un deslizamiento.
La clasificacin de deslizamientos se basa en la forma que se produce el movimiento de la masa
de suelo, como se trata a continuacin.
2.2.1
A. Rico (2000) define esta falla como un proceso ms o menos continuo y por lo general lento
de deslizamiento ladera abajo que se presenta en la zona superficial de algunas laderas naturales.
Adems del trmino deslizamiento superficial, se utiliza la palabra inglesa creep para definir este
tipo de falla.
Este tipo de falla suele afectar grandes reas de terreno. El movimiento superficial se produce
sin una transicin brusca entre la parte superficial mvil y la masa inmvil ms profunda. No se
presenta una superficie de falla definida.
Terzaghi (1948) distingue dos clases de deslizamiento superficial: 1) el estacional, que afecta
slo a la corteza superficial del talud cuyos suelos sufren la influencia de los cambios climticos en
forma de expansiones y contracciones humedecimiento y secado; 2) el masivo, que afecta a capas de
suelo ms profundas, no afectadas por el clima, por lo que slo se puede atribuir al efecto de
factores internos que actan en los suelos.
El creep estacional produce movimientos que pueden variar con la poca del ao; el masivo
presenta movimiento constante. La velocidad del movimiento rara vez excede algunos centmetros
por ao. La figura 2.9 presenta dos casos de falla por creep en taludes naturales.
Otro tipo de falla por deslizamiento superficial se presenta en la costra de suelo sobre un estrato
que por condiciones geolgicas es favorable al deslizamiento en una superficie de falla predefinida.
En general este tipo de movimiento est asociado a estratigrafas cuyo echado est en direccin del
talud y que adems se acelera al presentarse flujo de agua dentro del cuerpo del talud, figura 2.10.
Costra de suelo
v
Mo
i
im
to
en
Estrato favorable de
deslizamiento
Figura 2.10. Falla por deslizamiento superficial sobre un estrato favorable al deslizamiento
2.2.2
El deslizamiento ocurre abarcando una masa considerable de suelo que afecta a profundidad la
geometra del talud. Este tipo de falla presenta una superficie cilndrica o concoidal, sobre la cual se
produce el movimiento, generalmente de forma sbita. La falla por rotacin se clasifica con respecto
a la profundidad en que se presenta la superficie de falla y el punto donde esta superficie corta a los
planos que forman la geometra externa del talud.
De forma general la falla por rotacin puede clasificarse como:
Falla local
Ocurre cuando la superficie de falla corta al plano inclinado del talud entre el hombro y el pie,
sin cortar el pie del talud, figura 2.11. Coloquialmente a este tipo de falla se le conoce como
desconchamiento y en la mayora de los casos no corresponde a una falla catastrfica. Al provocar
un cambio en la geometra del talud puede propiciar la aparicin de fallas subsecuentes que lleven a
la falla catastrfica del talud.
vim
Mo
to
ien
Falla de pie
Se presenta cuando la superficie de falla tiene salida en las cercanas del pie del talud, figura
Mo
vim
to
ien
Falla de base
Ocurre cuando la superficie de falla corta al plano horizontal que forma la base del talud, figura
2.13, y corresponde a una falla general de toda la geometra del talud. Presenta la mayor
profundidad y puede estar limitada por estratos ms resistentes.
ov
im
ien
to
ov
to
ien
im
2.2.3
Esta falla se presenta como un movimiento importante del cuerpo del talud sobre una superficie
relativamente plana asociada a estratos poco resistente localizada en las cercanas del pie del talud,
figura 2.14.
La superficie de falla se desarrolla paralela a la estratificacin de suelos dbiles, terminando
generalmente sobre planos de agrietamientos verticales. Los estratos dbiles que propician la
aparicin de este mecanismo de falla por lo general corresponden a arcillas blandas, arenas finas o
limos no plsticos, que se encuentran empacados entre estratos de suelos de mayor resistencia.
10
Generalmente el factor que provoca la activacin del mecanismo de falla es un aumento en las
condiciones de presin de poro en el estrato dbil.
Movimiento
Estrato dbil
2.2.4
Corresponde a movimientos relativamente rpidos de una parte del talud, de forma que esos
movimientos y las velocidades en las que ocurren, corresponden al comportamiento que presentara
un lquido viscoso. No se distingue una superficie de deslizamiento debido a que sta se presenta en
un periodo breve de tiempo.
Esta falla se presenta con mayor frecuencia en taludes naturales formados por materiales no
consolidados y se desarrolla el mecanismo cuando hay un aumento apreciable en el contenido de
agua. La figura 2.15, Rico (2000), muestra algunos deslizamientos de este tipo.
11
2.2.5
Anlisis bidimensional
Se idealiza que el problema es de deformacin plana. Debido a que la longitud L es mucho
mayor que las dimensiones de la seccin transversal, figura 2.16, se considera que no existe
influencia de factores que sumen deformacin a las obtenidas al analizar la seccin transversal; es
decir, sus caractersticas en toda la longitud L son las mismas que en cualquier corte transversal
generado sobre sta, por lo cual se obtendrn los mismos resultados.
Talud
L
Superficie de falla
Al presentarse el movimiento de la masa de suelo, sta se desplaza sobre un plano que define la
falla. En los modelos para anlisis de estabilidad de taludes esta condicin se representa mediante
una forma geomtrica que se apegue ms a las condiciones presentadas en los taludes.
12
superficie de falla. En caso de taludes estratificados, la resistencia al esfuerzo cortante ser la suma
de la resistencia de cada suelo a lo largo del tramo de superficie que corta cada estrato.
2.4
Mtodos empricos
Observaciones de campo
Rico y del Castillo (2000), tabla 2.1, presentan un sumario de recomendaciones de inclinacin
de cortes en diversos materiales, utilizadas en el diseo emprico de taludes para vas terrestres. La
tabla, desarrollada hace ms de 3 dcadas, toma en cuenta los requerimientos usuales de las vas
terrestres, pero debe utilizarse con reserva y revisar sus resultados aplicando una metodologa
rigurosa.
13
2.4.2
Mtodos simplificados
Taylor
Taylor (1948), desarroll, con base en el mtodo del crculo de friccin, grficas para
determinar el factor de seguridad mnimo de un talud homogneo que se encuentra sobre un estrato
14
(2.1)
donde:
FS: factor de seguridad,
N: nmero de estabilidad,
cu: cohesin del material,
: peso volumtrico del suelo,
H: altura del talud.
En las figuras 2.17 y 2.18 se muestran las grficas de estabilidad para materiales con c 0 y
= 0 y para c 0 y 0, respectivamente.
15
Janbu
Janbu (1954) desarroll grficas de estabilidad para calcular el factor de seguridad mnimo de
un talud con base en las siguientes hiptesis: a) no existe un tirante de agua al pie del talud; b) no se
aplican sobrecargas; c) no hay grietas de tensin; d) el suelo es homogneo y su resistencia se debe
solamente a la cohesin; d) la cohesin es constante con la profundidad y e) la falla se produce por
rotacin.
En la figura 2.19 se presenta la grfica de estabilidad de Janbu. Para determinar la superficie de
falla se utilizan las grficas de la figura 2.20.
16
17
Figura 2.20. Centro y superficie de falla crtica para el caso de = 0 (Janbu, 1954)
Janbu (1954) propone factores de correccin en caso de sobrecarga, grietas de tensin o tirante
de agua al pie del talud, figura 2.21.
18
Figura 2.21. Correccin por influencia de sobrecarga, tirante de agua y grietas de tensin para el caso de = 0
(Janbu, 1954)
Bishop - Morgenstern
Bishop y Morgenstern (1960) proporcionan grficas de estabilidad para determinar el factor de
seguridad mnimo de un talud homogneo, figura 2.22, con base en el mtodo de Bishop
modificado. El factor se seguridad se calcula aplicando la ecuacin 2.2.
FS m n ru
(2.2)
19
donde:
FS: factor de seguridad,
m, n: coeficientes de estabilidad,
ru: relacin de presin de poro.
2.4.3
Estos mtodos se basan en procedimientos que toman en cuenta el equilibrio de fuerzas y/o
momentos actuantes en el talud para determinar su factor se seguridad. Requieren de parmetros
obtenidos en combinacin de un programa de exploracin del subsuelo y ensayes de laboratorio.
de la masa de suelo se produce sobre una superficie plana, el clculo del factor se seguridad
corresponde a la relacin entre la resistencia al esfuerzo cortante del suelo y la fuerza cortante que
acta en el talud, ecuacin 2.3.
FS
s
m
(2.3)
donde:
FS: factor se seguridad,
s: resistencia al esfuerzo cortante del suelo,
m: fuerza cortante actuante en el talud.
Por simplificacin, se considera en estos mtodos que el suelo es homogneo y no estratificado
en la masa de suelo en movimiento.
20
Para taludes de longitud infinita formados por suelos con c = 0 y 0, el factor de seguridad
se calcula como:
FS
hpw
s
tan
1
m tan H cos 2
(2.4)
donde:
: ngulo de friccin del suelo,
: ngulo de inclinacin del talud,
H: espesor del suelo en movimiento,
hp: altura piezomtrica dentro del talud en la superficie de falla,
: peso volumtrico del suelo,
w: peso volumtrico del agua,
s. resistencia al esfuerzo cortante del suelo a lo largo de la superficie de falla,
m: esfuerzo cortante actuante en el talud a lo largo de la superficie de falla.
En la figura 2.23 se muestra el diagrama de fuerzas consideradas en este caso.
piezmetro
c=0
W
F
hp
H
21
FS
h
s
c
tan
1 p w2
(2.5)
donde:
: ngulo de friccin del suelo,
c: cohesin del suelo,
: ngulo de inclinacin del talud,
H: espesor del suelo en movimiento,
hp: altura piezomtrica dentro del talud en la superficie de falla,
: peso volumtrico del suelo,
w: peso volumtrico del agua,
s. resistencia al esfuerzo cortante del suelo a lo largo de la superficie de falla,
m: esfuerzo cortante actuante en el talud a lo largo de la superficie de falla,
En la figura 2.24 se presenta el diagrama de fuerzas considerado para taludes infinitos.
piezmetro
c=0
W
F
hp
H
Fellenius
Tambin conocido como Mtodo Sueco. Este mtodo es el primer mtodo riguroso que
considera la estabilidad del talud a travs del anlisis de fuerzas que actan en ste, dividiendo a la
masa de suelo en movimiento en franjas independientes o dovelas.
El mtodo considera una superficie de falla cilndrica, la cual tiene rotacin considerando un
punto de giro que corresponde al centro del crculo que define la superficie de falla. Se ignora la
22
friccin entre dovelas y slo se consideran las fuerzas normales y tangenciales a lo largo de la
superficie de falla que actan en cada una de ellas.
El factor de seguridad se calcula como la relacin entre la sumatoria de los momentos
resistentes de cada dovela y la sumatoria entre los momentos actuantes tambin en cada dovela,
ambos respecto al centro del crculo de falla, figura 2.25.
T
W
W = peso de dovela
T = fuerza tangencial al plano de falla
N = fuerza normal al plano de falla
T
N
Figura 2.25. Diagrama de cuerpo libre y polgono de fuerzas aplicado en el mtodo de Fellenius
FS
c Ntan
Wsen
(2.6)
donde:
c: cohesin del suelo,
: ngulo de friccin del suelo,
: longitud de la superficie de falla,
N: fuerza normal (W cos),
W: peso de la dovela,
: ngulo de inclinacin de la superficie de falla.
Bishop modificado
Bishop (1954) propuso un mtodo cuya solucin es una refinacin mayor al mtodo de
Fellenius. Considera una superficie de falla cilndrica y una masa de suelo que gira sobre un punto,
23
el cual corresponde al centro del crculo que define la superficie de falla. No considera la friccin
entre dovelas, solamente las fuerzas normales a stas.
Considerando que se establece el equilibrio vertical de todas las fuerzas que actan sobre cada
dovela, y que el factor de seguridad es la relacin entre la sumatoria de los momentos resistentes y la
sumatoria de los momentos actuantes, se tiene:
FS
1
sen tan
c Wtan cos
FS
Wsen
(2.7)
donde:
c: cohesin del suelo,
: ngulo de friccin del suelo,
: longitud de la superficie de falla,
W: peso de la dovela,
: inclinacin de la superficie de falla.
Como el factor de seguridad est implcito en la ecuacin, el mtodo se reduce a una solucin
mediante tanteos. Con la aplicacin de la informtica esta accin se puede resolver de manera
sencilla. Kering (1955) propuso una grfica que auxilia en la solucin al asignar valores al
coeficiente cos
sen tan
.
FS
Figura 2.26. Diagrama de cuerpo libre y polgono de fuerzas aplicado en el mtodo Bishop modificado
24
Janbu simplificado
El mtodo de Janbu simplificado, Fredlund y Krahn (1977), es similar al de Bishop modificado,
con la diferencia de que solamente considera el equilibrio de fuerzas horizontales, mientras que
Bishop modificado considera el equilibrio de momentos.
El mtodo toma en cuenta las fuerzas normales generadas entre las dovelas, sin considerar las
fuerzas de friccin generadas entre stas.
El factor de seguridad se calcula como:
FS
(2.8)
donde:
FS: factor de seguridad,
c: cohesin del suelo,
: ngulo de friccin del suelo,
l: longitud de la superficie de falla,
W: peso de la dovela,
: inclinacin de la superficie de falla,
P: fuerza normal total en la base de la dovelas,
u: presin de poro,
A: carga uniforme en la corona del talud,
k: coeficiente ssmico,
L: carga uniformemente repartida sobre la corona del talud.
Morgenstern Price
Morgenstern y Price (1965) propusieron un mtodo que satisface el equilibrio esttico de
fuerzas y momentos en forma rigurosa. Considera que la fuerza resultante entre dovelas vara con
respecto a un porcentaje de una funcin arbitraria y por una constante . Estos factores permiten
utilizar superficies de falla curvas que no necesariamente sean cilndricas.
Las ecuaciones 2.9 y 2.10 presentan el calculo del factor se seguridad con respecto al equilibrio
de fuerzas y de momentos, respectivamente.
25
FS m
FS f
{c (N uL)Rtan}
Wx Nf Dd
c N u tancos
Nsen Dcos
(2.9)
(2.10)
donde:
FSm: factor de seguridad con respecto al equilibrio de momentos,
FSf: factor se seguridad con respecto al equilibrio de fuerzas,
c: cohesin del suelo,
: ngulo de friccin del suelo,
: longitud de la superficie de falla,
W: peso de la dovela,
: inclinacin de la superficie de falla,
N: fuerza normal entre dovelas,
x: fuerza tangencial entre dovelas.
2.4.4
Estabilidad dinmica
Buscando cuantificar los efectos ssmicos que afectan a los taludes, se han desarrollado criterios
para tenerlos en cuenta en el anlisis y diseo. Marsal y Resndiz (1975) consideran que los
primeros anlisis ssmicos aplicados en la estabilidad de taludes de presas se hicieron considerando
el efecto ssmico como una aceleracin horizontal, uniforme, aplicada estticamente a las cargas que
representan el talud.
Como resultado se obtiene un anlisis aproximado, relativamente sencillo, que ha tenido gran
aceptacin entre los ingenieros de la prctica profesional. Con el desarrollo de la informtica se han
implementado mtodos y modelos ms rigurosos para el anlisis dinmico de las estructuras trreas.
Anlisis seudoesttico
El anlisis seudoesttico representa los efectos del sismo mediante una aceleracin que crea
fuerzas internas, horizontales y verticales, causando un aumento en el nmero de fuerzas que actan
en el talud.
Ests fuerzas estn definidas como:
26
Fh
ah
W ch W
g
(2.11)
Fv
av
W cvW
g
(2.12)
donde:
Fh: fuerza horizontal,
Fv: fuerza vertical,
ah: aceleracin horizontal,
av: aceleracin vertical,
g: fuerza de gravedad,
W: peso de la dovela,
ch: coeficiente ssmico horizontal,
cv: coeficiente ssmico vertical.
Anlisis dinmico
El anlisis dinmico de la estabilidad de taludes debe incluir las fuerzas inerciales que obran en
la masa del suelo del talud. Cuando el empleo de un modelo refinado, anlisis elastodinmico o
elasto plstico dinmico, no se justifique, una alternativa consiste en realizar un anlisis esttico
equivalente, simulando los efectos del sismo mediante fuerzas de inercia que actan en el centro de
gravedad de la masa de suelo.
Cuando sea aceptable suponer un mecanismo de falla rotacional, la masa de suelo que desliza
estar delimitada por la superficie del terreno y por el crculo o espiral logartmica que representa la
superficie de falla; en este caso es recomendable emplear el mtodo propuesto por Spencer (1978),
que se describe a continuacin.
El mtodo de Spencer evala la estabilidad de taludes sujetos a fuerzas debidas a aceleraciones
laterales. Los principales objetivos son: a) evaluar el efecto en la estabilidad del talud variando la
inclinacin de la fuerza causada por la aceleracin lateral, y b) comparar la posicin de la superficie
de falla crtica obtenida con diferentes variables que satisfagan las ecuaciones de equilibrio.
a) Fuerzas que actan en la masa de suelo.
La figura 2.27(a) muestra la seccin transversal de un talud y la superficie de falla considerada
para el anlisis. El suelo dentro de la superficie de falla se divide en un nmero adecuado de
dovelas. En la figura se muestra la direccin de la aceleracin T y es posible considerar el efecto de
27
una grieta de tensin en la corona del talud con profundidad t. Se supone el efecto de la aceleracin
mediante el clculo de la fuerza de inercia que acta en el centro de gravedad de cada dovela.
Figura 2.27. Diagrama de cuerpo libre y polgono de fuerzas aplicado en el mtodo de Spencer
La figura 2.27(b) muestra una dovela. En ella se muestran las fuerzas consideradas en el
anlisis, la fuerza de inercia, NW1, correspondiente a una aceleracin lateral N veces la gravedad; el
peso de la dovela, W1; la fuerza normal en la base de la dovela, P1; la resistencia al esfuerzo cortante
movilizada, Sm1, que es igual que la fuerza cortante disponible, S1, dividida por el factor de
seguridad, F; las fuerzas ZLI, y ZRI, que actan en las fronteras laterales de la dovela. El polgono de
fuerzas generado con las fuerzas antes mencionadas se presenta en la figura 2.27(c).
b) Ecuaciones para el equilibrio de fuerzas.
28
La ecuacin 2.13 es la expresin utilizada para el clculo de la fuerza ZRI. Para aplicar esta
ecuacin, debe encontrarse la fuerza externa ZE requerida para estabilizar el talud. El proceso de
solucin involucra la eliminacin de la fuerza ZE.
c'
tan'
b I sec I
WI cos I Nsin I u I b Isec I
F
Z RI F
tan'
cos I RI
sin I RI
F
tan'
cos I LI
sin I LI
WI sin I Ncos I
F
Z LI
tan'
tan'
cos I RI
cos I RI
sin I RI
sin I RI
F
F
(2.13)
I1
I1
MT
1 2
t l w
2
(2.14)
(2.15)
tan I k I tan
(2.16)
29
esttico que evala las presiones ssmicas que desarrollan los suelos sobre muros de contencin.
Este mtodo es conocido como el mtodo Mononobe Okabe.
El mtodo considera la aplicacin de aceleraciones seudoestticas, tanto en direccin horizontal
como vertical, que actan en la cua activa considerada en el mtodo de Coulomb. Las magnitudes
de estas fuerzas seudoestticas, horizontales y verticales, estn relacionadas con la masa de la cua,
ecuaciones 2.17 a 2.20.
a h k h g
(2.17)
a v k v g
(2.18)
Fh k h (Wi )
(2.19)
Fv k v (Wi )
(2.20)
donde:
ah = aceleracin horizontal,
av = aceleracin vertical,
kh = coeficiente ssmico horizontal,
kv = coeficiente ssmico vertical,
Fh = Fuerza seudoesttica horizontal,
Fv = Fuerza seudoesttica vertical,
g = aceleracin de la gravedad,
Wi = Peso de la cua.
El mtodo Mononobe Okabe puede ser adaptado para su utilizacin en estabilidad de taludes
considerando a las fuerzas seudoestticas, calculadas mediante las ecuaciones 2.19 y 2.20, al
considerar el peso de la dovela en estudio dentro del equilibrio de fuerzas y/o momentos que emplee
el mtodo utilizado para el clculo del factor de seguridad.
2.4.5
Uso del mtodo del elemento finito para clculo del factor de seguridad
El mtodo del elemento finito es utilizado para calcular el desplazamiento y los esfuerzos
provocados por las cargas que actan en un talud. El clculo del factor de seguridad con este mtodo
30
corresponde a la relacin del esfuerzo cortante calculado en un etapa de anlisis con respecto al
esfuerzo cortante calculado en un etapa de anlisis anterior. Este proceso contina hasta que se
obtenga la convergencia del mtodo.
El Cuerpo de Ingenieros del Ejercito de Estados Unidos, USACE por sus siglas en ingles
(2003), define que el factor de seguridad aplicando el mtodo de elemento finito se calcula con la
ecuacin 2.21.
FS
s l
l
i
(2.21)
i 1
donde:
FS: factor de seguridad,
si: esfuerzo cortante calculado en la etapa i,
i-1: esfuerzo cortante calculado en la etapa i-1,
l: longitud de cada elemento individual en que fue dividida la superficie que desliza.
En la figura 2.28 se observa la comparacin entre la superficie de falla obtenida con el mtodo
de elemento finito y el obtenido con el mtodo de Morgenstern - Price. Se observa que existe una
semejanza en la forma de la superficie de falla, la cual puede no ser cilndrica.
Los clculos del factor de seguridad con el elemento finito presentan variacin al compararlos
con los obtenidos con mtodos de equilibrio lmite; con el primero se obtienen resultados ms
conservadores.
31
2.4.6
Debido a los cambios en las condiciones internas y externas que presenta un talud a lo largo de
su vida til, se han establecido diferentes condiciones que deben analizarse al revisar el diseo de un
corte o terrapln. Estas condiciones tratan de representar los estados crticos a los que puede estar
sometido el talud.
utilizando mtodos en funcin de esfuerzos totales, los cuales utilizan parmetros de resistencia
obtenidos de pruebas triaxiales de tipo no consolidada no drenada (UU) o prueba de compresin
simple (qu) sobre especimenes compactados a las mismas condiciones de peso volumtrico y
contenido de agua que en campo.
La presin de poro generada durante la construccin no se considera en forma explcita en los
anlisis.
32
parmetros determinados en pruebas triaxiales tipo consolidada drenada (CD) o tipo consolidada no
drenada (CU) con medicin de presin de poro, sobre especimenes compactados a las mismas
condiciones de contenido de agua y peso volumtrico que el que presentan los materiales en campo.
La presin de poro generada en el cuerpo del talud est definida por las condiciones de
filtracin o flujo de agua, que deben ser evaluadas para considerarlos en el clculo del factor de
seguridad.
Vaciado rpido
La condicin de vaciado rpido o cualquier otra condicin en la que el talud se haya
consolidado bajo una cierta condicin de carga, y repentinamente sufra un cambio de las cargas
actuantes sin permitir que transcurra tiempo suficiente para disipar la presin de poro generada, se
analizan en trminos de esfuerzos totales, con parmetros obtenidos de ensayes triaxiales tipo CU,
en especmenes compactados a las mismas condiciones de contenido de agua y peso volumtrico
que los obtenidos en campo.
Debido a que la condicin de vaciado rpido corresponde a un anlisis de flujo de agua del tipo
transitorio, se han desarrollado mtodos grficos para calcular el factor de seguridad como es el de
Morgenstern (1963) o el de elemento finito.
33
3
3.1
PROBABILIDAD
Probabilidad
Buscando describir y cuantificar la heterogeneidad que presentan los suelos en sus propiedades
PA
T
N
(3.1)
donde:
P(A): probabilidad de ocurrencia del evento A,
T: nmero de veces que puede ocurrir el evento A,
N: nmero total de eventos que pueden ocurrir.
La relacin entre los eventos y el correspondiente espacio muestral se pueden representar de
forma grfica utilizando diagramas de Venn, figura 3.1. En este diagrama se representa al espacio
muestral como un rectngulo y los eventos como crculos trazados dentro del rectngulo.
34
S
A
7
3
4
1
Para poder determinar la probabilidad de que ocurra un evento es necesario determinar el tipo
de evento del que se trata, buscando relacionar su dependencia o independencia de otros eventos que
se encuentran contenidos dentro del mismo espacio muestral.
Para ciertos experimentos estadsticos no es nada extrao definir dos eventos, A y B, que no
pueden ocurrir de forma simultnea. En este caso se tiene que los eventos A y B son mutuamente
excluyentes o disjuntos cuando no comparte elementos entre s, lo que hace que la probabilidad de
que ocurra A no depende de la probabilidad de que ocurra B y viceversa.
Si A1, A2, es una sucesin de eventos mutuamente excluyentes, A i A j para toda i j,
se tiene:
P A i PA i
i1 i1
(3.2)
PA B P(A) P(B)
(3.3)
La probabilidad de que ocurran de forma simultnea los eventos A y B, cuando son mutuamente
excluyentes, se calcula como el producto de la probabilidad de que ocurra A y la probabilidad de
que ocurra B, ecuacin 3.4.
PAB PA B PA PB
(3.4)
35
PA B PA PB PAB
(3.5)
Cuando los eventos A y B son dependientes entre s, la probabilidad de que ocurra el evento A
depende de la probabilidad de que ocurra el evento B y la probabilidad de que ocurran de forma
simultnea los eventos A y B. Lo anterior se conoce como probabilidad condicional, en la cual la
probabilidad de que ocurra A, dado que ocurri el evento B es:
PA B
PA B
PB
(3.6)
donde.
PA B PA PB A
(3.7)
donde:
Teorema de Bayes
El teorema propuesto por Thomas Bayes da como resultado la distribucin de probabilidad
condicional de una variable aleatoria A, dado que ocurri el evento B en trminos de la distribucin
de probabilidad condicional de la variable B dado que ocurri A y la distribucin de probabilidad
marginal de slo el evento A.
36
B1
B2
B7
B3
B4
B6
B8
B5
La figura 3.2 representa el caso donde el espacio muestral S se parte en k subconjuntos. Si los
eventos B1, B2,, Bk constituyen una particin del espacio muestral S, tal que P(Bi) 0 para
i = 1, 2, , k, entonces, para cualquier evento A del espacio muestral S, la probabilidad del evento
A, ecuacin 3.8, es conocida como regla de eliminacin.
P(A) PBi A PBi PA Bi
k
i 1
i 1
(3.8)
PBr A
PBr A
i 1
3.3
PBr PA Br
PB A PB PA B
k
i 1
para r = 1, 2,, k
(3.9)
Variables aleatorias
Una variable aleatoria es una funcin que se asocia a un nmero real con cada elemento del
espacio muestral, Walpole (2007). Se pueden dividir en dos categoras: si un espacio muestral
contiene un nmero finito de posibilidades, o una serie interminable con tantos elementos como
37
nmeros enteros existen, se llama espacio muestral discreto, por lo cual, una variable aleatoria se
llama variable aleatoria discreta si se puede contar su conjunto de resultados posibles.
Si un espacio muestral contiene un nmero infinito de posibilidades, igual al nmero de puntos
en un segmento de lnea, se le llama espacio muestral continuo, por lo cual, cuando una variable
aleatoria puede tomar valores en un intervalo completo de nmeros, dentro de una escala continua,
se le conoce como variable aleatoria continua.
En la mayora de los problemas prcticos, las variables aleatorias continuas representan datos
medidos, mientras que las variables aleatorias discretas representan datos obtenidos mediante
conteo.
En lo sucesivo se representar a una variable aleatoria por medio de una letra mayscula,
mientras que los valores numricos reales que puede asumir dicha variable aleatoria se representan
mediante la letra en minscula utilizada para definir a la variable.
3.3.1
Una variable aleatoria discreta toma cada uno de sus valores posibles con cierta probabilidad.
Con frecuencia es conveniente representar todas las probabilidades de una variable aleatoria X
utilizando una funcin de los valores numricos x que toma la variable, f(x). Al conjunto de pares
ordenados (x, f(x)) se llama funcin de probabilidad o distribucin de probabilidad de la variable
aleatoria discreta X.
El conjunto de pares ordenados (x, f(x)) forman una funcin de probabilidad para la variable
aleatoria discreta X, si para cada resultado posible x se cumple: f(x) 0,
f(x) 1
x
y P(X = x) = f(x).
Existen problemas en los que se calcula la probabilidad de que el valor observado de una
variable aleatoria X sea menor o igual que algn valor x. Al describir F(x) = P(X x) para cualquier
nmero real de x, se define a F(x) como una funcin de la distribucin acumulada de la variable
aleatoria X.
La distribucin de la distribucin acumulada F(x) de una variable aleatoria discreta X con
distribucin de probabilidad f(x) es:
F(x) P(X x) f(t) , para - < x <
(3.10)
t x
38
3.3.2
Una variable aleatoria continua tiene una probabilidad cero de tomar exactamente cualquiera de
sus posibles valores, en consecuencia, su distribucin de probabilidad no se puede dar de forma
tabular, teniendo un intervalo de valores en lugar de un valor puntual de la variable aleatoria.
Es por ello que se define a la variable aleatoria X como continua si puede tomar el nmero
infinito de valores asociados con intervalos de nmeros reales y existe una funcin, f(x), llamada
funcin de densidad de probabilidad, si para cada resultado posible de x se cumple:
f(x) 0,
Para una variable aleatoria continua X con cualquier valor especifico a la probabilidad de sta
es igual que cero, ecuacin 3.11.
PX a f(x)d(x) 0
(3.11)
La funcin de distribucin acumulada, F(x), de una variable aleatoria continua X con funcin de
densidad f(x) es:
(3.12)
3.3.3
Se pueden definir variables aleatorias dentro de un mismo espacio muestral; en este caso, se
tiene una distribucin de probabilidad miltivariada. Si X1 y X2 son dos variables aleatorias discretas,
la distribucin de probabilidad conjunta de X1 y X2 es:
(3.13)
39
p1 (v1 ) pv1 , v 2
(3.14)
p 2 (v 2 ) pv1 , v 2
(3.15)
v2
v1
b2 a 2
f x , x d(x ) d(x
1
(3.16)
b1 a1
f1 x1 f(x1 , x 2 ) d(x 2 )
(3.17)
f 2 x 2 f(x1 , x 2 ) d(x1 )
(3.18)
3.3.4
Independencia estadstica
f x, y gx h y
(3.19)
Para el caso de variables con distribucin de probabilidad conjunta, se tiene: Sean X1, X2,,
Xn, n variables aleatorias, discretas o continuas, con distribucin de probabilidad conjunta
40
f(x1, x2,, xn) y distribuciones marginales f1(x1), f2(x2),, fn(xn), respectivamente. Se considera que
las variables aleatorias X1, X2,, Xn son estadsticamente independientes, para toda x1, x2,,xn
dentro de sus rangos, si y slo si:
(3.20)
Esperanza
Sea X una variable aleatoria con distribucin de probabilidad f(x). La esperanza o valor
esperado de X se calcula como:
E(X) x f(x) , si X es una variable discreta
(3.21)
E(X)
(3.22)
3.4.2
Media
La media de X da un valor que es representativo o promedio de los valores de X, por est razn
se le denomina como medida de tendencia central, se calcula como:
41
x 1 x 2 ... x n
n
(3.23)
donde:
_
x = media,
xn = valor de x,
n = nmero de datos
3.4.3
Mediana
La mediana de un conjunto de datos ordenados por magnitudes es el valor central de esta serie o
la media de los valores centrales y se describe como:
N
f 1
c
X L1 2
f mediana
(3.24)
donde:
X : mediana,
Moda
La moda de un conjunto de datos es el valor que ocurre con mayor frecuencia; sta puede no
existir o incluso no ser nica. La moda llega a obtenerse de una distribucin de frecuencias o de un
histograma mediante la siguiente ecuacin:
42
^
1
c
X L1
1 2
(3.25)
donde:
^
X : Moda,
L1: frontera inferior de la clase modal,
1: diferencia de la frecuencia de la clase modal con la frecuencia de la clase inmediata inferior,
2: diferencia de la frecuencia de la clase modal con la frecuencia de la clase inmediata inferior,
c: tamao del intervalo de la clase modal.
3.4.5
Varianza
La varianza es una medida de dispersin de los datos alrededor del valor medio de la
distribucin. Sea X una variable aleatoria con distribucin de probabilidad f(x) y media , la
varianza se calcula como:
(3.26)
varX E X
(3.27)
Covarianza
La covarianza entre dos variables aleatorias es una medida de la naturaleza de asociacin entre
ambas. Sean X y Y variables aleatorias con distribuciones de probabilidad conjunta f(x,y), la
covarianza se calcula como:
XY EX X Y Y
(3.28)
XY EX X Y Y
x X y Y f x, y dx dy , si X y Y son variables
continuas
(3.29)
43
3.4.7
Desviacin estndar
j1
(3.30)
Esta medida corresponde a la media cuadrtica de las desviaciones en relacin con la media;
tambin es conocida como desviacin de la media cuadrtica.
3.4.8
Coeficiente de variacin
La relacin entre la desviacin estndar (), como medida de dispersin, y la media (), como
medida de centralizacin, permite evaluar el grado de dispersin que existe en una muestra. A esta
relacin se le llama coeficiente de variacin (CV) y se calcula como:
CVX
3.4.9
X
X
(3.31)
Coeficiente de correlacin
Aunque la covarianza entre dos variables aleatorias brinda informacin respecto a la naturaleza
de la relacin, la magnitud de XY no indica nada con respecto a la fuerza de la relacin, ya que XY
depende de la escala. Su magnitud es funcin de las unidades en que se miden X y Y. A la versin
de la covarianza libre de la escala se le denomina coeficiente de correlacin.
Sean X y Y variables aleatorias con covarianza XY y desviacin estndar X y Y,
respectivamente. El coeficiente de correlacin X y Y se calcula como:
XY
XY
X Y
(3.32)
3.4.10 Tendencia
La tendencia se define como la componente no aleatoria de los datos y tiene, generalmente, una
explicacin fsica (como el crecimiento de la resistencia al esfuerzo cortante con la profundidad, por
mencionar un ejemplo). La estimacin de la tendencia puede conseguirse de varias maneras, la ms
44
usual es utilizando el mtodo de mnimos cuadrados para determinar la ecuacin que represente la
grfica generada con los datos de la muestra analizada. Con esta ecuacin se puede estimar
numricamente el valor de la pendiente que define la tendencia, si es que sta existe.
Otra alternativa, aunque un tanto rudimentaria, es utilizar el mtodo de libre ajuste, el cual
consiste en ajustar manualmente una recta o curva de tendencia mediante la sola observacin del
grfico. Este mtodo tiene el inconveniente de depender en gran medida del criterio y la experiencia
de la persona que realice el ajuste.
3.5
variables aleatorias y establecer la distribucin que presentan estas variables. Si g(X) = Xr para r = 1,
2, 3,, un valor esperado, denominado r simo momento alrededor del origen (r), de una
variable aleatoria X est dado por:
(3.33)
(3.34)
Como el primer y el segundo momento alrededor del origen estn definidos por 1 = E(X) y
2 = E(X2), es posible escribir la media y la varianza de una variable aleatoria como:
= 1
(3.35)
2 = 2
(3.36)
Los momentos de una variable aleatoria se pueden determinar directamente con las ecuaciones
3.37 y 3.38. Existe un procedimiento alternativo, el cual requiere la utilizacin de una funcin
generadora de momentos.
La funcin generadora de momentos de la variable aleatoria X est dado por E(etX) y se denota
como MX(t), para una variable aleatoria continua y discreta, respectivamente, se define como:
(3.37)
45
(3.38)
d r M X (t)
'r x r e tx f(x) , si X es una variable discreta
dt r t 0
(3.39)
d r M X (t)
'r x r e tx f(x)d(x) , si X es una variable continua
r
dt
t 0
(3.40)
Asimetra
La asimetra es el sesgo o la distorsin de la simetra de una distribucin. Si la curva de
frecuencia de una distribucin tiene una cola ms larga hacia la derecha del mximo central que
hacia la izquierda, se considera como de asimetra positiva; en el caso contrario, cuando la
distribucin est cargada hacia la izquierda del mximo central la asimetra es negativa.
En las distribuciones asimtricas, la media tiende a caer en el mismo lado que la moda, por lo
anterior es posible el cuantificar la simetra con respecto a estos dos parmetros. Este valor se puede
volver adimensional si se divide entre una medida de dispersin como la desviacin estndar.
x
Asimetra 2
(3.41)
46
3.7
'3
'2
(3.42)
Curtosis
La curtosis mide qu tan puntiaguda es una distribucin con respecto a una distribucin normal.
Una distribucin con un pico relativamente alto se denomina leptocrtica, una curva achatada recibe
el nombre de platocrtica y la distribucin normal se le conoce como mesocrtica. Una medida de la
curtosis se realiza con el cuarto momento con respecto a la media, expresado en forma adimensional
y es llamado coeficiente momento de curtosis, 4, ecuacin 3.43.
3.8
'4
'4
4 '2 2
(3.43)
Distribuciones de probabilidad
Cuando las variables aleatorias toman diversos valores, la probabilidad asociada a cada uno de
ellos puede ser organizada como una distribucin de probabilidad, la cual puede representarse a
travs de una tabla, una grfica o una ecuacin. En lo que sigue se presentan algunas de las
distribuciones de probabilidad utilizadas para la solucin de problemas de ingeniera.
3.8.1
Distribucin de Poisson
El nmero de resultados que ocurren durante un intervalo dado o en una regin especfica que
dan valores numricos a una variable aleatoria, se le conoce como experimento de Poisson. ste se
deriva del proceso de Poisson que tiene las siguientes propiedades:
El nmero de resultados que ocurren en un intervalo o regin especfica es independiente del
nmero que ocurre en cualquier otro intervalo o regin del espacio disjunto.
La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una regin
pequea es proporcional a la longitud del intervalo o del tamao de la regin y no depende del
nmero de resultados que ocurren fuera de este intervalo o regin.
La probabilidad de que ocurra ms de un resultado en tal intervalo corto, o que caiga en tal
regin pequea, es insignificante.
47
Al nmero X de resultados que ocurren durante un experimento de Poisson se les conoce como
variable aleatoria de Poisson y su distribucin de probabilidad es conocida como Distribucin de
Poisson.
La distribucin de probabilidad de una variable aleatoria de Poisson X que representa al nmero
de resultados que ocurren en un intervalo dado o regin especficos, t, es:
e t t
, x 0,1,2,...,
x!
x
p(x; t)
(3.44)
(3.45)
Varianza: 2 =
(3.46)
Desviacin estndar:
(3.47)
(3.48)
(3.49)
Distribucin normal
Abraham DeMoivre desarroll la ecuacin matemtica de la curva normal. sta ofrece una base
sobre la que se fundamente una parte de la teora estadstica inductiva. Comnmente se le conoce a
la distribucin normal como distribucin de Gauss.
Una variable aleatoria continua X que tiene la distribucin normal, es conocida como variable
aleatoria normal. La ecuacin que describe la distribucin de una variable aleatoria normal depende
de dos parmetros: la media y la desviacin estndar. La densidad de la densidad de la variable
aleatoria normal X, con media, , y desviacin estndar, , es:
n x; ,
2 x 2
1
e 2
, para - < x <
2
1
(3.50)
48
En la figura 3.3 se observa a la curva normal, la cual contiene las siguientes propiedades: a) la
moda ocurre en x = ; b) la curva es simtrica con respecto a un eje vertical que cruza a travs de la
media; c) la curva tiene sus puntos de inflexin en x = , es cncava hacia abajo si
< X < + , y es cncava hacia arriba en cualquier otro caso; d) la curva normal es asinttica
al eje horizontal; e) el rea comprendida bajo la curva y el eje horizontal es igual que 1.
(3.51)
Varianza: 2
(3.52)
Desviacin estndar:
(3.53)
(3.54)
(3.55)
Se entiende que x es normal o que est normalmente distribuida, cuando se tiene una media
igual que 0 y varianza igual que 1. Estos parmetros permiten observar que en una distancia de 6 se
encuentra comprendida un rea del 99.73% del rea total.
3.8.3
Distribucin rectangular
49
1
, AxB
BA
(3.56)
f(X)
0.5
1,3
AB
2
Varianza: 2
(3.57)
B A 2
Desviacin estndar:
3.8.4
(3.58)
12
B A 2
12
(3.59)
(3.60)
(3.61)
t de Student
Para muestras de tamao n < 30 datos, conocidas como muestras pequeas, la aproximacin a
una distribucin normal no es adecuada y empeora al reducirse el nmero de datos con los que se
50
X
S
n
(3.62)
donde:
t: distribucin de t,
X : mediana,
: media,
S: anlogo de la muestra para la desviacin estndar,
n: nmero de datos.
Si se consideran muestras de tamao n seleccionada de una poblacin normal o
aproximadamente normal, conociendo el valor de la media y si para cada muestra se calcula t se
puede obtener la distribucin de t. Esta distribucin est dada por:
f x
Y0
t2
1
1
2
n 1
(3.63)
(3.64)
donde:
f(x): funcin de X,
Y0: constante dependiente de n,
: nmeros de grados de libertad.
Para valores grandes de o n las curvas de la distribucin t se aproximan mucho a la curva
normal como se observa en la figura 3.5.
f x
1 0.5t 2
e
2
(3.65)
51
Y
0.4
Normal
0.3
= 4
= 1
0.2
0.1
t
-4
-3
-2
-1
3.8.5
Distribucin lognormal
f x; ,
(3.66)
f x; , 0 , si x < 0
(3.67)
= 0, = 1
0.8
0.6
= 1, = 1
0.4
0.2
x
0
2
2
(3.68)
2 e 2 e 1
2
(3.69)
52
Distribucin Beta
f x
x 1 1 x
B,
(3.70)
Bm, n u
n 1
m 1
1 u
du , m > 0, n > 0
(3.71)
(3.72)
(3.73)
Cuando se tiene > 1 y > 1, se presenta una moda nica que est definida como:
1
2
(3.74)
53
Al variar los parmetros y la distribucin beta puede tomar diferentes formas, similares a
otras distribuciones de probabilidad, como se observa en la figura 3.8, con la ventaja de que esta
funcin de densidad no es asinttica con el eje x en ambos extremos, lo que facilita su aplicacin.
54
Figura 3.8. Formas que adquiere la distribucin beta al variar los parmetros y
3.9
Estadstica
3.9.1
Teora de muestreo
La teora de muestreo consiste en el estudio de las relaciones existentes entre una poblacin y
las muestras que se extraen de sta. Es de gran utilidad para estimar caractersticas desconocidas de
la poblacin como son la media y la varianza. La teora de muestreo permite determinar si las
diferencias existentes entre dos muestras son significativas.
3.9.2
Para que los resultados obtenidos mediante la teora de muestreo sean vlidos, se deben elegir
muestras representativas de la poblacin mediante el diseo del experimento. Una forma de obtener
una muestra representativa es mediante un proceso de muestreo aleatorio, en el cual cada miembro
de la poblacin tiene la misma probabilidad de ser incluido en la muestra. Un ejemplo de un
muestreo aleatorio es obtener nmeros de una urna.
Dependiendo de la forma en que se lleve a cabo el muestreo se pueden generar muestreos con y
sin reemplazamiento; por ejemplo, si se saca un nmero de una urna, existe la opcin de reponer o
no el nmero en la urna antes de realizar la segunda extraccin. Para poder estimar la forma en que
se pueden extraer los nmeros de la urna, se calculan el nmero de combinaciones y permutaciones
que puedan presentarse.
55
3.9.3
Distribuciones de muestreo
Considerando todas las muestras posibles de tamao N que pueden obtenerse de una poblacin
dada, con o sin reemplazamiento, en cada muestra se calcula un estadstico, media o desviacin
estndar, que vara de una muestra a otra. De esta manera, se puede obtener una distribucin del
estadstico considerado llamada distribucin muestral.
y , respectivamente, se tiene:
__
(3.75)
__
X
Np N
Np 1
(3.76)
__
X
(3.77)
Para valores grandes de N, N 30, la distribucin muestral de medias es, en forma aproximada,
una distribucin normal, independiente de la poblacin siempre que la media y la varianza de la
poblacin sean finitas y el tamao de la poblacin sea al menos el doble que el de la muestra.
56
P p
P
(3.78)
pq
N
(3.79)
Errores estndar
La desviacin estndar de una distribucin muestral de un estadstico se denomina error
estndar. La tabla 3.1 presenta los errores estndar de las distribuciones muestrales para diversos
estadsticos, bajo las condiciones de muestreo aleatorio de una poblacin infinita o de muestreo con
reemplazamiento de una poblacin infinita.
Tabla 3.1. Errores estndar de las distribuciones muestrales
57
Para muestras grandes las distribuciones muestrales son normales o semejantes a la distribucin
normal; por lo anterior, se les conocen a los mtodos como mtodos de muestreo grande. Para
muestras pequeas con N < 30 se aplica la teora exacta de muestreo.
3.9.4
desea estimar, se busca obtener su valor de forma aproximada mediante un estimador que es
funcin de la muestra obtenida, por lo cual:
g X1 , X 2 ,...X n
^
(3.80)
Esta funcin debe escogerse de forma tal que la estimacin tenga una precisin adecuada al
aplicar mtodos como el de los momentos y el de la mxima verosimilitud.
Algunas de las propiedades de los estimadores que permiten definir la aproximacin obtenida,
son: estimador presenta sesgo respecto al parmetro estimado, si
^
E 0
(3.81)
(3.82)
Ejemplo 3.1
Aplicando el mtodo de los momentos se busca demostrar que el primer momento de la muestra
coincide con el de la variable aleatoria de inters, esto es:
_
X E X
58
Intervalos de confianza
se busca definir lmites entre los que se encuentre el parmetro con alta probabilidad. A los
intervalos as definidos se les conoce como intervalos de confianza. Para poder definir este intervalo
es necesario disponer de una funcin g(muestra, ) del parmetro estimado con distribucin de
probabilidad conocida e independiente del parmetro, por lo cual, para cualquier proposicin del
tipo Pa g b , permitir obtener otra equivalente relativa al parmetro Pc d 1 ,
que es el intervalo de confianza de ste. La probabilidad 1 recibe el nombre de nivel de
confianza.
__
donde zc depende del nivel de confianza deseado. Utilizando los valores de la desviacin estndar se
tiene que los lmites de confianza para la media poblacional estn dados por:
__
X zc
(3.83)
Si el muestreo se realiza a partir de una poblacin infinita o de una poblacin finita con
reemplazamiento, los lmites de confianza estn dados por:
59
__
X zc
Np N
Np 1
(3.84)
X 1.5 cm y la desviacin estndar SX = 0.042 cm. Defina un intervalo de confianza para la media
al nivel de 90 % = 1- . Se considera que X = SX.
Para este caso se tiene:
Zc 2.33
0.042
0.042
P1.5 2.33
X 1.5 2.33
98%
200
200
distribuida, estimados a partir de una muestra con desviacin estndar S, estn dados por:
S z c s S z c
2N
(3.85)
SX 1.96
X
N
1.96
X
0.01
N
Se tiene:
0.05
0.01
N
0.048
0.01
N
1.96
N 9.8
N 96.04
2
Por lo cual al considerar una muestra N igual o mayor a 97 personas, se obtendrn los niveles
de confianza y de error buscados.
3.9.6
Pruebas de hiptesis
61
alternativa H1, en la cual X 0. Bajo la hiptesis H0, la media X de una muestra X1, X2,,Xn,
presenta una distribucin normal, considerando al modelo de referencia como normal o
aproximadamente normal, y corresponde a una muestra grande; su media es X = 0 y debe caer en
un intervalo de confianza definido por la ecuacin 3.82 con probabilidad 1 - .
__
Por lo cual la probabilidad de ocurrencia es el rea bajo la curva normal comprendida entre -2 a
2, esto es:
P 2 Z 2 2P0 X 2
P 2 Z 2 20.4821
P 2 Z 2 0.9642
62
Se considera a una muestra como pequea cuando est compuesta por menos de 30 elementos,
N < 30. Las distribuciones muestrales de muchos estadsticos se aproximan en gran medida a la
distribucin normal, mejorando la aproximacin a mayor tamao de N. Para muestras pequeas esta
aproximacin no es buena y empeora al disminuir el valor de N.
Al estudio de distribuciones muestrales de estadsticos para muestras pequeas se conoce como
teora de muestras pequeas o teora exacta de muestreo, debido a que es aplicable tanto a muestras
pequeas como a muestras grandes. La distribucin ms comn para el estudio de muestras
pequeas es la distribucin t de student, expuesta en el punto 3.8.4 de este captulo.
s
N 1
X t c
(3.86)
Donde los valores tc, valores crticos o coeficientes de confianza de la distribucin t de student,
dependen del nivel de confianza deseado y del tamao de la muestra.
Ejemplo 3.5
Si t0.975 son los valores de t para los cuales se tiene en 2.5 % del rea con cada cola de
distribucin t de student, se obtiene que para un intervalo de confianza del 95 % para t es:
t 0.975
t 0.975
s
63
_
P X t 0.975
_
S
X t 0.975
N 1
S
95%
N 1
Pruebas de hiptesis
Las pruebas de hiptesis se pueden aplicar a problemas que impliquen la utilizacin de muestras
X
t
N 1
s
(3.87)
La diferencia radica en que mientras el estadstico z presenta una distribucin normal, t sigue la
distribucin t de student, por lo cual, conforme el valor de N aumenta estos estadsticos tienden a
coincidir.
3.9.8
Verificacin de modelos
Prueba 2
El estadstico 2 proporciona una medida de la discrepancia existente entre la frecuencia
2
2
2
o1 e1 o 2 e 2
ok ek
...
e1
e2
o e
j
ek
j1
ej
ej
(3.88)
3.86 es:
64
oj
ej
(3.89)
(3.90)
El nmero de grados de libertad, , est dado por: = k 1, si las frecuencias esperadas pueden
calcularse, sin tener que estimar los parmetros poblacionales; a partir de estadsticos muestrales y
= k 1 m, si las frecuencias esperadas suelen calcularse slo estimando m parmetros de la
poblacin a partir de los estadsticos muestrales.
Ejemplo 3.6
En 200 lanzamientos de una moneda se obtienen 115 caras y 85 cruces. Pruebe la hiptesis de
que la moneda no est trucada para obtener un nivel de significancia de 0.05.
Las frecuencias obtenidas de caras y cruces son: o1 = 115 y o2 = 85, respectivamente, y las
frecuencias esperadas de caras y cruces, considerando que la moneda no est trucada, es e1 = 100 y
e2 = 100. Por lo cual se tiene:
oj
ej
2
2
100
100
4.5
65
ANLISIS DE CONFIABILIDAD
Kaufmann define la confiabilidad, R, como la probabilidad de que un sistema lleve a cabo sus
FS
C
D
(4.1)
Al aplicar esta definicin se realizan las siguientes hiptesis: a) la demanda del sistema, D, se
mantiene constante durante toda la vida de la obra y es igual o mayor a la mxima demanda prevista
para la estructura; b) la capacidad o resistencia, C, es igual o menor a la mnima resistencia
estimada. En la prctica estas condiciones no son absolutas, lo que conlleva a, intrnsecamente,
aceptar un riesgo o probabilidad de falla, pf(f).
Al considerar como variables aleatorias tanto a la capacidad como a la demanda, se pueden
representar por una funcin de densidad de probabilidad, figura 4.1. El diseo ptimo ser aquel que
minimice la probabilidad de ocurrencia de falla, pf, es decir, hacer que las funciones de C y D tengan
el menor traslape posible o aceptable.
66
El rea del traslape es una medida gruesa de la probabilidad de falla. Si se conocen las
funciones de densidad de probabilidad de la capacidad y la demanda, la pf se calcula como:
pf
D max
F x f x dx
D
(4.2)
Cmin
donde:
FD(x): Funcin de distribucin acumulada de la demanda,
fC(x): Funcin de densidad de probabilidad de la capacidad.
Desde el punto de vista de la probabilidad, la confiabilidad se define como el complemento de
la probabilidad de falla. Los anlisis de confiabilidad buscan determinar la confiabilidad, R, o el
riesgo de falla de un sistema o estructura, considerando a ste confiable mientras que no se presente
la falla. Partiendo de la definicin probabilista de confiabilidad se tiene:
R Pf (f) 1
(4.3)
R 1 Pf (f)
(4.4)
El trmino probabilidad de falla puede utilizarse para cualquier tipo de falla, sea sta
catastrfica o no, por lo cual para definir una falla de servicio se utiliza Pf(f).
Wolff (1995) establece que los anlisis de confiabilidad se utilizan en los siguientes contextos
generales:
a) Calcular la confiabilidad de un sistema o estructura nueva durante su construccin y
primera carga.
b) Calcular la confiabilidad de una estructura o sistema existente ante una nueva condicin
de carga.
c) Calcular la probabilidad de falla de una parte de la estructura o sistema que funcione
durante un periodo de tiempo.
4.1
ndice de confiabilidad
El ndice de confiabilidad es una medida cuantitativa de la confiabilidad de un sistema o
estructura que refleja la mecnica del problema y la incertidumbre en las variables de entrada. Este
67
ndice fue desarrollado en ingeniera estructural para proporcionar una medida de confiabilidad sin
tener que determinar la distribucin de probabilidad necesaria para calcular un valor exacto de la
probabilidad de falla.
El ndice de confiabilidad es funcin del valor esperado y la desviacin estndar de la
distribucin de probabilidad de la resistencia y de las cargas aplicadas, y permite comparar la
confiabilidad para diferentes condiciones sin tener que calcular los valores absolutos de
probabilidad.
El ndice de confiabilidad se calcula, Harr (1987); como:
EC ED
varC varD
(4.5)
EFS 1
FS
(4.6)
68
Para calcular el ndice de confiabilidad se requiere contar con los siguientes datos: a) un modelo
determinista; b) una funcin de distribucin de las variables de inters; c) valor esperado y
desviacin estndar de las variables de inters; d) definir el criterio del estado limite de falla; e) un
mtodo para calcular el valor esperado y la desviacin estndar del estado lmite de falla dado el
valor esperado y la desviacin estndar de los parmetros y f) un mtodo de anlisis de
confiabilidad.
4.2
desarrollo pueden ser utilizados para estimar la confiabilidad global de un sistema. Existen dos tipos
de sistemas: los sistemas en serie y los sistemas en paralelo.
4.2.1
Sistemas en serie
(4.7)
(4.8)
Las soluciones estn disponibles para sistemas que requieren de componentes operables
r - fuera de - n, los cuales pueden ser aplicables a problemas como bombeo con mltiples bombas,
69
donde r est definido como el nmero de unidades confiables. Los subsistemas que envuelven
sistemas en paralelo y en serie pueden ser matemticamente combinados. La confiabilidad de este
sistema se determina como:
N
__ k
__
R C R (1 R ) Nk
k r
N
k
(4.9)
donde:
k: repeticiones del experimento de Bernoulli,
N: nmero de xitos del experimento de Bernoulli,
C kN : nmero de combinaciones en que se pueden presentar N xitos en k experimentos,
R: confiabilidad,
__
Fronteras de confiabilidad
_
p(f) 1 1 p
(4.10)
70
_
p(f) p
(4.11)
p
i 1
p(f) p i
(4.12)
i 1
i 1
i 1
1 1 - R i R R i
(4.13)
Existen varios procedimientos en la literatura para delimitar stas fronteras, como los
presentados por Ditlevsen, y Ang y Tang, Harr (1987). Una simplificacin llamada Frontera de
primer orden (Ang y Amin, 1969) reemplaza la frontera superior de la ecuacin 4.13 por el valor
mnimo de confiabilidad que presente cualquiera de los componentes, (Ri)min, ecuacin 4.14.
R i min
R Ri
(4.14)
i 1
Otra aproximacin para obtener los lmites superior e inferior es la presentada por Serfling
(1974), en la cual sustituye la distribucin binomial del clculo de la confiabilidad de un sistema r
fuera de N por el clculo de la confiabilidad aplicando una distribucin de Poisson, ecuacin 4.15.
F N r L R F N r L
(4.15)
71
Donde:
x e
x!
x 0
N r
F N r
N
L 0.5 1 - R i
(4.16)
(4.17)
i 1
1 R i
(4.18)
i 1
4.3
solicitaciones y las resistencias de los materiales, por lo cual es posible clasificar los mtodos de
acuerdo a su nivel de exactitud (Harr, 1985).
La primera clasificacin corresponde a los llamados mtodos exactos. Requiere el conocimiento
de la distribucin de probabilidad de las variables aleatorias como datos de entrada, debido a la
complejidad que se puede generar en el clculo usualmente se adoptan las distribuciones normal,
lognormal e incluso la uniforme. Algunos de los mtodos que se encuentra en esta categora son: la
integracin numrica y el mtodo de Monte Carlo.
La segunda categora, llamada de primer orden, corresponde a los mtodos que aplican el
segundo momento de la variable aleatoria o simplificaciones de stos. La base de estos mtodos es
la aplicacin de las series de Taylor. Como datos de entrada se requiere conocer los dos primeros
momentos de las variables aleatorias y la covarianza de las variables correlacionadas.
La ventaja de estos mtodos corresponde en la amabilidad de clculo, por lo que, en la mayora
de los casos, no es necesaria la utilizacin de programas de computadora. Entre los mtodos que se
encuentran en esta categora estn el mtodo Hasofer Lind, mtodo de la serie de Taylor y mtodo
regla 3.
La tercera categora corresponde al mtodo de estimacin puntual propuesto por Rosenblueth
(1975).
Otra clasificacin de los mtodos utilizados en el clculo de la confiabilidad es la propuesta por
Rosenblueth, Auvinet (2002), en la cual se considera el nivel de seguridad dependiendo de la
precisin en que sean modelados los elementos resistentes y actuantes; sta clasificacin toma en
cuenta los siguientes niveles:
72
El mtodo de Monte Carlo es un mtodo numrico que permite resolver problemas matemticos
mediante la simulacin de variables aleatorias. Muzachiodi, (2003), utiliza el siguiente ejemplo para
describir el mtodo.
Supngase que se busca calcular el rea de una figura plana S, de la figura 4.3.
73
Esta es una figura arbitraria con fronteras curvilneas, definida grfica o analticamente y
compuesta por uno o varios pedazos y se encierra en un cuadrado unitario como muestra la figura
4.3. Se tiene en el cuadrado N puntos aleatorios. Si N son los puntos dentro de S, el rea de S es
aproximadamente igual a:
N'
N
(4.19)
Cuanto mayor sea la cantidad de puntos que se obtengan en el cuadro unitario, mejor ser la
aproximacin del rea de la figura. S N = 40 y N = 12, S = 0.3, por lo que el valor estimado de S es
0.30, lo cual parece razonable un rea S < 1 pues el rea de cuadrado es igual a 1.
El algoritmo del mtodo de Monte Carlo tiene una estructura muy sencilla. Como regla se
elabora un programa para la realizacin de una prueba aleatoria (en el ejemplo es escoger un punto
aleatorio en el cuadrado y comprobar si pertenece o no a S). Esta prueba se repite N veces de modo
que cada experimento sea independiente de los restantes y se toma la media de los resultados de los
experimentos.
El error es proporcional a la magnitud de la ecuacin 4.20 donde D es una constante y N el
nmero de pruebas.
D
N
(4.20)
74
Serie de Taylor
El mtodo es utilizado para estimar los momentos de la funcin de distribucin resultante con
base en los momentos de las variables aleatorias de entrada. Est basado en la expansin de la serie
de Taylor de la funcin de distribucin resultante sobre algn punto. La expansin se realiza sobre
los valores esperados de las variables aleatorias.
Dada la funcin Y = g(X1, X2,,Xn) donde Xi son los valores de la variable independiente, el
valor esperado de la funcin se obtiene evaluando el valor esperado de las variables aleatorias de
entrada:
EY gEX1 , EX 2 ,..., EX n ,
(4.21)
Una funcin como la del factor de seguridad, implica que el valor esperado de l es calculado
utilizando el valor esperado de las variables aleatorias que le dan origen:
(4.22)
varX i
varY
X i
(4.23)
Las derivadas parciales son tomadas al punto de la expansin de la serie de Taylor (en este caso
el valor esperado). Usando el factor de seguridad como una funcin resultante, por dar un ejemplo,
75
la varianza se obtiene calculando la derivada parcial del factor de seguridad con respecto a cada
variable aleatoria, evaluada al valor esperado de esa variable, al cuadrado, multiplicando el resultado
por la varianza de la variable aleatoria utilizada y sumando este resultado al resultado de la funcin
con respecto a las dems variables aleatorias.
FS 2
varX i
varFS
Xi
(4.24)
Y g EX i Xi g EX i Xi
X i
2 Xi
(4.25)
(4.26)
Donde X+ y X- son los valores de la variable aleatoria a ms y menos una desviacin estndar,
respectivamente.
Cuando las variables aleatorias estn correlacionadas, el clculo de la varianza es:
76
Y 2
Y Y
varX i 2
varY
covX i , X j
X i
X i X j
(4.27)
Donde el trmino de la covarianza contiene las condiciones para cada posible combinacin de
las variables aleatorias.
4.3.3
Un mtodo alternativo para estimar los momentos de una funcin resultante, con base en los
momentos de las variables aleatorias, es el mtodo de estimacin puntual. Es un procedimiento
donde las distribuciones de probabilidad continuas de las variables aleatorias son representadas por
una distribucin "equivalente" discreta a partir de dos o ms valores conocidos.
Los elementos de estas distribuciones discretas (o estimaciones puntuales) tienen valores
especficos con probabilidades definidas, tal que los primero momentos de la distribucin discreta
coincidan con los de la variable aleatoria continua. Este mtodo de estimacin puntual fue propuesto
por Rosenblueth (1975, 1981) y es resumido por Harr (1987).
Considerando la distribucin de probabilidad que se observa en la figura 4.4, una variable
aleatoria continua X que es representada por dos estimaciones puntuales, X+ y X-, con inferencia de
probabilidad de ocurrencia P+ y P-, respectivamente. Como las dos estimaciones puntuales y su
correspondiente probabilidad de ocurrencia equivalen a la probabilidad de la distribucin, los dos
valores de P deben sumar la unidad.
77
(4.28)
X i EX i Xi
(4.29)
Pi Pi 0.5
(4.30)
E yM p x p x
M
(4.31)
varY E Y 2 EY
(4.32)
78
1 N 2 1 N
varY x i x i
N i1
N i1
(4.33)
La correlacin entre las variables aleatorias simtricamente distribuidas es tratada ajustando las
concentraciones de probabilidad (P .... ), Harr (1987). Para dos variables aleatorias correlacionadas
en un grupo de dos o ms, el producto de sus concentraciones de probabilidad son modificadas
agregando un trmino que corresponde a la correlacin entre estas variables.
Pi j Pi j Pi Pj
(4.34)
Pi j Pi j Pi Pj
(4.35)
Mtodo regla 3
Esta regla, propuesta por Day y Wang y descrita por Duncan (2000), parte del hecho que en una
distribucin normal el 99.73% de los valores se encuentran comprendidos en un rea ubicada a ms
menos 3 desviaciones estndar del valor medio. Con base en lo anterior, se considera el valor
mximo y el valor mnimo concebible para el parmetro en estudio.
La regla 3 es utilizada para estimar el valor de la desviacin estndar mediante la igualdad
HCV LCV
6
(4.37)
donde:
: desviacin estndar,
HCV: mximo valor concebible del parmetro,
LCV: mnimo valor concebible del parmetro.
La regla puede aplicarse cuando estn disponibles datos limitados. Tambin puede usarse para
juzgar la racionalidad de valores de los coeficientes de variacin, considerando que el valor
concebible ms bajo se ubica a 3 desviaciones estndar debajo de la media y el valor ms alto est
ubicado a 3 desviaciones estndar sobre la media.
79
Si se admite que existe una incertidumbre sobre el ngulo de friccin interna del material que
puede representarse por medio de una densidad normal con esperanza 33 y desviacin estndar de 2
grados, se estima la esperanza y varianza del coeficiente de empuje usando los siguientes mtodos:
80
varK a 0.0006
2
0.0012
0.703 0.294
EK a 0.295
2
EK a K a (E)
2 K a
K a
varK a var
varK a
2
2
donde:
1
2
3K a 4K a 1
2
1
2
K' 'a 30.295 40.295 1
2
K' 'a 1.22
K' 'a
varK a 0.001
81
2
4
u 0.320
0.611
u tan 2
2
4
u 0.271
P P 0.5
Aplicando las ecuaciones del mtodo:
EK a P u P u
EK a 0.50.320 0.50.271
EK a 0.295
varK a P u EK a P u EK a
2
varK a 0.0006
82
Frecuencia
300
Media = 0.577
S = 0.0351
250
200
150
100
50
0
0.45
0.5
0.55
0.6
0.65
0.7
83
Frecuencia
250
Media = 0.294
Var[Ka = 0.0006
200
150
100
50
0
0.22
Ka
0.24
0.26
0.28
0.3
0.32
0.34
0.36
0.38
La figura 4.7 muestra la funcin de distribucin de Ka obtenida en la cual se observa que sta
tiene una distribucin aproximada a la normal.
Mtodo regla 3
Esta regla parte del hecho que en una distribucin normal el 99.73% de los valores se
encuentran comprendidos en un rea ubicada a ms menos 3 desviaciones estndar del valor medio.
Con base en lo anterior, se considera el valor mximo y el valor mnimo concebible para el
84
parmetro en estudio, en nuestro caso se considera que el valor mnimo es 0.22 y el valor mximo
concebible es 0.38, aplicando est regla se tiene:
Calculando la desviacin estndar:
HCV LCV
6
0.38 - 0.22
6
0.026
La media es:
0.38 3
0.38 3(0.026)
0.302
85
5.1
Propiedades de inters
Desde el punto de vista geotcnico, las propiedades del suelo se clasifican como ndices,
Propiedades ndice
De las propiedades ndice, las que se presentan con mayor frecuencia estn:
Contenido natural de agua. Es la propiedad que con frecuencia se determina en mayor nmero
debido a la facilidad de ejecucin de la prueba de laboratorio y bajo costo. Sirve como parmetro
para la caracterizacin del material y permite inferir correlaciones con las propiedades mecnicas.
Es posible definir la estratigrafa del subsuelo con base en este parmetro.
Lmites de consistencia y granulometra. Estas pruebas sirven como base para la aplicacin del
Sistema Unificado de Clasificacin de Suelos (SUCS) y permiten caracterizar a los suelos de
acuerdo a la cantidad y tamao de los granos que lo forman, adems de poder inferir su
comportamiento mecnico a partir de la compresibilidad.
Densidad de slidos. El valor de la densidad de slidos interviene en la mayor parte de los
clculos de mecnica de suelos y es un parmetro que relaciona las caractersticas gravimtricas con
las volumtricas. La variacin de los resultados de este parmetro es pequea, por lo cual puede
considerase en mayor medida de forma determinista.
Peso volumtrico. En algunos estudios el nmero de determinaciones de este parmetro es
reducido y el tamao del volumen de la muestra utilizada influye en los resultados obtenidos, no
obstante la variacin de ste es relativamente reducida por lo cual se le considera de forma
determinista.
5.1.2
Propiedades mecnicas
86
Resistencia al esfuerzo cortante. Entre las pruebas de laboratorio para determinar la resistencia
al esfuerzo cortante se encuentran las de corte directo, de compresin simple y de compresin
triaxial. Las pruebas de compresin triaxial permiten determinar tanto las caractersticas esfuerzo
deformacin como los parmetros de resistencia al corte; consisten en la aplicacin de presiones
laterales y axiales diferentes a un espcimen cilndrico, confinado en una cmara, y estudiar su
comportamiento. Se han desarrollado tambin pruebas de campo que permiten, mediante la
aplicacin de correlaciones, determinar los parmetros de resistencia al corte.
Compresibilidad. Este fenmeno ha sido explicado por varios investigadores mediante la
implementacin de diferentes teoras y equipos desarrollados para tal fin, como la prueba de
consolidacin unidimensional y las pruebas esfuerzo-deformacin para determinar propiedades
elsticas. En mayor medida el nmero de pruebas efectuadas es reducido, lo que conlleva en una
insuficiencia de datos de este parmetro por lo que no pueden ser considerados como representativos
de la formacin estratigrfica donde procede o con el volumen total del suelo estudiado.
5.1.3
Propiedades hidrulicas
87
5.2
y presentados de forma que permitan ilustrar en forma clara las propiedades ndices y mecnicas de
los suelos.
Se han utilizado diferentes tcnicas para presentar esta descripcin. Tradicionalmente se
presentan los resultados de manera determinista. Al representar de forma cuantitativa la
incertidumbre en las propiedades se utiliza el anlisis estadstico de los resultados deterministas y a
partir de este anlisis se ajusta una funcin de distribucin de probabilidad considerando al
parmetro en estudio como una variable aleatoria, logrando la descripcin probabilista.
5.2.1
Tablas
Las tablas constituyen la forma ms sencilla para organizar y presentar los datos obtenidos de
los trabajos de campo y laboratorio. Consisten en organizar los datos en columnas y renglones. En
forma convencional, en las primeras columnas se registran los valores de las profundidades donde se
realizan las pruebas de campo o donde se recuper la muestra ensayada y en las siguientes se
registran los valores medidos de las propiedades de inters. La tabla 5.1 presenta una distribucin
tpica para representar datos geotcnicos mediante tablas.
Tabla 5.1. Pruebas de compresin triaxial UU, sondeo Deportivo Tlahuac, Jaime y Romo (1987)
Muestra
Prof.
Mi
cuu
kg/cm
kg/m
kg/cm
kg/cm2
1-3
1.62
0.23
1.296
216
69
3.90
0.91
2-2
2.12
0.29
1.531
364
25
3.35
0.25
2-3
2.37
0.33
1.664
395
29
2.87
0.26
3-3
3.12
0.44
1.641
44
69
1.47
0.46
4-2
3.67
0.49
1.613
98
46
2.68
0.48
4-3
3.87
0.49
1.487
68
62
2.24
0.39
5-3
4.62
0.52
1.480
69
96
1.44
0.56
88
Perfiles estratigrficos
Los perfiles estratigrficos son un mtodo grfico que permite organizar y representar los
resultados obtenidos en los trabajos de campo y laboratorio. Constituyen una herramienta muy til
dado a que permiten distinguir las propiedades con respecto a la profundidad.
Los perfiles se elaboran utilizando patrones convencionales. Los elementos que comnmente
los conforman son:
a) Tabla con la profundidad y descripcin de los materiales localizados.
b) Dibujo de la columna estratigrfica vertical, que muestra los cambios en la litologa con
respecto a la profundidad considerando la secuencia de unidades estratigrficas.
c) Valores de las diferentes propiedades ndices y mecnicas de inters con respecto a la
profundidad.
d) Indicacin de la profundidad del nivel fretico.
e) Simbologa utilizada en el perfil y datos generales del proyecto.
La figura 5.1 presenta parte de un perfil estratigrfico.
89
Cortes estratigrficos
Los cortes estratigrficos son otro mtodo grfico que se utiliza para presentar los datos
Representacin estadstica
Anlisis cuantitativo
Las propiedades del suelo se miden de muestras extradas en diferentes sondeos y
profundidades, con ellas se obtiene un conjunto de datos o poblacin con la cual puede establecerse
una muestra representativa de datos susceptible de clasificarse y procesarse con tcnicas estadsticas.
90
Las variables del suelo pueden ser analizadas cuantitativamente mediante estimaciones
numricas realizadas en una muestra de datos, conocidos como parmetros estadsticos o estadsticas
de la muestra.
Los parmetros estadsticos se clasifican en medidas de tendencia central y medidas de
dispersin, siendo los ms representativos la media, la mediana, la moda, la varianza, la desviacin
estndar y el coeficiente de variacin.
Anlisis grfico
Las muestras de datos tambin pueden ser analizadas mediante la aplicacin de mtodos
91
5.2.3
Representacin probabilista
(5.1)
var[X] = 2X
(5.2)
Este enfoque supone que la realizacin de los sondeos y la obtencin de las diversas muestras
constituyen un mismo experimento. No se toma en cuenta la correlacin que puede existir entre los
resultados obtenidos en puntos vecinos, es decir con la estructura espacial del medio. Para lograr lo
anterior, se requiere de un modelado mediante campos aleatorios, Vanmarcke (1977).
Ejemplo 5.1
Para ejemplificar el efecto de la determinacin de los parmetros del suelo en un anlisis
geotcnico mediante un anlisis bidimensional de estabilidad de taludes, se utilizan los datos del
peso volumtrico, contenido de agua y cohesin, presentados en el estudio Tlhuac Deportivo.
Con estos datos se realiza el clculo del factor de seguridad de un talud ficticio excavado en los
primeros estratos del sitio, con la cohesin del material obtenida a partir del valor promedio,
aplicando la regla del 3, considerando que se conocen los valores mximos y mnimos, y a ojo
ledo del perfil estratigrfico aplicando el criterio y la experiencia de quien disea.
92
Se observa que una menor dispersin en el valor del peso volumtrico con respecto al obtenido
en los otros dos parmetros, lo cual permite suponer, sin incurrir en un error significativo, que el
peso volumtrico puede considerase como un valor determinista.
Al definir qu parmetros tienen mayor variacin en la magnitud que pueden tomar, se
determina a cuales de ellos se les puede considerar como deterministas y a cuales como variables
aleatorias, reduciendo la complejidad que pueda tener el clculo del problema en estudio.
Sea un talud con pendiente 2:1 (H:V) con altura de 5.4 m, est excavado en el suelo 1,
profundidad 0.0 a 5.4 m, utilizando el mtodo de Morgenstern Price mediante el programa de
computo Slope/W, sin nivel de agua fretica. Los valores utilizados se presentan en la tabla 5.2.
a ojo
Peso volumtrico
(t/m3)
promedio
Regla del 3
a ojo
promedio
Regla del 3
Suelo 1
1.50
1.45
1.41
0.5
0.40
0.52
Suelo 2
1.20
1.21
1.27
0.3
0.25
0.28
Estrato
Los resultados del factor de seguridad mnimo calculado se indican en la tabla 5.3 y en la figura
5.2 a 5.4; en ellas se observan las superficies de falla asociadas a cada factor de seguridad.
Factor de seguridad
a ojo
1.95
Estadstica
1.68
Regla del 3
1.92
93
Figura 5.2. Mnimo factor de seguridad y superficie de falla calculada con los parmetros a ojo
Figura 5.3. Mnimo factor de seguridad y superficie de falla calculada con los valores promedio
94
Figura 5.4. Mnimo factor de seguridad y superficie de falla calculada con los parmetros
de la regla del 3
Se observa que el factor de seguridad vara de 1.68 a 1.95; el valor mnimo corresponde al
obtenido con los valores promedio y el valor mximo con los valores determinados a ojo. Para la
regla del 3 se obtiene un valor intermedio al obtenido con los otros mtodos, con mayor semejanza
al obtenido a ojo.
5.3
Fuentes de incertidumbre
La incertidumbre en los anlisis geotcnicos es resultado principalmente de dos factores, Jaime
y Montoya (2008): a) la estratigrafa del sitio y, b) las solicitaciones a las que se ver sometido el
suelo.
Al hablar de estratigrafa se entiende a las capas de suelo presentes en el lugar y sus espesores,
y al comportamiento de cada una de dichas capas. Los espesores de los estratos de suelo, por lo
general, varan punto a punto en el sitio, incluso pueden desaparecer una o varias de las capas de
suelo y aparecer otras. Las propiedades mecnicas de los suelos varan tambin puntualmente y a lo
largo del espesor del mismo estrato de suelo.
Por ello, el geotecnista, con base en la informacin geolgica, en los datos de campo y
laboratorio, experiencia y juicio ingenieril hace un modelo tridimensional idealizado del suelo en el
95
sitio, desde la superficie hasta la profundidad de inters; asigna valores de espesores medios y de
propiedades medias del suelo y con ello disea.
Como puede inferirse, la precisin del modelo idealizado del suelo depende del conocimiento
geolgico, del nmero de sondeos y de la cantidad de muestras de suelo inalteradas y alteradas
extradas, as como del nmero de ensayes de laboratorio para determinar las propiedades ndice y
mecnicas, adems de la experiencia geotcnica previa que se tenga de la zona estudiada.
An suponiendo que la extraccin de muestras de suelo fuera perfecta y no se alterara el
material y que los ensayes de laboratorio fueran tambin perfectos y representativos del
comportamiento del suelo, se tendran variaciones puntuales y en profundidad, tanto en las
propiedades del suelo como en sus espesores. Dicho de otra manera, las propiedades ndice y
mecnicas del suelo son aleatorias en mayor o menor grado, es decir, varan alrededor de un valor
medio con ms o menos dispersin.
A la variabilidad espacial del material habra que agregar la dispersin causada por
manipulacin en el campo y en el laboratorio, primero, por la alteracin causada al suelo al extraerlo
y, segundo, debido a los mtodos de ensaye y medicin en laboratorio.
A lo anterior hay que aadir por lo menos los cuatro factores siguientes: a) muestreo del suelo
escaso (pocos sondeos, y pocas muestras); b) orientacin de la muestra, anisotropa y tamao; c)
tiempo de carga en el laboratorio vs tiempo de carga del proyecto en la realidad (ensayes de
deformacin controlada o de esfuerzo controlado); y d) anlisis de deformaciones en el plano,
ensayes con estados de esfuerzos aplicados al suelo diferentes a la realidad.
Para obtener una representacin cuantitativa de la incertidumbre de los suelos en sus
propiedades ndices y mecnicas, se recurre al anlisis estadstico de los resultados de las pruebas de
campo y de laboratorio.
El anlisis de las propiedades de los suelos se ha llevado a cabo a lo largo de la prctica de la
geotecnia en diferentes grados. El valor del parmetro se determina a ojo, calculando su promedio
o mediante el ajuste de la tendencia de los datos obtenidos. En esta forma de trabajo tiene gran
relevancia la experiencia de la persona que lo realiza. Por tanto, los resultados obtenidos pueden
variar de forma considerable de persona a persona. Desafortunadamente, constituye el mtodo de
mayor difusin y aplicacin en la prctica.
En Mxico, Marsal y Masari (1959) en su obra El subsuelo de la ciudad de Mxico son los
primeros autores en emplear el anlisis estadstico y de probabilidad. Con ellos determinan las
96
propiedades medias ndices y mecnicas de las arcillas del valle de Mxico e identifican y
caracterizan los distintos estratos y subestratos arcillosos.
Los resultados de los anlisis estadsticos se ajustan a la funcin de densidad de probabilidad
que mejor represente dichos resultados. Se considera al parmetro del suelo como una variable
aleatoria, y se determinan sus primeros momentos (el valor medio de la propiedad y su dispersin o
varianza).
Las fuerzas o solicitaciones a los que se ve sometido el suelo son muy variables. Determinar
solo las cargas estticas actuantes en una obra de ingeniera cubre captulos completos de los
manuales y reglamentos de construccin. A stas hay que aadir las cargas dinmicas,
principalmente, sismo y viento, que son inherentemente aleatorias, tanto en el tiempo (frecuencia)
como en intensidad y duracin.
En geotecnia, adems, se puede presentar como factor adicional, la presin de poro en el suelo,
la cual puede variar peridicamente o accidentalmente, por una oscilacin temporal del nivel
fretico o por avenidas extraordinarias a lo largo de diques y bordos de proteccin, o por inundacin
o rotura de tuberas. Lo anterior tiene un impacto doble, ya que hace variar la respuesta del suelo y
las cargas a las que est sometido.
La incertidumbre que se asocia a un parmetro tiene diferentes orgenes los cuales corresponden
tanto a la naturaleza del material (incertidumbre asociada a la variacin espacial) como a los efectos
del muestreo, manipulacin en laboratorio, ensayes, orientacin de la muestra, de medicin y
humanos, y en las hiptesis que simplifican la aplicacin de los modelos mecnicos (incertidumbre
intrnseca).
La incertidumbre del resultado de una medicin refleja la falta del conocimiento exacto del
valor del mensurado. El resultado de una medicin despus de ser afectada por una correccin
aplicando procedimientos sistemticos reconocidos es, an, slo una estimacin del valor verdadero
que se pretende medir debido a la presencia de incertidumbre y de correcciones imperfectas de los
resultados por efectos sistemticos.
El resultado de una medicin, despus de ser corregido, puede estar muy cercano al valor
verdadero de la propiedad que se busca medir, al grado que se considera a este error como un error
despreciable. Sin embargo, aun puede tener una incertidumbre considerable, por lo que a la
incertidumbre de una medicin no debe considerase como sinnimo de un error desconocido
remanente.
97
Conocimiento inadecuado de los efectos de las condiciones ambientales sobre las mediciones
o mediciones imperfectas de dichas condiciones ambientales.
Estas fuentes no son necesariamente independientes y la dependencia de stas con otras puede
contribuir en la influencia de una tercera fuente. Un efecto sistemtico no reconocido no puede
considerarse en la evaluacin de la incertidumbre del resultado de una medicin pero contribuye en
su error. Tradicionalmente se considera que un error est compuesto por dos componentes una
aleatoria y una sistemtica.
Con base en la norma NMX-CH-140-IMNC-2002 Gua para la expresin de la incertidumbre
en mediciones, los pasos para evaluar la incertidumbre de los resultados de una medicin o de un
proceso de medicin se pueden resumir como sigue:
1)
2)
3)
4)
Evaluar las covarianzas asociadas con cualquier estimado de las magnitudes de entrada
que estn correlacionadas.
5)
6)
98
Sin embargo, lo anterior refleja tambin la variabilidad intrnseca del propio parmetro. En las
variables que influyen en la determinacin de un parmetro del suelo se tiene mayor control en las
que involucran ensayes de campo y laboratorio, buscando minimizar la incertidumbre inherente a
stas se deben realizar de forma adecuada mediante procedimientos certificados y estandarizados.
5.3.1
La variabilidad espacial de las propiedades del suelo dentro de un estrato se puede describir por
medio de campos aleatorios, Auvinet y Gonzlez (2000), donde los valores de una propiedad dada
en un punto X son considerados como una realizacin de un campo, que est definido por sus
primeros momentos (valor esperado, varianza, coeficiente de variacin y autocorrelacin espacial).
En una masa de suelo estadsticamente homognea, el valor esperado y la varianza son
constantes en todo el dominio, aunque la autocorrelacin espacial se espera que sea altamente
anistropa, lo que refleja el proceso de formacin geolgica del estrato de suelo o el procedimiento
constructivo de la masa de suelo, en el caso de taludes construidos por el hombre.
En el caso de estructuras de tierra, Auvinet y Gonzlez (2000) determinan que la
autocorrelacin espacial en la direccin vertical presenta oscilaciones bien definidas por el espesor
de la capa en el sentido vertical y un rpido decremento con la distancia vertical entre dos puntos,
mientras que decrece con mayor lentitud a lo largo de la direccin horizontal, por lo cual la
autocorrelacin del vector distancia T entre dos puntos del medio es:
V X1 , X 2 V T
(5.3)
VA
1
VX dX
A A
(5.4)
VarVA
2 V X
V X1 , X 2 dX1dX 2
A 2 A A
(5.4)
99
Esta frmula considera el efecto de escala geomtrico debido a que la varianza del valor
promedio de una propiedad aleatoria en un dominio dado, decrece conforme aumenta el tamao del
dominio.
Para aplicar la formulacin de Vanmarcke (1977) y Auvinet y Gonzlez (2000) se debe hacer el
anlisis de estabilidad con un modelo tridimensional. De otra forma el anlisis no puede realizarse.
Este mtodo puede adaptarse al mtodo de elemento finito tridimensional. En esos anlisis, si las
propiedades mecnicas son afectadas por la incertidumbre asociada a la variacin espacial, las
variables del momento resistente, MR, y Momento motor, MM, en el caso de mecanismos
rotacionales, deben considerase como variables aleatorias.
La probabilidad de falla asociada a una superficie de falla particular se define con la ecuacin
5.5.
p f PFS 1
(5.5)
MS=MR-MM
(5.6)
p f PMS 0
(5.7)
EMS
MS
(5.8)
100
1
EMS EMR1
EFS
(5.9)
MS 2 MR 2 MM 2CovMR, MM
(5.10)
EMS
MR
(5.11)
(5.12)
0 EMS
()
PMS 0
MS
(5.13)
101
5.3.2
VarVA 0 para A
(5.14)
Estrato
Peso volumtrico
(t/m3)
E{c}
var[c]
Suelo 1
1.4
0.40
0.224
0.050
Suelo 2
1.2
0.25
0.064
0.004
102
Frecuencia (%)
5.5.
Factor de seguridad
Figura 5.5. Histograma del factor de seguridad obtenido aplicando el mtodo de Monte Carlo
El factor de seguridad presenta un valor mnimo, FSmin, de 0.57 y un valor mximo, FSmax, de
3.69 con una esperanza de 1.68 y una desviacin estndar de 0.417. La figura 5.6 presenta la
superficie de falla crtica y el valor esperado del factor de seguridad.
Figura 5.6. Valor esperado del factor de seguridad y superficie de falla calculada con el mtodo de Monte Carlo
103
El ndice de confiabilidad se calcula aplicando el criterio propuesto por Christian (2000) y Harr
(1987), ecuacin 5.14, se considera al FS = 1 como frontera para el estado de falla crtico.
EFS 1
0.5
varFS
(5.15)
104
6
6.1
EJEMPLO DE APLICACIN
Ejemplo 6.1
Se tiene un talud de 6 metros de altura con pendiente 1.5 : 1, horizontal a vertical, que forma
parte de los bordos marginales de un canal para conduccin de agua; se considera que el canal est a
su mxima capacidad, con tirante de 6 m, figura 6.1
16
14
Elevacin (m)
12
:1
1.5
10
8
6
4
2
0
0
10 12 14 16 18 20 21 22 23 24
Distancia (m)
El talud est formado por arcilla arenosa, con peso volumtrico de 16 kN/m3, las propiedades
de resistencia se consideran a partir del modelo de Mohr Coulomb obtenidas en pruebas triaxiales
UU, no consolidadas, no drenadas. Se tiene la incertidumbre en los resultados obtenidos en stas,
por lo que se considera a la cohesin y al ngulo de friccin como variables aleatorias con
distribucin muy semejante a la normal.
El ngulo de friccin tiene un valor medio de 25 y una desviacin estndar de 2, figura 6.2;
y la cohesin presenta una media de 10 kPa, con una desviacin estndar de 2 kPa, figura 6.3.
El factor de seguridad mnimo y el crculo de falla asociado a ste se calcularon aplicando el
mtodo de Morgentern Price y es FS = 3, figura 6.4, para condiciones estticas. Se busca calcular
el ndice de confiabilidad para el talud, considerando como FS = 1 para la condicin de falla, con los
siguientes mtodos: Monte Carlo, Regla del 3, estimacin puntual, primeros momentos y primer
orden.
105
Probabilidad
Probabilidad
106
Frecuencia (%)
Factor de seguridad
Figura 6.5. Histograma del factor de seguridad obtenido aplicando el mtodo de Monte Carlo
107
El factor de seguridad presenta un valor mnimo, FSmin, de 1.21 y un valor mximo, FSmax, de
4.34, con una media de 2.98 y una desviacin estndar de 0.389.
Se observa que el histograma presenta una distribucin semejante a la funcin de densidad normal;
para comprobarlo se realiza el ajuste de sta funcin de distribucin, se busca cumplir con las
igualdades:
E{FS} = FS
(6.1)
var[FS] = 2FS
(6.2)
EFS 0
(6.3)
varFS 1
(6.4)
FS =
0.158
(6.5)
00=0
var[FS] - 2FS = 0
(6.6)
1 0.158 = 0.842
Se observa que en cuanto a la media se logra la igualdad; sin embargo, para la varianza se tiene
una diferencia de 0.842, por lo cual la distribucin del histograma no se ajusta en su totalidad a la
distribucin normal.
Por lo anterior, se comprueba el ajuste con la funcin de densidad Beta, se busca cumplir con las
igualdades:
E{FS} = FS
var[FS] = 2FS
108
(6.7)
(6.8)
EFS
varFS
Los valores de y se obtienen del nomograma de la figura 6.6, para nuestro caso son de 5 y 7,
respectivamente.
5
EFS
57
EFS 0.41
EFS
109
1
57
varFS
5 7 2 5 7 1
varFS 0.018
varFS
El ajuste con est distribucin conducen a desigualdades menores que las obtenidas al realizar
el ajuste con la distribucin Normal. Se considera a la distribucin Beta como la representativa para
el factor de seguridad.
En este caso en particular coincide que la funcin de densidad de los parmetros de entrada sea
igual a la funcin del parmetro a calcularse.
El ndice de confiabilidad se calcula aplicando el criterio propuesto por Christian (2000) y Harr
(1987), ecuacin 6.9.
EFS 1
0.5
varFS
(6.9)
Sustituyendo:
110
EFS 1
0.5
varFS
2.98 1
0.1580.5
4.97
El ndice de confiabilidad calculado aplicando los primeros momentos del mtodo de Monte
Carlo es de 4.97.
Mtodo de la regla de 3
Aplicando la regla del 3, se buscan determinar la media y desviacin estndar del factor de
seguridad para el talud en referencia. Se conoce que los valores mnimos y mximos son 1.21 y
4.34, respectivamente.
FS max FS min
6
(6.10)
4.34 1.21
6
0.521
b) Clculo de la media
FS max 3
(6.11)
4.34 3(0.521)
2.77
Considerando que se cumplen las igualdades 6.5 y 6.6, el ndice de confiabilidad para los
primeros momentos obtenidos mediante la regla del 3, es:
111
EFS 1
0.5
varFS
2.77 1
0.521
3.39
Aplicando el mtodo de estimacin puntual propuesto por Rosenblueth se busca determinar los
primeros momentos del factor de seguridad a partir de los primeros momentos de las funciones de
densidad de las variables de entradas.
El momento a la M aplicando este mtodo es:
(6.12)
P P Pc P
(6.13)
P P Pc P
(6.14)
c
c
c
c
(6.15)
0
0
2( 2)
112
0
4
P P 0.25
P P 0.50.5
0
4
P P 0.25
Con estos valores se obtiene la esperanza del factor de seguridad, que es:
EFS 0.25(3.45) 0.25(3.23) 0.25(2.69) 0.25(2.50)
EFS 2.97
La varianza del factor de seguridad se calcula a partir de los valores obtenidos para los arreglos
antes mencionados y la esperanza del factor de seguridad calculada, en este caso es:
113
Considerando que se cumplen las igualdades 6.5 y 6.6, el ndice de confiabilidad para los
primeros momentos obtenidos mediante el mtodo de estimacin puntual, es:
EFS 1
0.5
varFS
2.97 1
5.10
0.1490.5
Este mtodo calcula los primeros momentos de la variable de inters a partir de la expansin de
la serie de Taylor hasta la primera derivada. En nuestro caso, el factor de seguridad se calcula con el
mtodo de Morgenstern Price mediante el programa Slope/W, considerado el valor de la esperanza
de la cohesin y del ngulo de friccin, ecuacin 6.16.
EFS FSE, Ec
(6.16)
FS
FS
varFS
varc
var
c
(6.17)
La derivada parcial se calcula de forma aproximada, Harr (1987), con la ecuacin 6.18.
114
FS FS Ec c FS Ec c
c
2 c
(6.18)
FS FS E FS E
c
2
(6.19)
Sustituyendo:
FS FS 12 FS 8
c
4
FS 3.34 2.59
c
4
FS
0.187
c
FS FS 27 FS 23
4
FS 3.08 2.87
4
FS
0.052
El ndice de confiabilidad para los primeros momentos obtenidos mediante primeros momentos
y primer orden, es:
EFS 1
0.5
varFS
2.98 1
5.09
0.1510.5
En la tabla 6.1 se presenta el resumen de los valores obtenidos por los diferentes mtodos.
115
Tabla 6.1. Resumen del ndice de confiabilidad y primeros momentos del factor de seguridad
Mtodo
E{FS}
var[FS]
FS
Monte Carlo
2.98
0.151
0.389
4.97
Regla del 3
2.77
0.271
0.521
3.39
Estimacin puntual
2.97
0.149
0.386
5.10
2.98
0.151
0.388
5.09
6.2
Ejemplo 6.2
Se considera que el talud del ejemplo 6.1 sufre un proceso de vaciado rpido, disminuyendo
Frecuencia (%)
la figura 6.7.
Factor de seguridad
Figura 6.7. Histograma del factor de seguridad obtenido aplicando el mtodo de Monte Carlo
116
El factor de seguridad presenta un valor mnimo, FSmin, de 0.39 y un valor mximo, FSmax, de
1.44 con una media de 0.79 y una desviacin estndar de 0.152.
El ndice de confiabilidad se calcula aplicando el criterio propuesto por Christian (2000) y Harr
(1987).
EFS 1
0.5
varFS
Sustituyendo:
EFS 1
0.5
varFS
0.79 1
0.152
1.38
El ndice de confiabilidad calculado aplicando los primeros momentos del mtodo de Monte
Carlo es de -1.38.
Mtodo de la regla de 3
Con la regla del 3 se busca determinar la media y desviacin estndar del factor de seguridad
para el talud en referencia. Se conoce que los valores mnimos y mximos son 0.39 y 1.44,
respectivamente.
FS max FS min
6
1.44 0.39
6
0.175
Clculo de la media
117
FS max 3
1.44 3(0.175)
0.915
Considerando que se cumplen las igualdades 6.5 y 6.6, el ndice de confiabilidad para los
primeros momentos obtenidos mediante la regla del 3, es:
EFS 1
0.5
varFS
0.915 1
0.175
-0.48
Aplicando el mtodo de estimacin puntual propuesto por Rosenblueth, se busca determinar los
primeros momentos del factor de seguridad a partir de los primeros momentos de las funciones de
densidad de las variables de entradas.
El momento a la M aplicando este mtodo es:
P P Pc P
Con estos valores se obtiene la esperanza del factor de seguridad, que es:
EFS 0.25(0.85) 0.25(0.78) 0.25(0.51) 0.25(0.53)
EFS 0.667
La varianza del factor de seguridad se calcula a partir de los valores obtenidos para los arreglos
antes mencionados y la esperanza del factor de seguridad calculada, en este caso es:
varFS P g(c , ) EFS P g(c , - ) EFS
2
2.24
0.0220.5
119
El factor de seguridad por este mtodo se calcula aplicando el mtodo de Morgenstern Price
mediante el programa Slope/W, considerado el valor de la esperanza de la cohesin y del ngulo de
friccin.
EFS FSE, Ec
Para nuestro caso, se tiene:
EFS FS25,10
EFS 0.67
c
4
FS 0.88 0.56
c
4
FS
0.08
c
FS FS 27 FS 23
4
FS 0.63 0.70
4
FS
0.017
El ndice de confiabilidad para los primeros momentos obtenidos mediante primeros momentos
y primer orden, es:
120
EFS 1
0.5
varFS
0.67 1
-2.05
0.0260.5
En la tabla 6.2 se presenta el resumen de los valores obtenidos por los diferentes mtodos.
Tabla 6.2. Resumen del ndice de confiabilidad y primeros momentos del factor de seguridad
Mtodo
E{FS}
var[FS]
FS
Monte Carlo
0.790
0.023
0.152
-1.38
Regla del 3
0.915
0.030
0.175
-0.48
Estimacin puntual
0.667
0.022
0.148
-2.24
0.670
0.026
0.161
-2.05
En este ejemplo lo que condiciona la estabilidad del talud es el mecanismo de falla actuante
debido a que no importa que el valor que tomen las variables de entrada se obtiene como resultado
un factor de seguridad menor al considerado como falla. Esto se observa al tener un ndice de
confiabilidad negativo al rebasarse la frontera establecida para considerar al talud en equilibrio
FS = 1.
6.3
Ejemplo 6.3
Aplicando el mtodo del elemento finito se busca determinar el factor de seguridad y la zona
de falla para el talud del ejemplo 6.1, considerando los valores correspondientes a la media del
ngulo de friccin y la cohesin de 10 kPa y 25, respectivamente y para los siguientes arreglos:
FS(12, 27),
FS(12, 23), FS(8, 27) y FS(8, 23).
El clculo se realiz utilizando el programa PLAXIS (versin estudiantil). Los resultados
obtenidos se presentan en la tabla 6.3 y en las figuras 6.8 a 6.12. Se observan las zonas de falla
obtenidas para cada arreglo. Se nota que no existe una variacin importante en cuanto a la
profundidad y forma de la superficie de falla, debido a que en todos los casos corresponden a fallas
por el pie del talud.
121
Tabla 6.3. Resumen del Factor de Seguridad obtenido por el mtodo del elemento finito
Arreglo
c (kPa)
()
FS
10
25
3.7
12
27
4.1
12
23
3.9
27
3.4
23
3.2
122
123
De los ejemplos presentados, se observa que una misma superficie de falla puede tener
diferentes valores de factor de seguridad con base en la variacin en las magnitudes de los
parmetros involucrados en el clculo. Como se observa en el ejemplo 6.2, en algunos casos el
mecanismo de falla rige el comportamiento del talud llegando a ser ms significativo que la
variacin de los parmetros, en el que la condicin de vaciado rpido provoca la falla del talud.
124
CONCLUSIONES
1) La finalidad de los anlisis de estabilidad de taludes es conocer la posibilidad de falla para
que el diseo de cortes y rellenos que den lugar al talud o afecten la estabilidad de la ladera
se realicen de forma segura y econmica.
2)
3)
4)
5)
6)
7)
Con el fin de cubrir esa incertidumbre, los anlisis geotcnicos buscan cumplir con un factor
de seguridad mnimo.
8)
9)
10) Debido a que la evaluacin rigurosa de la probabilidad de falla en la mayora de los casos es
complicada, se calcula un ndice de confiabilidad que representa en forma cuantitativa al
125
nmero de desviaciones estndar a las que se encuentra el valor esperado del factor de
seguridad con respecto al valor del comportamiento inadecuado.
11) Se han desarrollado diferentes mtodos para predecir, a partir de caractersticas conocidas de
las variables de entrada, los primeros momentos de la variable a calcular, en nuestro caso el
factor de seguridad. El nivel de seguridad obtenido depender de la precisin con que son
modeladas las solicitaciones y la respuesta del suelo ante ellas. La clasificacin de los
mtodos utilizados en los anlisis de confiabilidad corresponde a su nivel de exactitud.
12) El mtodo de Monte Carlo se utiliza para simular operaciones complejas que tienen muchos
factores aleatorios que accionan recprocamente; sirven como parmetro de comprobacin
para mtodos analticos ms simples y para obtener muestras aleatorias de una variable de la
cual se conoce su distribucin de probabilidad. Es un mtodo que fcilmente puede
programarse en una rutina de cmputo.
13) El mtodo de primeros momentos y primer orden es utilizado para estimar los primeros
momentos (media y varianza), de la funcin de distribucin resultante, con base en los
momentos de las variables aleatorias de entrada a partir de la expansin de la serie de Taylor
de dicha funcin sobre algn punto, generalmente sobre los valores de los primeros
momentos de la variables de entrada.
Entre las ventajas que presenta este mtodo estn: la de proporcionar un ndice relativo de la
incertidumbre del resultado asociada a cada variable aleatoria que interviene en su clculo; es
exacto si se utilizan distribuciones de probabilidad lineales. Tiene como desventajas que se
requiere determinar el valor de las derivadas parciales; cuando se utilizan funciones no
lineales, el error aumenta al elevarse el orden de stas.
14) El mtodo de estimacin puntual considera que las distribuciones de probabilidad continuas
de las variables aleatorias de entrada son representadas por una distribucin "equivalente",
discreta, a partir de dos o ms valores conocidos. Presenta como ventaja que su aplicacin es
relativamente ms sencilla que otros mtodos y sus resultados se aproximan en gran medida
a los obtenidos con el mtodo de primeros momentos y primer orden.
15) El mtodo ms sencillo es el llamado de la regla del 3, aunque es tambin el de mayor
error. Se aplica cuando se cuenta con datos limitados y puede usarse para juzgar la
racionalidad de valores de los coeficientes de variacin, a partir del valor mnimo y mximo
concebible para la variable de inters.
126
REFERENCIAS
1) Ang, A. H. S. and Amin, M. (1968), Reliability of structures and structural systems,
ASCE, J. Eng. Mech. Div., vol. 94.
2) Auvinet, G. (2002), Incertidumbre en Geotecnica, XVI Conferencia Nabor Carrillo,
SMMS, Mxico.
3) Auvinet, G. y Gonzlez J. (2000), Anlisis tridimensional de la confiabilidad de taludes
XX Reunin Nacional de Mecnica de Suelos, SMMS, Mxico.
4) Bishop, G. E. (1954) The use of the slip circle in the stability analysis of slopes,
Geotechnique 5 (1): 7 17.
5) Bishop, A. W. and Morgenstern, N. R. (1960), Stability coefficients for earth slopes,
Geotechnique 10 (4): 129 -147.
6) Budhu, M. (2007), Soil mechanics and foundation, 2 Ed., John Wiley and Sons, New
York.
7) Christian, J. T. (2000) Reliability and stability of slopes, Modeling in geomechanics, John
Wiley and Sons, New York.
8) Duncan, J. M. (2000), Factors of safety and reliability in geotechnical engineering, ASCE,
Journal of geotechnical and Geoenviromental Engineering, vol. 124 (4):307 316.
9) Fredlund, D. G. and Krahn, J. (1977), Comparison of slope stability methods of analysis
Canadian Geotechnical Journal 14: 429 - 439.
10) Harr, M. E. (1987), Reliability Based desing in civil engineering, Mc. Graw Hill, USA.
11) Hasofer, A. A. and Lind, A. M. (1974), An Exact and Invariant Second-Moment Code
Format, Journal of the Engineering Mechanics Division, ASCE, 100, 111-121.
12) Herrera, S. y Resndiz, D. (1992), "Agua Prieta landslide: A case history, Raul J. Marsal
Volume, SMMS, Mxico.
13) Jaime, A. y Montoya, A. (2008) Confiabilidad en geotecnia, cuatro enfoques, XXIV
RNMS, SMMS, Mxico.
14) Jaime, A. y Romo, M. P. (1987), Caractersticas del suelo en el sitio Tlahuac deportivo,
Proy 6504 elaborado para el DDF, Instituto de Ingeniera, UNAM, Mxico.
15) Janbu, N. (1954), Stability analysis of slopes with dimensionless parameters, Harvard
University, Cambridge, Masachusetts.
127
128