Fiabilidad de componentes estructurales

Jose F. Rodrguez
Departamento de Ingeniera Mec anica
Universidad de Zaragoza
1 Falla de componentes estructurales
Un componente se dene como aquel elemento estructural que posee un solo
modo de falla. En este sentido, la falla de un determinado componente estruc-
tural se especica de acuerdo a un determinado criterio. Por ejemplo, sean la
resistencia, R, y la carga, S, dos variables aleatorias y positivas, entonces la
funcion
g(r, s) = r s, (1)
dene una supercie a la que denominaremos supercie lmite que determina la
falla o no de un determinado componente estructural. De esta manera se tiene:
g(r, s) > 0 no falla,
g(r, s) < 0 falla,
g(r, s) = 0 estado lmite.
(2)
La probabilidad de falla de un componente estructural viene dada por todos
aquellos eventos para los cuales R < S. En terminos matematicos se tiene
p
f
=
_

0
_
s
0
f
R,S
(r, s)drds, (3)
o como
p
f
=
_

0
_
s
0
f
R|S
(r|s)f
S
(s)drds, (4)
=
_

0
F
R|S
(s|s)f
S
(s)ds. (5)
La Figura 1 muestra el signicado de la integral (3) de manera graca.
La probabilidad de falla, p
f
, tambien puede escribirse como
p
f
=
_

0
_

r
f
R,S
(r, s)dsdr, (6)
1
Fiabilidad de Componentes Estructurales 2
Figure 1: El volumen bajo la supercie representa la probabilidad de falla del
componente estructural, p
f
o como
p
f
=
_

0
_

r
f
S|R
(s|r)f
R
(r)dsdr,
=
_

0
(1.0 F
S|R
(r|r))f
R
(r)dr. (7)
2 Indice de Fiabilidad y Margenes de Seguridad
Consideremos la siguiente variable aleatoria
Z = R S. (8)
La probabilidad de falla puede ahora escribirse como
p
f
= P(R < S) = P(Z < 0) = F
Z
(0).
Sea U una variable aleatoria con media nula y varianza unitaria denida como
u =
z
Z

Z
, (9)
donde

Z
=
R

S
, (10)

2
Z
=
2
R
+
2
S
2
R,S

S
. (11)
Fiabilidad de Componentes Estructurales 3
De esta manera, la probabilidad de falla viene dada como
p
f
= F
Z
(0) = F
U
(

Z
) = F
U
(). (12)
es conocida como ndice de abilidad. Este ndice mide la distancia desde
el dise no nominal a la supercie de falla en terminos de
Z
. As, un mayor
valor de implica un sistema mas conable y viceversa. En este sentido,
se incrementa, bien si
Z
crece, o si
Z
decrece (menor incertidumbre sobre el
valor de Z). El ndice de abilidad suele confundirse con el factor de seguridad,
FS, denido como
FS =

R

S
.
En realidad, el factor de seguridad, FS, no nos dice nada acerca de la abi-
lidad de un determinado componente. Por ejemplo, los aviones suelen dise narse
con factores de seguridad cercanos a 1.0, pero son tanto o mas ables que un
ascensor que se dise na con un FS = 6.0. La Figura 2 muestra un ejemplo de
esto. Ambos componentes tienen el mismo factor de seguridad pero diferente
abilidad.
Figure 2: Los dos componentes, cuya distribucion se muestra, tienen el mismo
factor de seguridad pero distinta abilidad. El omoponente 2 es menos able
que el componente 1
Vamos ahora a establecer diferentes expresiones para el ndice de abilidad,
, de acuerdo a el tipo de variable aleatoria que sean R y S.
Caso 1. R y S variables normales no independientes, Z = R S
En este caso consideraremos como conocidos:
R
,
S
,
R
,
S
,
RS
. De esta
manera tenemos
Z = R S = N(
Z
,
Z
).
Empleando las expresiones (9)-(12), el ndice de abilidad se escribe como:

C
=
1
_

2
R
+
2
S
2
RS

S
, (13)
Fiabilidad de Componentes Estructurales 4
donde =
R
/
S
,
R
=
R
/
R
,
S
=
S
/
S
. Esta expresion fue propuesta
por Cornell en 1968.
Caso 2. R y S variables normales no independientes, Z = ln(R/S)
Esta nueva formulacion de Z es equivalente a (8). Sin embargo
Z
y
Z
no
pueden ser determinadas directamente ya que Z es una funcion no-lineal de R
y S. Escribiendo la aproximacion de primer orden tenemos

z
ln(R/S),

2
Z

2
R
+
2
S
2
RS

S
.
De esta manera, el ndice de abilidad queda

R
=
ln
_

2
R
+
2
S
2
RS

S
, (14)
Esta expresion para el ndice de abilidad fue propuesta por Rosenblueth en
1972.
La Tabla 1 muestra valores de los ndice de abilidad
C
y
R
para
R
=

S
= 0.3 y
RS
= 0.

C

R
1.5 0.92 0.96
2.0 1.49 1.63
3.0 2.11 2.59
3.5 2.43 3.27
4.0 2.61 3.79
4.5 2.74 4.22
Table 1: Indices de abiliadad
C
y
R
para
R
=
S
= 0.3,
RS
= 0
Estos resultados son un tanto extra nos ya que para formulaciones equiva-
lentes de la supercie lmite, se obtiene diferentes valores del ndice de abilidad,
siendo R y S variables aleatorias con las mismas caractersticas. A este hecho
volveremos mas adelante.
3 Fiabilidad de Componentes Estructurales Ge-
neral
A partir de este momento consideraremos un vector de variables aleatorias x que
pueden corresponder a propiedades de material, variables geometricas, cargas,
etc. Tambien consideraremos el caso general en que la supercie lmite viene
denida como Z(x) = g(x), es decir, no es posible separar S de R en el problema.
Supondremos, sin embargo, lo siguiente:
1. x es independiente del tiempo
Fiabilidad de Componentes Estructurales 5
2. Nuestro componente tiene unicamente dos estados, Falla y No falla
En este caso, g(x) representa el lmite entre los estados falla y no falla del
componente tal y como lo muestra la Figura 3.
Figure 3: Supercie lmite para el caso general
La probabilidad de falla p
f
viene ahora dada como
p
f
=
_
g(x)0
f
X
(x)dx, (15)
donde f
X
(x) representa la funcion de probabilidad conjunta de X. La inte-
gral (15) presenta dos inconvenientes: i) f
X
(x) es generalmente desconocido, ii)
El calculo de la integral es difcil para n = dim(x) > 3.
La resolucion del problema de abilidad general se planteo por dos vas de
manera practicamente simultanea. La primera alternativa, propuesta por Ang
y Cornell (1974), consistio en aproximar la media y la varianza de la funcion
g(x) en terminos de los estadsticos de x. La segunda alternativa, propuesta
por Hasofer y Lind (1974), consitio en la transformacion del espacio de varia-
bles aleatorias a un espacio normal estandar (media nula y desviacion estandar
unidad) sin modicar la funcion g(x). Como se vera mas adelante, la alternativa
propuesta por Ang y Cornell goza de sencillez y practicidad pero es inconsistente
a la hora de establecer un ndice de abilidad ya que no es invariante respecto
a formulaciones equivalentes de la funcion de estado lmite. Por otro lado, la
alternativa de Hasofer y Lind es invariante respecto a formulaciones equivalentes
de g(x), permitiendo establecer una verdadera medida de la abilidad de un
componente. Sin embargo, a costa de una mayor complejidad.
Fiabilidad de Componentes Estructurales 6
3.1 Fiabilidad del Segundo Momento
Los primeros intentos para resolver este problema se deben a Ang y Cornell
quienes introducen lo que se conoce como Fiabilidad del Segundo Momento. En
esta metodologa se parte del hecho que se conocen la matriz de medios, M
X
,
y de convarianzas,
XX
, de x, y la supercie lmite z = g(x). Haciendo un
desarrollo en series de Taylor hasta el primer orden de Z = g(x), obtenemos el
primero y segundo momento de Z

Z
= g(M
X
),

2
Z
= (g|
x=M
X
)
XX
(g|
x=M
X
)
T
.
De esta manera, el ndice de abilidad viene dado como

MV FOSM
=
g(M
X
)
(g
XX
g
T
)
1/2
. (16)
Tal y como se dijo anteriormente
MV FOSM
(MVFOSM son las iniciales en
ingles de Mean Value First Order Second Moment) es muy simple de calcular e
invariante con respecto a transformaciones lineales de x (importante a la hora de
reducir a el espacio de variables normales estandar), presenta serias desventajas
como lo son: i) No resulta invariante ante formulaciones equivalentes de g(x),
ii) No representa una medida de abilidad. Para reforzar este punto, tomemos
por ejemplo el caso de una sola variable aleatoria x
1
con valor medio x
1
= 1.0 y
desviacion estandar unidad (
x1
= 1.0). La supercie lmite podemos escribirla
de manera equivalente como:
g
1
(x
1
) = 4.0 x
1
, g
2
(x
1
) = ln
4
x
1
.
Note que ambas expresiones son cero en x
1
= 4.0. Calculando
MV FOSM
para
ambas expresiones obtenemos

(1)
MV FOSM
= 4 x
1
,
(2)
MV FOSM
=
ln(4/ x
1
)
1/ x
1
.
La Figura 4 muestra ambos valores del ndice de abilidad. Note como para el
caso lineal, g
1
, el ndice de abilidad es exacto, pero para el caso no-lineal se
subestima el valor de (el sistema tiene una mayor probabilidad de falla).
3.2 Metodo de Hasofer-Lind. Fiabilidad de Primer Orden
La falta de invarianza de
MV FOSM
respecto a la formulacion de la supercie
lmite fue resuelta por Hasofer y Lind (1974). En el metodo por ellos propuesto,
en lugar de aproximar las estadsticas de g(x), se propone una transformacion
de las variables aleatorias, x, a un espacio normal estandar de variables no-
correladas, y. En este espacio transformado, el ndice de abilidad se dene
como la distancia mas corta desde el origen a la supercie lmite.
Fiabilidad de Componentes Estructurales 7
Figure 4:
MV FOSM
calculado para dos deniciones equivalentes de la supercie
lmite
Esta aproximacion del problema tiene la ventaja que, si la transformacion
entre las variables x e y es unica e invertible, el ndice de abilidad es unico
para formulaciones equivalentes de la funcion g(x). Esto ocurre en el caso de
variables normales donde la transformacion es lneal (esto se vera mas adelante),
o para variables no-normales no-correladas, en cuyo caso el ndice de abilidad
relacionado a deniciones equivalentes de g(x) es el mismo. Para el caso de
variables no-normales correladas, la transformacion entre x e y depende del
orden escogido a la hora de aplicar la transformacion, por lo que el ndice de
abilidad sera diferente en cada caso. Sin embargo, la experiencia demuestra
que los ndices varan poco y pueden considerarse el mismo en todos los casos.
3.2.1 Caso de Variables Normales
Vamos a establecer el algoritmo de Hasofer y Lind para el caso de variables
normales para luego extenderlo al caso de variables aleatorias general. Sea X el
vector de variables aleatorias gausianas con media M
X
, y matriz de covarianzas,

XX
, y sea g(x) = 0, la ecuacion que dene la supercie de estado lmite. El
primer paso al aplicar el metodo de Hasofer y Lind consiste en transformar el
espacio de variables aleatorias a uno normal estandar. Considere la matriz de
correlacion denida como
R = D
1

XX
D
1
,
donde
D = diag[],
es una matriz diagonal con las desviaciones estandar de X. Haciendo una des-
composicion de Chollesky de la matriz R = LL
T
y deniendo
= L
1
,
Fiabilidad de Componentes Estructurales 8
podemos establecer el siguiente cambio de variable
Y = D
1
(XM
X
). (17)
Note que
M
Y
= D
1
(M
X
M
X
) = 0

Y Y
= D
1

XX
D
1

T
= 1.
Hemos transformado el espacio de variables aleatorias X a uno normal
estandar. La supercie lmite queda ahora como:
g(x) = g(DLy +M
X
) = G(y),
y su gradiente
G(y) =
x
g(x)DL.
Figure 5: Representacion geometrica del ndice de abilidad de Hasofer-Lind.
De esta manera, el ndice de abilidad se obtiene de la solucion del siguiente
problema de optimizacion
min (y) = y
s.a. G(y) = 0.0
(18)
La Figura 5 muestra la solucion del problema de optimizacion (18), de donde
resulta sencillo establecer

HL
=
G(y

)
G(y

)
y

,
donde y

y x

son los puntos con mayor probabilidad de falla del componente.

El punto y

se encuentra de manera iterativa tras sucesivas linearizaciones de

la supercie G(y). Sea y
n
la aproximacion al optimo en la iteracion n, para
obtener una nueva aproximacion, y
n+1
, linearicemos G(y) alrrededor de y
n
G(y
n+1
) = G(y
n
) +G(y
n
)(y
n+1
y
n
) = 0.
Fiabilidad de Componentes Estructurales 9
Sabiendo que y
n+1
= G(y
n
), encontramos
y
n+1
=
_
G(y
n
)
||G(y
n
)||
y
n

G(y
n
)
||G(y
n
)||
_
G(y
n
)
T
||G(y
n
)||
.
La Tabla 2 detalla el algoritmo de Hasofer-Lind para encontrar el punto de
dise no con mayor probabilidad de falla para variables aleatorias normales.
Dado: M
X
,
XX
,

,
x
Paso 1: Calcular la descomposicion de Cholesky de la matriz de correlacion

XX
= D
1

XX
D
1

XX
= LL
T
Paso 2: Inicializacion:
i := 1, E

:= 1, E

:= 1, E
a
:= 1,
:= L
1
, x
(1)
:= M
X
, y
(0)
:= 0,
(0)
:= 0,
(0)
= 0
Paso 3: While (E

>

and E

>

and E
x
>
x
)
G(y
(i)
) = g(x
(i)
)
G(y
(i)
) = g(x
(i)
)DL

(i)
=
G(y
(i)
)
G(y
(i)
)

(i)
= (
(i)
)y
(i)
y
(i+1)
=
_

(i)
y
(i)
+
G(y
(i)
)
G(y
(i)
)
_

(i)
x
(i+1)
= DLy
(i+1)
+M
X
If i > 1
E

=
(i)

(i1)

=
(i)

(i1)

E
x
= x
(i)
x
(i1)

EndIf
i := i + 1
End While
Paso 4: p
f
= ()
Table 2: Algoritmo de Hasofer-Lind
Una vez obtenido el punto de dise no de acuerdo al algoritmo anterior, la
probabilidad de falla del elemento se determina mediante
p
f
= ()
lo cual corresponde a la probabilidad de primer orden. Para establecer el origen
de esta expresion, considerese nuevamente la Figura 5. La aproximacion de
primer orden de G(y) en y

viene dada por

G(y) = G(y

)(y y

) = 0,
por lo que la probabilidad de falla de primer orden es
p
f
=
_

G(y)0

Y
(y)dy, (19)
Fiabilidad de Componentes Estructurales 10
donde

Y
(y) = (y
1
)(y
2
) (y
n
),
es la funcion de distribucion conjunta en el espacio normal estandar. Sea T la
matriz de rotacion que transforma las bases y en las bases y

(y

= Ty), en las
cuales, sin perdida de generalidad, el eje y

1
coincide con la normal G(y

). En
este nuevo sistema, la integral (19) viene dada como
p
f
=
_

(y

2
)dy

2

_

(y

n
)dy

n
_

2
e
y

1
2
dy

1
=
_

2
e
y

1
2
dy

1
=
_

2
e
y

1
2
dy

1
= (). (20)
Ejemplo 1:
Sean X
1
e X
2
dos variables aleatorias normales con media y matriz de co-
varianza
M
X
=
_
100
20
_
,
XX
=
_
400 50
50 25
_
,
y sea la funcion de estado lmite
g(X) =
1
2
X
2
2
X
1
.
Determine el ndice de abilidad y la probabilidad de falla de primer orden.
Para este problema tenemos:
D =
_
20 0
0 5
_
,
R =
_
1/20 0
0 1/5
_ _
400 50
50 25
_ _
1/20 0
0 1/5
_
=
_
1.0 0.5
0.5 1.0
_
,
L =
_
1.0 0.0
0.5 5
_
, =
_
1.0 0.0
0.58 1.15
_
.
La expresion para el gradiente de g(X) en el espacio transformado puede
obtenerse de manera analtica como:
G(y) = g(x)DL =
[ 1 x
2
]
_
20 0
0 5
_ _
1.0 0.0
0.5 5
_
G(y) = [ 2.5x
2
20 4.33x
2
]
Inicializacion:
x
(0)
=
_
100
20
_
, y
(0)
= D
1
(x
0
M
X
) = 0.
Fiabilidad de Componentes Estructurales 11
Iteracion 1:
G(y
(0)
) = 100
G(y
(0)
) = [ 30.0 86.6 ] ; ||G(y
(0)
)|| = 91.65

(0)
=
_
0.32 0.945

(0)
= 0
y
(1)
= (0 + 100/91.65)
_
0.327
0.945
_
=
_
0.357
1.031
_
x
(1)
=
_
20 0
0 5
_ _
1 0
0.5 0.87
_ _
0.357
1.031
_
+
_
100
20
_
=
_
92.86
14.64
_
Subsecuentes iteraciones
Iteracion 2:
x
(2)
=
_
92.9
14.6
_
y
(2)
=
_
0.357
1.031
_

(2)
=
_
0.327
0.945
_

(2)
= 1.091
Iteracion 3:
x
(3)
=
_
93.4
13.7
_
y
(3)
=
_
0.331
1.264
_

(3)
=
_
0.234
0.972
_

(3)
= 1.307
Iteracion 4:
x
(4)
=
_
93.9
13.7
_
y
(4)
=
_
0.307
1.277
_

(4)
=
_
0.234
0.972
_

(4)
= 1.314
Iteracion 5:
x
(5)
=
_
93.9
13.7
_
y
(5)
=
_
0.307
1.277
_

(5)
=
_
0.234
0.972
_

(4)
= 1.314
El resultado nal
x

=
_
93.9
13.7
_
y

=
_
0.307
1.277
_

=
_
0.234
0.972
_

= 1.314
La probabilidad de falla de primer orden del problema es p
f
= (

) =
(1.314) = 0.0945.
3.3 Aplicaci on al problema de abilidad general
Hasta ahora se han considerado variables gausianas o normales unicamente.
En este apartado consideraremos el problema general en el que las variables x
pueden obedecer a cualquier distribucion. La idea en este caso es la misma,
Fiabilidad de Componentes Estructurales 12
transformar todas las variables al espacio normal estandar y hacer uso de las
aproximaciones disponibles. Para ello asumiremos como conocido:
g(x), F
X
(x) o f
X
(x).
La transformacion al espacio estandar la denimos como
Y = T(X).
En general, T() puede denirse en forma triangular como:
y
1
= T
1
(x
1
)
y
2
= T
2
(x
1
, x
2
)
y
3
= T
3
(x
1
, x
2
, x
3
)
.
.
.
y
n
= T
n
(x
1
, , x
n
)
(21)
De esta manera, dado un y, x puede calcularse utilizando un Newton-Rapson
en cada ecuacion de arriba a abajo.
x
1
= T
1
1
(y
1
)
x
2
= T
1
2
(y
2
, x
1
)
x
3
= T
1
3
(x
3
, x
1
, x
2
)
.
.
.
x
n
= T
1
n
(y
n
, x
1
, , x
n1
)
(22)
Este procedimiento da como resultado la transformacion exacta entre el espacio
original al espacio normal estandar.
Una vez denida la transformacion (21), la supercie lmite y su gradiente
se obtienen facilmente a traves de:
G(y) = g(x),
G(y) = g(x)J
1
yx
,
donde
J
yx
=
_
_
_
y1
x1

y1
xn
.
.
.
.
.
.
.
.
.
yn
x1

yn
xn
_
_
_ (23)
es el Jacobiano de la transformacion y es funcion unicamente de x. De esta
manera, calcular G y G resulta sencillo, sin embargo calcular x a partir de y
puede resultar muy complicado, ya que la resolucion de (22) puede no ser trivial.
Una manera de sobreponerse a esta dicultad, es trabajar con la linearizacion
de la transformacion (21) en el punto (x, y), es decir
Y = T(X) J
yx
X+a, (24)
Fiabilidad de Componentes Estructurales 13
X = T
1
(Y) J
1
yx
(Ya), (25)
donde
a = y J
yx
x. (26)
Note que este procedimiento es equivalente a reemplazar X por un vector
normal cuya media y desviacion estandar son

M
X
= J
1
yx
a y

XX
= J
1
yx
J
T
yx
. (27)
En terminos del algoritmo anterior, esto es equivalente a

M
X
= M
X
y D
1
= J
yx
.
Vamos a considerar diferentes escenarios posibles dependiendo la naturaleza
de las variables aleatorias del problema.
Caso 1: Variables normales
Este caso corresponde a
x = N(M
X
,
XX
),
el cual se analizo previamente y donde el algoritmo de Hasofer-Lind aplica di-
rectamente.
Caso 2: Variables no-normales independientes
En este caso tenemos F
X
(x), con x
i
independientes. De esta manera se tiene
y
i
=
1
(F
Xi
(x
i
)), i = 1, . . . , n,
(y
i
) = F
Xi
(x
i
),
d
dx
i
(y
i
) =
d
dx
i
F
Xi
(x
i
),
dy
i
dx
j
=
f
Xj
(x
j
)
(y
i
)

ij
.
As obtenemos que el Jacobiano es una matriz diagonal
(J
yx
)
ij
=
f
Xj
(x
j
)
(y
i
)

ij
.
Una vez denida la matriz Jacobiana, la media y desviacion estandar linearizadas
se calculan a partir de (27), donde a se obtiene de (26). Tras una sencilla op-
eracion algebraica se obtiene:

M
X
= x J
1
yx
y, (28)
para la media, y
(

XX
)
ij
=
_
(y
i
)
f
Xj
(x
j
)
_
2

ij
, (29)
Fiabilidad de Componentes Estructurales 14
Dado: g(x), F
X
(x), o f
X
(x),

,
x
Paso 1: Determinar la transformacion T() tal que
Y = T(X) = N(0, 1)
g(X) = g(T
1
(Y)) = G(Y)
Paso 2: Inicializacion:
i := 1, E

:= 1, E

:= 1, E
a
:= 1,
x
(1)
:= M
X
Paso 3: While (E

>

and E

>

and E
x
>
x
)
y
(i)
= T(x
(i)
)
C = [J
yx
(x
(i)
, y
(i)
)]
1

M
X
= x
(i)
Cy
(i)
G(y
(i)
) = g(x
(i)
)
G(y
(i)
) = g(x
(i)
)C

(i)
=
G(y
(i)
)
G(y
(i)
)

(i)
=
(i)
y
(i)
y
(i+1)
=
_

(i)
y
(i)
+
G(y
(i)
)
G(y
(i)
)
_
(
(i)
)
T
x
(i+1)
= Cy
(i+1)
+

M
X
If i > 1
E

=
(i)

(i1)

=
(i)

(i1)

E
x
= x
(i)
x
(i1)

EndIf
i := i + 1
End While
Paso 4: p
f
= ()
Table 3: Algoritmo de Hasofer-Lind para el problema de abilidad general
para la matriz de covarianzas.
La Tabla 3 detalla el algoritmo de Hasofer-Lind para el problema de abili-
dad general.
Ejemplo 2:
Sean X
1
y X
2
dos variables estadsticamente independientes. X
1
sigue una
distribucion de Maximo valor del Tipo I con
1
= 100 y
1
= 20, mientras que
X
2
es log normal con
2
= 20 y
2
= 5. La funcion de estado lmite viene dada
por
g(x) =
1
2
x
2
2
x
1
Para X
1
tenemos:
F
X1
(x
1
) = exp{exp[(x
1
)]},
f
X1
(x
1
) = exp{(x
1
) exp[(x
1
)]},
donde = /(

6
1
) = 0.0641, =
1
0.5772/ = 91.
Fiabilidad de Componentes Estructurales 15
Para X
2
tenemos
F
X2
(x
2
) =
_
ln x
2

_
,
f
X2
(x
2
) =
1
x
2

_
ln x
2

_
,
donde =
_
ln[1 + (
2
/
2
)
2
]
_
1/2
= 0.246, = ln
2
0.5
2
= 2.965. Aplicando
el algoritmo mostrado en la Tabla 3
Inicializacion: x
(1)
= (100, 20)
T
.
Primera iteracion:
y
(1)
=
_

1
(F
X1
(x
(1)
1
))

1
(F
X2
(x
(1)
2
))
_
=
_
0.18
0.12
_
G(y
(1)
) = g(x
(1)
) = 100
C = J
1
yx
=
_
_
_
(y
(1)
1
)
f
X
1
(x
(1)
1
)
0
0
(y
(1)
2
)
f
X
2
(x
(1)
2
)
_
_
_ =
_
19.12 0
0 4.92
_

M
X
= x
(1)
Cy
(1)
=
_
96.61
19.39
_
G(y
(1)
) = g(x
(1)
)C =
_
19.12
98.4
_

(1)
=
G(y
(1)
)
||G(y
(1)
)||
=
_
0.191
0.982
_

(1)
= 0.216
y
(2)
=
_
(
(1)
)
T
y
(1)
+
G(y
(1)
)
G(y
(1)
)
_

(1)
=
_
0.175
0.898
_
x
(2)
= Cy
(2)
+

M
X
=
_
99.92
15.00
_
Segunda iteracion: Repetir los calculos anteriores con x
(2)
El algoritmo requiere un total de 6 iteraciones para encontrar la solucion tal
y como se muestra en la Tabla 4
La Figura 6 muestra el camino seguido por el algoritmo para encontrar la
solucion. Note que la restriccion es alcanzada relativamente rapido,mientras que
elmayor n umero de iteraciones se dedican a satisfacer la condicion de optimalidad.
Fiabilidad de Componentes Estructurales 16
Ite x y p
f
1
100.0
20.0
0.177
0.123
0.191
0.982
0.216
2
99.925
14.996
0.173
0.893
0.326
0.945
0.9097
3
104.454
14.464
0.411
1.191
0.374
0.928
1.2594
4
105.897
14.553
0.470
1.168
0.378
0.926
1.2591
5
106.026
14.562
0.476
1.166
0.378
0.926
1.2589
6
106.035
14.563
0.476
1.166
0.378
0.926
1.2589 0.104
Table 4: Resumen de resultados
3.4 Calculo de sensibilidades
Uno de los aspectos mas importantes que se obtiene a partir de los metodos
de abilidad de primer orden son las sensibilidades del coeciente de abilidad

HL
(y de la probabilidad de falla p
f
) a cambios en el optimo x

y y

, a
los parametros de las distribuciones de las variables aleatorias, as como a los
parametros de la funcion de estado lmite. En esta seccion vamos a establecer
el calculo de las diferentes sensibilidades.
3.4.1 Sensibilidad respecto a x

y y

En este caso denimos

(y) = sign(
HL
)
_
y
T
y.
De esta manera tenemos

HL
(y) = sign(
HL
)
y
||y||
. (30)
Particularizando en el optimo x

tenemos

HL
(y

) = . (31)
Por tanto, representa la sensibilidad de
HL
con respecto a las variables en el
espacio normal estandar, en otras palabras, puede emplearse para categorizar
la importancia de cada una de las variables estandar.
La medida de sensibilidad de
HL
con respecto a x

es facilmente calculable
mediante el gradiente de la transformacion J
yx

HL
(y

) =
T
J
yx
. (32)
Fiabilidad de Componentes Estructurales 17
Figure 6: Representacion geometrica del ndice de abilidad de Hasofer-Lind.
Debido a que las diferentes variables aleatorias pueden presentar escalas bas-
tante diferentes, la sensibilidad denida en (32) usualmente se normaliza por la
desviacion estandar de las diferentes variables
D = diag[
XX
]
1/2
.
De esta manera, el vector sensibilidades normalizado con respecto a x

, es
=

T
J
yx
D
||
T
J
yx
D||
. (33)
Note que para el caso particular de variables independientes, = . Al igual
que para el caso de las variables estandar, provee de una medida relativa de la
importancia de cada una de las variables basicas del problema. En este sentido,
si
i
> 0 se dice que x
i
es una variable de carga, mientras que
i
< 0 indica que
x
i
es una variable de resistencia.
3.4.2 Sensibilidad respecto a los parametros de la distribucion
En este caso consideremos que la distribucion de X, F
X
(x, ) viene especicada
en terminos de una serie de parametros . Por lo tanto tenemos
y = T(x, ),
g(x) = g(T
1
(y, )) = G(y, ).
Partiendo de (30) se tiene

HL
= sign(
HL
)
(y

)
T
||y

||

,
=

y
G(y

, )
|
y
G(y

, )|

. (34)
Fiabilidad de Componentes Estructurales 18
Para determinar

, consideremos la derivada de G(y

, ) = 0 con respecto
a
G(y

, )

+
y
G(y

, )
y

= 0.
Resolviendo para
y

y sustituyendo en (34) se obtiene

HL
=
1
|
y
G(y

, )|
G(y

, )

.
Sin embargo, G(y

, ) = g(x

), por tanto
G(y

, )

=
g(x

=
x
g(x

)
x

. (35)
Para determinar
x

, consideremos la transformacion en el punto solucion

y

= T(x

, ).
Manteniedo y

jo tenemos
0 =
T(x

, )
x

+
T(x

, )

= J
y

+
T(x

, )

Resolviendo para
x

y sustituyendo en (35) obtenemos nalmente:

HL
=

x
g(x

)J
1
y

|
y
G(y

, )|
T(x

, )

=
T
T(x

, )

. (36)
La sensibilidad de la probabilidad de falla del sistema, p
f
a los parametros
de la distribucion puede encontrarse facilmente como

p
f
= (
HL
)

HL
. (37)
3.4.3 Sensibilidad respecto a los parametros de la funcion de estado
lmite
Supongamos que la funcion de estado lmite viene dada en terminos de unos
parametros
g(x, ) = g(T
1
(y), ) = G(y, ).
La derivada de
HL
con respecto a en el punto solucion (x

, y

) viene dada
como

HL
= sign(
HL
)
(y

)
T
||y

||

,
=

y
G(y

, )
|
y
G(y

, )|

. (38)
Fiabilidad de Componentes Estructurales 19
Procediendo de manera similar que en el apartado anterior, tomemos la derivada
de G(y

, ) con respecto a
G(y

, )

+
y
G(y

, )
y

= 0.
De esta manera, resolviendo para
y

y sustituyendo en (38) obtenemos nal-

mente:

HL
=
1
|
y
G(y

, )|
G(y

, )

=
1
|
y
G(y

, )|
g(x

, )

. (39)
La sensibilidad de la probabilidad de falla es

p
f
= (
HL
)

HL
. (40)
Ejemplo 3:
Consideremos el ejemplo del apartado para el cual se tiene: X
1
y X
2
in-
dependientes. X
1
F
Val.ExtremoTipoI
(x
1
; , ) = F
1
(x
1
, 91, 0.0641) y X
2

F
logNormal
(x
2
; , ) = F
2
(x
2
, 2.965, 0.246), y la funcion de estado lmite viene
dada por
g(x) = x
2
2
x
1
,
con = 1/2. La transformacion queda entonces denida como:
Y = T(X) =
_

1
(F
X1
(x
(1)
1
))

1
(F
X2
(x
(1)
2
))
_
=
_

1
(exp{exp[(x
1
)]})
(ln x
2
)/
_
.
En el punto solucion (x

, y

), obtenemos
x

=
_
106.035
14.563
_
, y

=
_
0.476
1.166
_
, = =
_
0.378
0.926
_
.
De esta manera obtenemos las sensibilidades de
HL
con respecto a (x

y
y

) respectivamente. Consideremos ahora las sensibilidades con respecto a los

parametros de la distribucion. Sea
=
_
_
_
_

_
_
_
_
.
Entonces, el gradiente

= J
y

viene dado como

J
y

=
_

f
X
1
(x

1
)
(y

1
)
x1

f
X
1
(x

1
)
(y

1
)
0 0
0 0
1

ln x

2
_
,
Fiabilidad de Componentes Estructurales 20
con lo que nalmente obtenemos

HL
= 0.0179 4.18 3.78 4.41 .
Para la probabilidad de falla p
f
se tiene

p
f
= 0.00323 0.755 0.683 0.751 .
Estos resultados indican que si el valor de se incrementa en 0.1,
HL
incre-
menta en 0.418 y la probabilidad de falla se reduce en 0.0755.
Para calcular la sensibilidad con respecto al parametro en la supercie
de estado lmite, primero determinamos el gradiente de la supercie lmite en
(x

, y

). En la solucion tenemos
J
1
y

x
=
_
21.3 0
0 3.59
_
y

x
g(x

, ) = 1 14.56 ,
por lo tanto

y
G(x

, ) = 21.3 52.27 .
As, la sensibilidad de
HL
con respecto a nos queda

HL
=
1
|
y
G(y

, )|
g(x

, )

=
14.56
2
56.44
= 3.756,
y la de la probabilidad de falla p
f

p
f
= (
HL
)

HL
= 0.1806 3.756 = 0.6783.
4 Fiabilidad de Sistemas
Hasta ahora se ha discutido la abilidad de un elemento estructural con una
unica funcion de estado lmite, g(x). Sin embargo, un mismo elemento estruc-
tural puede estar sujeto a mas de una funcion de estado lmite (i.e., resistencia
a la exion, al pandeo, maximo desplazamiento, etc) y todas han de ser con-
sideradas en el analisis. Adicionalmente, la mayora de las estructuras estan
formadas por muchos elementos dando lugar a lo que se denomina un sistema
estructural. A su vez, el sistema estara sujeto a la accion de diferentes cargas
actuando de manera individual o combinada que pueden tener diferente efecto
sobre los miembros de la estructura, o puede existir correlacion entre cargas y
resistencias debido a efectos de tama no o de memoria del material. Por estas
razones, la abilidad de un sistema estructural sera funcion de la abilidad de
sus componentes. En todo caso, el problema de abilidad de un sistema es-
tructural implica la consideracion de m ultiples funciones de estado lmite que
pueden incluso estar correladas.
Una falla estructural puede denirse de varias formas, por ejemplo
Fiabilidad de Componentes Estructurales 21
1. Maxima tension permisible alcanzada en cualquier punto de la estructura
2. Colapso de la estructura (se alcanza un condicion de rigidez nula de la
estructura)
3. Se alcanza un valor de rigidez lmite
4. Se alcanza la maxima echa permitida
5. El da no acumulado alcanza un lmite
En la formulacion del problema de abilidad de sistemas, es importante iden-
ticar los diferentes modos de falla asociados con la estructura. Estos modos
pueden consistir en la combinacion de dos o mas situaciones de falla afectando
a diferentes elementos del sistema. Por ejemplo, en el caso de una viga hiper-
estatica sujeta a la accion de dos cargas, los tres posibles modos de colapso
(suponiendo un comportamiento elastoplastico del material) se muestran en la
Figura 7
Figure 7: Modos de falla en una viga con comportamiento elasto-plastico.
En el caso mostrado, las ecuaciones que describen los tes modos de colapso
son:
4M
A
+ 8M
C
2P
1
L P
2
L = 0
4M
A
+ 16M
D
2P
1
L 3P
2
L = 0
4M
C
+ 8M
D
P
2
L = 0
Fiabilidad de Componentes Estructurales 22
A esta manera de representar el problema de abilidad se le denomina
aproximacion por modos de falla. En general existen dos formas generales
de plantear el problema de abilidad de sistemas: i) aproximacion por modos
de falla, y ii) aproximacion por modos de supervivencia.
La aproximacion por modos de falla consiste en identicar todos los posi-
bles modos de falla de la estructura. Tal y como se ha descrito anteriormente,
los modos de falla suelen consistir en un secuencia de fallas de elementos de la
estructura suciente como para dar lugar al colapso de la estructura. La repre-
sentacion de los modos de falla puede hacerse a traves de un arbol de eventos o
de un grafo de fallas tal y como se muestra en la Figura 8.
Figure 8: Arbol de eventos y grafo de fallas para la estructura de la Figura 7.
Debido a que la falla a traves de cada posible camino se nalado en el arbol de
eventos o en el grafo de fallas implica la falla de la estructura, el evento Falla
de la Esturctura, F
S
, es la union de todos los m posibles modos de falla
p
f
= P(F
S
) = P(F
1
F
2
. . . F
m
), (41)
donde F
i
is la falla del modo i. Por su parte, para cada modo F
i
es necesario
la falla de un n umero suciente de elementos de la estructura
P(F
i
) = P(F
1i
F
2i
. . . F
nii
), (42)
Fiabilidad de Componentes Estructurales 23
donde F
ji
representa la falla del elementos j en el modo i, y n
i
es el n umero de
elementos que fallan en el modo i.
La aproximacion por modos de supervivencia consiste en la identicacion de
los diferentes estados en los cuales la estructura no colapsa (sobrevive), tambien
llamados modos de sobrevivencia. En el caso de la estructura de la Figura7, los
estados 1, 2, 3, y 4 en el grafo de falla de la Figura 8 son estados en los que la
estructura ha fallado parcialmente pero es todava capaz de soportar la carga.
Si denotamos S
S
la sobrevivencia de la estructura, entonces tenemos
p
s
= P(S
S
) = P(S
1
S
2
. . . S
k
), (43)
donde S
j
es el modo de sobrevivencia j, y k es el n umero total de modos de
sobrevivencia. Aplicando el Teorema de de Morgan obtenemos
p
f
= P(

S
1


S
2
. . .

S
k
), (44)
donde

S
i
es la no-sobrevivencia al modo i. Claramente, la sobrevivencia en
cualquiera de los modos de sobrevivencia requiere que todos los elementos de la
estructura que contribuyen a dicho modo tambien sobrevivan. En el caso de la
Figura 8, la sobrevivencia al modo 2 requiere que no se forme rotula plastica ni
en C ni en D. De esta manera, resulta evidente que la no sobrevivencia a un
determinado modo es equivalente a la falla de un mnimo n umero de elementos
de la estructura.
P(

S
i
) = P(F
1i
F
2i
. . . F
lii
), (45)
donde F
ji
es la falla del elemento j en el modo de sobrevivencia i, y l
i
representa
el n umero total de elementos que se requieren para asegurar la sobrevivencia
del modo i.
Debido a la dicultad en conceptualizar los diferentes modos de sobrevivencia
y en la formulacion de las funciones de estado lmite, la aproximacion por modos
de supervivencia tiene poca utilidad practica y no ha recibido mucha atencion.
Cabe destacar, sin embargo, que cualquier estimado de la probabilidad de falla,
p
f
basada en (4.1.1) la subestimara al menos que todos los posibles modos
de falla sean identicados. Por el contrario, la probabilidad de falla obtenida
empleando la aproximacion por modos de supervivencia (44) sera conservadora
(sobreestimacion de p
f
) al menos que todos los posibles modos de supervivencia
se tomen en cuenta en el analisis. Sin embargo, si la falla de un determinado
elemento estructural no es tomado en cuenta en el analisis (i.e., ni en la denicion
de un modo de fallo ni de un modo de supervivencia), ambas aproximaciones
subestimaran la probabilidad de falla de la estructura.
4.1 Idealizaci on de sistemas estructurales
Los sistemas estructurales se corresponden con tres tipos: i) Sistemas en Serie,
ii) Sistemas en Paralelo, y Sistemas Combinados.
Fiabilidad de Componentes Estructurales 24
4.1.1 Sistemas en serie
Los sistemas en serie, representados por una cadena, tambien denominados como
sistemas de eslabon debil, se caracterizan porque la falla de la estructura se
corresponde con la falla de cualquiera de los elementos que la conforman. Un
estructura isostatica es un ejemplo de un sistema en serie ya que la falla de
cualquiera de sus elementos da lugar a la falla de la estructura. As, cada
elemento es por consiguiente un modo de falla de la estructura. De esta manera,
la probabilidad de falla de un sistema en serie compuesto por m elementos
p
f
= P(F
1
F
2
. . . F
m
) (46)
Comparando esta ecuacion con () vemos que la formulacion de sistemas en serie
es equivalente a una aproximacion del tipo modos de falla.
Si cada modo de falla F
i
representa una supercie de estado lmite, g
i
(x) en
el espacio de dise no, entonces la probabilidad de falla se obtiene como
p
f
=
_
Dx
f
X
(x)dx, (47)
donde X representa el vector de todas las variables de dise no y la region de
integracion D en (47) es el dominio en X que dene la falla del sistema (ver
Figura 9). Debido a que el problema de abilidad de sistemas en serie comprende
todos los posibles eventos donde ocurre falla, a este problema tambien se lo
conoce como el problema de interseccion grande.
Figure 9: Problema de abilidad para sistemas en serie (interseccion grande)
4.1.2 Sistemas en paralelo
Cuando los elementos que conforman una estructura se comportan de modo tal
que su falla no necesariamente implica la falla de la estructura, el problema
Fiabilidad de Componentes Estructurales 25
de abilidad se convierte en uno de un sistema paralelo o redundante. Una
estructura hiperestatica como la de la Figura 7 es un buen ejemplo de un sistema
paralelo. La redundancia en los sistemas puede ser de dos tipos: i) redundancia
activa o ii) redundancia pasiva. Redundancia activa ocurre cuando un elemento
estructural participa activamente en el comportamiento de la estructura incluso
a niveles bajos de carga. La redundancia pasiva ocurre cuando el elemento
redundante act ua una vez que la estructura ha sufrido un determinado nivel de
da no o degradacion de su elementos. La presencia de redundancia pasiva implica
que la estructura dispone de una reserva en la capacidad de carga incrementando
por tanto la abilidad del sistema.
Para un sistema paralelo de n componentes, la probabilidad de falla viene
dada como
p
f
= P(F
S
) = P(F
1
F
2
. . . F
n
), (48)
donde F
i
representa la falla del elemento i. Al igual que para el caso de sistemas
en serie, el problema de abilidad lo podemos formular como
p
f
=
_
D1x
f
X
(x)dx, (49)
donde X representa el vector de todas las variables de dise no y la region de
integracion D
1
en (49) es el dominio en X que dene la falla del sistema (ver
Figura 10). Debido a que el problema de abilidad de sistemas en paralelo
comprende la falla de todos los elementos de la estructura, a este problema
tambien se lo conoce como el problema de interseccion peque na.
Figure 10: Problema de abilidad para sistemas en paralelo (interseccion
peque na)
En el caso de comportamiento plastico de estructuras como el mostrado en
Fiabilidad de Componentes Estructurales 26
la Figura 7, vemos que cada modo de falla viene dado, de manera general como

i
P
i

i

k
M
k

k
= 0, (50)
donde P
i
es una carga externa,
i
es el desplazamiento correspondiente al punto
donde esta aplicada Q
i
, M
i
es el momento plastico resistente del material en la
seccion k y
k
el angulo de rotacion en la seccion k. Vemos que la expresion
(50) representa un sistema paralelo ya que para que se produzca el fallo debido
a ese modo de fallo es necesario que se alcance el momento plastico en cada
una de las secciones k. Sin embargo, el conjunto de ecuaciones que describe los
modos de fallo de una determinada estructura representa un sistema en serie,
ya que la ocurrencia de cualquiera de cualquiera de los modos de fallo implica
el fallo de la estructura. El hecho que los momentos plasticos resistentes, M
k
pueden aparacer en diferentes modos de falla implica que la capacidad de carga
de la estructura asociada con diferentes modos de falla pueden estar correlados
(algo bastante diferente al hecho de que pueda existir alguna correlacion entre
diferentes M
k
).
4.2 Lmites de la Fiabilidad de Sistemas
Como es de esperarse, una evaluacion directa de las integrales (47) y (49) puede
resultar bastante complicado. Una alternativa a esta opcion es la de desarrollar
cotas inferior y superior de la probabilidad de falla del sistema estructural.
Considere un sistema sujeto a una secuencia de cargas y que puede fallar por
la ocurrencia de uno, o mas, modo de falla de entre todos los posibles modos
de falla asociados a la estructura. En este caso, la probabilidad de fallo puede
determinarse como
P(F) = P(F
1
) P(F
2
S
1
) P(F
3
S
2
S
1
) . . . , (51)
donde F
i
denota la falla del sistema en el modo i bajo la accion de todas las
cargas, y S
i
corresponde al evento complementario, sobrevivencia al modo de
fallo i. Como P(F
2
S
1
) = P(F
2
) P(F
2
F
1
), la expresion (51) podemos
escribirla como
P(F) = P(F
1
) +P(F
2
) P(F
1
F
2
) +P(F
3
) P(F
3
F
1
)
P(F
3
F
2
) +P(F
1
F
2
F
3
) . . . (52)
4.3 Lmites de primer orden para sistemas en serie
La probabilidad de falla de un sistema puede expresarse como P(F) = 1P(S),
donde P(S) es la probabilidad de sobrevivencia de la estructura. Si los modos
de falla son independientes, entonces, la probabilidad de sobrevivencia viene
dada como el producto de las probabilidades de sobrevivencia para cada modo
de fallo, resultando en la siguiente expresion para la probabilidad de fallo del
Fiabilidad de Componentes Estructurales 27
sistema.
P(F) = 1
n

k=1
[1 P(F
k
)] (53)
Para el caso en que P(F
i
) 1 entonces P(F)

i
P(F
i
). Por otro lado, si se
tiene modos de falla totalmente dependientes, entonces
P(F) = max
i
[P(F
i
)] (54)
De esta manera, para el caso de sistemas en serie donde los modos no son ni
completamente independientes ni totalmente dependientes tenemos
n
max
k=1
[P(F
k
)] P(F) 1
n

k=1
[1 P(F
k
)]. (55)
Estos lmites son muy simples pero demasiado amplios y no tienen utilidad
practica.
4.4 Lmites de segundo orden para sistemas en serie
Para determinar los lmites de segundo orden, comencemos por escribir la ex-
presion (53) como
P(F) = P(F
1
)
+P(F
2
) P(F
1
F
2
)
+P(F
3
) P(F
3
F
1
) P(F
3
F
2
) +P(F
1
F
2
F
3
) +. . .
=
n

i=1
P(F
i
)
n

i=1
n

j>i
P(F
i
F
j
)
+
n

i=1
n

j>i
n

k>j>i
P(F
i
F
j
F
k
) . . . . (56)
Debido a la alternancia del signo en la expresion (56), resulta claro que si
unicamente se consideran los terminos de primer orden da lugar a una cota
superior, mientras que si se retienen solo hasta terminos de segundo orden da
lugar a una cota inferior. De esta manera, reteniendo terminos de orden suce-
sivos se pueden obtener cotas mas ajustadas de la probabilidad de fallo.
A partir del primer modo de falla, resulta claro que la adicion de un nuevo
modo de falla no puede reducir la probabilidad de falla del sistema. Sabiendo
que P(F
i
F
j
) P(F
i
F
j
F
k
) tenemos que una cota inferior a la probabilidad
de falla la obtenemos si los terminos del tipo P(F
i
)

j>i
P(F
i
F
j
) hacen
una contribucion positiva
P(F) P(F
1
) +
n

i=2
max
_
_
_
P(F
i
)
i1

j=1
P(F
i
F
j
), 0
_
_
_
. (57)
Fiabilidad de Componentes Estructurales 28
El resultado cuan ajustada sea esta cota depende del orden en que los diferentes
modos de falla hayan sido considerados. Una regla util es la de ordenarlos en
orden decreciente de importancia (con un mayor en terminos de FORM).
Para obtener una cota superior, notemos primero
P(F
3
F
1
) +P(F
3
F
2
) P(F
1
F
2
F
3
) = P(F
31
F
32
),
donde F
ij
:= P(F
i
F
j
). Adicionalmente, tambien es conocido que P(AB)
max[P(A), P(B)]. Volviendo a la expresion (56) tenemos
P(F
3
) P(F
31
F
32
) P(F
3
) max[P(F
31
), P(F
32
)].
Generalizando a la expresion (56) para todos los posibles eventos de falla obten-
emos
P(F)
n

i=1
P(F
i
)
n

i=2
max
j<i
[P(F
ij
)]. (58)
Al igual que el caso anterior, lo ajustado de esta cota puede depender del orden
en el que se hayan numerado los diferentes modos de falla.
4.5 Lmites de segundo orden y FORM
El calculo de los lmites en (57) y (58), requiere evaluar la probabilidad con-
junta F
ij
se nalada por el area sombreada en la Figura 11 donde se muestra un
problema de abilidad en el espacio normal estandar.
Figure 11: Problema de abilidad en el espacio normal estandar. Para evaluar
los lmites establecidos por (57) y (58) es necesario calcular la probabilidad
conjunta delimitado por el area sombreada.
Para evaluar la probabilidad conjunta es posible emplear metodos de Mon-
tecarlo, en cuyo caso resulta mas conveniente evaluar la probabilidad de fallo
de todo el sistema en lugar de simplemente los lmites de la misma. Las cotas
desarrolladas previamente, resultan muy convenientes en el caso en que se uti-
lizan en conjunto con los metodos de abilidad de primer orden (FORM) en los
Fiabilidad de Componentes Estructurales 29
cuales se considera la linelizacion de las supercies de estado lmite en el punto
beta. En este caso, F
ij
viene aproximada por la probabilidad conjunta, P
ij
,
denida por la intersecion de dos planos correspondientes a la linealizacion de
las supercies de estado lmite en el punto beta correspondiente a cada una de
ellas. La Figura 12 muestra el problema de abilidad en el espacio transformado
de variables normal estandar en donde se han linealizado las funciones de estado
lmite en los puntos beta correspondientes (i.e., y
1
y y
2
). Vemos que para el
caso en que las funciones de estado lmite sean suaves y con poca curvatura,
P
ij
F
ij
.
Figure 12: Aproximacion al problema de abilidad en el espacio normal estandar
empleando FORM. La probabilidad conjunta viene ahora limitada por dos
planos tangentes a las supercie de estado lmite en el punto beta.
A pesar de haber reducido la complejidad del problema tras linealizar las
funciones de estado lmite, el calculo exacto de la probabilidad conjunta, P
ij
tambien requiere integracion numerica. Sin embargo, al igual que para el prob-
lema de abilidad, en este caso tambien es posible encontrar cotas inferiores
y superiores de P
ij
. Para denir las cotas, consideraremos dos situaciones: i)
los planos forman un angulo agudo ( 90

) entre si, ii) los planos forman un

angulo obtuso (> 90

) entre si , tal y como se muestran en la Figura 13. Antes

de establecer las cotas de P
ij
, observe que la covarianza entre las aproxima-
ciones lineales de las funciones de estado lmite G
iL
(y) y G
jL
(y) cumple con lo
siguiente
Cov[G
iL
, G
jL
] = E[(n
i
(y y
i
))(n
j
(y y
j
))] = n
i
n
j
Por otro lado, es sencillo demostrar
Var(G
iL
) = n
i

2
, Var(G
jL
) = n
j

2
.
As, la correlacion entre G
iL
y G
jL
queda

ij
=
n
i
|n
i
|

n
j
|n
j
|
=
i

j
. (59)
Fiabilidad de Componentes Estructurales 30
De esta manera podemos establecer que la correlacion entre dos funciones de
estado lmite lineales en el espacio normal estandar viene dada por el producto
escalar de las normales unitarias a los hiperplanos denidos por dichas funciones.
Figure 13: Aproximacion al problema de abilidad en el espacio normal estandar
empleando FORM. En la situacion de la izquierda los planos forman un angulo
agudo ( 90

); en la situacion de la derecha los planos forman un angulo obtuso

(> 90

).
De la Figura 13 se desprende facilmente que la probabilidad conjunta denida
por la interseccion de los dos planos, P
ij
cumple con los siguiente
P
ij
=
_
max[P(A), P(B)] P
ij
P(A) +P(B) si
ij
0
0 P
ij
min[P(A), P(B)] si
ij
< 0
(60)
Las probabilidades P(A) y P(B) las calculamos como
P(A) = (
i
)(a), P(A) = (
j
)(b), (61)
donde
i
=
_
y
i
y
i
,
j
=
_
y
j
y
j
, y a y b vienen dadas por las expresiones
a =

j

ij

i
_
1
2
ij
(62)
b =

i

ij

j
_
1
2
ij
(63)
Una vez establecidas las cotas en la probabilidad conjunta, podemos estable-
cer las cotas del problema de abilidad de la siguiente manera
P(F
1
) +
n

i=1
max
_
_
_
P(F
i
)
i1

j=1
P
U
ij
, 0
_
_
_
P
f

n

i=1
P(F
i
)
n

i=2
max
j<i
[P
L
ij
], (64)
Fiabilidad de Componentes Estructurales 31
donde
P
U
ij
=
_
P(A) +P(B) si
ij
0
min[P(A), P(B)] si
ij
< 0
(65)
P
L
ij
=
_
max[P(A), P(B)] si
ij
0
0 si
ij
< 0
(66)
Note que el lmite superior en P
ij
se emplea en el calculo del lmite inferior
de P
f
y viceversa, para estar en el lado conservador.
Fiabilidad de Componentes Estructurales 32
5 Algunas Funciones de Probabilidad
5.1 Uniforme
Funcion de distribucion:
f
X
(x) =
1
b a
, a x b.
Funcion de probabilidad:
F
X
(x) =
x a
b a
.
Parametros: a, b. Media:
a+b
2
. Desviacion estandar:
ba
2

3
.
5.2 Exponencial
Funcion de distribucion:
f
X
(x) = e
x
, x > 0.
Funcion de probabilidad:
F
X
(x) = 1 e
x
.
Parametros: > 0. Media:
1

. Desviacion estandar:
1

.
5.3 Gamma
Funcion de distribucion:
f
X
(x) =
(x)
k1
e
kx
(k)
, x 0.
Funcion de probabilidad:
F
X
(x) =
(k, x)
(k)
,
con
(k, x) =
_
x
0
e
u
e
k1
du, (k) =
_

0
e
u
e
k1
du.
Parametros: > 0, k > 0. Media:
k

. Desviacion estandar:

.
5.4 Normal
Funcion de distribucion:
f
X
(x) =
1

2
e

1
2
(
x

)
2
, x .
Funcion de probabilidad:
F
X
(x) =
_
x

_
,
Fiabilidad de Componentes Estructurales 33
con
(x) =
1

2
_
x

e
u
2
/2
du.
Parametros: , > 0. Media: . Desviacion estandar: .
5.5 Lognormal
Funcion de distribucion:
f
X
(x) =
1

2x
e

1
2
(
ln x

)
2
, x 0.
Funcion de probabilidad:
F
X
(x) =
_
ln x

_
.
Parametros: , > 0. Media: e
+
1
2

2
. Desviacion estandar:
X

2
1.
5.6 Chi-Cuadrado,
2
Funcion de distribucion:
f
X
(x) =
1
2(
f
2
)
_
x
2
_
(
f
2
1)
e

x
2
, x > 0.
Funcion de probabilidad:
F
X
(x) =
(
f
2
,
x
2
)
(
f
2
)
.
Parametros: f > 0. Media: f. Desviacion estandar: 2f.
5.7 Beta
Funcion de distribucion:
f
X
(x) =
(x a)
q1
(b x)
r1
B(q, r)(b a)
q+r1
, a x b, B(q, r) =
(q)(r)
(q +r)
.
Funcion de probabilidad: No posee expresion analtica.
Parametros: a, b, q, r > 0. Media: a+
q(ba)
q+r
. Desviacion estandar:
ba
q+r
_
qr
q+r+1
.
5.8 Rayleight
Funcion de distribucion:
f
X
(x) =
x

2
e

1
2
(
x

)
2
, x 0.
Funcion de probabilidad:
F
X
(x) = 1 e

1
2
(
x

)
2
.
Parametros: . Media:
_
/2. Desviacion estandar:
_
2 /2.
Fiabilidad de Componentes Estructurales 34
5.9 Tipo I Maximo Valor (Gumbel )
Funcion de distribucion:
f
X
(x) =
n
e
[n(xun)e
n(xun)
]
.
Funcion de probabilidad:
F
X
(x) = e
e
n(xun)
.
Parametros: u
n
,
n
> 0. Media: u
n
+
0.5772
n
. Desviacion estandar:

6n
.
5.10 Tipo I Mnimo Valor
Funcion de distribucion:
f
X
(x) =
1
e
[1(xu1)e

1
(xu
1
)
]
.
Funcion de probabilidad:
F
X
(x) = 1 e
e

1
(xu
1
)
.
Parametros: u
1
,
1
> 0. Media: u
1

0.5772
1
. Desviacion estandar:

61
.
5.11 Tipo II Maximo Valor
Funcion de distribucion:
f
X
(x) =
k
u
n
_
u
n
x
_
k+1
e
(
un
x
)
k
, x > 0.
Funcion de probabilidad:
F
X
(x) = e
(
un
x
)
k
.
Parametros: u
n
, k > 0. Media: u
n
(1
1
k
). Desviacion estandar: u
n
_
(1
2
k
)
2
(1
1
k
).
5.12 Tipo II Mnimo Valor (Weibull )
Funcion de distribucion:
f
X
(x) =
k
u
1

_
x
u
1

_
k1
e

x
u
1

k
, x 0.
Funcion de probabilidad:
F
X
(x) = 1 e

x
u
1

k
.
Parametros: u
1
, k > 0. Media: + (u
1
)(1 +
1
k
). Desviacion estandar:
(u
1
)
_
(1 +
2
k
)
2
(1 +
1
k
).
Fiabilidad de Componentes Estructurales 35
References
Ang AHS, Tang WH, 2007. Probability concepts in engineering planning and
design, vol. I: Basic principles. John Wiley and Sons, New York.
Ang AHS, Cornell CA, 1974. Reliability bases of structural safety and design.
Journal of the Structural Division ASCE Vol. 100 No.ST9, pp.1755-1769.
Ditlevsen O, Madsen HO, 1996. Structural reliability methods. John Wiley and
Sons, Chichester.
Hasofer AM, Lind NC, 1974. Exact and invariant second-moment code format.
Journal of the engineering mechanics division Vol. 100 No. EM1, pp. 111-121.
Melchers RE, 1987. Structural reliability: analysis and prediction. Ellis Horwood
Limited, Chichester.