Ingeniera Martima y Costera

Oscilaciones de corto periodo: Oleaje.

Descripci
on Estadstica
Apuntes de Clase
MDM, MOS, AMF
Grupo de Din
amica de Flujos Ambientales, Universidad de Granada.

Curso 20142015

Indice
1. Introducci
on

2. An
alisis de series temporales en el dominio del tiempo
2.1. Definici
on de una ola individual: cortes por cero . . . . . .
2.2. Alturas y periodos de ola caractersticos . . . . . . . . . .
2.3. Distribuci
on de alturas de ola individuales . . . . . . . . .
2.4. Distribuci
on del periodo de onda . . . . . . . . . . . . . .
2.5. Distribuci
on conjunta de alturas de ola y periodos . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

1
2
4
5
9
10

3. An
alisis de series temporales en el dominio de la frecuencia
3.1. Altura de ola y periodo caractersticos . . . . . . . . . . . . . . . . .
3.1.1. Anchura del espectro y validez de la distribuci
on de Rayleigh
3.1.2. Altura de ola significante y periodo de pico . . . . . . . . . .
3.1.3. Distribuci
on conjunta espectral de alturas de ola y periodos .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

12
12
12
13
13

4. An
alisis extremal (de altura de ola)
4.1. Nivel de dise
no . . . . . . . . . . . . . . . . . . .
4.1.1. Periodo de retorno . . . . . . . . . . . . .
4.1.2. Probabilidad de encuentro . . . . . . . . .
4.1.3. Dise
no . . . . . . . . . . . . . . . . . . . .
4.2. Procedimiento general . . . . . . . . . . . . . . .
4.3. Conjunto de datos . . . . . . . . . . . . . . . . .
4.4. Distribuciones candidatas . . . . . . . . . . . . .
4.5. Metodos de ajuste . . . . . . . . . . . . . . . . .
4.5.1. Metodo de mnimos cuadrados . . . . . .
4.5.2. Metodo de m
axima verosimilitud . . . . .
4.5.3. Bondad del ajuste . . . . . . . . . . . . .
4.6. Altura de ola de dise
no . . . . . . . . . . . . . .
4.6.1. Regmenes medios y extremales . . . . . .
4.6.2. Problema . . . . . . . . . . . . . . . . . .
4.7. Fuentes de incertidumbre e intervalo de confianza

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

15
15
16
17
17
18
18
20
21
22
23
24
24
25
26
28

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

4.7.1. Intervalo de confianza de la altura de ola de dise

no xT . . . . . . . . . . . . . . .
4.8. Periodo de onda de dise
no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.9. An
alisis extremal multiparametrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29
30
31

5. Pr
acticas Descripci
on Estadstica del Oleaje
32
5.1. Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Ap
endices

36

A. Variable aleatorias
A.1. Una variable aleatoria . . . . . . . . . . . . . . . . . . . .
A.1.1. Funci
on de densidad de probabilidad Gaussiana . .
A.1.2. Desviaciones respecto del comportamiento Normal
A.1.3. Estimaci
on . . . . . . . . . . . . . . . . . . . . . .
A.2. Dos variables aleatorias . . . . . . . . . . . . . . . . . . .
A.2.1. Funci
on densidad de Gauss bidimensional . . . . .
A.3. Procesos estoc
asticos . . . . . . . . . . . . . . . . . . . . .
A.3.1. Caracterizaci
on . . . . . . . . . . . . . . . . . . . .
A.3.2. Procesos estacionarios . . . . . . . . . . . . . . . .
A.3.3. Procesos Gaussianos . . . . . . . . . . . . . . . . .
A.3.4. Procesos Gaussianos y estacionarios . . . . . . . .
A.3.5. Procesos Erg
odicos . . . . . . . . . . . . . . . . . .
A.3.6. La elevaci
on de la superficie libre . . . . . . . . . .

ii

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

36
36
38
39
40
40
41
42
42
44
44
44
45
46

Palabras clave
oleaje, altura de ola, periodo, significante, dise
no, extremo, regmenes, funci
on de distribuci
on, funci
on
densidad, Rayleigh.

Bibliografa B
asica
Holthuijsen, L.H., 2007. Waves in Oceanic and Coastal Waters. Cambridge University Press.
Goda, Y. Random Seas and Design of Maritime Structures. 2010. Vol.33 World Scientific Pub. Co. Inc.
Recomendaciones para obras martimas ROM1.0 (2009).
Stive, M.J.F. 1986 Extreme shallow water conditions. Delft Hydraulics, Intern Report H533.
G.I.O.C. 1986 Documentos de referencia SMC. Vol. I. Din
amicas.. Universidad de Cantabria.
Liu Z. and P. Frigaard, 2001. Generation and Analysis of Random Waves. Aalborg Universitet.
Quintero, D. y M. Ortega-S
anchez. 2012. Anteproyecto Marina Playa Granada. Grupo de Din
amica de
Flujos Ambientales de la Universidad de Granada.

iii

1.

Introducci
on

Los cientficos suelen estar interesados en la dinamica y cinematica de la onda, como

son generadas por el viento, por que rompen y como interaccionan con los contornos y
las corrientes. Los ingenieros normalmente dise
nan y gestionan estructuras o sistemas
naturales en el entorno marino como plataformas offshore, barcos, diques, playas. El
comportamiento de estas entidades estan ampliamente afectadas por el oleaje y otras
ondas, as que es necesario un conocimiento de ellas a fin de dise
nar y gestionar adecuadamente.
En este Tema se pretende dar una introduccion a la descripcion estadstica del
oleaje, concretamente, a la observacion, analisis y prediccion de las ondas de gravedad
superficiales generadas por el viento (oleaje). Este ttulo tan largo es necesario, porque
ondas superficiales hay muchas y de muy diverso origen. Las ondas oceanicas pueden
ser descritas a varias escalas espaciales, desde los centenares de metros a los miles de
kilometros o m
as, y temporales, desde unos pocos segundos (un periodo de onda) hasta
los miles de a
nos (variabilidad climatica). En general, cuando hablemos de oleaje nos
estaremos refiriendo a oscilaciones del nivel del mar entre tres y treinta segundos.
Como hemos visto el oleaje puede describirse en terminos de series temporales o
mediante su descripci
on equivalente en el dominio de la frecuencia. Por tanto, no es
de extra
nar que la descripci
on estadstica pueda hacerse desde ambos puntos de vista.
En este curso nos centraremos mas en la descripcion a partir de las series temporales,
aunque algunos conceptos espectrales seran introducidos a lo largo del Tema.

2.

An
alisis de series temporales en el dominio del tiempo

El an
alisis de las series temporales de elevacion de la superficie libre pueden llevarse
a cabo tanto en el dominio del tiempo como en el espacio. En esta seccion trataremos
del an
alisis temporal.
Se admite, asumiendo linealidad, que el desplazamiento vertical de la superficie
libre con respecto a un nivel de referencia fijo es un proceso gaussiano y ergodico.
Elegido el nivel de referencia adecuadamente, para que = 0, sigue un modelo
de probabilidad de Gauss de media nula y desviacion tpica , es decir, una Normal
N (0, ). 2 es la varianza del proceso y, asimismo, cuantifica su contenido energetico
(que depende esencialmente de la amplitud al cuadrado),


2
p() =
exp 2
2
2 2


2
2
= rms = Esp ( )2 ,
1

(1)

donde rms es el desplazamiento medio cuadratico.

Este modelo matem
atico-estadstico deja de ser adecuado cuando el oleaje comienza a ser asimetrico con respecto al nivel medio, tal y como ocurre en profundidades
reducidas y en la zona de rompientes; en esta situacion, la no-linealidad impera, y el
1

proceso es no gaussiano. No obstante, en muchas de las aplicaciones practicas el modelo

gaussiano es una aproximaci
on suficiente.

2.1.

Definici
on de una ola individual: cortes por cero

Mediante un an
alisis directo de los datos brutos pueden identificarse las olas individuales. Una ola individual, que no la elevacion de la superficie libre (que sera un
(t) concreto), est
a definida por dos cortes por cero sucesivos. Los cortes se refieren a
un cero, que es un valor de referencia, tpicamente el valor promedio. Se consideran
los cortes por cero de valores positivos a negativos, estos son, los pasos por cero descendentes. Se define un corte por cero hacia valores negativos entre las muestras n 1
y n cuando se cumple que (tn1 ) > 0 y (tn ) < 0 (Fig. 2). En resumen, una ola es el
perfil de la elevaci
on entre cada dos pasos por cero descendentes consecutivos.
Otras definiciones de ola son posibles, por ejemplo, definiendo los cruces por cero
ascendentes, esto es, hacia arriba. Si la elevacion de la superficie libre se considera
un proceso estoc
astico Gaussiano no importa si se toman los cruces ascendentes o
descendentes, puesto que las caractersticas estadsticas seran simetricas1 . Sin embargo,
es com
un adoptar la definici
on de cruces por cero descendentes puesto que estimaciones
visuales de la altura de la cresta, referida al seno precedente se considera la altura de
la ola. Adem
as, en una ola que rompe, el frente, que es relevante en el proceso de
rotura, est
a incluido en la definicion de los cruces hacia abajo (bajo tales condiciones,
las ondas no son simetricas y las diferencias entre cruces hacia abajo o cruces hacia
arriba se hacen importantes).
En la Fig. 1 se muestran los cruces por cero detectados en un registro de oleaje
de 7 min a 4 Hz de frecuencia de muestreo. En este caso se han detectado 106 cortes
por cero de positivo a negativo, lo que da 105 ondas individuales. La altura de la onda
individual se define como el rango de alturas, esto es, la diferencia de altura maxima y
mnima entre dos cortes por cero. Vease Fig. 2.
La caracterizaci
on de las olas del registro de oleaje se basa en promediar las alturas
de ola y periodos. Esto requiere que la duracion del registro sea lo suficientemente
corta como para garantizar la estacionariedad y la homogeneidad, pero tambien lo
suficientemente larga como para obtener unos promedios aceptables. Normalmente, se
emplean intervalos de 30 min
o 1 hora2 .
1

Seguro? Piensese.
Seg
un la (ROM1.0 , 2009), a los efectos pr
acticos y con las restricciones impuestas, se admite que en
un estado se produce un conjunto de manifestaciones del agente o agentes que pertenecen a un proceso
aleatorio estacionario y homogeneo, y que los descriptores estadsticos temporales y espaciales son
invariantes. Esta descripci
on se denomina de corta duraci
on (o a corto plazo). Es habitual denominar
estado de mar al estado de oleaje cuando sus propiedades estadsticas son erg
odicas. Sin embargo,
en estas Recomendaciones se opta por generalizar estas definiciones, otorgando a cada una de ellas el
a
mbito de aplicaci
on de su denominaci
on, oleaje, nivel del mar, atmosferico y meteorol
ogico. As el
estado de nivel del mar incluye las manifestaciones lentas de la superficie libre del mar. El estado
meteorol
ogico incluye el conjunto de manifestaciones de los agentes clim
aticos forzados por la actividad
atmosferica: viento, presi
on atmosferica, oleaje y marea meteorol
ogica y, en su caso, meteomaremotos.
2

Figura 1: Detecci
on de los cruces por cero en un registro de oleaje en el Golfo de Cadiz.

Figura 2: Altura y periodo de ondas individuales definidas por cortes hacia valores
negativos.

2.2.

Alturas y periodos de ola caractersticos

La elevaci
on de la superficie libre mostrada en las Fig. 1 tiene mas de 100 olas
individuales. La pregunta es cu
al coger a la hora de dise
nar una estructura, o bien
cual es la altura representativa de esa serie temporal? Para ello se consideran las
siguientes definiciones:
La altura y periodos medios se definen sobre todo el registro, es decir, son
P la media de alturas y periodos de todas las ondas individuales. Estos son H = 1/N N
k=1 Hk
PN
y T = 1/N k=1 Tk , respectivamente. A veces se denota el periodo como Tz . En el caso
que seguimos de ejemplo H = 0,39 m y T = 3,93 s.
La altura de ola cuadr
atica media Hr.m.s. se define como

Hr.m.s.

v
u
N
u1 X
=t
Hk2 .
N

(2)

k=1

q
P
2
An
alogamente, el periodo es Tr.m.s. = 1/N N
k=1 Tk . Esta medida puede ser relevante para proyectos en los que la energa de la onda sea importante. Recuerdese
que la energa de una onda es proporcional a su amplitud al cuadrado. En el ejemplo que seguimos del registro de oleaje del Guadalquivir se obtiene Hr.m.s. = 0,46 m y
Tr.m.s. = 4,47 s.
Se define la ola m
axima como aquella que tiene la maxima altura de ola Hmax . En
nuestro caso es la ola n
umero 101 y tiene Hmax = 1,08 m y el periodo correspondiente
a esa altura es THmax = 9,55 s.
La ola m
axima se selecciona como onda de dise
no para estructuras en las que es
importante y muy sensible a la carga de ola, por ejemplo, en diques verticales. Notese
que Hmax es una variable aleatoria con la distribucion dependiente del n
umero de ola
individuales.
Las alturas y periodos caractersticos definidos anteriormente son quizas los mas
obvios. Sin embargo, no se usan a menudo puesto que los resultados que arrojan se
parecen muy poco a las alturas y periodos estimados visualmente. Por eso se define la
altura de ola significante.
Se define la altura de ola significante3 como la altura promedio del tercio de
alturas mayores del registro de oleaje. Se expresa como
N/3

H1/3 =

1 X
Hk ,
N/3

(3)

k=1

donde el ndice k no representa la secuencia temporal de las olas, sino la posicion

la ola, estando ordenadas de mayor altura mayor a menor altura. El periodo se define
igualmente como el periodo promedio del tercio de olas cuya altura es mayor, i.e.
PN/3
T1/3 = 3/N k=1 THk . En el caso de ejemplo analizado H1/3 = 0,67 m y T1/3 = 5,80 s.
3

Significante es una mala traducci

on de Importante.

La altura de ola significante H1/3 , o a veces tambien definida como Hs , se usa en

la mayora de las aplicaciones como ola de dise
no4 . La razon es que antiguamente las
estructuras eran dise
nadas bas
andose en la observacion visual de la olas. La altura de
ola significante H1/3 est
a pr
oxima al valor observado visualmente, lo cual resulta u
til
puesto que recoge las experiencias previas de ingeniera.
El concepto de altura de ola y periodo significantes es importante y muchas situaciones. Sin embargo, dos par
ametros proporcionan, logicamente, una descripcion limitada
de las condiciones del oleaje. Por ejemplo, dos condiciones de oleaje distintas (un mar
mezclado, irregular, mar de viento y un swell, regular con olas suaves, mar de fondo) pueden presentar las mismas alturas de ola y periodos significante. Para distinguir
ambas situaciones se requieren mas parametros, por ejemplo, altura y periodos significantes para mar de viento y de fondo por separado. Los puntos WANA de Puertos
del Estado5 proporcionan esos parametros en ambas condiciones. Esto se hace a veces,
pero en general unos pocos par
ametros no determinan unvocamente unas condiciones
de oleaje. Una descripci
on completa (en el sentido estadstico) del oleaje requiere un
analisis espectral basado en la hipotesis que el movimiento aleatorio de la superficie
libre puede tratarse como la suma de un gran n
umero de armonicos.
A veces tambien se usa H1/10 definida como la media aritmetica de las N/10 alturas
de ola mayores del registro6 , esto es,

H1/10

N/10
1 X
=
Hk ,
N/10

(4)

k=1

donde el ndice k no es el ndice que representa la secuencia temporal de las olas,

sino el orden de la ola, estando ordenadas de altura mayor a menor. Igualmente se
PN/10
define el periodo TH1/10 = 10/N k=1 THk , i.e. como la media de los N/10 periodos
correspondientes a H1/10 . En el caso de ejemplo analizado H1/10 = 0,91 m y T1/10 =
6,78 s. L
ogicamente H1/10 > H1/3 y T1/10 > T1/3 .
La altura de ola con probabilidad de excedencia de un % se denota H % . Por
ejemplo, H0,1 % , H1 % , etc.

2.3.

Distribuci
on de alturas de ola individuales

En vez de mostrar todas y cada una de las altura de ola individuales, es mas u
til
mostrar un histograma de muestre el n
umero de olas obtenidos en varios intervalos de
altura de ola. La Fig. 3 muestra el histograma de los datos de oleaje de la boya del
Guadalquivir.
Para comparar alturas de ola en diferentes localizaciones, el histograma de la Fig. 3
se adimensionaliza seg
un H/H y n/(N H/H), donde N es el n
umero de olas y H es
4
Al proyectar una obra se dimensiona de modo que sea capaz de soportar la acci
on de temporales
con altura menor o igual a la altura de dise
no.
5
http://www.puertos.es/oceanografia_y_meteorologia/redes_de_medida/index.html
6
Estas alturas y periodos caractersticos son interesantes puesto que pueden definirse en terminos
del espectro de onda.

Figura 3: Histogramas de altura de ola y periodo. El tama

no de bin es para la altura
de ola H = 0,052 m y para el periodo T = 0,47 s.
tama
no del bin (el subintervalo). El resultado, la densidad de probabilidad, se puede ver
en la Fig. 4. Cuando H/H 0 la densidad de probabilidad tiende a una curva continua. Resultados te
oricos y experimentales muestran que la densidad de probabilidad
sigue, aproximadamente, una funcion de distribucion de Rayleigh7 . Se dira entonces que
las alturas de ola individuales siguen una distribucion de Rayleigh. La funcion densidad
de probabilidad de Rayleigh fR (x) (0, +) es8
2

fR (x) =

x
x 2
2
x ,
e
x2

(5)

Notese que la funci

on dada en la Eq. 5 esta normalizada9 . Seg
un Goda (2010) la
aproximaci
on de Rayleigh es una buena aproximacion en aguas profundas y para un
n
umero de ondas muy superior a 100. Cuando la rotura de ola tiene lugar, la distribucion de alturas de ola difiere de la dada por la distribucion de Rayleigh. Para ese caso,
correcciones empricas a la distribucion de Rayleigh han sido propuestas, e.g. (Stive ,
7

La funci
on de Rayleigh fue derivada originalmente por Lord Rayleigh a finales del s.XIX para describir la distribuci
on de la intensidad del sonido emitido desde un n
umero infinito de fuentes. LonguetHiggins solo verific
o la aplicabilidad de la distribuci
on de Rayleigh para oleaje irregular cuyos periodos
y alturas presentaban pocas fluctuaciones tanto en los periodos como en las alturas (Goda , 2010).
Sin embargo, las olas reales en el mar pueden presentar fluctuaciones importantes en periodos de ola
individuales. Hasta ahora no se ha desarrollado una teora exacta para olas reales.
8
Para las crestas tiene esta forma. La amplitud de las crestas, en una aproximaci
on muy burda, es
cresta H/2 (Holthuijsen , 2007). La funci
on de densidad de Rayleigh es algo diferente para alturas
de ola (vease Eq. 6).
9
La normalizaci
on no es hacer directamente Rx H/H, sino imponiendo que la integral en todo el
+
dominio es 1. Es inmediato comprobar que 1 = 0 fR (x)dx. Vease Fig. 4.

1986).
Para mar de fondo, con un oleaje de alturas de ola H se tiene las siguientes funcion
densidad de probabilidad y funcion de distribucion expresadas en terminos de Hrms
2

H
H
2
fR (H) = 2 2 e Hrms
,
Hrms
Z

fR (H )dH = 1 e

FR (H) = Prob {H < H, H (0, +)} =

H2
2
Hrms

(6)

Tambien puede expresarse utilizando la altura de ola media H como parametro de

la distribuci
on, quedando

fR (H) =

H 4 H 22
e H ,
2 H2
2

FR (H) = 1 e

H2
2
H

(7)

o en funci
on de la altura de ola significante Hs
2

H 2,005 H
2
Hs
,
fR (H) = 4,01 2 e
Hs

(8)

FR (H) = 1 e

2,005 H 2
Hs

Asumiendo que la distribuci

on de Rayleigh es una aproximacion de la distribucion de alturas de ola individuales 10 , las alturas caractersticas H1/10 , H1/3 , Hr.m.s. y
H % pueden expresarse en terminos de H manipulando la Eq. 5. Las relaciones son
las siguientes11 : H1/10 = 2,03 H, H1/3 = 1,60 H, Hr.m.s. = 1,13 H y H2 % = 2,23 H.
Seg
un estas relaciones es posible expresar la Eq. 6 en terminos de otras alturas de
ola caractersticas. Por ejemplo, en terminos de la altura de ola significante sera
2
FR (H) = 1 e2,010(H/Hs ) . Vease la Tabla 1.
10
Al considerar la funci
on de Rayleigh como funci
on de distribuci
on de la altura de ola se est
a admitiendo que esta es igual a dos veces la amplitud y que cada una de las olas son sucesos estadsticamente
independientes. En los casos en los que esto no sea aceptable, es necesario definir la distribuci
on de
alturas de ola como una distribuci
on conjunta de dos amplitudes separadas por un intervalo de tiempo
determinado. Para este caso en particular, estas dos amplitudes consideradas estadsticamente independientes deberan estar separadas por el semiperodo medio del proceso. La distribuci
on de Rayleigh
sobreestima, habitualmente, las probabilidades de presentaci
on de las alturas mayores y menores del

registro. Las razones de esta desviaci

on se atribuyen a no cumplir las hip
otesis iniciales. Estas
se refieren
a la anchura espectral, la independencia estadstica entre olas sucesivas y la nolinealidad y asimetra del
oleaje. En general, la funci
on de distribuci
on de Rayleigh no se ajusta muy bien a los histogramas obtenidos experimentalmente para valores de > 0,5. Sin embargo, los descriptores estadsticos obtenidos
de la aplicaci
on de la distribuci
on de Rayleigh pueden ser usados con notable fiabilidad.
11
La demostraci
on se deja como ejercicio al lector.

Figura 4: Histogramas de altura de ola y periodo normalizados. La curva continua es la

funcion de densidad de probabilidad de Rayleigh. Para ajustar los periodos, no obstante,
no suele usarse una distribuci
on de Rayleigh. Son tpicas, tal y como se describe en el
apartado 2.4, las funciones de Bretschneider.
Asumiendo una funci
on de distribucion de Rayleigh, esta claro que debe haber
relaciones entre las Eqs. 6, 7 y 8, dadas a traves de las relaciones entre Hs , H, Hrms
y Hmax . Por ejemplo, para un registro ordenado de N olas se verifica que

Prob(h H) =

i
,
N

(9)

donde i es el n
umero de orden de la ola, considerando i = 1 para la ola de altura
mayor e i = N para la ola de altura menor. Despejando de la Eq. 8 se tiene

H = Hs

1
ln
2

N
i

1/2
.

(10)

Para el caso i = 1, que se corresponde con H = Hmax se obtiene una relacion


Hmax = Hs

1
ln N
2

1/2
,

(11)

que, para N = 3000, se obtiene aproximadamente Hmax 2,00Hs . El lector puede

obtener sus relaciones para, por ejemplo, H1/10 y H1/100 .

H/Hr.m.s.
1,0

1/ 2

Altura

Hr.m.s.
b
Moda, H
e
Mediana, H
Media, H
Significante, Hs
H1/10
H1/100
Hmax

(ln 2)1/2

H/ m0

2 2

H/Hs
0,706

0,499

(8 ln 2)1/2

0,588
0,626
1,00
1,271
1,666
?

2
4,005
5,091
6,672
?

/2
1,416
1,80
2,359
?

Tabla 1: Relaciones entre estadsticos de la distribucion de Rayleigh (ROM1.0 , 2009).

m0 es el momento espectral de orden cero.
A menudo es interesante conocer la probabilidad de excedencia (Prob(H >
Hq en el a
no medio)), esto es, la probabilidad q de que una altura de ola exceda un
cierto valor Hq . Empleando la definicion de FR sera

q = 1 FR (Hq ) = e

Hq2
2
Hrms

(12)

donde FR es la funci
on de distribucion de alturas de ola individuales. La altura
umbral Hq se puede obtener despejando de la expresion anterior,

Hq
=
Hrms

s  
1
ln
,
q

(13)

siendo q = 1/n, la proporci

on de olas mayores que Hq .

2.4.

Distribuci
on del periodo de onda

A diferencia de las distribuciones de ola, el periodo de las olas ha recibido mucha

menos atenci
on en la literatura. Sin embargo, el dise
no de las estructuras martimas
requiere una estimaci
on fiable de la distribucion de periodos del oleaje12 o, mejor a
un,
de la distribuci
on conjunta de las alturas de ola y periodos de las olas de un estado de
mar.
En realidad, no hay una expresion generalmente aceptada para la distribucion del
periodo. Lo que s se observa es que, en un tren de olas, la distribucion es mas estrecha
que la de correspondiente para la altura de ola y que los datos presentan una dispersion
en el rango 0.5-2.0 veces el periodo de ola medio. Sin embargo, cuando mar de fondo
y mar de viento coexisten, el la distribucion de periodos es mas ancha, a menudo
12

Por que?

Figura 5: Funciones densidad (izquierda) y de distribucion (derecha) de Bretschneider

para Tz = 6,5 s.
bimodal, con dos picos para cada tipo de oleaje. Por tanto, el periodo de ola no tiene
un comportamiento tan universal como la altura de ola con su distribucion de Rayleigh.
No obstante, a veces se emplea la funcion densidad de probabilidad y la distribucion
de periodos de Bretschneider que son, respectivamente,
T 3 0,675
e
Tz4

fB (T ) = 2,7

T
Tz

4

 4
0,675 TT

FB (T ) = 1 e

(14)
.

(15)

La Fig. 5 muestra un ejemplo de las funciones densidad y de distribucion de Bretschneider para Tz = 6,5 s.

2.5.

Distribuci
on conjunta de alturas de ola y periodos

Si la altura de ola y el periodo fueran estadsticamente independientes, la funcion

densidad de probabilidad conjunta13 sera simplemente el producto de fconjunta (H, T ) =
fR (H) fB (T ), a saber, el producto de la pdf de Rayleigh para la altura de ola fR (H) y
la pdf de, por ejemplo, Bretschneider para el periodo fB (T ). Pero no es el caso, puesto
que H y T est
an relacionados.
Seg
un Goda, las Eqs. 24 y 27 reflejan las caractersticas de la distribucion conjunta
de alturas de ola y periodos. Olas con alturas menores en un registro de oleaje pueden
presentar periodos m
as cortos, mientras que olas de alturas mayores que la media no
parecen mostrar ninguna correlacion con el periodo de onda, aunque, sin embargo, lo
13

Los artculos de Rice citados en (UC , 2000) sobre ruidos blancos Gaussianos son la base para todas
las distribuciones conjuntas de altura de ola - periodo existentes. Las diferencias entre las distribuciones
dependen de las hip
otesis y tecnicas adoptadas.

10

Figura 6: Diagrama de dispersi

on en el punto WANA-46 de Puertos del Estado, en el
Golfo de C
adiz.
que muestra la Fig. 6 parece querer decirnos que existe un periodo mnimo por debajo
del cual no hay olas.
En la pr
actica la distribuci
on conjunta de altura de ola y periodo es de gran importancia. Desafortunadamente, tampoco hay una distribucion generalmente aceptada
para la distribuci
on conjunta, incluso aunque hay algunos llamados diagramas de dispersion basados en el registro de oleaje. Tales diagramas dependen fuertemente del
emplazamiento.
La relaci
on entre Hs y Ts se simplifica a menudo como Ts = Hs , asignando valores
apropiados14 a y . En la Fig. 6 se muestra Tp (no Ts ) frente a Hs mostrando una
relacion m
as complicada (2D). En la Fig. 6 es claro la existencia de un Tp mnimo para
un Hs dado.
14

En aguas canadienses, = 4,43 y Ts = 0,5

11

Figura 7: Espectro de la varianza con area m0 y frecuencia de pico fp = 1/Tp , donde

Tp es el periodo de pico.

3.

An
alisis de series temporales en el dominio de la frecuencia

3.1.

Altura de ola y periodo caractersticos

El espectro de la varianza, ilustrado en la Fig. 7, no dice nada de como seran las olas
individuales. Ahora veremos c
omo estimar la altura de ola caracterstica y el periodo a
partir del espectro de la varianza.
El momento de orden-n, mn se define como

f n S(f ) df .

mn =

(16)

R
As, por ejemplo, el momento de orden 0 es m0 = 0 S(f ) df , que es en realidad
el area bajo la curva del espectro, relacionado con el contenido energetico del tren de
ondas.
3.1.1.

Anchura del espectro y validez de la distribuci

on de Rayleigh

De la definici
on de mn se puede ver que cuanto mayor sea orden del momento,
mayor peso se pone en las frecuencias mas altas del espectro. Con el mismo m0 , un
espectro m
as ancho da valores mayores de momentos de ordenes superiores (2 n).
Cartwright y Longuett-Higgins (1956) definieron el parametro de anchura como
s
=

m22
,
m0 m4
12

(17)

a partir de un an
alisis te
orico de la distribucion estadstica de la altura de las crestas
del oleaje. El valor de  (0, 1). Se ha probado teoricamente que
Spectrum width parameter
Wave height distribution
 = 0 narrow spectrum (SWELL)
Rayleigh distribution
 = 1 wide spectrum (SEA)
Normal distribution
El valor de  suele ser del orden de 0.4-0.5. Se encuentra que la distribucion de
Rayleigh es una muy buena aproximacion y ademas es conservativa, puesto que la distribuci
on de Rayleigh proporciona una altura de ola ligeramente mayor para cualquier
nivel de probabilidad dado. Otra posible definicion de la anchura espectral es
r
=

m0 m2
1.
m21

(18)

Se prob
o te
oricamente que es inversamente proporcional al n
umero medio de olas
en un grupo. La Eq. 18 indica que cuando la energa esta concentrada en una sola
frecuencia, entonces 0. Cuando la energa esta dispersa en muchas frecuencias
1. Un valor tpico en temporales es de 0.3.
3.1.2.

Altura de ola significante y periodo de pico

Cuando la altura de ola sigue una distribucion de Rayleigh, i.e. cuando  = 0

(oleaje tipo Swell), la altura de ola significante puede derivarse teoricamente a partir
del espectro de la varianza como

Hm0 = 4 m0 .

(19)

Por eso se denota con el subndice del momento de orden 0. La altura significante
espectral est
a relacionada con el contenido energetico del oleaje. En realidad, para
valores de  = 0,4 0,5, una buena estimacion de la altura de ola significante es

Hm0 = 3,7 m0 .
La frecuencia de pico fp se define sencillamente como la frecuencia a la cual la
funcion s(f ) es m
axima. El periodo de pico Tp = 1/fp coincide aproximadamente con
el periodo de ola significante.
3.1.3.

Distribuci
on conjunta espectral de alturas de ola y periodos

Longuet-Higgins (1975, 1983) (citado en (UC , 2000)) definio el periodo y alturas

de ola con el criterio de pasos ascendentes por cero. La distribucion obtenida asume
que el espectro es de banda estrecha (mar de fondo o Swell), donde es el parametro
de la anchura espectral definido en Eq. 18. La funcion densidad se expresa en funcion

de las variables adimensionales Ha = H/ m0 y Ta = T /T , siendo T el periodo medio

relacionado con la frecuencia media = 2m0 /m1 :

13

Figura 8: Funci
on densidad conjunta altura de ola - periodo de Longuet-Higgins para
dos valores del par
ametro de anchura espectral . Notese que las bandas espectrales
son m
as anchas donde hay mayor variabilidad en los valores de H y T .


fHa ,Ta = CL

Ha
Ta

2

"

 #)
Ha2
1
1 2
exp
1+ 2 1
,
8

Ta

(20)

donde

CL =

1

.
4 2 1 + (1 + 2 )1/2

(21)

En la Fig. 8 se representan diagramas de contorno para la funcion densidad de la

Eq. 20 para anchuras espectrales = 0,2 y = 0,6. Como puede verse, para anchuras
espectrales peque
nas, la distribucion es mas simetrica alrededor de Ta = 1 (alrededor
del periodo medio).
La funci
on densidad de probabilidad para (solo) los periodos puede derivarse a parir
de la distribuci
on de probabilidad conjunta H T dada en Eq. 20, integrando en H
en todo su dominio. De esta manera, se obtiene la distribucion de periodos como una
distribuci
on marginal. El resultado es
"

 #3/2
4CL 4
1
1 2
fLH (Ta ) =
1+ 2 1
,
Ta2

Ta

14

(22)

donde Ta = T /T . Como puede comprobarse, la distribucion es asimetrica lo cual

esta de acuerdo con las observaciones. La moda de la distribucion Tb decrece con la
anchura espectral de acuerdo con la expresion15

ca =
T

.
1 + 9 + 8 2

(23)

Asimismo, se ha observado (hecho emprico) que los parametros de los periodos

caractersticos est
an interrelacionados. Del analisis de datos de campo, se verifica que

Tmax /T1/3 = 0,6 1,3 ,

(24)

T1/10 /T1/3 = 0,9 1,1 ,

(25)

T1/3 /T = 0,9 1,4 .

(26)

Simplificando a
un m
as (Goda (Goda , 2010)),

Tmax T1/10 T1/3 1,2T .

(27)

La relaci
on T1/3 /T da s
olo una indicacion puesto que este valor esta afectado por
la forma del espectro del oleaje.

4.

An
alisis extremal (de altura de ola)

La altura de ola de dise

no (Liu et al. , 2001) se representa a menudo por la altura
de ola significante Hs , que es una variable aleatoria. Vara con respecto al tiempo y
a la localizaci
on. Si una estructura debe ser construida en una zona del mar donde
se dispone de medidas de altura de ola a largo plazo, la pregunta que el ingeniero
debe hacerse es c
omo determinar la altura de ola de dise
no. El analisis extremal da
la respuesta, i.e. proporciona un metodo para determinar la altura de ola de dise
no,
basado en la importancia de la estructura (nivel de dise
no) y el analisis estadstico de
un registro de oleaje de largo plazo.

4.1.

Nivel de dise
no

El nivel de dise
no se representa por un periodo de retorno o probabilidad de encuentro.
15

Demuestrese. Basta recordar que Tb representa el valor m

as probable de la distribuci
on.

15

4.1.1.

Periodo de retorno

El periodo de retorno T se define como la duracion promedio durante la cual eventos extremos exceden un determinado umbral 1 vez. Es el periodo promedio entre 2
excedencias del valor umbral.
Establecemos la siguiente notacion:
X: Altura de ola significante, que es una variable aleatoria.
x Es una realizaci
on particular de X.
F (x) Es la funci
on de distribuci
on acumulada de X, F (x) = Prob(X x).
t N
umero de a
nos de observaci
on de X
n N
umero de observaciones en un periodo de t a
nos.
Intensidad de muestreo = n/t
La probabilidad de no excedencia de x es F (x), es decir, la probabilidad acumulada
de que X no exceda el valor de x. De modo complementario, la probabilidad de excedencia es 1 F (x), asumiendo que la funcion F esta debidamente normalizada. En
otras palabras, con probabilidad 1 F (x) una altura de ola significante sera mayor que
x.
Si el n
umero total de observaciones (realizaciones de X) es n, el n
umero de observaciones donde X > x es

k=

n
X

Prob(X x) = n (1 F (x)) = t (1 F (x)) .

(28)

i=1

Luego el periodo de retorno T de una realizacion x se define como

T = t|k=1 =

1
,
(1 F (x))

(29)

es decir, en promedio, se excedera el valor x una vez cada T a

nos. Tambien se define
x como el valor de retorno o como un evento de T a
nos, i.e. el valor de retorno x es
el valor umbral que define un periodo de retorno dado.
La relaci
on entre T y la prob. de no excedencia F (x), o mejor la probabilidad de
excedencia 1 F (x) puede entenderse bien fijando un valor de retorno adecuado x.
Dado x, su correspondiente periodo de retorno es T . Al incrementar el valor de x, es
decir, al reducir su probabilidad de excedencia, el periodo de retorno asociado a x se
incrementa. Al reducir x, i.e., al incrementar su probabilidad de excedencia, el periodo
de retorno asociado a x se reduce. Esto explicara la relacion inversa entre T y 1F (x).

16

La relaci
on entre tiempo y probabilidad procede de interpretar la probabilidad de
excedencia 1F (x) como la fraccion de tiempo durante la cual x < X. Por ejemplo, si la
probabilidad de excedencia de una altura de ola significante es Hs = 10 m es P = 0,0018,
en 1 a
no, la altura de ola excede ese valor P = 0,0018 24 horas/da 365 dias/a
no
= 16 horas/a
no. Ahora, si cada evento dura en promedio d(Hs > Hs ) = 8 horas/evento,
entonces se tendr
an (16 horas/a
no) / (8 horas/evento) = 2 eventos o excedencias /a
no,
esto es, se tiene un periodo de retorno de T = 1/2 a
no para Hs = 10 m.
4.1.2.

Probabilidad de encuentro

Bas
andose en el hecho que, en promedio, x sera superada una vez cada T a
nos,
la probabilidad de excedencia de x en 1 a
no sera de 1/T . Por tanto, la probabilidad de
no excedencia de x en 1 a
no ser
a Prob(X x) = 1 1/T ; en dos a
nos Prob(X x) =
2
L
(1 1/T ) ; y en L a
nos Prob(X x) = (1 1/T ) . La probabilidad de encuentro,
i.e., la probabilidad de excedencia de x en la vida de una estructura de L a
nos de vida
es


1 L
p=1 1
,
T

(30)

que, en el caso de un valor grande de T puede aproximarse por



L L
p = 1 1 e T
.
4.1.3.

(31)

Dise
no

Tradicionalmente el nivel de dise

no para la altura de ola de dise
no fue la altura de
ola correspondiente a un cierto valor periodo de retorno. Por ejemplo, si la altura de ola
de dise
no correspondiente con un periodo de retorno de 100 a
nos es 10 m, el significado
fsico es que, en promedio, estos 10 m de altura de ola de dise
no seran excedidos una
vez cada 100 a
nos.
En el dise
no de estructuras costeras basado en la fiabilidad, es mejor emplear la
probabilidad de encuentro, i.e. la probabilidad de excedencia dentro de la vida u
til
de la estructura de la altura de ola de dise
no. Por ejemplo, si la vida u
til L de una
estructura se estima en 25 a
nos, la probabilidad de encuentro para la altura de dise
no
de 10 m es


1
p=1 1
T

25
22 % .

(32)

Esto significa que estos 10 m de altura de ola de dise

no seran excedidos con un 22 %
de probabilidad en los 25 a
nos de vida u
til de la estructura.

17

4.2.

Procedimiento general

En la pr
actica, los ingenieros deben determinar la altura de ola de dise
no correspondiente a un cierto periodo de retorno, a partir de un registro (medido o de pronostico)
de oleaje a largo plazo. El procedimiento general para llevar a cabo esa tarea podra
ser el siguiente:
1. Seleccionar los datos extremos (alturas de ola) del conjunto de datos.
2. Seleccionar varias distribuciones teoricas que se ajusten a los datos extremos.
3. Ajuste de las distribuciones a datos extremos por un metodo adecuado de ajuste
(p.ej. mnimos cuadrados).
4. Elegir la distribuci
on que mejor se ajuste a los datos.
5. Calcular la altura de ola de dise
no para un periodo de retorno dado.
6. Determinar el intervalo de confianza de la altura de ola de dise
no para cuantificar
la variabilidad de la muestra (errores).

4.3.

Conjunto de datos

Los datos de oleaje originales suelen obtenerse tpicamente de medidas directas

mediante boyas o a partir de predicciones basadas en datos meteorologicos. La mayora
de los registros no cubren m
as de 10 a
nos de observacion (vease Puertos del Estado,
http://www.puertos.es/) o 40 si hablamos de predicciones basadas en modelos.
En la pr
actica, suelen usarse tres conjuntos de datos de altura de ola extremal:
Conjunto de datos completo: Contienen todas las medidas directas de altura de
ola, usualmente equiespaciadas en el tiempo.
Series anuales: Consisten en series de datos cuyo contenido son las mayores alturas
de ola por cada a
no.
Series parciales: Est
an compuestas por las mayores alturas de ola registrada por
tormenta/borrasca, dado un umbral inferior. El umbral es determinado a partir
de la localizaci
on de la estructura y la experiencia ingenieril. Vease ROM0.0. El
metodo que se emplea con estas series de datos es el metodo de picos sobre
umbral (POT, Peak Over Threshold). Vease Fig. 9.
Es habitual que las series temporales obtenidas con instrumentos de medida tengan
intervalos de tiempo en los que, por labores de conservacion o fallos tecnicos, presenten
lagunas de informaci
on. En estos casos, se procurara aplicar tecnicas de relleno de
datos para completar la serie temporal, entre ellas, tecnicas estadsticas, correlacion con
otras variables de estado, o relaciones fsicas, debidamente contrastadas, entre variables
(ROM1.0 , 2009).

18

Figura 9: Para la obtenci

on de los regmenes extremales anuales de oleaje en profundidades indefinidas, definidos como la distribucion de valores maximos locales o los picos
de tormentas que superan un determinado umbral de una variable de estado de mar en
profundidades indefinidas frente al puerto de Motril, se han utilizado los datos de los
puntos WANA 2019013. Se ha usado el metodo de Picos Sobre Umbral (POT, Peaks
Over Threshold). Para ello se han fijado la altura de ola umbral correspondiente a 3 m
(linea horizontal azul), correspondiente al valor que es superado en menos del 1 % del
tiempo en el a
no medio. Para garantizar la independencia estadstica entre temporales,
se ha supuesto que la duraci
on mnima entre temporales debe ser superior a 48 horas.
De esta manera se han obtenido 51 eventos extremales respectivamente, en los 14 a
nos
meteorol
ogicos analizados (Quintero et al. , 2012).

19

Los conjuntos de datos extremales, basados en datos de oleaje originales, deben

cumplir las siguientes condiciones (para que la muestra sea significativa)16 :
Independencia: No debe haber correlaciones entre los datos. Las series de datos
anuales y las series parciales17 verifican la condicion de independencia puesto que
los datos vienen de distintos temporales18 .
Homogeneidad: Los datos extremales deben pertenecer a la misma poblacion estadstica, e.g., todos los datos extremales proceden de olas generadas por viento.
Estacionariedad: Debe haber una climatologa a largo plazo estacionaria. Estudios
de datos de oleaje en el Mar del Norte de los u
ltimos 20 a
nos parecen mostrar
una tendencia en los datos medios que muestra una no-estacionariedad. Se observan variaciones promedio de decadas a decadas o incluso en periodos mas largos.
Sin embargo, la hip
otesis de estacionariedad estadstica parece razonable y realista para prop
ositos ingenieriles, puesto que las variacion a esas escales suele ser
peque
na19 .
El conjunto de datos completo, no cumple el requisito de independencia entre los
datos, puesto que existen correlaciones no nulas entre los diferentes estados de mar.
(Goda , 2010) encontr
o coeficientes de correlacion de 0.3-0.5 para alturas de ola significante medidas durante 20 minutos con un espaciado temporal de 24 horas. Ademas,
es interesante el caso de la ola de dise
no con una probabilidad de no excedencia muy
elevada (la cola superior de la distribucion de probabilidad). Si la distribucion de ajuste
elegida no es la correcta, los valores de cola superior de la distribucion no seran realistas (estar
an mal estimados), puesto que existen correlaciones entre los datos. Por estas
razones no suelen usarse los registros completos de datos para el analisis extremal.
La mayora de los ingenieros prefieren las series parciales por encima de las series
anuales. Por una parte, es una muestra de datos mucho mas numerosa y, por otra, lo
normal es que el an
alisis de las series parciales den como resultado una altura de ola
de dise
no mayor, lo que implica un dise
no mas conservador de la estructura.

4.4.

Distribuciones candidatas

Generalmente las distribuciones exponencial, la de Weibull, la de Gumbel, la de

Frechet, la de Pareto y la Log-normal son las distribuciones teoricas que mejor suelen
ajustarse a los datos. Las acumuladas son las siguientes20 :
Exponencial:
FE (x) = Prob(X < x) = 1 e(
16

xB
A

),

(33)

Ejemplo de las encuestas de intenci

on de voto.
En este caso hay que tener cuidado al separar entre temporales.
18
Est
an los temporales correlacionados?
19
Que pasa con las predicciones del Intergovernmental Panel on Climate Change (IPCC)?
20
Las no acumuladas se obtienen derivando estas en virtud del teorema fundamental del c
alculo.
17

20

Weibull (stretched exponential21 ):

FW (x) = Prob(X < x) = 1 e(

xB k
A

) ,

(34)

(35)

Gumbel:
FG (x) = Prob(X < x) = ee

xB
A

Generalizada de Pareto:


1/C
xB
FP (x) = Prob(X < x) = 1 1 + C
,
A

(36)

Log-normal:

FL (x) = Prob(X < x) =

ln(x) B
A


,

(37)

Generalizada de valores extremos:

FGEV (x) = Prob(X < x) = e(1+C

xB 1/C
A

(38)

donde X es la variable aleatoria, en este caso una altura de ola caracterstica, que
podra ser la altura de ola significante Hs o el diezmo H1/10 o la altura de ola maxima
Hmax , dependiendo del conjunto de datos; la variable x representa una u
nica realizacion
de la variable aleatoria X; y F es la funcion de probabilidad acumulada complementaria,
i.e. la probabilidad de no excedencia (frecuencia acumulada). Los parametros A, B y
k son par
ametros ajustables de las distribuciones. En la distribucion Log-normal A y
B representan, respectivamente, la desviacion estandar y la media de X. La funcion
representa una distribuci
on Normal. En la Generalizada de Valores Extremos A
representa el par
ametro de escala (anchura), B el parametro de localizacion y C es un
parametro de forma. Para C = 0 esta distribucion se reduce a una Gumbel, para C > 0
es una Frechet o Fisher-Tippet II y para C < 0 toma la forma de una Weibull22 .

4.5.

M
etodos de ajuste

Cuatro metodos de ajuste de las colas que generalmente se emplean son el metodo de
maxima verosimilitud, el metodo del momento, el de los mnimos cuadrados y el grafico
visual. Los m
as comunes son el de maxima verosimilitud y el de mnimos cuadrados.
21

Tengase en cuenta que MatlabTM define la Weibull sin el par

ametro de localizaci
on.
Se deja como ejercicio al lector determinar las propiedades estadsticas m
as notables de estas
distribuciones (medias, lmites de los par
ametros, momentos, funciones densidad, tasas de fallo, etc.
22

21

4.5.1.

M
etodo de mnimos cuadrados

Las Eqs. 34 y 35 pueden escribirse como

X =AY +B,

(39)

donde Y es la variable aleatoria reducida de acuerdo a

Y = ( ln(1 F ))1/k ,

(40)

para la distribuci
on de Weibull y, para la de Gumbel,

Y = ( ln F ) ,

(41)

El procedimiento de interpolacion por mnimos cuadrados es el siguiente

1. Reordenar los extremos (p.ej. n datos) en orden descendente: xi , i = 1, 2, . . . , n
2. Asignar una probabilidad de no excedencia Fi a cada xi mediante una formula
para representaci
on Q-Q23 , por lo que se obtiene un conjunto de pares (Fi , xi ).
3. Calcular el correspondiente valor de Y mediante las Eqs. 40 y 41, obteniendo un
nuevo conjunto de datos (yi , xi )
4. Determinar los coeficientes de regresion de la Eq. 39 mediante
23

Plotting position formula en ingles. Un gr

afico Q-Q es una tecnica gr
afico para el an
alisis de
diferencias entre la distribuci
on de una poblaci
on de la que se ha extrado una muestra aleatoria y una
distribuci
on te
orica usada para la comparaci
on. Cuando se emplea un metodo de ajuste, una f
ormula
para representaci
on Q-Q debe emplearse, la cual se usa para asignar una probabilidad de no-excedencia
a cada valor extremo de la altura de ola. Son especiales cuando se trabaja con muestras muy peque
nas.
La probabilidad de no-excedencia Fi asignada a la realizaci
on xi puede determinarse bas
andose en tres
principios estadsticos diferentes, a saber, frecuencia de las muestras, distribuci
on de la frecuencia y el
i0,44
estadstico de orden. Dos ejemplos tpicos podran ser (1) para una Gumbel (Gringorton) Fi = 1 n+0,12
i0,30,18/k
y (2) para una Weibull (Petrauskas) Fi = 1 n+0,21+0,32/k
, donde i es el ndice de la muestra (ordenada),
n es el n
umero total de muestras y k una constante.
Este punto se considera, para este curso, un tema avanzado y no ser
a tratado aqu.

22

Cov (Y, X)
,
V ar (Y )
B = X AY ,
n

2
1X
yi Y ,
V ar (Y ) =
n
A=

(42)
(43)

i=1

n




1X
Cov (Y, X) =
yi Y x i X ,
n
i=1

1X
X=
xi ,
n
Y =

1
n

i=1
n
X

yi .

i=1

En el caso de la distribuci
on de Weibull, varios valores de k son predefinidos y,
entonces, se ajustan los valores de A y B. Los valores finales de los tres parametros son
escogidos basados en la bondad del ajuste.
4.5.2.

M
etodo de m
axima verosimilitud

La distribuci
on de Weibull biparametrica es

FW (x) = Prob(X < x) = 1 e

xx0
A

k

(44)

donde x0 es la altura de ola umbral, que debe ser inferior que la mnima altura de
ola en el conjunto de datos extremales. Si no contamos inicialmente con informacion
respecto de los datos, varios umbrales deben probarse y seleccionar finalmente en que
mejor se ajuste. La estimaci
on de maxima verosimilitud de k se obtiene resolviendo la
siguiente ecuaci
on mediante un procedimiento iterativo

N +k

N
X

ln(xi x0 ) = N k

i=1

N PN
0 k
0
X
i=1 (xi x ) ln (xi x )
.
PN
0 )k
(x

x
i
i=1
i=1

(45)

La estimaci
on de m
axima verosimilitud para A es

A=

N
1 X
(xi x0 )k
N

!1/k
.

(46)

i=1

Para la distribuci
on de Gumbel, la estimacion de maxima verosimilitud de A se
obtiene resolviendo la siguiente ecuacion mediante un proceso iterativo:
23

N
X

e(

x
Ai

! N
N
X xi
1 X
xi A
e A .
N

)=

i=1

i=1

(47)

i=1

La estimaci
on de m
axima verosimilitud de B es
"
B = A ln PN

N
x

Ai
i=1 e

4.5.3.

(48)

Bondad del ajuste

Para ver que distribuci

on se ajusta mejor o peor se determina el coeficiente de
correlaci
on lineal, que se define como

= p

Cov (X, Y )
V ar (X) V ar (X)

(49)

Este coeficiente se emplea como criterio para la comparacion de la bondad del ajuste.
Sin embargo, est
a definido en un dominio lineal (y, x) donde la variable reducida y es
dependiente de la funci
on de distribucion. Por tanto, la interpretacion de este criterio
es en este caso menos clara.
Con las funciones de distribucion ajustadas, las alturas de ola correspondientes a
la probabilidad de no-excedencia de las alturas de ola observadas pueden calcularse (Eq. 51 y 52).
El error relativo promedio E, definido como
n

E=

1 X |xi,estimado xi,observado |
,
n
xi,observado

(50)

i=1

es un criterio sencillo y aceptable con una clara interpretacion. E = 5 % significa

que, en promedio, la estimaci
on central de la altura de ola se desva de la altura de ola
observada por un 5 %. Obviamente, cuanto mas peque
no sea E, mejor sera el ajuste.
El test de hip
otesis estadstica puede igualmente emplearse para la comparacion de la
bondad del ajuste de cada distribucion.

4.6.

Altura de ola de dise

no

La altura de ola de dise

no xT es la altura de ola correspondiente a un periodo de
retorno T . Las distribuciones de Weibull y Gumbel (Eq. 34 y Eq. 35, respectivamente)
se reescriben, respectivamente, como
24

x = A ( ln(1 F ))1/k + B ,

(51)

x = A ( ln( ln(F ))) + B .

(52)

Definiendo la intensidad de la muestra como

n
umero de datos extremos
,
n
umero de a
nos de observacion
y empleando la definici
on de periodo de retorno T , se tiene
=

T =
o F =1

1
T .

1
,
(1 F )

(53)

(54)

Introduciendo la Eq. 54 en las Eqs. 51 y 52, se obtiene



1/k
1
x = A ln
+B,
T
T

(55)

para la distribuci
on de Weibull y


1/k
1
x = A ln ln 1
+B,
T
T

(56)

para la de Gumbel. Ahora x se expresa como xT puesto que x representa la altura de

ola correspondiente a un periodo de retorno T . Los parametros A, B y k son parametros
de ajuste.
4.6.1.

Regmenes medios y extremales

La Fig. 10 ilustra la diferencia entre la estadstica a corto plazo y a largo plazo. En

general hablaremos de Regmenes medio y extremal seg
un lo siguiente:
R
egimen medio: Cuando estudiamos el regimen medio estamos interesados en conocer la probabilidad de que en un a
no medio la Hrms (por ejemplo) no supere
un valor dado H. Buscamos Prob(Hrms H en
no medio). Si disponemos de
P el a
?
?
tal a
no medio, podremos calcular F (Hrms ) = N
t
on
i=1 i /t , donde t es la duraci
del a
no y ti son los intervalos donde Hrms H en el a
no medio.
R
egimen extremal o de temporales: En este caso estamos interesados en conocer
la probabilidad de que en un a
no cualquiera Hrms no supere un valor de H dado.
Esto es, Prob(Hrms m
axima del a
no H).

25

Figura 10: Diferencia entre la estadstica a corto plazo y a largo plazo (extremal).
4.6.2.

Problema

Se han identificado 17 tormentas en un periodo de 20 a

nos. La lista de alturas
significantes, ordenadas por orden de magnitud, se muestran en la tabla siguiente (Liu
et al. , 2001):
Se requiere encontrar la altura de ola de dise
no que tenga el 5 % de probabilidad de
excedencia dentro de la vida de la estructura de 25 a
nos.
Los pasos para realizar el an
alisis son los siguientes:
1. Calcule la intensidad de la muestra mediante la Eq. 53. Sol. = 17/20.
2. Calcule el periodo de retorno T mediante la Eq. 32. Sol. T 487 a
nos.
3. Asigne una probabilidad de no-excedencia Fi para cada valor observado de altura
de ola de acuerdo, por ejemplo, a la formula Q-Q de Weibull (apartado 4.5.1,
nota a pie de p
agina) y dibuje los resultados en un papel probabilstico Q-Q de
Weibull. Haga uso de la funcion de MatlabTM probplot() (concretamente probplot(weibull,xi). Sol. Los resultados de aplicar esta funcion a los datos observados xi se muestran en la segunda columna de la Tabla 2 y en la Fig.11, panel
superior izquierdo, puntos negros. El resultado es un par (xi , Fi ).
4. Ahora vamos a ajustar distribuciones teoricas al par (xi , Fi ). En este caso, considere las distribuciones de Weibull (Eq. 34) y Generalizada de Valores Extremos
(GEV) (Eq. 38) como las candidatas al mejor ajuste. Determine los parametros
de ajuste correspondientes a cada distribucion con un intervalo de confianza al
intervalos de confianza al 95 %. Haga uso de las funciones gevfit(), wblfit() y probplot(). Dibuje las curvas resultantes del ajuste sobre el resultado anterior (Fig.11,
panel superior izquierdo) y ademas pinte dos nuevas graficas en papel probabilstico (con variables reducidas) Weibull y GEV para cada caso. Sol. Los resultados
26

id.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Significante xi
9.32
8.11
7.19
7.06
6.37
6.15
6.03
5.72
4.92
4.90
4.78
4.67
4.64
4.19
3.06
2.73
2.33

Prob. no-exc. Fi
0.970
0.911
0.852
0.794
0.735
0.676
0.617
0.558
0.500
0.441
0.382
0.323
0.264
0.205
0.147
0.088
0.029

Tabla 2: Pares altura de ola significante (xi ) - probabilidad de no excedencia (Fi ). Para
determinar Fi se ha hecho uso de la funcion de MatlabTM probplot().
se muestran tambien en la Fig.11, paneles superior izquierdo y derecho e inferior
izquierdo. Los resultados del ajuste de la GEV con gevfit() son C = 0,2151,
A = 1,7254 y B = 4,7270, y sus respectivos intervalos de confianza al 95 % son
(0,5744, 0,1441), (1,1776, 2,5279) y (3,8037, 5,6503). Los resultados del ajuste
con la distribuci
on de Weibull con wblfit() son A = 6,0533 y k = 3,2659, y sus
respectivos intervalos de confianza al 95 % son (5,1912, 7,0586) y (2,2631, 4,7131).
5. Compare la bondad de los dos ajustes de acuerdo al valor del error relativo
(Eq. 50). El valor de la altura de ola observado es xi , dado en la Tabla 2. Los
valores de altura de ola estimados xi,estim se obtienen cruzando los valores de
Fi correspondientes a xi por la funciones teoricas GEV (Eq. 38) y de Weibull
(Eq. 34) ajustadas en el apartado anterior. Sol. La funcion GEV presenta un
error de 4,73 % frente al 5 % de la de Weibull. Como en este caso la distribucion
de GEV presenta menor error, se la considera como el mejor ajuste y representativa de la altura de ola extremal. El error relativo se indica tambien en la Fig.11.
6. Realice una gr
afica que muestre la altura de ola observada xi frente el periodo
de retorno T correspondiente. Para ello haga uso de la Eq. 29. Represente en la
misma gr
afica los ajustes de Weibull y GEV y las bandas de error de los ajustes
al 95 % de confianza. Emplee para esto u
ltimo los intervalos de confianza dados
para los par
ametros de ajuste A, B y C. Sol. Los resultados se muestran en la
Fig.11.
27

Figura 11: Ajustes de las distribuciones de Weibull y GEV a los datos mostrados en la
Tabla 2 (Liu et al. , 2001).
7. Finalmente, calcule la altura de ola de dise
no xT correspondiente al periodo de
retorno T determinado en el punto segundo. Sol. Se obtiene en este caso x487 =
10,55 m.

4.7.

Fuentes de incertidumbre e intervalo de confianza

Como se puede observar las bandas de error en Fig.11 son bastante amplias. Algunas
fuentes de incertidumbre sobre la altura de ola de dise
no pueden son las siguientes: variabilidad en las muestras debido a un tama
no de muestra limitado, error directamente
relacionado con la medida (error observacional), error en la eleccion de la distribucion
como representante de la distribucion a largo plazo (que es desconocida), error en la
eleccion del umbral, metodos de ajuste, etc. La incertidumbre en los dos primeros casos
pueden considerarse mediante simulacion numerica en la determinacion de la altura de
ola de dise
no. Datos de oleaje contienen errores de medida. El error observacional puede
proceder, por ejemplo, de un mal funcionamiento del aparato, o de no-linealidades en
las medidas de aceler
ometros y sensores de presion. Errores de prediccion en modelos
computacionales pueden ocurrir cuando los campos de presion atmosferica se convierten
a campos de viento y estos, as su vez, se convierten a datos de oleaje. La precision en
estos casos depende de los datos originales y, por supuesto, de los modelos y algoritmos
28

numericos. Por regla general, no son fiables los datos obtenidos mediante inspeccion
visual. El error viene dado por C, la desviacion estandar sobre el valor medio. Los
modernos metodos de adquisici
on de datos han reducido C por debajo de 0.1.
4.7.1.

Intervalo de confianza de la altura de ola de dise

no xT

Si sobre los datos pesan incertidumbres, e.g. la variabilidad de la muestra, la altura

de ola de dise
no xT presentar
a un error asociado24 xT . Al fin y al cabo es una
variable aleatoria. La forma m
as sencilla de estimar el intervalo de confianza es hacer
uso de las barras de error de los parametros al hacer el ajuste, e.g. C C. El problema
es que la altura de ola de dise
no es extremadamente sensible a los parametros de ajuste,
lo cual da lugar a alturas de ola de dise
no enormemente grandes.
Otra forma de obtener un intervalo de confianza mas realista es mediante simulacion
Monte Carlo. Para fijar ideas asumamos, por ejemplo, que la altura de ola extremal
sigue una distribuci
on Gumbel.

F = FX (x) = P (X < x) = exp(exp(((x B)/A))) ,

(57)

donde X es la altura de ola extremal, la cual es una variable aleatoria, x es una

realizaci
on concreta de X y A y B son los parametros de localizacion y anchura, respectivamente, de la distribuci
on. Debido a la incertidumbre en la medida, los parametros
A y B son de nuevo variables aleatorias. Para tener en cuenta la incertidumbre debida
a la variabilidad de las muestras se procede de la siguiente manera.
Una muestra de alturas de ola xi de tama
no N se ajusta a una distribucion Gumbel,
obteniendose los par
ametros Averdadero y Bverdadero , asumiendo que son los valores
verdaderos. A continuaci
on,
1. Genere un n
umero aleatorio uniformemente distribuido entre 0 y 1. Cruce la
probabilidad de no-excedencia Fi con los valores de los parametros obtenidos, a
saber,

xi = FX1 (Fi ) = Averdadero [ln(lnFi )] + Bverdadero ,

(58)

y obtendr
a el valor extremal xi correspondiente.
2. Repita el paso anterior N veces. Con esto, obtendra una nueva muestra de N
alturas de ola cuya distribucion es la Eq. 57, esto es, una distribucion Gumbel
con los par
ametros Averdadero y Bverdadero .
3. Ajuste la muestra resultante a una distribucion Gumbel y obtenga los nuevos
par
ametros A y B.
24

Pues cuestiones de seguridad, normalmente se considera s

olo el signo positivo del error.

29

Figura 12: Altura de ola de dise

no vs. periodo de retorno. Se muestra la distribucion
(normal) obtenida mediante simulacion Monte Carlo para un periodo de retorno de 100
a
nos. Tomado de Liu et al. (2001).
4. Calcule la altura de ola xT correspondiente con un periodo de retorno T mediante
la Eq. 56.
5. Repita los pasos de (2) a (4), digamos, 10000 veces, por lo que obtendra 10000
valores de xT .
6. Elija la altura de ola correspondiente al intervalo de confianza especificado.

4.8.

Periodo de onda de dise

no

No hay ninguna teora para determinar el periodo de onda de dise

no correspondiente
a la altura de ola de dise
no debido a la complejidad y a la dependencia de la zona de
estudio de la distribuci
on conjunta entre altura y periodo de ola. La Fig. 13 muestra
dos ejemplos del diagrama de dispersion representando la distribucion conjunta entre
la altura de ola significante Hs y el periodo medio Tm y con el nivel de agua en reposo
z, respectivamente. Los n
umeros en el diagrama de dispersion representan el n
umero
de observaciones que caen dentro del correspondiente intervalo. En la practica, varios
periodos de onda dentro de un rango realista, dados en funcion de la altura de ola de
dise
no, se asignan para conformar el estado del mar de dise
no. Mediante consideraciones
teoricas y experimentos de laboratorio se conviene en algunos casos en seleccionar
s

130Hs
< Tp <
g
30

280Hs
.
g

(59)

Figura 13: Diagramas de dispersion. Ejemplos de distribuciones conjuntas de Hs y Tm

(panel izdo.) y de Hs y z (panel dcho.).

4.9.

An
alisis extremal multiparam
etrico

Un estado de mar se caracteriza por un estado estacionario en el que las alturas de

ola Hs , periodos Tm , direcci
on y nivel medio h0 estan bien definidos (estos son los
cuatro par
ametros m
as importantes en el dise
no de estructuras martimas). Tambien
resulta de importancia la duraci
on de un estado de mar y, en ocasiones, la forma del espectro. Los par
ametros no son independientes entre s, por lo que es necesario analizar
el efecto en la estructura de las posibles combinaciones entre los parametros, especialmente si son varios los m
as importantes. Burcharth 1993 ha propuesto el siguiente
principio para un an
alisis extremal multiparametrico.
Para el caso general en el que haya varias variables importantes pero los coeficientes
de correlaci
on no se conozcan, el mejor metodo de probabilidad conjunta sera establecer
una estadstica a largo plazo para la respuesta que se busque, e.g. para el run-up, el
empuje de la onda sobre un espaldon, etc. Si asumimos que las variables de importancia
son Hs , Tm , y h0 es necesario obtener una serie de datos plurianuales de estas variables
mediante observaciones o mediante modelos computacionales: (Hs,i , Tm,i , i , h0,i ) para
i = 1, 2, 3 . . . n. Para cada conjunto de datos, la respuesta del sistema a estos valores
se calcula a partir de las f
ormulas que definen la respuesta. Si, por ejemplo, estamos
interesados en el run-up, Ru , que viene dado por una expresion cerrada, se determina
el conjunto de datos

Ru,i = Ru,i (Hs,i , Tm,i , i , h0,i )).

(60)

La estadstica a largo plazo para Ru,i puede obtenerse ajustando a los datos una
distribuci
on extremal adecuada (analisis extremal)

31

N
um.
1
2
3
4
5
6
7
8
9
10

5.

Altura H(m)
0.54
2.05
4.52
2.58
3.20
1.87
1.90
1.00
2.05
2.37

Periodo T (s)
4.2
8.0
6.9
11.9
7.3
5.4
4.4
5.2
6.3
4.3

N
um.
11
12
13
14
15
16
17
18
19
20
21

Altura H(m)
1.03
1.95
1.97
1.62
4.08
4.89
2.43
2.83
2.94
2.23
2.98

Periodo T (s)
6.1
8.0
7.6
7.0
8.2
8.0
9.0
9.2
7.9
5.3
6.9

Pr
acticas Descripci
on Estadstica del Oleaje

5.1.

Enunciados

1. Usando los datos de la Tabla 1a, se pide:

a) Determinar alturas y periodos de ola maximos (Hmax , Tmax ), significantes
(Hs , Ts ), medios (Hz y Tz ) y cuadraticos medios (Hrms y Trms ).
b) Dado el valor de Hz , obtenido en el punto anterior, y asumiendo que las
olas siguen una distribuci
on de Rayleigh, determinar Hrms 1,13 Hz , Hs
q
1,414 Hrms y Hmax Hs 12 ln N . Cuales piensa usted que son las razones
para las diferencias entre los resultados de los puntos 1 y 2?

c) Dibujar un histograma de las alturas de ola empleando un tama

no de subintervalo de 1 m.
d ) Calcular el valor de fR (H) en el centro de cada uno de los subintervalos y
superponer la funci
on de densidad sobre el histograma. Asuma que la escala
de equivalencia es fR (H) n/(N H) donde n es el n
umero de ocurrencias
en cada subintervalo.
e) Determinar la altura de ola con probabilidad de excedencia del 1 % asumiendo que el oleaje se ajusta a la distribucion de Rayleigh siguiente
fR (H) = 2

H (H/Hrms )2
e
2
Hrms

(61)

siendo Hrms la calculada en el punto primero.

2. An
alisis del R
egimen Medio de oleaje frente a la costa de Motril (Punto
WANA 2019013). Esta pr
actica es similar a la realizada anteriormente para el
an
alisis del regimen medio de viento. La carpeta proporcionada a los alumnos
contiene los siguientes archivos:
32

a) WANA T 2019013 (Motril).dat suministrado por Puertos del Estado25 . En

la cabecera del archivo se explica el contenido del mismo. Como puede comprobarse, se dispone de un conjunto de datos por cada estado de mar de 3
horas desde 1996.
b) Clima medio de oleaje WANA 2019013.pdf. Contiene un analisis pormenorizado del clima martimo en regimen medio de los datos de oleaje contenidos
en el archivo de datos WANA T 2019013 (Motril).dat.
c) Info conjunto datos INT WANA.dat. Este archivo, tambien de Puertos del
Estado, recoge una descripcion general del conjunto de datos sinteticos WANA.

d ) wind rose.m. Este

es una u
til funcion26 realizada en MatlabTM y descargable desde Matlab Central27 que permite hacer rosas de oleaje indicando
direcci
on y altura significante espectral.
Para esta pr
actica deber
a realizar las siguientes actividades:
a) Cargue en el espacio de trabajo de Matlab el archivo WANA T 2019013
(Motril).dat.
b) Cree un vector de tiempos t a partir de los datos de a
no, mes, da y hora.
Haga uso de la funci
on de Matlab datenum para expresar el vector de tiempos
en das julianos.
c) Cree otros tres vectores para la altura significante espectral Hm0 (columna 5), el periodo de pico espectral Tp (columna 7) y direccion media de
procedencia del oleaje (columna 8).
d ) Realice las siguientes figuras tratando de responder las preguntas propuestas:
1) Tres gr
aficas que representen los datos de (a) altura de ola significante
y (b) periodo de pico en funcion del tiempo y (c) altura significante
frente a periodo de pico28 . Emplee el comandos plot. Que informacion
nos aportan estas figuras? Por que existe un periodo mnimo para cada
altura de ola?
2) Represente Hm0 y conjuntamente mediante una rosa de viento. La
instrucci
on est
andar es wind rose(dir, wind, dtype, meteo). Cual
o cu
ales son las direcciones predominantes de procedencia del oleaje?
C
omo se relacionan estas direcciones con las del viento obtenidas en
la pr
actica del Tema anterior? En que direccion se han presentado las
alturas significantes mayores? Podra estimar cual es la direccion media
del oleaje durante todo el registro?
25

http://www.puertos.es/oceanografia_y_meteorologia/redes_de_medida/index.html
Realizada por MMA 26-11-2007, mma@odyle.net. IEO, Instituto Espa
nol de Oceanografa, La Coru
na.
27
http://www.mathworks.es/matlabcentral/
28
Esta informaci
on resultar
au
til en la parte de Aprovechamiento de energas marinas impartida por
el Profesor Antonio Mo
nino.
26

33

3) Realice sendos histogramas con los datos de periodo de pico y altura de

ola. Emplee la funcion hist() de MatlabTM . Podra decir cual es la altura
de ola significante mas probable? Y la mayor del registro? Cual es su
valor y cu
ando tuvo lugar? Significa esto que no es posible observar
una altura de ola significante mayor que la maxima del registro?
e) Para el estudio del Regimen medio ademas se analizan estadsticamente
los valores de altura de ola de todos los estados de mar del archivo WANA T 2019013 (Motril).dat ajustando una funcion de densidad y de distribuci
on a los datos. Ajuste por tanto los datos de altura de ola Hm0 mediante
una Funci
on Densidad y Funcion de Distribucion de Valores Extremos Generalizada. Esta u
ltima viene dada por
FGEV (Hm0 ; k, , ) = e



H
1/k
1+k m0

(62)

donde k es el par
ametro de forma, el parametro de localizacion y es el
par
ametro de escala (anchura). Como ayuda, recuerde que MatlabTM ya implementa funciones que permiten hacer el ajuste de manera rapida y sencilla.
En su estudio, haga uso de las funciones de MatlabTM siguientes
1) gevfit() para obtener los parametros de ajuste y sus respectivos intervalos de confianza. Que valores de k, y resultan? Cuales son sus
respectivos intervalos de confianza?
2) gevpdf() para representar, con esos parametros, la funcion densidad de
probabilidad te
orica. Compare la grafica resultante con el histograma de
datos de velocidad del viento. Tenga en cuenta que el histograma debe
estar debidamente normalizado para que pueda realizarse la comparaci
on. En que parte de la curva se produce el mejor ajuste?
3) Represente los datos en papel probabilstico con gevplot() para responder
mejor a las preguntas del punto anterior.
4) ecdf() para determinar la funcion de distribucion emprica de los datos
de velocidad del viento.
5) gevcdf() para representar la funcion de distribucion teorica.
f ) Hubiera credo conveniente usar una funcion de distribucion de Rayleigh
para ajustar estos datos? Explique su respuesta.
3. An
alisis del R
egimen Extremal de oleaje frente a la costa de Motril (Punto
WANA 2019013). Para el estudio del regimen extremal,
a) Determine las alturas de ola significante mayores de cada a
no. Haga uso de
las funciones MatlabTM max() y find().
b) Presente en una tabla los datos obtenidos. Pueden considerarse independientes las muestras? Y las del analisis de regimen medio anterior, con una
separaci
on cada 3 horas?
34

c) Ajuste a los m
aximos anuales una funcion de densidad y de distribucion
Generalizada de Pareto, cuya expresion general es

FGP (Hm0 ) =

?
Prob (Hm0

1
< Hm0 ) =



Hm0 (1+1/k)
1+k
.

(63)

Para ello, siga la misma metodologa que en el caso de regimen medio, pero
haciendo uso de las funciones de MatlabTM gpfit(), gppdf(), ecdf(), gpcdf() y
gpplot() (y dfittool()). Matlab no estima el valor umbral.
d ) Determine la curva Periodo de Retorno frente a Hm0 .

35

Figura 14: Un valor de la elevacion (1) (t1 ) en un instante dado de tiempo.

Ap
endices
A.
A.1.

Variable aleatorias
Una variable aleatoria

La elevaci
on de la superficie libre en presencia de ondas en un instante y en un
lugar dados ser
an tratados como variables aleatorias (Holthuijsen , 2007), en el sentido
que el valor exacto no puede ser predicho. Por ejemplo, como ocurre en un canal de
ensayos de oleaje generado por viento (Fig. 14), a pesar de que aqu es posible controlar
y preparar experimentos bajo las mismas condiciones (en principio). En un punto A
del canal, un sensor de presi
on mide la elevacion de la superficie libre en funcion del
tiempo. En un momento dado t1 , medido desde la puesta en marcha del forzamiento
por viento, la superficie libre en esa ubicacion tiene un valor (1) (t1 ). El superndice (1)
indica el n
umero del experimento (otros experimentos seguiran).
Si el experimento fuera repetido, este valor (en la misma posicion en el mismo
instante de tiempo desde que se activa el viento) sera (2) (t1 ). Si de nuevo fuera repetido

36

se obtendra (3) (t1 ) y as sucesivamente. El valor de la superficie libre en este punto no

puede, por tanto, predecirse y sera una variable aleatoria. En esta seccion, denotaremos
una variable aleatoria x por x. La superficie libre en otros tiempos sera, logicamente,
igualmente impredecible: (t1 ), (t2 ), (t3 ), etc.
Una variable aleatoria est
a totalmente caracterizada por su funci
on densidad de
probabilidad p(x), que se define tal que la probabilidad de que la variable aleatoria x
alcance un valor entre x y x + dx sea
x+dx

Z
Prob(x < x x + dx) =

p(x0 )dx0 = p(x)dx .

(64)

Se sigue que la probabilidad de que x sea menor o igual que x (la probabilidad de
no-excedencia) sea
Z

p(x0 )dx0 P (x) .

Prob(x x) =

(65)

La distribuci
on complementaria es la probabilidad de excedencia, esto es, la probabilidad de que la variable aleatoria x exceda el valor x:
Z
Prob(x x) =

p(x0 )dx0 = 1 P (x) .

(66)

A P (x) se la denomina funci

on de distribuci
on (acumulada) de x (vease Fig. 15).
El Teorema Fundamental del C
alculo proporciona la relacion entre P y p, siendo la
segunda la derivada de la primera. Toda la informacion relativa a la variable aleatoria
x esta contenida en la funci
on densidad y en la funcion de distribucion. Puesto que la
probabilidad de que una variable aleatoria tome un valor inferior a + es del 100 %,
se sigue
on p(x) debe estar adecuadamente normalizada29 . Por ello, se impone
R la funci
0
on recproca P 1 de la funcion de distribucion P , i.e. la
que p(x )dx0 = 1. La funci
funcion que proporciona el valor de una variable aleatoria x para una probabilidad de
no-excedencia dada, se escribe como x(P ) = P 1 (x) y se denomina funci
on cuantil.
El valor medio de x puede definirse en terminos de la funcion densidad de probabilidad p(x) como el momento centrado de primer orden30 , dividido por el momento
centrado de orden cero. Se denomina valor esperado de x y se denota E {x}:
R +
x p(x)dx
m1
E {x} = x =
= R
.
+
m0
p(x)dx

(67)

29

En estadstica las probabilidades se dan como fracciones de la unidad y no como porcentajes.

R +
El momento centrado n-esimo de una funci
on densidad h(x) es, por definici
on, mn = (x
x )n h(x) dx. La funci
on h(x) puede ser cualquier funci
on, no necesariamente una funci
on de densidad
de probabilidad.
30

37

Figura 15: Ejemplo de funci

on densidad y la funcion de distribucion acumulada correspondiente.
Puesto que

R +

p(x)dx = 1 se tiene
Z

E {x} =

x p(x)dx .

(68)

La esperanza o la media de la funcion densidad puede interpretarse grosso modo

como la posici
on de la funci
on en el eje real. La funcion densidad de probabilidad debe
caracterizarse adicionalmente mediante sus momentos de orden superior. El segundo,
tercer y cuarto momento se emplean para definir, respectivamente, el ancho o la varianza, la inclinaci
on o la asimetra (el sesgo) y la kurtosis o lo picuda que es la funcion
densidad. El momento de segundo orden se define como



x2 = E (x x )2 =


(x x )2 p(x)dx = E x2 2x = m2 m21 .

(69)

A x2 se le denomina varianza y a x desviacion tpica de x, que representa el

ancho de la funci
on densidad de probabilidad. Definiciones alternativas de la media, la
anchura, asimetra y kurtosis pueden definirse en terminos de las funciones cuantiles31 .
Los promedios deR funciones de x tambien se definen como valores esperados. Por
+
ejemplo, E {f (x)} = f (x)p(x)dx es el valor esperado de f (x).
A.1.1.

Funci
on de densidad de probabilidad Gaussiana

Muchos procesos en la naturaleza se comportan de tal manera que, aproximadamente, siguen una funci
on de densidad Gaussiana, a saber,
31

Los momentos en este caso seran r =

R1
0

P r x(P )dP . Las medidas r se denominan L-momentos.

38

Figura 16: Funciones de densidad con los parametros mostrados en la figura para una
poblaci
on femenina (linea continua) y masculina (linea discontinua) de un determinado
pas.

p(x) =

x 2

(xx )2
2
2x

(70)

Un ejemplo, relacionado con las alturas de la poblacion masculina y femenina de

un determinado pas, distribuidas seg
un una Normal, puede verse en la Fig. 16. Una
explicaci
on te
orica de la amplia aplicabilidad de esta distribucion la proporciona el
Teorema del Lmite Central, el cual, expresado en terminos sencillos, establece que la
suma de un n
umero elevado de variables aleatorias independientes (no necesariamente
gaussianas o si hay una o varias dominantes) y de varianza finita esta distribuida seg
un
una distribuci
on de probabilidad Gaussiana. Puesto que muchos fenomenos naturales
tienen por origen muchas causas, es razonable encontrar que la densidad obtenida sea
Gaussiana. La funci
on densidad de probabilidad Gaussiana se denomina a menudo
funcion densidad de probabilidad Normal (puesto que aparece por doquier). No es la
u
nica funci
on densidad que responde a fenomenos naturales o, mas bien, se detectan
desviaciones significativas del comportamiento Normal debido a correlaciones entre las
variables aleatorias. Hay otras, como la de Pareto, la de Rayleigh, etc. Notese que
se ha definido x independientemente de la distribucion considerada. La funcion de
distribuci
on o la funci
on densidad gaussiana queda unvocamente determinada por solo
la media y la varianza.
A.1.2.

Desviaciones respecto del comportamiento Normal

El sesgo y la kurtosis est

an relacionadas con no-linealidades en el campo de oleaje. El
sesgo en la funci
on de densidad de es una medida estadstica de la asimetra vertical,

caracterizada por crestas cortas y peraltadas y senos largos y planos. Estas

son tpicas
39

de profundidades reducidas. La kurtosis define estadsticamente el apuntamiento de la

distribuci
on con respecto a la distribucion normal.
A.1.3.

Estimaci
on

Es habitual que que el promedio de una variable aleatoria, u otro momento, no

se estime a partir de la funci
on densidad de probabilidad p(x) sino a partir de un
conjunto finito de muestras tomadas de x, es decir, a partir de un cierto n
umero de
realizaciones o experimentos de x. Esto esta relacionado con la Ley (estadstica) de los
Grandes N
umeros. Tal conjunto de muestras se denomina colectividad o ensemble, y el
promedio se denomina promedio en la colectividad y se denota en esta seccion como
hi. Por ejemplo,
N
1 X
xi
N
i=1
!

x hxi =
x h(x hxi)2 i =

N
X

1
N

x2i

(71)

hxi2 ,

i=1

donde N es el n
umero de muestras. Notese que esto son solo estimaciones, las cuales
siempre diferir
an de los valores esperados. A estas diferencias se las denominan errores
de muestreo.

A.2.

Dos variables aleatorias

Una pareja de variables aleatorias (x, y) esta totalmente caracterizada por la funci
on
de densidad de probabilidad conjunta p(x, y). En analoga con Eq. 64 se define p(x, y)
como la probabilidad de que la variable aleatoria x se encuentre entre x y x + dx y la
y entre y e y + dy (simult
aneamente), esto es
Z

x+dx Z y+dy

Prob(x < x x + dx, y < y y + dy) =

x

p(x0 , y 0 )dx0 dy 0 = p(x, y) dx dy .(72)

Las dos variables aleatorias pueden no estar relacionadas entre s. Si este es precisamente el caso, se dice que las variables son independientes y la funcion densidad
factoriza32 , verificando p(x, y) = px (x)py (y). En otro caso, estaran relacionadas. Se
dice entonces que una variable es dependiente de la otra. Cuando la relacion entre ellas
es lineal, se dice que las variables estan correlacionadas33 (vease Fig. 17). El grado
de correlaci
on (lineal), i.e. el grado el que el par de variables aleatorias (x, y) se agrupa
en torno a una lnea, se cuantifica con el coeficiente de correlacion x,y , que se define
como la covarianza normalizada Cx,y de las dos variables:
32
33

Compruebese que esta propiedad se traslada a la funci

on de distribuci
on.
Pintando una variable frente a otra la relaci
on es una lnea recta.

40

Figura 17: Variables aleatorias independientes (panel izquierdo, velocidad del viento
en Vigo frente a elevaci
on de la superficie libre en Motril), descorrelacionadas pero
dependientes (panel central, elevacion y corriente en un mismo punto) y aprox. correlacionadas linealmente (panel derecho, temperatura del agua y oxgeno disuelto). En
realidad, entre estas u
ltimas, y en contra de lo que aparentemente pudiera parecer, la
relacion tampoco es lineal sino exponencial (ley de Henry, i.e la solubilidad de un gas
en un fluido es proporcional a la presion parcial del gas).

x,y =

Cx,y
,
x y

(73)

verificando 1 x,y 1, donde la covarianza es el valor esperado del producto de

x e y referidos a sus respectivos valores medios34 ,


Cx,y = E (x x )(y y ) .

(74)

Para las variables mostradas en la Fig. 17, la covarianza35 y el coeficiente de correlacion36 (lineal) para cada caso son, respectivamente, CW ind, = 0,0054 y W ind, =
0,0030 (independientes), Cu, = 0,405 y u, = 0,819 (dependientes) y CO2 ,T = 2,014
y O2 ,T = 0,918 (dependientes y correlacionadas).
A.2.1.

Funci
on densidad de Gauss bidimensional

La funci
on densidad de Gauss bidimensional, o distribucion Normal bivariante, para
el par de variables aleatorias (x, y) es

1
q
p(x, y) =
e
2
2x y 1 x,y

1
2
1x,y

(yy )2
(xx )(yy )
(xx )2
+
x,y
2
2
x y
2x
2y

34



(75)




Cuando dos variables aleatorias x e y son independientes, se verifica que E x y = E {x} E y .
Esto sugiere que una buena medida para estimaci
on de la correlaci
on entre dos variables es Cx,y =



E x y E {x} E yy , esto es, lo mostrado en la Eq. 74.
35
En Matlab, Cxy = cov(x, y).
36
En Matlab, gxy = corrcoef (x, y).

41

A.3.
A.3.1.

Procesos estoc
asticos
Caracterizaci
on

Las variables aleatorias no s

olo pueden ser dependientes, relacionadas o correlacionadas. Tambien pueden estar ordenadas de alg
un modo, i.e. las variables existen en

alg
un tipo de secuencia. Esta
es una nocion u
til cuando muchas mas de dos variables
aleatorias est
an presentes es un proceso. Por ejemplo, la estatura de los alumnos de
la clase (considerados como variables aleatorias) se ordenan seg
un la configuracion 2D
del aula. La ordenaci
on puede ser espacial o temporal. Normalmente, en nuestro caso,
nos ce
niremos a ordenaciones temporales. As, definimos proceso estoc
astico como un
concepto matem
atico que sirve para caracterizar una sucesion37 de variables aleatorias
(estoc
asticas) que evolucionan en funcion de otra variable, generalmente el tiempo. Cada una de las variables aleatorias del proceso tiene su propia funcion de distribucion de
probabilidad y, entre ellas, pueden estar correlacionadas o no. Otros ejemplos, aparte
del oleaje, de procesos estoc
asticos son las ondas ssmicas o las fluctuaciones bursatiles.
Un ejemplo de proceso estoc
astico en 1D es el canal de oleaje de la seccion A.1. La
medida empieza en t = 0 cuando el viento empieza a soplar sobre el agua en reposo y el
siguiente conjunto de datos de elevaciones observadas en el punto A es una funcion del
tiempo. Los valores son impredecibles y este conjunto es un ejemplo de una ordenacion
(temporal) de muchas variables aleatorias.
Notese que en una secuencia temporal x(ti ), la variable aleatoria x en tiempo t1
es una variable aleatoria distinta que x medida en tiempo t2 (vease Fig. 18). Un experimento es una realizaci
on del proceso estocastico (t1 ), (t2 ), (t3 ), . . . (ti ), . . . .
Obviamente, cuando la elevaci
on de la superficie libre en un momento dado (un ti )
es grande, una fracci
on de segundo despues, la elevacion tambien sera grande. Esto
significa que las elevaciones a tiempos cortos estan relacionadas y probablemente correlacionadas. S
olo despues de un intervalo suficientemente largo del tiempo la correlacion
(la relaci
on) entre ambas se habr
a perdido, esto es, cuando el intervalo ti tj sea mucho
mayor que el periodo caracterstico de la onda.
Seg
un se muestra en la Fig. 18, cada (tk ) sigue, en principio, distribuciones diferentes (no estacionario). Es m
as, es facil imaginar que las variables aleatorias (tk )
dependen de las variables aleatorias de tiempos anteriores. Estan relacionadas (incluso
correlacionadas). Luego para caracterizar correctamente estos estados no solo es necesario determinar las funciones densidad p((tk )), k, sino tambien las funciones de
densidad conjuntas p((tj ), (tk )), j, k. Bajo condiciones muy contraladas, es de esperar que habiendo superado el periodo transitorio se alcance alg
un tipo de equilibrio
(estadstico), i.e. estacionario. En realidad, la no estacionariedad y la no homogeneidad
es dominante y raras veces se alcanza un estado estacionario y homogeneo.
El experimento puede repetirse a discrecion una y otra vez. En tal caso, habra tantas
realizaciones del proceso estoc
astico (t1 ), (t2 ), (t3 ), . . . (ti ), . . . como experimentos
(Fig. 18), donde cada (ti ) es una variable aleatoria. Como cualquier variable aleatoria,
(ti ) est
a caracterizada por una funcion de densidad de probabilidad. Esto implica
37

Aqu est
a el orden...

42

Figura 18: Un conjunto de N realizaciones de la elevacion de la superficie libre en funcion del tiempo en la ubicaci
on A de la Fig. 14. Los experimentos son estadsticamente
identicos (sistema igualmente preparado, con el mismo viento, etc.). Las funciones densidad de probabilidad se han determinado promediando en la colectividad (no es un
promedio temporal). Adaptado de (Holthuijsen , 2007).

43

que, para caracterizar estadsticamente la superficie libre en ese instante de tiempo ti ,

esta funci
on densidad de probabilidad es requerida en cada instante de tiempo ti . Para
caracterizar las elevaciones como un proceso estocastico, se necesitan adicionalmente a
tiempo ti todas las funciones de densidad de probabilidad conjunta p((ti ), (tj )), tj .
Notese que hay una infinidad de instantes ti , y que cada uno requiere de tales funciones,
puesto que hay infinitos momentos tj .
A.3.2.

Procesos estacionarios

Si despues de un tiempo, la elevacion en el punto A es constante en un sentido estadstico (Fig. 18), todas las caractersticas de las ondas son independientes del
tiempo y el proceso se dice estacionario 38 . La estacionariedad de un proceso simplifica la descripci
on puesto que solo son necesarias las caractersticas estadsticas en un
solo instante de tiempo39 . Concretamente, las condiciones estacionarias establecen que
p((t))/t = 0, luego p() es independiente del tiempo, es decir, es invariante frente a
una traslaci
on temporal. La condicion analoga para variables que estan ordenadas en
el espacio se denomina homogeneidad. Si solo las medias y las varianzas son constantes
en el espacio y en el tiempo, el proceso se llama debilmente estacionario o debilmente homogeneo, es otro caso se dira simplemente estacionario o estacionario en sentido
estricto.
A.3.3.

Procesos Gaussianos

Si todas las funciones de densidad de probabilidad (conjunta o no) de un proceso estoc

astico (estacionario o no) son Gaussianas, el proceso se dice que es un proceso estoc
astico Gaussiano. Un proceso Gaussiano es relativamente facil de describir, puesto que solo se requieren los promedios de cada pareja de variables aleatorias y su covarianza. Escribiendo el par de variables aleatorias de la Eq. 74 como
x = x(t1 ) = x(t) y y(t2 ) = x(t2 ) = x(t + ), se puede escribir la covarianza como
Cx,x = E {(x(t) x (t)) (x(t + ) x (t + ))} = C(t, ). La covarianza puede verse
entonces como una funci
on del tiempo y del intervalo temporal . A C(t, ) se la denomina funci
on covarianza. Puesto que las dos variables pertenecen al mismo proceso, a
la funci
on C(t, ) tambien se la denomina funci
on auto-covarianza.
A.3.4.

Procesos Gaussianos y estacionarios

Un proceso Gaussiano y estacionario es incluso mas simple de describir: solo se

requieren la media y las covarianzas para un instante de tiempo dado (puesto que son
identicos para todos los tiempos). La auto-covarianza es entonces (solo) una funcion
del intervalo de tiempo y, si el promedio de la variable se considera nulo (como es
habitual en ondas de superficie), puede escribirse C(t, ) = E{x(t)x(t
+ )}. Notese
que la auto-covarianza para = 0 es la varianza del proceso E x2 (t) .
38
39

Pero las caractersticas estadsticas pueden a

un depender de los intervalos de tiempo ti tj .
Incluyendo las relaciones con las variables aleatorias en cualquier intervalo de tiempo.

44

A.3.5.

Procesos Erg
odicos

Si el promedio temporal (o espacial) da el mismo resultado que promediar sobre una

colectividad de realizaciones, se dice que el proceso es erg
odico. La media y la varianza
(si x = 0) de un proceso erg
odico puede estimarse como
Z b
1
x hx(ti )i =
x(t)dt
ba a
Z b
1
x2 h(x(ti ))2 i =
(x(t))2 dt ,
ba a

(76)
(77)

y la auto-covarianza (si x = 0) como

1
C( ) hx(t)x(t + )i =
ba

x(t)x(t + )dt ,

(78)

donde hi denota el promedio en la colectividad y b a es la longitud del intervalo

de tiempo (duraci
on) sobre la que se realiza el promedio temporal. El smbolo aproximadamente igual en las igualdades anteriores refleja el hecho que, habitualmente,
el promedio en la colectividad se realiza con un n
umero de ensayos N finito y que el
promedio temporal se lleva igualmente a cabo en un intervalo finito. En general se tiene

hf (x(ti ))i =

1
ba

f (x(t))dt .

(79)

Y esto para cualquier ti . Se sigue de la definicion, que todo proceso ergodico es

un proceso estacionario. El inverso no es cierto. No todos los procesos estacionarios
son erg
odicos. Por ejemplo, el encendido de un interruptor que produce una corriente
continua (impredecible), cuyo valor podra estar distribuida seg
un una Normal, i.e. el
valor de la corriente es extrado de una distribucion de probabilidad normal, produce un
proceso estoc
astico estacionario (valores impredecibles y con caractersticas estadsticas
constantes en el tiempo). Sin embargo, no es un proceso ergodico puesto que el promedio
temporal en cada realizaci
on es diferente del promedio temporal en otra realizacion.
La superficie libre del oleaje (aleatorio), en condiciones estacionarias, generado por
viento es un proceso estoc
astico ergodico (en la aproximaci
on lineal), as que todos
los promedios que se necesiten para describir las ondas pueden estimarse a partir de
promedios temporales. Esto es afortunado, puesto que no es facil generar en el mar
identicas condiciones y sistemas identicamente preparados para realizar los promedios
en la colectividad. B
asicamente, ergodico significa que la evolucion temporal de explora todas las posibles configuraciones, esto es, todos los posibles valores que pueden
obtenerse en las distintas realizaciones. En cualquier caso, dadas las limitaciones de
trabajar en el oceano, se asumir
a sin mas las hipotesis ergodica que, en la mayora de
los casos, es imposible comprobar.
45

A.3.6.

La elevaci
on de la superficie libre

La evoluci
on temporal de la elevacion de la superficie libre generada por viento se
trata a menudo como un proceso estocastico Gaussiano. Datos de campo han corroborado que es una aproximaci
on muy razonable, pero tambien este hecho esta apoyado
en resultados te
oricos: la superficie libre en cualquier instante de tiempo ti puede verse
como la suma de un enorme conjunto de armonicos generados independientemente unos
de otros40 y que han viajado sin interaccionar hasta el emplazamiento (en la aproximaci
on lineal (Holthuijsen , 2007)). El teorema del lmite central asegura que, en tal
caso, la distribuci
on resultante debe ser Gaussiana. Ondas con un marcado peralte, u
ondas que verifican /h 1 interaccionan entre s y, por tanto, no son independientes.
Desviaciones respecto del modelo Gaussiano ocurren por tanto en el mar, en particular,
en la zona de surf (vease Fig. ?? como ejemplo).
Por otra parte, para garantizar ergodicidad y estacionariedad se realiza el analisis
estadstico (a corto plazo) sobre muestras de datos en un intervalo temporal reducido,
no superior a 30min
o 1hora, seg
un el caso. Si consideramos que una determinada
propiedad del oleaje, por ejemplo, el desplazamiento de la superficie libre con respecto
al nivel medio, es un proceso erg
odico, las propiedades estadsticas del proceso pueden
ser obtenidas mediante un registro los suficientemente extenso (pero no muy extenso
t < 30 min) de la citada propiedad en un solo punto del oceano. Si ademas, el proceso
en cuesti
on es gaussiano, la estadstica del mismo podra ser definida mediante los dos
primeros momentos estadsticos de la serie temporal: media y varianza.
El oleaje que se registra en un punto dado del mar, es el resultado de diferentes procesos de generaci
on, propagaci
on y disipacion. Estos procesos, asociados a la dinamica
atmosferica y oce
anica, no son nunca estacionarios ni homogeneos (no ergodicos), por
lo que, en sentido estricto, el oleaje tampoco lo es. Sin embargo, si nos limitamos a
areas reducidas y a periodos de tiempo peque
nos, la inercia de los procesos presentan
escalas espaciales y temporales mayores, por lo que el proceso puede ser considerado
ergodico (a esas escalas reducidas).
Entonces, si se dispone de un registro continuo de oleaje para realizar un analisis
estadstico bien definido es necesario dividir el registro en secciones temporales de, como
decamos, de 30 min
o 1 hora de tal modo que en esos subintervalos se considere el oleaje
ergodico ( estacionario). Las propiedades estadsticas del oleaje en esos subintervalos
no cambian, diramos que son constantes en un sentido estadstico. Esas propiedades
estadsticas definen el estado de mar y lo caracterizan temporal y espacialmente.
De esta manera, en cada estado de mar se sustituye el registro temporal continuo
de oleaje por una informaci
on estadstica mas reducida. Dentro de cada estado de mar,
las propiedades estadsticas del oleaje vienen definidas por los momentos estadsticos
obtenidos del proceso erg
odico (y estacionario) en lo que se denomina An
alisis del
Oleaje a Corto Plazo. La variacion en el tiempo de estos parametros estadsticos
de los estados de mar constituye lo que se denomina curva de estados de mar. Es
tpico caracterizar un estado de mar mediante la altura significante Hs y el periodo
medio T . La estadstica que se realiza con la curva de estados de mar (formada por una
40

Por ejemplo, por viento turbulento en distintas localizaciones.

46

muestra de estadsticos de estados de mar) se denomina An

alisis del Oleaje a Largo
Plazo o Regmenes de oleaje. Es este u
ltimo estudio estadstico en el que uno suele
estar interesado a la hora del dise
no de estructuras. Para dise
nar una obra es necesario
conocer el clima martimo en el emplazamiento durante la vida u
til de la misma.

47