Ingeniera Martima

Oscilaciones de corto periodo: Oleaje.

Descripcion Estadstica
Apuntes de Clase
MOS, MDM, AMF, ABA
Grupo de Din amica de Flujos Ambientales, Universidad de Granada.
Curso 20122013

Indice
1. Introduccion 1
2. Analisis de series temporales en el dominio del tiempo 1
2.1. Denici on de una ola individual: cortes por cero . . . . . . . . . . . . . . . . . . . . . . . 2
2.2. Alturas y periodos de ola caractersticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3. Distribuci on de alturas de ola individuales . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4. Distribuci on del periodo de onda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.5. Distribuci on conjunta de alturas de ola y periodos . . . . . . . . . . . . . . . . . . . . . 10
3. Analisis de series temporales en el dominio de la frecuencia 12
3.1. Altura de ola y periodo caractersticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1.1. Anchura del espectro y validez de la distribuci on de Rayleigh . . . . . . . . . . . 12
3.1.2. Altura de ola signicante y periodo de pico . . . . . . . . . . . . . . . . . . . . . 13
3.1.3. Distribuci on conjunta espectral de alturas de ola y periodos . . . . . . . . . . . . 13
4. Analisis extremal (de altura de ola) 15
4.1. Nivel de dise no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.1.1. Periodo de retorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.1.2. Probabilidad de encuentro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.1.3. Dise no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2. Procedimiento general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3. Conjunto de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.4. Distribuciones candidatas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.5. Metodos de ajuste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.5.1. Metodo de mnimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.5.2. Metodo de m axima verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.5.3. Bondad del ajuste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.6. Altura de ola de dise no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.6.1. Regmenes medios y extremales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.6.2. Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.7. Fuentes de incertidumbre e intervalo de conanza . . . . . . . . . . . . . . . . . . . . . . 28
i
4.7.1. Intervalo de conanza de la altura de ola de dise no x
T
. . . . . . . . . . . . . . . 28
4.8. Periodo de onda de dise no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.9. An alisis extremal multiparametrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5. Practicas Descripci on Estadstica del Oleaje 31
5.1. Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Apendices 35
A. Variable aleatorias 35
A.1. Una variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
A.1.1. Funci on de densidad de probabilidad Gaussiana . . . . . . . . . . . . . . . . . . . 37
A.1.2. Desviaciones respecto del comportamiento Normal . . . . . . . . . . . . . . . . . 38
A.1.3. Estimaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
A.2. Dos variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
A.2.1. Funci on densidad de Gauss bidimensional . . . . . . . . . . . . . . . . . . . . . . 40
A.3. Procesos estoc asticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
A.3.1. Caracterizaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
A.3.2. Procesos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A.3.3. Procesos Gaussianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A.3.4. Procesos Gaussianos y estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . 43
A.3.5. Procesos Erg odicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
A.3.6. La elevaci on de la supercie libre . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
ii
Palabras clave
oleaje, altura de ola, periodo, signicante, dise no, extremo, regmenes, funci on de distribucion, funci on
densidad, Rayleigh.
Bibliografa Basica
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 Scientic 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. Introduccion
Los cientcos 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 oshore, 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 n de dise nar y gestionar ade-
cuadamente.
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
superciales generadas por el viento (oleaje). Este ttulo tan largo es necesario, porque
ondas superciales 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 mas, 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 reriendo 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 descripcion equivalente en el dominio de la frecuencia. Por tanto, no es
de extra nar que la descripcion 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. Analisis de series temporales en el dominio del tiempo
El analisis de las series temporales de elevacion de la supercie libre pueden llevarse
a cabo tanto en el dominio del tiempo como en el espacio. En esta seccion trataremos
del analisis temporal.
Se admite, asumiendo linealidad, que el desplazamiento vertical de la supercie
libre con respecto a un nivel de referencia jo 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, cuantica su contenido energetico

(que depende esencialmente de la amplitud al cuadrado),
p() =
1

2
exp
_

2
2
2

=
2
rms
= Esp
_
(

)
2
_
,
(1)
donde
rms
es el desplazamiento medio cuadratico.
Este modelo matematico-estadstico deja de ser adecuado cuando el oleaje comien-
za 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 aproximacion suciente.
2.1. Denicion de una ola individual: cortes por cero
Mediante un analisis directo de los datos brutos pueden identicarse las olas indi-
viduales. Una ola individual, que no la elevacion de la supercie libre (que sera un
(t) concreto), esta denida por dos cortes por cero sucesivos. Los cortes se reeren 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 des-
cendentes. Se dene un corte por cero hacia valores negativos entre las muestras n 1
y n cuando se cumple que (t
n1
) > 0 y (t
n
) < 0 (Fig. 2). En resumen, una ola es el
perl de la elevacion entre cada dos pasos por cero descendentes consecutivos.
Otras deniciones de ola son posibles, por ejemplo, deniendo los cruces por cero
ascendentes, esto es, hacia arriba. Si la elevacion de la supercie libre se considera
un proceso estocastico Gaussiano no importa si se toman los cruces ascendentes o
descendentes, puesto que las caractersticas estadsticas seran simetricas
1
. Sin embargo,
es com un adoptar la denicion 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. Ademas, en una ola que rompe, el frente, que es relevante en el proceso de
rotura, esta incluido en la denicion 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 dene como el rango de alturas, esto es, la diferencia de altura maxima y
mnima entre dos cortes por cero. Vease Fig. 2.
La caracterizacion 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 sucientemente
corta como para garantizar la estacionariedad y la homogeneidad, pero tambien lo
sucientemente larga como para obtener unos promedios aceptables. Normalmente, se
emplean intervalos de 30 min o 1 hora
2
.
1
Seguro? Piensese.
2
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 duracion (o a corto plazo). Es habitual denominar
estado de mar al estado de oleaje cuando sus propiedades estadsticas son ergodicas. Sin embargo,
en estas Recomendaciones se opta por generalizar estas deniciones, otorgando a cada una de ellas el
ambito 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 supercie 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: Deteccion de los cruces por cero en un registro de oleaje en el Golfo de Cadiz.
Figura 2: Altura y periodo de ondas individuales denidas por cortes hacia valores
negativos.
3
2.2. Alturas y periodos de ola caractersticos
La elevacion de la supercie 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 deniciones:
La altura y periodos medios se denen sobre todo el registro, es decir, son la me-
dia de alturas y periodos de todas las ondas individuales. Estos son H = 1/N

N
k=1
H
k
y T = 1/N

N
k=1
T
k
, respectivamente. A veces se denota el periodo como T
z
. En el caso
que seguimos de ejemplo H = 0,39 m y T = 3,93 s.
La altura de ola cuadratica media H
r.m.s.
se dene como
H
r.m.s.
=

_
1
N
N

k=1
H
2
k
. (2)
Analogamente, el periodo es T
r.m.s.
=
_
1/N

N
k=1
T
2
k
. Esta medida puede ser re-
levante 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 ejem-
plo que seguimos del registro de oleaje del Guadalquivir se obtiene H
r.m.s.
= 0,46 m y
T
r.m.s.
= 4,47 s.
Se dene la ola maxima como aquella que tiene la maxima altura de ola H
max
. En
nuestro caso es la ola n umero 101 y tiene H
max
= 1,08 m y el periodo correspondiente
a esa altura es T
H
max
= 9,55 s.
La ola maxima 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 H
max
es una variable aleatoria con la distribucion dependiente del n umero de ola
individuales.
Las alturas y periodos caractersticos denidos 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 dene la
altura de ola signicante.
Se dene la altura de ola signicante
3
como la altura promedio del tercio de
alturas mayores del registro de oleaje. Se expresa como
H
1/3
=
1
N/3
N/3

k=1
H
k
, (3)
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 dene
igualmente como el periodo promedio del tercio de olas cuya altura es mayor, i.e.
T
1/3
= 3/N

N/3
k=1
T
H
k
. En el caso de ejemplo analizado H
1/3
= 0,67 m y T
1/3
= 5,80 s.
3
Signicante es una mala traducci on de Importante.
4
La altura de ola signicante H
1/3
, o a veces tambien denida como H
s
, se usa en
la mayora de las aplicaciones como ola de dise no
4
. La razon es que antiguamente las
estructuras eran dise nadas basandose en la observacion visual de la olas. La altura de
ola signicante H
1/3
esta proxima al valor observado visualmente, lo cual resulta util
puesto que recoge las experiencias previas de ingeniera.
El concepto de altura de ola y periodo signicantes es importante y muchas situacio-
nes. Sin embargo, dos parametros 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 fon-
do) pueden presentar las mismas alturas de ola y periodos signicante. Para distinguir
ambas situaciones se requieren mas parametros, por ejemplo, altura y periodos signi-
cantes para mar de viento y de fondo por separado. Los puntos WANA de Puertos
del Estado
5
proporcionan esos parametros en ambas condiciones. Esto se hace a veces,
pero en general unos pocos parametros no determinan unvocamente unas condiciones
de oleaje. Una descripcion completa (en el sentido estadstico) del oleaje requiere un
analisis espectral basado en la hipotesis que el movimiento aleatorio de la supercie
libre puede tratarse como la suma de un gran n umero de armonicos.
A veces tambien se usa H
1/10
denida como la media aritmetica de las N/10 alturas
de ola mayores del registro
6
, esto es,
H
1/10
=
1
N/10
N/10

k=1
H
k
, (4)
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
dene el periodo T
H
1/10
= 10/N

N/10
k=1
T
H
k
, i.e. como la media de los N/10 periodos
correspondientes a H
1/10
. En el caso de ejemplo analizado H
1/10
= 0,91 m y T
1/10
=
6,78 s. Logicamente H
1/10
> H
1/3
y T
1/10
> T
1/3
.
La altura de ola con probabilidad de excedencia de un % se denota H
%
. Por
ejemplo, H
0,1 %
, H
1 %
, etc.
2.3. Distribucion de alturas de ola individuales
En vez de mostrar todas y cada una de las altura de ola individuales, es mas util
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/(NH/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 accion 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 denirse en terminos
del espectro de onda.
5
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 con-
tinua. Resultados teoricos y experimentales muestran que la densidad de probabilidad
sigue, aproximadamente, una funcion de distribucion de Rayleigh
7
. Se dira entonces que
las alturas de ola individuales siguen una distribucion de Rayleigh. La funcion densidad
de probabilidad de Rayleigh f
R
(x) (0, +) es
8
f
R
(x) =
x

2
x
e

x
2
2
2
x
, (5)
Notese que la funcion dada en la Eq. 5 esta normalizada
9
. Seg un Goda (2010) la
aproximacion 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 distribu-
cion de alturas de ola diere 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 nales del s.XIX para des-
cribir la distribuci on de la intensidad del sonido emitido desde un n umero innito de fuentes. Longuet-
Higgins solo veric o la aplicabilidad de la distribuci on de Rayleigh para oleaje irregular cuyos periodos
y alturas presentaban pocas uctuaciones tanto en los periodos como en las alturas (Goda , 2010).
Sin embargo, las olas reales en el mar pueden presentar uctuaciones 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 x H/H, sino imponiendo que la integral en todo el
dominio es 1. Es inmediato comprobar que 1 =

+
0
f
R
(x)dx. Vease Fig. 4.
6
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 H
rms
f
R
(H) = 2
H
H
2
rms
e

H
2
H
2
rms
, (6)
F
R
(H) = Prob {H < H, H (0, +)} =
_
H
0
f
R
(H

)dH

= 1 e

H
2
H
2
rms
.
Tambien puede expresarse utilizando la altura de ola media H como parametro de
la distribucion, quedando
f
R
(H) =

2
H
H
2
e

4
H
2
H
2
, (7)
F
R
(H) = 1 e

2
H
2
H
2
.
o en funcion de la altura de ola signicante H
s
f
R
(H) = 4,01
H
H
2
s
e
2,005
H
2
H
2
s
, (8)
F
R
(H) = 1 e
2,005
H
2
H
2
s
.
Asumiendo que la distribucion de Rayleigh es una aproximacion de la distribu-
cion de alturas de ola individuales
10
, las alturas caractersticas H
1/10
, H
1/3
, H
r.m.s.
y
H
%
pueden expresarse en terminos de H manipulando la Eq. 5. Las relaciones son
las siguientes
11
: H
1/10
= 2,03 H, H
1/3
= 1,60 H, H
r.m.s.
= 1,13 H y H
2 %
= 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 signicante sera
F
R
(H) = 1 e
2,010(H/H
s
)
2
. Vease la Tabla 1.
10
Al considerar la funci on de Rayleigh como funci on de distribucion de la altura de ola se esta admi-
tiendo 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 denir 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 inde-
pendientes 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 reeren
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 ob-
tenidos 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 abilidad.
11
La demostracion se deja como ejercicio al lector.
7
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 distribucion de Rayleigh. Son tpicas, tal y como se describe en el
apartado 2.4, las funciones de Bretschneider.
Asumiendo una funcion de distribucion de Rayleigh, esta claro que debe haber
relaciones entre las Eqs. 6, 7 y 8, dadas a traves de las relaciones entre H
s
, H, H
rms
y H
max
. Por ejemplo, para un registro ordenado de N olas se verica 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 = H
s
_
1
2
ln
_
N
i
__
1/2
. (10)
Para el caso i = 1, que se corresponde con H = H
max
se obtiene una relacion
H
max
= H
s
_
1
2
ln N
_
1/2
, (11)
que, para N = 3000, se obtiene aproximadamente H
max
2,00H
s
. El lector puede
obtener sus relaciones para, por ejemplo, H
1/10
y H
1/100
.
8
Altura H/H
r.m.s.
H/

m
0
H/H
s
H
r.m.s.
1,0 2

2 0,706
Moda,

H 1/

2 2 0,499
Mediana,

H (ln 2)
1/2
(8 ln 2)
1/2
0,588
Media, H

/2

2 0,626
Signicante, H
s
1,416 4,005 1,00
H
1/10
1,80 5,091 1,271
H
1/100
2,359 6,672 1,666
H
max
? ? ?
Tabla 1: Relaciones entre estadsticos de la distribucion de Rayleigh (ROM1.0, 2009).
m
0
es el momento espectral de orden cero.
A menudo es interesante conocer la probabilidad de excedencia (Prob(H
H
q
en el a no medio)), esto es, la probabilidad q de que una altura de ola exceda un
cierto valor H
q
. Empleando la denicion de F
R
sera
q = 1 F
R
(H
q
) = e

H
2
q
H
2
rms
, (12)
donde F
R
es la funcion de distribucion de alturas de ola individuales. La altura
umbral H
q
se puede obtener despejando de la expresion anterior,
H
q
H
rms
=

ln
_
1
q
_
, (13)
siendo q = 1/n, la proporcion de olas mayores que H
q
.
2.4. Distribucion del periodo de onda
A diferencia de las distribuciones de ola, el periodo de las olas ha recibido mucha
menos atencion en la literatura. Sin embargo, el dise no de las estructuras martimas
requiere una estimacion able de la distribucion de periodos del oleaje
12
o, mejor a un,
de la distribucion 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?
9
Figura 5: Funciones densidad (izquierda) y de distribucion (derecha) de Bretschneider
para T
z
= 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,
f
B
(T) = 2,7
T
3
T
4
z
e
0,675

T
T
z

4
(14)
F
B
(T) = 1 e
0,675

T
T
z

4
. (15)
La Fig. 5 muestra un ejemplo de las funciones densidad y de distribucion de Bretsch-
neider para T
z
= 6,5 s.
2.5. Distribucion conjunta de alturas de ola y periodos
Si la altura de ola y el periodo fueran estadsticamente independientes, la funcion
densidad de probabilidad conjunta
13
sera simplemente el producto de f
conjunta
(H, T) =
f
R
(H) f
B
(T), a saber, el producto de la pdf de Rayleigh para la altura de ola f
R
(H) y
la pdf de, por ejemplo, Bretschneider para el periodo f
B
(T). Pero no es el caso, puesto
que H y T estan relacionados.
Seg un Goda, las Eqs. 24 y 27 reejan las caractersticas de la distribucion conjunta
de alturas de ola y periodos. Olas con alturas menores en un registro de oleaje pueden
presentar periodos mas 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 dispersion en el punto WANA-46 de Puertos del Estado, en el
Golfo de Cadiz.
que muestra la Fig. 6 parece querer decirnos que existe un periodo mnimo por debajo
del cual no hay olas.
En la practica la distribucion conjunta de altura de ola y periodo es de gran im-
portancia. Desafortunadamente, tampoco hay una distribucion generalmente aceptada
para la distribucion conjunta, incluso aunque hay algunos llamados diagramas de dis-
persion basados en el registro de oleaje. Tales diagramas dependen fuertemente del
emplazamiento.
La relacion entre H
s
y T
s
se simplica a menudo como T
s
= H

s
, asignando valores
apropiados
14
a y . En la Fig. 6 se muestra T
p
(no T
s
) frente a H
s
mostrando una
relacion mas complicada (2D). En la Fig. 6 es claro la existencia de un T
p
mnimo para
un H
s
dado.
14
En aguas canadienses, = 4,43 y T
s
= 0,5
11
Figura 7: Espectro de la varianza con area m
0
y frecuencia de pico f
p
= 1/T
p
, donde
T
p
es el periodo de pico.
3. Analisis de series temporales en el dominio de la fre-
cuencia
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 como estimar la altura de ola caracterstica y el periodo a
partir del espectro de la varianza.
El momento de orden-n, m
n
se dene como
m
n
=
_

0
f
n
S(f) df . (16)
As, por ejemplo, el momento de orden 0 es m
0
=
_

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 distribucion de Rayleigh
De la denicion de m
n
se puede ver que cuanto mayor sea orden del momento,
mayor peso se pone en las frecuencias mas altas del espectro. Con el mismo m
0
, un
espectro mas ancho da valores mayores de momentos de ordenes superiores (2 n).
Cartwright y Longuett-Higgins (1956) denieron el parametro de anchura como
=

1
m
2
2
m
0
m
4
, (17)
12
a partir de un analisis teorico 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 dis-
tribucion de Rayleigh proporciona una altura de ola ligeramente mayor para cualquier
nivel de probabilidad dado. Otra posible denicion de la anchura espectral es
=
_
m
0
m
2
m
2
1
1 . (18)
Se probo teoricamente 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 signicante 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 signicante puede derivarse teoricamente a partir
del espectro de la varianza como
H
m
0
= 4

m
0
. (19)
Por eso se denota con el subndice del momento de orden 0. La altura signicante
espectral esta relacionada con el contenido energetico del oleaje. En realidad, para
valores de = 0,4 0,5, una buena estimacion de la altura de ola signicante es
H
m
0
= 3,7

m
0
.
La frecuencia de pico f
p
se dene sencillamente como la frecuencia a la cual la
funcion s(f) es maxima. El periodo de pico T
p
= 1/f
p
coincide aproximadamente con
el periodo de ola signicante.
3.1.3. Distribucion conjunta espectral de alturas de ola y periodos
Longuet-Higgins (1975, 1983) (citado en (UC , 2000)) denio 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 denido en Eq. 18. La funcion densidad se expresa en funcion
de las variables adimensionales H
a
= H/

m
0
y T
a
= T/T, siendo T el periodo medio
relacionado con la frecuencia media = 2m
0
/m
1
:
13
Figura 8: Funcion densidad conjunta altura de ola - periodo de Longuet-Higgins para
dos valores del parametro de anchura espectral . Notese que las bandas espectrales
son mas anchas donde hay mayor variabilidad en los valores de H y T.
f
H
a
,T
a
= C
L
_
H
a
T
a
_
2
exp
_

H
2
a
8
_
1 +
1

2
_
1
1
T
a
_
2
__
, (20)
donde
C
L
=
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 T
a
= 1 (alrededor
del periodo medio).
La funcion densidad de probabilidad para (solo) los periodos puede derivarse a parir
de la distribucion 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
distribucion marginal. El resultado es
f
LH
(T
a
) =
4C
L

4
T
2
a
_
1 +
1

2
_
1
1
T
a
_
2
_
3/2
, (22)
14
donde T
a
= T/T. Como puede comprobarse, la distribucion es asimetrica lo cual
esta de acuerdo con las observaciones. La moda de la distribucion

T decrece con la
anchura espectral de acuerdo con la expresion
15

T
a
=
2
1 +

9 + 8
2
. (23)
Asimismo, se ha observado (hecho emprico) que los parametros de los periodos
caractersticos estan interrelacionados. Del analisis de datos de campo, se verica que
T
max
/T
1/3
= 0,6 1,3 , (24)
T
1/10
/T
1/3
= 0,9 1,1 , (25)
T
1/3
/T = 0,9 1,4 . (26)
Simplicando a un mas (Goda (Goda , 2010)),
T
max
T
1/10
T
1/3
1,2T . (27)
La relacion T
1/3
/T da solo una indicacion puesto que este valor esta afectado por
la forma del espectro del oleaje.
4. Analisis 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 signicante H
s
, que es una variable aleatoria. Vara con respecto al tiempo y
a la localizacion. 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 como 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 en-
cuentro.
15
Demuestrese. Basta recordar que

T representa el valor m as probable de la distribuci on.
15
4.1.1. Periodo de retorno
Para denir adecuadamente el periodo de retorno T es necesario establecer la si-
guiente notacion.
X: Altura de ola signicante, que es una variable aleatoria.
x Es una realizacion particular de X.
F(x) Es la funcion de distribuci on acumulada de X, F(x) = Prob(X x).
t N umero de a nos de observacion 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 ex-
cedencia es 1 F(x), asumiendo que la funcion F esta debidamente normalizada. En
otras palabras, con probabilidad 1F(x) una altura de ola signicante sera mayor que
x.
Si el n umero total de observaciones (realizaciones de X) es n, el n umero de obser-
vaciones donde X > x es
k =
n

i=1
Prob(X x) = n(1 F(x)) = t(1 F(x)) . (28)
Luego el periodo de retorno T de una realizacion x se dene 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 dene
x como un evento de T a nos.
4.1.2. Probabilidad de encuentro
Basandose 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 sera Prob(X x) = 1 1/T; en dos a nos Prob(X x) =
(1 1/T)
2
; y en L a nos Prob(X x) = (1 1/T)
L
. 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
p = 1
_
1
1
T
_
L
, (30)
16
que, en el caso de un valor grande de T puede aproximarse por
p = 1
_
1 e

L
T
_
L
. (31)
4.1.3. 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 signicado
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 abilidad, es mejor emplear la
probabilidad de encuentro, i.e. la probabilidad de excedencia dentro de la vida util
de la estructura de la altura de ola de dise no. Por ejemplo, si la vida util L de una
estructura se estima en 25 a nos, la probabilidad de encuentro para la altura de dise no
de 10 m es
p = 1
_
1
1
T
_
25
22 %. (32)
Esto signica 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 util de la estructura.
4.2. Procedimiento general
En la practica, los ingenieros deben determinar la altura de ola de dise no correspon-
diente 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 distribucion 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 conanza de la altura de ola de dise no para cuanticar
la variabilidad de la muestra (errores).
17
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 mas 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 practica, 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: Estan compuestas por las mayores alturas de ola registrada por
tormenta/borrasca, dado un umbral inferior. El umbral es determinado a partir
de la localizacion 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 informacion. 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).
Los conjuntos de datos extremales, basados en datos de oleaje originales, deben
cumplir las siguientes condiciones (para que la muestra sea signicativa)
16
:
Independencia: No debe haber correlaciones entre los datos. Las series de datos
anuales y las series parciales
17
verican la condicion de independencia puesto que
los datos vienen de distintos temporales
18
.
Homogeneidad: Los datos extremales deben pertenecer a la misma poblacion es-
tadstica, 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 ultimos 20 a nos parecen mostrar
una tendencia en los datos medios que muestra una no-estacionariedad. Se obser-
van variaciones promedio de decadas a decadas o incluso en periodos mas largos.
Sin embargo, la hipotesis de estacionariedad estadstica parece razonable y rea-
lista para propositos ingenieriles, puesto que las variacion a esas escales suele ser
peque na
19
.
16
Ejemplo de las encuestas de intenci on de voto.
17
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)?
18
Figura 9: Para la obtencion de los regmenes extremales anuales de oleaje en profundi-
dades indenidas, denidos 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 indenidas 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 jado 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 duracion mnima entre temporales debe ser superior a 48 horas.
De esta manera se han obtenido 51 eventos extremales respectivamente, en los 14 a nos
meteorologicos analizados (Quintero et al. , 2012).
19
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) encontro coecientes de correlacion de 0.3-0.5 para alturas de ola signi-
cante 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 realis-
tas (estaran 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 preeren 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 analisis 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 siguientes
20
:
Exponencial:
F
E
(x) = Prob(X < x) = 1 e
(
xB
A
)
, (33)
Weibull (stretched exponential
21
):
F
W
(x) = Prob(X < x) = 1 e
(
xB
A
)
k
, (34)
Gumbel:
F
G
(x) = Prob(X < x) = e
e

(
xB
A
)
, (35)
Generalizada de Pareto:
F
P
(x) = Prob(X < x) = 1
_
1 + C
_
x B
A
__
1/C
, (36)
Log-normal:
F
L
(x) = Prob(X < x) =
_
ln(x) B
A
_
, (37)
Generalizada de valores extremos:
F
GEV
(x) = Prob(X < x) = e
(1+C
xB
A
)
1/C
, (38)
20
Las no acumuladas se obtienen derivando estas en virtud del teorema fundamental del c alculo.
21
Tengase en cuenta que Matlab
TM
dene la Weibull sin el par ametro de localizaci on.
20
donde X es la variable aleatoria, en este caso una altura de ola caracterstica, que
podra ser la altura de ola signicante H
s
o el diezmo H
1/10
o la altura de ola maxima
H
max
, dependiendo del conjunto de datos; la variable x representa una unica 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 parametros 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 distribucion Normal. En la Generalizada de Valores Extremos A
representa el parametro 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 Weibull
22
.
4.5. Metodos 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 graco
visual. Los mas comunes son el de maxima verosimilitud y el de mnimos cuadrados.
4.5.1. Metodo de mnimos cuadrados
Las Eqs. 34 y 35 pueden escribirse como
X = A Y + B , (39)
donde Y es la variable aleatoria reducida de acuerdo a
Y = (ln(1 F))
1/k
, (40)
para la distribucion 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: x
i
, i = 1, 2, . . . , n
2. Asignar una probabilidad de no excedencia F
i
a cada x
i
mediante una formula
para representacion Q-Q
23
, por lo que se obtiene un conjunto de pares (F
i
, x
i
).
22
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.
23
Plotting position formula en ingles. Un gr aco Q-Q es una tecnica gr aco 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
21
3. Calcular el correspondiente valor de Y mediante las Eqs. 40 y 41, obteniendo un
nuevo conjunto de datos (y
i
, x
i
)
4. Determinar los coecientes de regresion de la Eq. 39 mediante
A =
Cov (Y, X)
V ar (Y )
, (42)
B = X AY , (43)
V ar (Y ) =
1
n
n

i=1
_
y
i
Y
_
2
,
Cov (Y, X) =
1
n
n

i=1
_
y
i
Y
_

_
x
i
X
_
,
X =
1
n
n

i=1
x
i
,
Y =
1
n
n

i=1
y
i
.
En el caso de la distribucion de Weibull, varios valores de k son predenidos y,
entonces, se ajustan los valores de A y B. Los valores nales de los tres parametros son
escogidos basados en la bondad del ajuste.
4.5.2. Metodo de maxima verosimilitud
La distribucion de Weibull biparametrica es
F
W
(x) = Prob(X < x) = 1 e

xx

k
, (44)
donde x

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 nalmente en que
mejor se ajuste. La estimacion de maxima verosimilitud de k se obtiene resolviendo la
siguiente ecuacion mediante un procedimiento iterativo
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 F
i
asignada a la realizacion x
i
puede determinarse basandose en tres
principios estadsticos diferentes, a saber, frecuencia de las muestras, distribuci on de la frecuencia y el
estadstico de orden. Dos ejemplos tpicos podran ser (1) para una Gumbel (Gringorton) F
i
= 1
i0,44
n+0,12
y (2) para una Weibull (Petrauskas) F
i
= 1
i0,30,18/k
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
N + k
N

i=1
ln(x
i
x

) = Nk
N

i=1

N
i=1
(x
i
x

)
k
ln (x
i
x

N
i=1
(x
i
x

)
k
. (45)
La estimacion de maxima verosimilitud para A es
A =
_
1
N
N

i=1
(x
i
x

)
k
_
1/k
. (46)
Para la distribucion de Gumbel, la estimacion de maxima verosimilitud de A se
obtiene resolviendo la siguiente ecuacion mediante un proceso iterativo:
N

i=1
e
(
x
i
A
)
=
_
1
N
N

i=1
x
i
A
_
N

i=1
e

x
i
A
. (47)
La estimacion de maxima verosimilitud de B es
B = Aln
_
N

N
i=1
e

x
i
A
_
. (48)
4.5.3. Bondad del ajuste
Para ver que distribucion se ajusta mejor o peor se determina el coeciente de
correlacion lineal, que se dene como
=
Cov (X, Y )
_
V ar (X) V ar (X)
. (49)
Este coeciente se emplea como criterio para la comparacion de la bondad del ajuste.
Sin embargo, esta denido en un dominio lineal (y, x) donde la variable reducida y es
dependiente de la funcion 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 calcu-
larse (Eq. 51 y 52).
El error relativo promedio E, denido como
E =
1
n
n

i=1
|x
i,estimado
x
i,observado
|
x
i,observado
, (50)
23
es un criterio sencillo y aceptable con una clara interpretacion. E = 5 % signica
que, en promedio, la estimacion 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 hipotesis 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 x
T
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
x = A (ln(1 F))
1/k
+ B , (51)
y
x = A (ln(ln(F))) + B . (52)
Deniendo la intensidad de la muestra como
=
n umero de datos extremos
n umero de a nos de observacion
, (53)
y empleando la denicion de periodo de retorno T, se tiene
T =
1
(1 F)
, (54)
o F = 1
1
T
. Introduciendo la Eq. 54 en las Eqs. 51 y 52, se obtiene
x
T
= A
_
ln
_
1
T
__
1/k
+ B , (55)
para la distribucion de Weibull y
x
T
= A
_
ln
_
ln
_
1
1
T
___
1/k
+ B , (56)
para la de Gumbel. Ahora x se expresa como x
T
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.
24
Figura 10: Diferencia entre la estadstica a corto plazo y a largo plazo (extremal).
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:
Regimen medio: Cuando estudiamos el regimen medio estamos interesados en co-
nocer la probabilidad de que en un a no medio la H
rms
(por ejemplo) no supere
un valor dado H. Buscamos Prob(H
rms
H en el a no medio). Si disponemos de
tal a no medio, podremos calcular F(H
rms
) =

N
i=1
t
i
/t

, donde t

es la duracion
del a no y t
i
son los intervalos donde H
rms
H en el a no medio.
Regimen extremal o de temporales: En este caso estamos interesados en conocer
la probabilidad de que en un a no cualquiera H
rms
no supere un valor de H dado.
Esto es, Prob(H
rms
maxima del a no H).
4.6.2. Problema
Se han identicado 17 tormentas en un periodo de 20 a nos. La lista de alturas
signicantes, 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 analisis 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.
25
id. Signicante x
i
Prob. no-exc. F
i
1 9.32 0.970
2 8.11 0.911
3 7.19 0.852
4 7.06 0.794
5 6.37 0.735
6 6.15 0.676
7 6.03 0.617
8 5.72 0.558
9 4.92 0.500
10 4.90 0.441
11 4.78 0.382
12 4.67 0.323
13 4.64 0.264
14 4.19 0.205
15 3.06 0.147
16 2.73 0.088
17 2.33 0.029
Tabla 2: Pares altura de ola signicante (x
i
) - probabilidad de no excedencia (F
i
). Para
determinar F
i
se ha hecho uso de la funcion de Matlab
TM
probplot().
3. Asigne una probabilidad de no-excedencia F
i
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 pagina) y dibuje los resultados en un papel probabilstico Q-Q de
Weibull. Haga uso de la funcion de Matlab
TM
probplot() (concretamente prob-
plot(weibull,xi). Sol. Los resultados de aplicar esta funcion a los datos obser-
vados x
i
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 (x
i
, F
i
).
4. Ahora vamos a ajustar distribuciones teoricas al par (x
i
, F
i
). En este caso, con-
sidere 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 conanza al
intervalos de conanza al 95 %. Haga uso de las funciones gevt(), wblt() y prob-
plot(). Dibuje las curvas resultantes del ajuste sobre el resultado anterior (Fig.11,
panel superior izquierdo) y ademas pinte dos nuevas gracas en papel probabilsti-
co (con variables reducidas) Weibull y GEV para cada caso. Sol. Los resultados
se muestran tambien en la Fig.11, paneles superior izquierdo y derecho e inferior
izquierdo. Los resultados del ajuste de la GEV con gevt() son C = 0,2151,
A = 1,7254 y B = 4,7270, y sus respectivos intervalos de conanza al 95 % son
(0,5744, 0,1441), (1,1776, 2,5279) y (3,8037, 5,6503). Los resultados del ajuste
con la distribucion de Weibull con wblt() son A = 6,0533 y k = 3,2659, y sus
respectivos intervalos de conanza al 95 % son (5,1912, 7,0586) y (2,2631, 4,7131).
26
Figura 11: Ajustes de las distribuciones de Weibull y GEV a los datos mostrados en la
Tabla 2 (Liu et al. , 2001).
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 x
i
, dado en la Tabla 2. Los
valores de altura de ola estimados x
i,estim
se obtienen cruzando los valores de
F
i
correspondientes a x
i
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 representa-
tiva de la altura de ola extremal. El error relativo se indica tambien en la Fig.11.
6. Realice una graca que muestre la altura de ola observada x
i
frente el periodo
de retorno T correspondiente. Para ello haga uso de la Eq. 29. Represente en la
misma graca los ajustes de Weibull y GEV y las bandas de error de los ajustes
al 95 % de conanza. Emplee para esto ultimo los intervalos de conanza dados
para los parametros de ajuste A, B y C. Sol. Los resultados se muestran en la
Fig.11.
7. Finalmente, calcule la altura de ola de dise no x
T
correspondiente al periodo de
retorno T determinado en el punto segundo. Sol. Se obtiene en este caso x
487
=
10,55 m.
27
4.7. Fuentes de incertidumbre e intervalo de conanza
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: va-
riabilidad 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 acelerometros 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
numericos. Por regla general, no son ables los datos obtenidos mediante inspeccion
visual. El error viene dado por C, la desviacion estandar sobre el valor medio. Los
modernos metodos de adquisicion de datos han reducido C por debajo de 0.1.
4.7.1. Intervalo de conanza de la altura de ola de dise no x
T
Si sobre los datos pesan incertidumbres, e.g. la variabilidad de la muestra, la altura
de ola de dise no x
T
presentara un error asociado
24
x
T
. Al n y al cabo es una
variable aleatoria. La forma mas sencilla de estimar el intervalo de conanza es hacer
uso de las barras de error de los parametros al hacer el ajuste, e.g. CC. 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 conanza mas realista es mediante simulacion
Monte Carlo. Para jar ideas asumamos, por ejemplo, que la altura de ola extremal
sigue una distribucion Gumbel.
F = F
X
(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
realizacion concreta de X y A y B son los parametros de localizacion y anchura, respec-
tivamente, de la distribucion. 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 x
i
de tama no N se ajusta a una distribucion Gumbel,
obteniendose los parametros A
verdadero
y B
verdadero
, asumiendo que son los valores
verdaderos. A continuacion,
24
Pues cuestiones de seguridad, normalmente se considera s olo el signo positivo del error.
28
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).
1. Genere un n umero aleatorio uniformemente distribuido entre 0 y 1. Cruce la
probabilidad de no-excedencia F
i
con los valores de los parametros obtenidos, a
saber,
x
i
= F
1
X
(F
i
) = A
verdadero
[ln(lnF
i
)] + B
verdadero
, (58)
y obtendra el valor extremal x
i
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 parametros A
verdadero
y B
verdadero
.
3. Ajuste la muestra resultante a una distribucion Gumbel y obtenga los nuevos
parametros A y B.
4. Calcule la altura de ola x
T
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 x
T
.
6. Elija la altura de ola correspondiente al intervalo de conanza especicado.
29
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 distribucion conjunta entre altura y periodo de ola. La Fig. ?? muestra
dos ejemplos del diagrama de dispersion representando la distribucion conjunta entre
la altura de ola signicante H
s
y el periodo medio T
m
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

130H
s
g
< T
p
<

280H
s
g
. (59)
4.9. Analisis extremal multiparametrico
Un estado de mar se caracteriza por un estado estacionario en el que las alturas de
ola H
s
, periodos T
m
, direccion y nivel medio h
0
estan bien denidos (estos son los
cuatro parametros mas importantes en el dise no de estructuras martimas). Tambien
resulta de importancia la duracion de un estado de mar y, en ocasiones, la forma del es-
pectro. Los parametros no son independientes entre s, por lo que es necesario analizar
el efecto en la estructura de las posibles combinaciones entre los parametros, espe-
cialmente si son varios los mas importantes. Burcharth 1993 ha propuesto el siguiente
principio para un analisis extremal multiparametrico.
Para el caso general en el que haya varias variables importantes pero los coecientes
de correlacion 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 H
s
, T
m
, y h
0
es necesario obtener una serie de datos plurianuales de estas variables
mediante observaciones o mediante modelos computacionales: (H
s,i
, T
m,i
,
i
, h
0,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 formulas que denen la respuesta. Si, por ejemplo, estamos
interesados en el run-up, R
u
, que viene dado por una expresion cerrada, se determina
el conjunto de datos
R
u,i
= R
u,i
(H
s,i
, T
m,i
,
i
, h
0,i
)). (60)
La estadstica a largo plazo para R
u,i
puede obtenerse ajustando a los datos una
distribucion extremal adecuada (analisis extremal)
30
N um. Altura H(m) Periodo T(s) N um. Altura H(m) Periodo T(s)
1 0.54 4.2 11 1.03 6.1
2 2.05 8.0 12 1.95 8.0
3 4.52 6.9 13 1.97 7.6
4 2.58 11.9 14 1.62 7.0
5 3.20 7.3 15 4.08 8.2
6 1.87 5.4 16 4.89 8.0
7 1.90 4.4 17 2.43 9.0
8 1.00 5.2 18 2.83 9.2
9 2.05 6.3 19 2.94 7.9
10 2.37 4.3 20 2.23 5.3
21 2.98 6.9
5. Practicas 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 (H
max
, T
max
), signicantes
(H
s
, T
s
), medios (H
z
y T
z
) y cuadraticos medios (H
rms
y T
rms
).
b) Dado el valor de H
z
, obtenido en el punto anterior, y asumiendo que las
olas siguen una distribucion de Rayleigh, determinar H
rms
1,13 H
z
, H
s

1,414 H
rms
y H
max
H
s
_
1
2
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 subin-
tervalo de 1 m.
d) Calcular el valor de f
R
(H) en el centro de cada uno de los subintervalos y
superponer la funcion de densidad sobre el histograma. Asuma que la escala
de equivalencia es f
R
(H) n/(NH) donde n es el n umero de ocurrencias
en cada subintervalo.
e) Determinar la altura de ola con probabilidad de excedencia del 1 % asumien-
do que el oleaje se ajusta a la distribucion de Rayleigh siguiente
f
R
(H) = 2
H
H
2
rms
e
(H/H
rms
)
2
(61)
siendo H
rms
la calculada en el punto primero.
2. Analisis del Regimen Medio de oleaje frente a la costa de Motril (Punto
WANA 2019013). Esta pr actica es similar a la realizada anteriormente para el
analisis del regimen medio de viento. La carpeta proporcionada a los alumnos
contiene los siguientes archivos:
31
a) WANA T 2019013 (Motril).dat suministrado por Puertos del Estado
25
. En
la cabecera del archivo se explica el contenido del mismo. Como puede com-
probarse, 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 pormeno-
rizado 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 WA-
NA.
d) wind rose.m.

Este es una util funcion
26
realizada en Matlab
TM
y descar-
gable desde Matlab Central
27
que permite hacer rosas de oleaje indicando
direccion y altura signicante espectral.
Para esta practica debera 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 funcion de Matlab datenum para expresar el vector de tiempos
en das julianos.
c) Cree otros tres vectores para la altura signicante espectral H
m0
(colum-
na 5), el periodo de pico espectral T
p
(columna 7) y direccion media de
procedencia del oleaje (columna 8).
d) Realice las siguientes guras tratando de responder las preguntas propuestas:
1) Tres gracas que representen los datos de (a) altura de ola signicante
y (b) periodo de pico en funcion del tiempo y (c) altura signicante
frente a periodo de pico
28
. Emplee el comandos plot. Que informacion
nos aportan estas guras? Por que existe un periodo mnimo para cada
altura de ola?
2) Represente H
m0
y conjuntamente mediante una rosa de viento. La
instruccion estandar es wind rose(dir, wind, dtype, meteo). Cual
o cuales son las direcciones predominantes de procedencia del oleaje?
Como se relacionan estas direcciones con las del viento obtenidas en
la practica del Tema anterior? En que direccion se han presentado las
alturas signicantes 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
26
Realizada por MMA 26-11-2007, mma@odyle.net. IEO, Instituto Espa nol de Oceanografa, La Co-
ru na.
27
http://www.mathworks.es/matlabcentral/
28
Esta informaci on resultar a util en la parte de Aprovechamiento de energas marinas impartida por
el Profesor Antonio Mo nino.
32
3) Realice sendos histogramas con los datos de periodo de pico y altura de
ola. Emplee la funcion hist() de Matlab
TM
. Podra decir cual es la altura
de ola signicante mas probable? Y la mayor del registro? Cual es su
valor y cuando tuvo lugar? Signica esto que no es posible observar
una altura de ola signicante 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 WA-
NA T 2019013 (Motril).dat ajustando una funcion de densidad y de distri-
bucion a los datos. Ajuste por tanto los datos de altura de ola H
m0
mediante
una Funcion Densidad y Funcion de Distribucion de Valores Extremos Ge-
neralizada. Esta ultima viene dada por
F
GEV
(H
m0
; k, , ) = e

1+k
H
m0

1/k
, (62)
donde k es el parametro de forma, el parametro de localizacion y es el
parametro de escala (anchura). Como ayuda, recuerde que Matlab
TM
ya im-
plementa funciones que permiten hacer el ajuste de manera rapida y sencilla.
En su estudio, haga uso de las funciones de Matlab
TM
siguientes
1) gevt() para obtener los parametros de ajuste y sus respectivos inter-
valos de conanza. Que valores de k, y resultan? Cuales son sus
respectivos intervalos de conanza?
2) gevpdf() para representar, con esos parametros, la funcion densidad de
probabilidad teorica. Compare la graca 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 compara-
cion. 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. Analisis del Regimen Extremal de oleaje frente a la costa de Motril (Punto
WANA 2019013). Para el estudio del regimen extremal,
a) Determine las alturas de ola signicante mayores de cada a no. Haga uso de
las funciones Matlab
TM
max() y nd().
b) Presente en una tabla los datos obtenidos. Pueden considerarse indepen-
dientes las muestras? Y las del analisis de regimen medio anterior, con una
separacion cada 3 horas?
33
c) Ajuste a los maximos anuales una funcion de densidad y de distribucion
Generalizada de Pareto, cuya expresion general es
F
GP
(H
m0
) = Prob (H

m0
< H
m0
) =
1

_
1 + k
H
m0

_
(1+1/k)
. (63)
Para ello, siga la misma metodologa que en el caso de regimen medio, pero
haciendo uso de las funciones de Matlab
TM
gpt(), gppdf(), ecdf(), gpcdf() y
gpplot() (y dttool()). Matlab no estima el valor umbral.
d) Determine la curva Periodo de Retorno frente a H
m0
.
34
Figura 13: Un valor de la elevacion
(1)
(t
1
) en un instante dado de tiempo.
Apendices
A. Variable aleatorias
A.1. Una variable aleatoria
La elevacion de la supercie libre en presencia de ondas en un instante y en un
lugar dados seran 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. 13), 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 presion mide la elevacion de la supercie libre en funcion del
tiempo. En un momento dado t
1
, medido desde la puesta en marcha del forzamiento
por viento, la supercie libre en esa ubicacion tiene un valor
(1)
(t
1
). 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)
(t
1
). Si de nuevo fuera repetido
35
se obtendra
(3)
(t
1
) y as sucesivamente. El valor de la supercie 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 supercie libre en otros tiempos sera, logicamente,
igualmente impredecible: (t
1
), (t
2
), (t
3
), etc.
Una variable aleatoria esta totalmente caracterizada por su funcion densidad de
probabilidad p(x), que se dene tal que la probabilidad de que la variable aleatoria x
alcance un valor entre x y x + dx sea
Prob(x < x x + dx) =
_
x+dx
x
p(x

)dx

= p(x)dx. (64)
Se sigue que la probabilidad de que x sea menor o igual que x (la probabilidad de
no-excedencia) sea
Prob(x x) =
_
x

p(x

)dx

P(x) . (65)
La distribucion complementaria es la probabilidad de excedencia, esto es, la proba-
bilidad de que la variable aleatoria x exceda el valor x:
Prob(x x) =
_
+
x
p(x

)dx

= 1 P(x) . (66)
A P(x) se la denomina funcion de distribucion (acumulada) de x (vease Fig. 14).
El Teorema Fundamental del Calculo 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 funcion 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 la funcion p(x) debe estar adecuadamente normalizada
29
. Por ello, se impone
que
_

p(x

)dx

= 1. La funcion recproca P
1
de la funcion de distribucion P, i.e. la
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 funcion cuantil.
El valor medio de x puede denirse en terminos de la funcion densidad de proba-
bilidad p(x) como el momento centrado de primer orden
30
, dividido por el momento
centrado de orden cero. Se denomina valor esperado de x y se denota E {x}:
E {x} =
x
=
m
1
m
0
=
_
+

xp(x)dx
_
+

p(x)dx
. (67)
29
En estadstica las probabilidades se dan como fracciones de la unidad y no como porcentajes.
30
El momento centrado n-esimo de una funcion densidad h(x) es, por denicion, m
n
=

(x

x
)
n
h(x) dx. La funci on h(x) puede ser cualquier funci on, no necesariamente una funcion de densidad
de probabilidad.
36
Figura 14: Ejemplo de funcion densidad y la funcion de distribucion acumulada corres-
pondiente.
Puesto que
_
+

p(x)dx = 1 se tiene
E {x} =
_
+

xp(x)dx. (68)
La esperanza o la media de la funcion densidad puede interpretarse grosso modo
como la posicion de la funcion 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 denir, respectivamente, el ancho o la va-
rianza, la inclinacion o la asimetra (el sesgo) y la kurtosis o lo picuda que es la funcion
densidad. El momento de segundo orden se dene como

2
x
= E
_
(x
x
)
2
_
=
_
+

(x
x
)
2
p(x)dx = E
_
x
2
_

2
x
= m
2
m
2
1
. (69)
A
2
x
se le denomina varianza y a
x
desviacion tpica de x, que representa el
ancho de la funcion densidad de probabilidad. Deniciones alternativas de la media, la
anchura, asimetra y kurtosis pueden denirse en terminos de las funciones cuantiles
31
.
Los promedios de funciones de x tambien se denen como valores esperados. Por
ejemplo, E {f(x)} =
_
+

f(x)p(x)dx es el valor esperado de f(x).

A.1.1. Funcion de densidad de probabilidad Gaussiana
Muchos procesos en la naturaleza se comportan de tal manera que, aproximada-
mente, siguen una funcion de densidad Gaussiana, a saber,
31
Los momentos en este caso seran
r
=

1
0
P
r
x(P)dP. Las medidas
r
se denominan L-momentos.
37
Figura 15: Funciones de densidad con los parametros mostrados en la gura para una
poblacion femenina (linea continua) y masculina (linea discontinua) de un determinado
pas.
p(x) =
1

2
e

(x
x
)
2
2
2
x
. (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. 15. Una
explicacion teorica 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 nita esta distribuida seg un
una distribucion de probabilidad Gaussiana. Puesto que muchos fenomenos naturales
tienen por origen muchas causas, es razonable encontrar que la densidad obtenida sea
Gaussiana. La funcion densidad de probabilidad Gaussiana se denomina a menudo
funcion densidad de probabilidad Normal (puesto que aparece por doquier). No es la
unica funcion densidad que responde a fenomenos naturales o, mas bien, se detectan
desviaciones signicativas del comportamiento Normal debido a correlaciones entre las
variables aleatorias. Hay otras, como la de Pareto, la de Rayleigh, etc. Notese que
se ha denido
x
independientemente de la distribucion considerada. La funcion de
distribucion o la funcion 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 estan relacionadas con no-linealidades en el campo de oleaje. El
sesgo en la funcion 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
38
de profundidades reducidas. La kurtosis dene estadsticamente el apuntamiento de la
distribucion con respecto a la distribucion normal.
A.1.3. Estimacion
Es habitual que que el promedio de una variable aleatoria, u otro momento, no
se estime a partir de la funcion densidad de probabilidad p(x) sino a partir de un
conjunto nito 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
. Por ejemplo,

x
x =
1
N
N

i=1
x
i
(71)

x
(x x)
2
=
1
N
_
N

i=1
x
2
i
_
x
2
,
donde N es el n umero de muestras. Notese que esto son solo estimaciones, las cuales
siempre diferiran 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 funcion
de densidad de probabilidad conjunta p(x, y). En analoga con Eq. 64 se dene 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 (simultaneamente), esto es
Prob(x < x x + dx, y < y y + dy) =
_
x+dx
x
_
y+dy
y
p(x

, y

)dx

dy

= p(x, y) dxdy .(72)

Las dos variables aleatorias pueden no estar relacionadas entre s. Si este es pre-
cisamente el caso, se dice que las variables son independientes y la funcion densidad
factoriza
32
, vericando p(x, y) = p
x
(x)p
y
(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 correlacionadas
33
(vease Fig. 16). El grado
de correlacion (lineal), i.e. el grado el que el par de variables aleatorias (x, y) se agrupa
en torno a una lnea, se cuantica con el coeciente de correlacion
x,y
, que se dene
como la covarianza normalizada C
x,y
de las dos variables:
32
Compruebese que esta propiedad se traslada a la funci on de distribuci on.
33
Pintando una variable frente a otra la relaci on es una lnea recta.
39
Figura 16: Variables aleatorias independientes (panel izquierdo, velocidad del viento
en Vigo frente a elevacion de la supercie libre en Motril), descorrelacionadas pero
dependientes (panel central, elevacion y corriente en un mismo punto) y aprox. corre-
lacionadas linealmente (panel derecho, temperatura del agua y oxgeno disuelto). En
realidad, entre estas ultimas, 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 uido es proporcional a la presion parcial del gas).

x,y
=
C
x,y

y
, (73)
vericando 1
x,y
1, donde la covarianza es el valor esperado del producto de
x e y referidos a sus respectivos valores medios
34
,
C
x,y
= E
_
(x
x
)(y
y
)
_
. (74)
Para las variables mostradas en la Fig. 16, la covarianza
35
y el coeciente de corre-
lacion
36
(lineal) para cada caso son, respectivamente, C
Wind,
= 0,0054 y
Wind,
=
0,0030 (independientes), C
u,
= 0,405 y
u,
= 0,819 (dependientes) y C
O
2
,T
= 2,014
y
O
2
,T
= 0,918 (dependientes y correlacionadas).
A.2.1. Funcion densidad de Gauss bidimensional
La funcion densidad de Gauss bidimensional, o distribucion Normal bivariante, para
el par de variables aleatorias (x, y) es
p(x, y) =
1
2
x

y
_
1
2
x,y
e

1
1
2
x,y

(x
x
)
2
2
2
x
+
(y
y
)
2
2
2
y

x,y
(x
x
)(y
y
)

. (75)
34
Cuando dos variables aleatorias x e y son independientes, se verica que E

x y

= E {x} E

.
Esto sugiere que una buena medida para estimaci on de la correlaci on entre dos variables es C
x,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).
40
A.3. Procesos estocasticos
A.3.1. Caracterizacion
Las variables aleatorias no s olo pueden ser dependientes, relacionadas o correlacio-
nadas. Tambien pueden estar ordenadas de alg un modo, i.e. las variables existen en
alg un tipo de secuencia.

Esta es una nocion util cuando muchas mas de dos variables
aleatorias estan presentes es un proceso. Por ejemplo, la estatura de los alumnos de
la clase (considerados como variables aleatorias) se ordenan seg un la conguracion 2D
del aula. La ordenacion puede ser espacial o temporal. Normalmente, en nuestro caso,
nos ce niremos a ordenaciones temporales. As, denimos proceso estocastico como un
concepto matematico que sirve para caracterizar una sucesion
37
de variables aleatorias
(estocasticas) que evolucionan en funcion de otra variable, generalmente el tiempo. Ca-
da 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 estocasticos son las ondas ssmicas o las uctuaciones bursatiles.
Un ejemplo de proceso estocastico 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(t
i
), la variable aleatoria x en tiempo t
1
es una variable aleatoria distinta que x medida en tiempo t
2
(vease Fig. 17). Un ex-
perimento es una realizacion del proceso estocastico (t
1
), (t
2
), (t
3
), . . . (t
i
), . . . .
Obviamente, cuando la elevacion de la supercie libre en un momento dado (un t
i
)
es grande, una fraccion de segundo despues, la elevacion tambien sera grande. Esto
signica que las elevaciones a tiempos cortos estan relacionadas y probablemente corre-
lacionadas. Solo despues de un intervalo sucientemente largo del tiempo la correlacion
(la relacion) entre ambas se habra perdido, esto es, cuando el intervalo t
i
t
j
sea mucho
mayor que el periodo caracterstico de la onda.
Seg un se muestra en la Fig. 17, cada (t
k
) sigue, en principio, distribuciones di-
ferentes (no estacionario). Es mas, es facil imaginar que las variables aleatorias (t
k
)
dependen de las variables aleatorias de tiempos anteriores. Estan relacionadas (incluso
correlacionadas). Luego para caracterizar correctamente estos estados no solo es ne-
cesario determinar las funciones densidad p((t
k
)), k, sino tambien las funciones de
densidad conjuntas p((t
j
), (t
k
)), j, k. Bajo condiciones muy contraladas, es de es-
perar 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 estocastico (t
1
), (t
2
), (t
3
), . . . (t
i
), . . . como experimentos
(Fig. 17), donde cada (t
i
) es una variable aleatoria. Como cualquier variable aleatoria,
(t
i
) esta caracterizada por una funcion de densidad de probabilidad. Esto implica
37
Aqu est a el orden...
41
Figura 17: Un conjunto de N realizaciones de la elevacion de la supercie libre en fun-
cion del tiempo en la ubicacion A de la Fig. 13. Los experimentos son estadsticamente
identicos (sistema igualmente preparado, con el mismo viento, etc.). Las funciones den-
sidad de probabilidad se han determinado promediando en la colectividad (no es un
promedio temporal). Adaptado de (Holthuijsen , 2007).
42
que, para caracterizar estadsticamente la supercie libre en ese instante de tiempo t
i
,
esta funcion densidad de probabilidad es requerida en cada instante de tiempo t
i
. Para
caracterizar las elevaciones como un proceso estocastico, se necesitan adicionalmente a
tiempo t
i
todas las funciones de densidad de probabilidad conjunta p((t
i
), (t
j
)), t
j
.
Notese que hay una innidad de instantes t
i
, y que cada uno requiere de tales funciones,
puesto que hay innitos momentos t
j
.
A.3.2. Procesos estacionarios
Si despues de un tiempo, la elevacion en el punto A es constante en un senti-
do estadstico (Fig. 17), todas las caractersticas de las ondas son independientes del
tiempo y el proceso se dice estacionario
38
. La estacionariedad de un proceso simpli-
ca la descripcion puesto que solo son necesarias las caractersticas estadsticas en un
solo instante de tiempo
39
. Concretamente, las condiciones estacionarias establecen que
p((t))/t = 0, luego p() es independiente del tiempo, es decir, es invariante frente a
una traslacion 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 debilmen-
te 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 proce-
so estocastico (estacionario o no) son Gaussianas, el proceso se dice que es un pro-
ceso estocastico Gaussiano. Un proceso Gaussiano es relativamente facil de descri-
bir, puesto que solo se requieren los promedios de cada pareja de variables aleato-
rias y su covarianza. Escribiendo el par de variables aleatorias de la Eq. 74 como
x = x(t
1
) = x(t) y y(t
2
) = x(t
2
) = x(t + ), se puede escribir la covarianza como
C
x,x
= E {(x(t)
x
(t)) (x(t + )
x
(t + ))} = C(t, ). La covarianza puede verse
entonces como una funcion del tiempo y del intervalo temporal . A C(t, ) se la deno-
mina funcion covarianza. Puesto que las dos variables pertenecen al mismo proceso, a
la funcion C(t, ) tambien se la denomina funcion 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 supercie), puede escribirse C(t, ) = E {x(t)x(t + )}. Notese
que la auto-covarianza para = 0 es la varianza del proceso E
_
x
2
(t)
_
.
38
Pero las caractersticas estadsticas pueden a un depender de los intervalos de tiempo t
i
t
j
.
39
Incluyendo las relaciones con las variables aleatorias en cualquier intervalo de tiempo.
43
A.3.5. Procesos Ergodicos
Si el promedio temporal (o espacial) da el mismo resultado que promediar sobre una
colectividad de realizaciones, se dice que el proceso es ergodico. La media y la varianza
(si
x
= 0) de un proceso ergodico puede estimarse como

x
x(t
i
) =
1
b a
_
b
a
x(t)dt (76)

2
x
(x(t
i
))
2
=
1
b a
_
b
a
(x(t))
2
dt , (77)
y la auto-covarianza (si
x
= 0) como
C() x(t)x(t + ) =
1
b a
_
b
a
x(t)x(t + )dt , (78)
donde denota el promedio en la colectividad y b a es la longitud del intervalo
de tiempo (duracion) sobre la que se realiza el promedio temporal. El smbolo apro-
ximadamente igual en las igualdades anteriores reeja el hecho que, habitualmente,
el promedio en la colectividad se realiza con un n umero de ensayos N nito y que el
promedio temporal se lleva igualmente a cabo en un intervalo nito. En general se tiene
f(x(t
i
)) =
1
b a
_
b
a
f(x(t))dt . (79)
Y esto para cualquier t
i
. Se sigue de la denicion, que todo proceso ergodico es
un proceso estacionario. El inverso no es cierto. No todos los procesos estacionarios
son ergodicos. 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 estocastico 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 realizacion es diferente del promedio temporal en otra realizacion.
La supercie libre del oleaje (aleatorio), en condiciones estacionarias, generado por
viento es un proceso estocastico ergodico (en la aproximacion 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. Basicamente, ergodico signica que la evolucion temporal de ex-
plora todas las posibles conguraciones, 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 asumira sin mas las hipotesis ergodica que, en la mayora de
los casos, es imposible comprobar.
44
A.3.6. La elevacion de la supercie libre
La evolucion temporal de la elevacion de la supercie libre generada por viento se
trata a menudo como un proceso estocastico Gaussiano. Datos de campo han corrobo-
rado que es una aproximacion muy razonable, pero tambien este hecho esta apoyado
en resultados teoricos: la supercie libre en cualquier instante de tiempo t
i
puede verse
como la suma de un enorme conjunto de armonicos generados independientemente unos
de otros
40
y que han viajado sin interaccionar hasta el emplazamiento (en la aproxi-
maci on lineal (Holthuijsen , 2007)). El teorema del lmite central asegura que, en tal
caso, la distribucion resultante debe ser Gaussiana. Ondas con un marcado peralte, u
ondas que verican /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 supercie libre con respecto
al nivel medio, es un proceso erg odico, las propiedades estadsticas del proceso pueden
ser obtenidas mediante un registro los sucientemente extenso (pero no muy extenso
t < 30 min) de la citada propiedad en un solo punto del oceano. Si ademas, el proceso
en cuestion es gaussiano, la estadstica del mismo podra ser denida 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 pro-
cesos de generacion, propagacion y disipacion. Estos procesos, asociados a la dinamica
atmosferica y oceanica, 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 denido 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 denen 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 informacion estadstica mas reducida. Dentro de cada estado de mar,
las propiedades estadsticas del oleaje vienen denidas por los momentos estadsticos
obtenidos del proceso ergodico (y estacionario) en lo que se denomina Analisis 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 signicante H
s
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.
45
muestra de estadsticos de estados de mar) se denomina Analisis del Oleaje a Largo
Plazo o Regmenes de oleaje. Es este ultimo 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 util de la misma.
46