Universidad San Sebastián

Facultad de Ingeniería y Tecnología

Ingeniería Civil

Ingeniería de Costas y Medio Ambiente (ICIV I003)

Taller 5 – Análisis oleaje extremo

La altura de la ola de diseño a menudo se representa por una altura de ola significativa. La altura
significativa de la ola es una variable aleatoria. Varía con respecto al tiempo y la ubicación. Si se
va a construir una estructura en zona costera donde esté disponible una medición de altura de
onda a largo plazo, la pregunta que un ingeniero debe responder es: ¿Cómo determinar la altura
de onda de diseño?
El análisis de altura de onda extrema da la respuesta a esa pregunta, es decir, es un método para
determinar la altura de onda de diseño, en función de la importancia de la estructura (nivel de
diseño) y el análisis estadístico de una medición de la altura de la onda a largo plazo/Hindcast.

1. Nivel de diseño: periodo de retorno y probabilidad de encuentro

El nivel de diseño está representado por el período de retorno o la probabilidad de encuentro.

Periodo de retorno T
Para definir el periodo de retorno, se utilizan las siguientes.

𝑋 Altura de onda significativa, que es una variable aleatoria debido a

la imprecisión estadística de la naturaleza
𝑥 Realización de X
𝐹(𝑥) Función de distribución acumulativa de X, 𝐹 (𝑥) = 𝑃𝑟𝑜𝑏 (𝑋 ≤ 𝑥)
𝑡 Número de años de observación de X
𝑛 Número de observaciones en un período de t
𝜆 Intensidad de la muestra, λ = n / t

La Figura 1 ilustra la función de distribución acumulada de 𝑋. La probabilidad de no excedencia

de 𝑥 es 𝐹 (𝑥), o la probabilidad de excedencia de 𝑥 es (1 − 𝐹 (𝑥)). En otras palabras, con (1 −
𝐹 (𝑥)) probabilidad de que una altura de ola significativa observada sea mayor que 𝑥.

Figura 1. Función de distribución acumulativa de X.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Si el número total de observaciones es 𝑛, el número de observaciones donde (𝑋 > 𝑥) es

𝑘 = 𝑛 (1 − 𝐹 (𝑥)) = 𝑡 𝜆 (1 − 𝐹 (𝑥))

El período de retorno T de 𝑥 se define como

1
𝑇 = 𝑡|𝑘=1 =
𝜆(1 − 𝐹(𝑥))

es decir, en promedio 𝑥 se superará una vez en cada T años. 𝑥 también se llama evento de T-
años.

Probabilidad de encuentro p
Según el hecho de que, en promedio, se superará 𝑥 una vez en cada T años, la probabilidad de
excedencia de 𝑥 en 1 año es 1 / T. Por lo tanto
1
Probabilidad de no excedencia de 𝑥 en 1 año 𝑃𝑟𝑜𝑏(𝑋 ≤ 𝑥) = 1 − 𝑇
1 2
Probabilidad de no excedencia de 𝑥 en 2 año 𝑃𝑟𝑜𝑏(𝑋 ≤ 𝑥) = (1 − 𝑇)
1 𝐿
Probabilidad de no excedencia de 𝑥 en L año 𝑃𝑟𝑜𝑏(𝑋 ≤ 𝑥) = (1 − 𝑇)
y la probabilidad de excedencia de 𝑥 dentro de una vida útil de la estructura de L años es
1 𝐿
𝑝 = 1 − (1 − )
𝑇

en cual, en el caso de un T mayor, este puede ser aproximado a

𝐿
𝑝 = 1 − 𝑒𝑥𝑝 (− )
𝑇

Nivel de diseño
Tradicionalmente, el nivel de diseño para la altura de la ola de diseño fue la altura de la ola
correspondiente a un cierto período de retorno T. Por ejemplo, si la altura de la ola de diseño
correspondiente a un período de retorno de 100 años es 10 m, el significado físico es que, en
promedio, la altura de la ola de diseño de 10 m se superará una vez cada 100 años.
En el diseño basado en confiabilidad de estructuras costeras es mejor usar la probabilidad de
falla, es decir, la probabilidad de excedencia de la altura de onda de diseño dentro del tiempo de
vida de la estructura.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Por ejemplo, si la vida útil de la estructura L es de 25 años, la probabilidad de falla de la altura de

onda de diseño (10 metros) es
1 𝐿
𝑝 = 1 − (1 − ) = 22%
𝑇

Esto significa que esta altura de ola de diseño de 10 m se superará con un 22% de probabilidad
dentro de la vida útil de la estructura (25 años).

2. Procedimiento general

En la práctica, a los ingenieros a menudo se les da una medición de la altura de la ola/ Hindcast
significativa a largo plazo y se requiere que determinen la altura de la ola de diseño
correspondiente a un cierto período de retorno.
El procedimiento general para realizar la tarea es:

a) Elección del conjunto de datos extremos basado en una medición de altura de onda a
largo plazo/Hindcast
b) Elección de varias distribuciones teóricas como candidatas para la distribución extrema
de la altura de las olas
c) Ajuste de las alturas de las olas extremas a las distribuciones candidatas mediante un
método de ajuste. Si se emplea el método de ajuste por mínimos cuadrados, debe usarse
una fórmula de posición de trazado
d) Elección de la distribución basada en la comparación de la bondad adecuada entre los
candidatos.
e) Cálculo de la altura de la ola de diseño correspondiente a un cierto período de retorno
f) Determinación del intervalo de confianza de la altura de la ola de diseño en para tener en
cuenta la variabilidad de la muestra, la medición/error de Hindcast y otras incertidumbres

Si la vida útil de la estructura y la probabilidad de encuentro se dan en lugar del período de

retorno, podemos calcular el período de retorno mediante la ecuación 𝑝 y proceder como se
indicó anteriormente.

3. Conjunto de datos

Los datos de onda originales se obtienen normalmente a partir de mediciones directas o de las
incidencias basadas en la información meteorológica. La mayoría de las medidas/Hindcasts
cubren un lapso de tiempo bastante corto, digamos menos de 10 años en el caso de mediciones
directas y menos de 40 años en el caso de Hindcast.
En la práctica se han utilizado tres tipos de conjuntos de datos extremos

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil
Conjunto de datos Contiene todas las medidas directas de altura de ola. Por lo general, igualmente
completo espaciados en el tiempo
Conjunto de datos que consiste en la altura de ola más grande en cada año de mediciones/Hindcast
de la serie anual (ver Figura 2)
Conjuntos de datos compuesto por la altura de ola más grande en cada tormenta individual que
de series parciales excede un cierto nivel (umbral). El umbral se determina en función de la
ubicación de la estructura y la experiencia de ingeniería (Figura 2). También se
denomina conjunto de datos POT (Peak sobre el umbral).

Figura 2. Ilustración del establecimiento del conjunto de datos de la serie anual y del conjunto
de datos de la serie parcial.

Los conjuntos de datos extremos, establecidos en base a los datos de onda originales, deben
cumplir las siguientes 3 condiciones:

Independencia No debe haber correlación entre los datos extremos. El conjunto de serie de
datos anual y el conjunto de datos de serie parcial cumplen con el requisito
de independencia; los datos extremos son de diferentes tormentas.
Homogeneidad Los datos extremos deben pertenecer a la misma población estadística, por
ejemplo, todos los datos extremos provienen de olas generadas por el viento.
Estacionalidad Debe haber climatología estacionaria a largo plazo. Los estudios de datos de
olas para el Mar del Norte de los últimos 20 años dan evidencia de no
estacionalidad ya que indican una tendencia en los promedios. Existen
variaciones promedio de décadas a décadas o incluso un período más largo.
Sin embargo, hasta que no haya más progreso disponible en la investigación
de las variaciones climatológicas a largo plazo, el supuesto de estadísticas
estacionarias podría considerarse realista para fines de ingeniería debido a
que la variación climatológica a largo plazo es generalmente muy débil.

El conjunto completo de datos no puede cumplir con la independencia requerida entre los datos.
Goda (1979) encontró coeficientes de correlación de 0.3 a 0.5 para alturas de onda significativas
(la duración de la medición es de 20 minutos y el intervalo de tiempo entre dos mediciones
posteriores es de 24 horas). Además, lo que es interesante en el caso de las ondas de diseño es
la altura de la onda correspondiente a una probabilidad muy alta de no excedencia, es decir, la
cola muy superior de la distribución. Si la distribución elegida no es la verdadera, el valor de cola

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

muy superior será distorsionada severamente porque en el proceso de ajuste, la distribución

elegida se ajustará a la vasta población de los datos. Por estas razones, el conjunto completo de
datos rara vez se utiliza.
La mayoría de los ingenieros prefieren el conjunto de datos de la serie parcial sobre el conjunto
de datos de la serie anual simplemente porque el primero generalmente proporciona una altura
de onda de diseño mayor y, por lo tanto, un diseño de estructuras más conservador

4. Distribuciones candidatas

En general, la distribución exponencial, la distribución de Weibull, la distribución de Gumbel (FT-

I), la distribución de Frechet y la distribución Log-normal son las distribuciones teóricas que se
ajustan bien a los datos de ola extrema.

𝑥−𝐵
Expotencial
𝐹 = 𝐹𝑋 (𝑥) = 𝑃(𝑋 < 𝑥) = 1 − 𝑒 −( )
𝐴
Weibull 𝑥−𝐵 𝑘
𝐹 = 𝐹𝑋 (𝑥) = 𝑃(𝑋 < 𝑥) = 1 − 𝑒 −( )
𝐴
𝑥−𝐵
Gumbel −( )
𝐹 = 𝐹𝑋 (𝑥) = 𝑃(𝑋 < 𝑥) = 𝑒 −𝑒 𝐴

Frechet 𝑥 𝑘
𝐹 = 𝐹𝑋 (𝑥) = 𝑃(𝑋 < 𝑥) = 𝑒 −(𝐴)
Log-Normal 𝑙𝑛(𝑥) − 𝐵
𝐹 = 𝐹𝑋 (𝑥) = 𝑃(𝑋 < 𝑥) = Φ ( )
𝐴

Donde
𝑋 Una altura de onda característica, que podría ser la altura de onda
significativa 𝐻𝑠 o la altura de onda de una décima 𝐻1/10 o la altura de
onda máxima 𝐻𝑚𝑎𝑥 , dependiendo del conjunto de datos extremos
𝑥 Realización de 𝑋
𝐹 Probabilidad de no excedencia de 𝑥 (frecuencia acumulada)
𝐴, 𝐵, 𝑘 Parámetros de distribución a ser ajustados. En la distribución
lognormal, 𝐴 y 𝐵 son la desviación estándar y la media de 𝑋
respectivamente
Φ Función de distribución normal estándar

No se dispone de una justificación teórica sobre qué distribución se utilizará. Aunque, los
resultados previos muestran que las distribuciones de Weibull y Gumbel proporcionan los ajustes
más cercanos. Por lo tanto, la siguiente discusión se ejemplifica con estas dos distribuciones.

5. Métodos de ajuste y procedimiento

Generalmente se aplican cuatro métodos para ajustar el conjunto de datos extremos a las
distribuciones elegidas: el método de máxima verosimilitud, el método de momento, el método

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

de mínimos cuadrados y el método gráfico visual. Los métodos más utilizados son el método de
máxima verosimilitud y el método de mínimos cuadrados.

Método de mínimos cuadrados

Las ecuaciones de Weibull y Gumbel se pueden reescribir como

𝑋 = 𝐴𝑌 + 𝐵

donde 𝑌 es la variable reducida definida de acuerdo a la función de distribución

𝑌 = (−𝑙𝑛(1 − 𝐹))1/𝑘 Distribución de Weibull

𝑌 = −𝑙𝑛(−𝑙𝑛(𝐹)) Distribución de Gumbel

El procedimiento de ajuste se resume a continuación:

1. Reorganizar los datos extremos medidos/Hindcast (número total 𝑛) en orden

descendente, (𝑥𝑖 ), 𝑖 = 1, 2,· · ·, 𝑛 (𝑋1 = 𝑚𝑎𝑥).

2. Asigne una probabilidad de no excedencia 𝐹𝑖 a cada 𝑥𝑖 mediante una fórmula de posición

de trazado adecuada (consulte la siguiente sección), obteniendo así un conjunto de pares
de datos, (𝐹𝑖 , 𝑥𝑖 ), 𝑖 = 1, 2,· · ·, 𝑛 .

3. Calcule el valor de 𝑌 correspondiente mediante distribución de Weibull o Gumbel,

obteniendo así un nuevo conjunto de pares de datos, (𝑦𝑖 , 𝑥𝑖 ), 𝑖 = 1, 2,· · ·, 𝑛.

4. Determine los coeficientes de regresión de la ecuación 𝑋 = 𝐴𝑌 + 𝐵

𝐶𝑜𝑣(𝑌,𝑋)
𝐴= 𝐵 = 𝑋̅ − 𝐴𝑌̅
𝑉𝑎𝑟(𝑌)
𝑛
1
𝑉𝑎𝑟(𝑌) = ∑(𝑦𝑖 − 𝑌̅)2
𝑛
𝑖=1
𝑛
1
𝐶𝑜𝑣(𝑌, 𝑋) = ∑(𝑦𝑖 − 𝑌̅)(𝑥𝑖 − 𝑋̅)
𝑛
𝑖=1
1 1
𝑌̅ = 𝑛 ∑𝑛𝑖=1 𝑦𝑖 𝑋̅ = 𝑛 ∑𝑛𝑖=1 𝑥𝑖

En el caso de la distribución de Weibull, varios valores de k están predefinidos, y 𝐴 y B se ajustan

en consecuencia. Los valores finales de los tres parámetros se eligen en función de la bondad del
ajuste.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Método de máxima verosimilitud

La distribución de Weibull de 2 parámetros es

𝑘
𝑥−𝑥 ′
−( )
𝑊𝑒𝑖𝑏𝑢𝑙𝑙 𝐹(𝑥) = 1 − 𝑒 𝐴

Donde 𝑥’ es la altura de onda de umbral, que debe ser más pequeña que la altura de onda mínima
en el conjunto de datos extremos. Para ingenieros inexpertos, se pueden probar varios valores
de umbral, y finalmente se elige el que produce el mejor ajuste.
la estimación de probabilidad máxima 𝑘 se obtiene al resolver la siguiente ecuación mediante un
procedimiento iterativo:

𝑁 𝑁 𝑁 −1

𝑁 + 𝑘 ∑ 𝑙𝑛(𝑥𝑖 − 𝑥 ′ ) = 𝑁𝑘 ∑((𝑥𝑖 − 𝑥 ′ )𝑙𝑛(𝑥𝑖 − 𝑥 ′ )) (∑(𝑥𝑖 − 𝑥 ′ )𝑘 )

𝑖=1 𝑖=1 𝑖=1

La máxima probabilidad de estimación de 𝐴 es

𝑁 1/𝑘
1
𝐴 = [ ∑(𝑥𝑖 − 𝑥 ′ )𝑘 ]
𝑁
𝑖=1

Para la distribución de Gumbel, la estimación de probabilidad máxima de 𝐴 se obtiene al resolver

la siguiente ecuación mediante un procedimiento iterativo:

𝑁 𝑁 𝑁
𝑥𝑖 1 𝑥𝑖
∑ 𝑥𝑖 𝑒𝑥𝑝 (− ) = [ ∑ 𝑥𝑖 − 𝐴] ∑ 𝑒𝑥𝑝 (− )
𝐴 𝑁 𝐴
𝑖=1 𝑖=1 𝑖=1

La máxima probabilidad de estimación de 𝐵 es

𝑁 −1
𝑥𝑖
𝐵 = 𝐴 𝑙𝑛 [𝑁 (∑ 𝑒𝑥𝑝 (− ))]
𝐴
𝑖=1

6. Fórmula de posición de trazado

Cuando se aplica el método de mínimos cuadrados, se debe elegir una fórmula de posición de
trazado. La fórmula de posición de trazado se utiliza para asignar una probabilidad de no
excedencia a cada altura de onda extrema. La posición de trazado es de especial importancia
cuando se trata de muestras muy pequeñas.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

La probabilidad de no excedencia (𝐹𝑖 ) a ser asignada a (𝑥𝑖 ), se puede determinar en base a tres
principios estadísticos diferentes, a saber, frecuencia de muestra, distribución de frecuencia y
estadísticas de orden.

Media, mediana y moda.

La definición de media, mediana y modo de una variable aleatoria 𝑋 se da a continuación debido
a que están involucradas en algunas de las fórmulas de posición de trazado.
Tomemos como ejemplo la distribución de Gumbel. La función de distribución 𝐹𝑥 (𝑥) y la función
de densidad 𝑓𝑥 (𝑥) de una variable aleatoria de Gumbel 𝑋

𝑥−𝐵 𝑑𝐹𝑥(𝑥)
𝐹𝑥 (𝑥) = 𝑃(𝑋 < 𝑥) = 𝑒 −𝑒( )
𝐴 𝑓𝑥 (𝑥) =
𝑑𝑥

La definición y el valor de la media, la mediana y el modo son

+∞
Promedio 𝑥𝑚𝑒𝑎𝑛 = 𝐸[𝑋] = ∫−∞ 𝑥𝑓𝑥 (𝑥)𝑑𝑥 ≈ 𝐵 + 0.577𝐴

Mediana 𝑥𝑚𝑒𝑑𝑖𝑎𝑛 = 𝑥|𝐹𝑥 (𝑥)=0.5 = 𝐵 + 0.367𝐴

Moda 𝑥𝑚𝑜𝑑𝑒 = 𝑥|𝑓𝑥 (𝑥)=𝑚𝑎𝑥 = 𝐵

Figura 3. Promedio, mediana y moda de la variable aleatoria Gumbel.

Estadísticas de pedidos
Supongamos que una variable aleatoria 𝑋 tiene una función de distribución acumulativa 𝐹𝑥 y una
función de densidad de probabilidad 𝑓𝑥 , es decir,

𝐹𝑥 (𝑥) = 𝑃(𝑋 < 𝑥)

Además, suponga 𝑛 datos muestreados de 𝑋 y ordenados en orden descendente, siendo 𝑥1 el

valor más grande en 𝑛 datos.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Aquí 𝑥1 es una realización de la variable aleatoria ordenada 𝑋1, definida como el valor más grande
en cada muestra. La función de distribución de 𝑋1 es
𝑛 𝑛
𝐹𝑥1 (𝑥) = 𝑃(𝑋1 < 𝑥) = (𝐹𝑥 (𝑥)) = (𝑃(𝑋 < 𝑥))

𝐹𝑥1 (𝑥) también se puede interpretar como la probabilidad de que no ocurra el evento (𝑋 > 𝑥)
en cualquiera de 𝑛 ensayos independientes.
La función de densidad de 𝑋, 𝑓𝑥 , y la función de densidad de 𝑋1 , 𝑓𝑥1 , son presentados en la Figura
4.

Figura 4. 𝑓𝑥 : función de densidad de 𝑋. 𝑓𝑥1 : función de densidad de 𝑋1.

Para otras variables aleatorias ordenadas 𝑋𝑖 , 𝑖 = 2, 3,· · ·, 𝑛, Las funciones de distribución

𝐹𝑥𝑖 (𝑥) también se pueden expresar como la función de 𝐹𝑥 (𝑥).

Posición de trazado basada en la frecuencia de muestreo.

Este método se basa únicamente en la frecuencia acumulada de las muestras. La fórmula más
utilizada es la llamada fórmula de posición de trazado de California.

𝑖
𝐹𝑖 = 1 − 𝑖 = 1, 2, … , 𝑛
𝑛
Donde
𝑥𝑖 Datos extremos en orden descendente (𝑥1 = 𝑚𝑎𝑥)
𝐹𝑖 Probabilidad de no excedencia de 𝑥𝑖
𝑛 Tamaño de la muestra, es decir, número total de datos.

La desventaja de esta fórmula de posición de trazado es que los datos extremos más pequeños
𝑥𝑛 no se pueden usar porque 𝐹𝑛 = 0.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Posicionamiento gráfico basado en la distribución de frecuencias.

Supongamos que la variable aleatoria 𝑋 tiene una función de distribución acumulativa 𝐹𝑥 . El valor
más alto en 𝑛 muestras, 𝑋𝑖 , también es una variable aleatoria. En consecuencia, 𝐹𝑥𝑖 (𝑥𝑖 ), la
frecuencia acumulada de 𝑥𝑖 , también es una variable aleatoria. La filosofía de este método es
determinar la posición de trazado de 𝑥𝑖 a través de la media, la mediana o el modo de la variable
aleatoria 𝐹𝑥𝑖 (𝑥𝑖 ). La fórmula de posición de trazado mediante este método es independiente de
la distribución principal (libre de distribución).
Weibull (1939) usó la media de 𝐹𝑥𝑖 (𝑥𝑖 ) para determinar la frecuencia acumulada 𝐹𝑖 que se
asignará a 𝑥𝑖

𝑖
𝑊𝑒𝑖𝑏𝑢𝑙𝑙 𝐹𝑖 = 1 −
𝑛+1

No hay una fórmula explícita para la mediana de 𝐹𝑥𝑖 (𝑥𝑖 ). Sin embargo, Benard (1943) desarrolló
una buena aproximación.

𝑖 − 0.3
𝐵𝑒𝑛𝑎𝑟𝑑 𝐹𝑖 ≈ 1 −
𝑛 + 0.4

La fórmula de posición de trazado basada en el modo de 𝐹𝑥𝑖 (𝑥𝑖 ) no ha llamado mucho la atención,
ya que la posibilidad de que ocurra la moda es aún infinitesimal, aunque es más probable que
ocurra la moda que la media y la mediana

Posición de trazado basada en estadísticas de pedidos

La filosofía de este método es determinar la posición de trazado de 𝑥𝑖 a través de la media, la
mediana y el modo de la variable aleatoria ordenada 𝑋𝑖 .

Figura 5. Ilustración de la determinación de 𝐹1 basada en la media, la mediana y la moda de 𝑋1.

Las posiciones de trazado basadas en el valor medio dependen de la distribución. Las

aproximaciones más conocidas son

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Blom 𝑖 − 3/8 Distribución normal

𝐹𝑖 = 1 −
𝑛 + 1/4
Gringorten 𝑖 − 0.44 Distribución de Gumbel
𝐹𝑖 = 1 −
𝑛 + 0.12
Petrauskas 𝑖 − 0.3 − 0.18/𝑘 Distribución de Weibull
𝐹𝑖 = 1 −
𝑛 + 0.21 + 0.32/𝑘
Goda 𝑖 − 0.2 − 0.27/√𝑘 Distribución de Weibull
𝐹𝑖 = 1 −
𝑛 + 0.2 + 0.23/√𝑘

La posición de trazado basada en el valor de la media de la variable aleatoria ordenada es la

misma que la que se basa en el valor de la media de la distribución de frecuencia.

Resumen de las fórmulas de posición de trazado

La elección de la fórmula de posición de trazado depende del gusto personal del ingeniero. Desde
el punto de vista estadístico, se prefiere la fórmula de posición de trazado basada en la media
(no sesgada) porque se minimiza el error cuadrado esperado. Rosbjerg (1988) aboga por la
elección de la fórmula de posición de trazado de la mediana (fórmula de Benard) porque no tiene
distribución y se basa tanto en la distribución de frecuencia como en las estadísticas de orden.
En la práctica, la fórmula de posición de trazado de Weibull es la más utilizada.

7. Bondad de ajuste
Normalmente se colocarán varias distribuciones candidatas y se elegirá la mejor. El coeficiente
de correlación lineal, definido como

𝐶𝑜𝑣(𝑋, 𝑌)
𝜌=
√𝑉𝑎𝑟(𝑋)𝑉𝑎𝑟(𝑌)

Es ampliamente utilizado como criterio para la comparación de la bondad de ajuste. Sin embargo,
ρ se define en el dominio de trazado lineal (𝑦, 𝑥), donde la variable reducida 𝑦 depende de la
función de distribución. Por lo tanto, la interpretación de este criterio es menos clara.
Con las funciones de distribución ajustadas, se pueden calcular las alturas de onda
correspondientes a la probabilidad de no excedencia de las alturas de onda observadas. El error
relativo medio 𝐸, definido como
𝑛
1 |𝑥𝑖,𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 − 𝑥𝑖,𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜 |
𝐸= ∑
𝑛 𝑥𝑖,𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜
𝑖=1

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Es un buen criterio simple con una clara interpretación. 𝐸 = 5% significa que, en promedio, la
estimación central de la altura de onda se desvía de la altura de onda observada en un 5%.
Obviamente, un valor 𝐸 más pequeño indica una distribución mejor ajustada.
La prueba de hipótesis estadística también se puede utilizar en la comparación de la bondad de
ajuste (Goda et al. 1990)

8. Altura de la ola de diseño: 𝒙𝑻

La altura de onda de diseño 𝑥 𝑇 es la altura de onda correspondiente al período de retorno 𝑇.

Las distribuciones de Weibull y Gumbel descritas anteriormente, se reescriben como

1
Distribución de Weibull
𝑥 = 𝐴(−𝑙𝑛(1 − 𝐹))𝑘 + 𝐵
𝑥 = 𝐴 (−𝑙𝑛(−𝑙𝑛(𝐹))) + 𝐵 Distribución de Gumbel

Definiendo la intensidad de la muestra 𝜆 como

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑒𝑥𝑡𝑟𝑒𝑚𝑜𝑠

𝜆=
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎ñ𝑜𝑠 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖ó𝑛

y empleando la definición de periodo de retorno 𝑇

1 1
𝑇= 𝑜 𝐹 = 1−
𝜆(1 − 𝐹) 𝜆𝑇

Al insertar la ecuación anterior en las ecuaciones de distribución de Weibull y Gumbel

obtenemos (ahora 𝑥 significa la altura de onda correspondiente al período de retorno 𝑇, y por lo
tanto se reemplaza por 𝑥 𝑇 )

1/𝑘 Distribución de Weibull

𝑇
1
𝑥 = 𝐴 (−𝑙𝑛 ( )) +𝐵
𝜆𝑇
1 Distribución de Gumbel
𝑥 𝑇 = 𝐴 (−𝑙𝑛 (−𝑙𝑛 (1 − ))) + 𝐵
𝜆𝑇

donde 𝐴, 𝐵 y 𝑘 son los parámetros de distribución ajustados

Observación
Algunos estudiantes tienen una confusión entre la distribución a corto plazo de las alturas de las
olas individuales y la distribución a largo plazo de las alturas de las olas extremas. La confusión
puede ser aclarada por la siguiente Figura.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

9. Ejemplo
El laboratorio hidráulico de Delft se realizó un estudio de Hindcast para el clima de las olas de
aguas profundas y se identificó las 17 tormentas más severas en un período de 20 años. Las
alturas de onda significativas clasificadas se enumeran en la siguiente tabla.

Rango Altura significativa Probabilidad de no Variación reducida Variación reducida

𝑖 𝑥𝑖 (𝑚) excedencia (𝐹𝑖 ) 𝑦𝑖 Gumbel 𝑦𝑖 Weibull
1 9.32 0.944 2.86 1.57
2 8.11 0.889 2.14 1.40
3 7.19 0.833 1.70 1.28
4 7.06 0.778 1.38 1.18
5 6.37 0.722 1.12 1.11
6 6.15 0.667 0.90 1.04
7 6.03 0.611 0.71 0.98
8 5.72 0.556 0.53 0.92
9 4.92 0.500 0.37 0.86
10 4.90 0.444 0.21 0.80
11 4.78 0.389 0.06 0.74
12 4.67 0.333 -0.09 0.68
13 4.64 0.278 -0.25 0.62
14 4.19 0.222 -0.41 0.55
15 3.06 0.167 -0.58 0.49
16 2.73 0.111 -0.79 0.40
17 2.33 0.056 -1.06 0.30

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Se debe encontrar la altura de onda de diseño que tiene una probabilidad de excedencia del 22%
dentro de una vida útil de la estructura de 25 años.
Los pasos en el análisis son los siguientes:

1) Calcule la intensidad de la muestra 𝜆 = 17/20

2) Calcule el período de retorno T = 100 años
3) Asigne una probabilidad de no excedencia 𝐹𝑖 a cada altura de onda observada 𝑥𝑖 de acuerdo
con la fórmula de posición de trazado de Weibull. Los resultados se muestran en la Tabla 2.
4) Elija las distribuciones de Weibull y Gumbel como distribuciones candidatas. Calcule los valores
de la variable reducida {𝑦𝑖 }. Para la distribución de Weibull {𝑦𝑖 } implica el cálculo iterativo. {𝑦𝑖 }
de las dos distribuciones también se muestran en la Tabla 2.
5) Ajuste los datos (𝑦𝑖 , 𝑥𝑖 ) a la ecuación de regresión por el método de mínimos cuadrados y
obtenga los parámetros de distribución:
Weibull, 𝑘 = 2.35, 𝐴 = 5.17, 𝐵 = 0.89
Gumbel, 𝐴 = 1.73, 𝐵 = 4.53
La adaptación de los datos a las distribuciones de Gumbel y Weibull se muestra en la Figura 6.
6) Compare la bondad del ajuste de acuerdo con el valor del error relativo promedio 𝐸.
𝐸 = 4.72% para el ajuste de distribución de Weibull
𝐸 = 6.06% para el ajuste de distribución de Gumbel
Debido a un valor 𝐸 claramente menor, la distribución de Weibull se toma como el representante
de la distribución de altura de onda extrema
7) Calcule la altura de onda correspondiente a un período de retorno de 100 años 𝑋100 . 𝑋100 =
10.64 𝑚.

Figura 6. Adaptación y comparación de las distribuciones de Gumbel y Weibull.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

10. Fuentes de incertidumbre e intervalo de confianza

Fuentes de incertidumbre.
Las fuentes de incertidumbre que contribuyen a la incertidumbre del diseño de la altura de la ola
son:

1) Variabilidad de la muestra debido al tamaño limitado de la muestra.

2) Error relacionado con la medición, observación visual o Hindcast.
3) Elección de la distribución como representante de la verdadera distribución a largo plazo
desconocida
4) Variabilidad de los algoritmos (elección del umbral, método de ajuste, etc.)
5) Cambios climatológicos.

Las fuentes de incertidumbre 1) y 2) se pueden considerar mediante simulación numérica en la

determinación de la altura de onda de diseño.

El conjunto de datos de onda contiene error de medición/Hindcast. El error de medición se debe

al mal funcionamiento y la no linealidad de los instrumentos, como el acelerómetro y la celda de
presión, mientras que el error de retransmisión se produce cuando los campos de presión
atmosférico a nivel del mar se convierten en datos de viento y, además, en datos de olas. La
precisión de dicha conversión depende de la calidad de los datos de presión y de la técnica que
se utiliza para sintetizar los datos en el campo de onda continua. Burcharth (1986) ofrece una
visión general del coeficiente variacional 𝐶 (desviación estándar sobre el valor medio) de la
medición/error de pronóstico.
Los datos de observación visual no deben usarse para determinar la altura de la ola del diseño
porque los barcos evitan el mal clima a propósito. Con el avance del equipo de medición y el
modelo numérico, generalmente el valor de 𝐶 se ha reducido a menos de 0.1.

Métodos de Celda de presión. Radar Hindcast por Otro Visual

determinación Radar vertical horitonzal SPM Hindcast
Coef. 0.05-0.1 0.15 0.12-0.2 0.1-0.2 0.2
Variacional 𝐶

Intervalo de confianza de la altura de la ola de diseño 𝑥 𝑇

Usamos un ejemplo para demostrar cómo se determina el intervalo de confianza de la altura de
la ola de diseño. La curva de distribución de Gumbel en la Figura 7 se obtiene ajustando la altura
de onda significativa de Trípoli a la distribución de Gumbel mediante el método de ajuste de
mínimos cuadrados y la fórmula de posición de trazado de Weibull.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Figura 7. Altura de ola de diseño.

Si el nivel de diseño para la altura de la ola de diseño es un período de retorno de 100 años, es
decir, 𝑇 = 100, la altura de la ola de diseño es 𝑥100 = 12.2 𝑚.

Si hay otras incertidumbres, por ejemplo, se incluye la variabilidad de la muestra, la altura de

onda de diseño 𝑥100 se convierte en una variable aleatoria. La distribución de la altura de onda
de diseño 𝑥100 , que normalmente se supone que sigue la distribución normal, se puede obtener
mediante simulación numérica a ser descrito en la siguiente sección (ver Figura 7). Para tener en
cuenta la variabilidad de la muestra, a menudo se aplica una banda de confianza. Por ejemplo, la
altura de la ola de diseño es de 14.8 m, lo que corresponde al intervalo de confianza de un lado
del 90% (ver Figura 7).

Simulación numérica
Para ejemplificar la discusión, se supone que la altura de onda extrema sigue la distribución de
Gumbel
𝑥−𝐵
𝐹 = 𝐹𝑥 (𝑥) = 𝑃(𝑋 < 𝑥) = 𝑒𝑥𝑝 (−𝑒𝑥𝑝 (− ( )))
𝐴

donde 𝑋 es la altura de onda extrema que es una variable aleatoria, 𝑥 una realización de 𝑋, 𝐴 y
𝐵 los parámetros de distribución.

Debido a la variabilidad de la muestra y al error de medición/Hindcast, los parámetros de

distribución 𝐴 y 𝐵 se convierten en variables aleatorias,
Para tener en cuenta la variabilidad de la muestra y el error de medición/retransmisión, se realiza
una simulación numérica como se explica a continuación.
Una muestra con tamaño 𝑁 se ajusta a la distribución de Gumbel. En la distribución obtenida se
asume que los parámetros 𝐴𝑡𝑟𝑢𝑒 y 𝐵𝑡𝑟𝑢𝑒 son los valores verdaderos.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

1) Genere aleatoriamente datos entre 0 y 1. Deje que la probabilidad de no excedencia 𝐹1 sea

igual a esos datos. los datos extremos únicos 𝑥 se obtienen mediante (ver Figura 8)

𝑥 = 𝐹𝑥−1 (𝐹1 ) = 𝐴𝑡𝑟𝑢𝑒 [−𝑙𝑛 (−𝑙𝑛 𝐹1 )] + 𝐵𝑡𝑟𝑢𝑒

2) Repita el paso 1) 𝑁 veces. Así obtenemos una muestra perteneciente a la distribución de

Gumbel y el tamaño de la muestra es 𝑁.
3) Ajuste la muestra a la distribución de Gumbel y obtenga los nuevos parámetros de distribución
estimados 𝐴 y 𝐵.
4) Calcule la altura de onda 𝑥 𝑇 correspondiente al período de retorno 𝑇 por la distribución de
Gumbel.
5) Repita los pasos 2) a 4), digamos, 10,000 veces. Así obtenemos 10.000 valores de 𝑥 𝑇 .
6) Elija la altura de onda correspondiente a la banda de confianza especificada.

Para incluir el error de medición/pronóstico posterior, se puede agregar el siguiente paso

después del paso 1). Este paso es modificar cada dato extremo 𝑥 generado por el paso 1), en base
a la suposición de que el error de pronóstico posterior sigue la distribución normal (ver Figura 8).

1*) Generar aleatoriamente datos entre 0 y 1. Deje que la probabilidad de no excedencia 𝐹2 sea
igual a esos datos. Los datos extremos modificados 𝑥𝑚𝑜𝑑𝑖𝑓𝑖𝑐𝑎𝑑𝑜 se obtienen por

𝑥𝑚𝑜𝑑𝑖𝑓𝑖𝑐𝑎𝑑𝑜 = 𝑥 + 𝐶 𝑥 𝜙 −1 (𝐹2 )

donde 𝜙 es la distribución normal estándar y 𝐶 es el coeficiente de variación de la medida/error

de retransmisión. 𝐶 oscila generalmente entre 0.05 y 0.1.

Figura 8. Altura de onda simulada teniendo en cuenta error de medición/Hindcast.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

Ejemplo
Nuevamente, los datos de las olas en aguas profundas se utilizan como ejemplo para demostrar
la determinación de la altura de la ola de diseño y la influencia de la variabilidad de la muestra.
Al ajustar los datos extremos a la distribución de Gumbel obtenemos los parámetros de
distribución 𝐴 = 1.73 y 𝐵 = 4.53 (ver Figura 9). La altura de la ola de diseño correspondiente
a un período de retorno de 100 años es 12.2 m.

Figura 9. Distribución simulada de 𝑥100 (variabilidad de la muestra).

Si se incluye la variabilidad de la muestra, la altura de onda de diseño 𝑥100 se convierte en una

variable aleatoria. La distribución de la altura de onda de diseño 𝑥100 se puede obtener mediante
simulación numérica (ver Figura 9). Para tener en cuenta la variabilidad de la muestra, a menudo
se aplica una banda de confianza del 80%. En el caso de la estimación de la altura de la ola, se
prefiere el intervalo de confianza de un lado al intervalo de confianza de dos lados porque el
límite inferior de la banda de confianza es de menor interés. Por lo tanto, la altura de la ola de
diseño es de 14.8 m, lo que corresponde a un intervalo de confianza de un lado del 90%.

MGC
 Universidad San Sebastián
Facultad de Ingeniería y Tecnología
Ingeniería Civil

11. Ejercicio

1) La altura de la ola de diseño para el rompeolas de Sines en Portugal es la altura de la ola

significativa correspondiente al período de retorno de 100 años.
El estudio de retransmisión del clima de la ola de rompeolas de Sines dio las siguientes 17
tormentas más severas en el período de 1970-1985:

𝐻𝑠 (𝑚)
12 10.8 10.7 10.2 10.1 9.8 9.6 9.3 9.3 9.0
8.8 8.1 7.8 7.7 7.3 6.9 6.9

Ajuste los datos a la distribución de Gumbel por el método de mínimos cuadrados y el método
de máxima verosimilitud y cálculo de la altura de onda de diseño.

2) Teniendo en cuenta la variabilidad de la muestra, utilice la simulación de Monte-Carlo para

dibujar la función de densidad de probabilidad de la altura de la ola de diseño y calcule el
límite superior de la altura de la ola de diseño correspondiente al 90% de confianza.

MGC