Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Curso 20142015
Indice
1. Introducci
on
2. An
alisis de series temporales en el dominio del tiempo
2.1. Definici
on de una ola individual: cortes por cero . . . . . .
2.2. Alturas y periodos de ola caractersticos . . . . . . . . . .
2.3. Distribuci
on de alturas de ola individuales . . . . . . . . .
2.4. Distribuci
on del periodo de onda . . . . . . . . . . . . . .
2.5. Distribuci
on conjunta de alturas de ola y periodos . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
2
4
5
9
10
3. An
alisis de series temporales en el dominio de la frecuencia
3.1. Altura de ola y periodo caractersticos . . . . . . . . . . . . . . . . .
3.1.1. Anchura del espectro y validez de la distribuci
on de Rayleigh
3.1.2. Altura de ola significante y periodo de pico . . . . . . . . . .
3.1.3. Distribuci
on conjunta espectral de alturas de ola y periodos .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
12
12
12
13
13
4. An
alisis extremal (de altura de ola)
4.1. Nivel de dise
no . . . . . . . . . . . . . . . . . . .
4.1.1. Periodo de retorno . . . . . . . . . . . . .
4.1.2. Probabilidad de encuentro . . . . . . . . .
4.1.3. Dise
no . . . . . . . . . . . . . . . . . . . .
4.2. Procedimiento general . . . . . . . . . . . . . . .
4.3. Conjunto de datos . . . . . . . . . . . . . . . . .
4.4. Distribuciones candidatas . . . . . . . . . . . . .
4.5. Metodos de ajuste . . . . . . . . . . . . . . . . .
4.5.1. Metodo de mnimos cuadrados . . . . . .
4.5.2. Metodo de m
axima verosimilitud . . . . .
4.5.3. Bondad del ajuste . . . . . . . . . . . . .
4.6. Altura de ola de dise
no . . . . . . . . . . . . . .
4.6.1. Regmenes medios y extremales . . . . . .
4.6.2. Problema . . . . . . . . . . . . . . . . . .
4.7. Fuentes de incertidumbre e intervalo de confianza
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
15
16
17
17
18
18
20
21
22
23
24
24
25
26
28
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
29
30
31
5. Pr
acticas Descripci
on Estadstica del Oleaje
32
5.1. Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Ap
endices
36
A. Variable aleatorias
A.1. Una variable aleatoria . . . . . . . . . . . . . . . . . . . .
A.1.1. Funci
on de densidad de probabilidad Gaussiana . .
A.1.2. Desviaciones respecto del comportamiento Normal
A.1.3. Estimaci
on . . . . . . . . . . . . . . . . . . . . . .
A.2. Dos variables aleatorias . . . . . . . . . . . . . . . . . . .
A.2.1. Funci
on densidad de Gauss bidimensional . . . . .
A.3. Procesos estoc
asticos . . . . . . . . . . . . . . . . . . . . .
A.3.1. Caracterizaci
on . . . . . . . . . . . . . . . . . . . .
A.3.2. Procesos estacionarios . . . . . . . . . . . . . . . .
A.3.3. Procesos Gaussianos . . . . . . . . . . . . . . . . .
A.3.4. Procesos Gaussianos y estacionarios . . . . . . . .
A.3.5. Procesos Erg
odicos . . . . . . . . . . . . . . . . . .
A.3.6. La elevaci
on de la superficie libre . . . . . . . . . .
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
36
36
38
39
40
40
41
42
42
44
44
44
45
46
Palabras clave
oleaje, altura de ola, periodo, significante, dise
no, extremo, regmenes, funci
on de distribuci
on, funci
on
densidad, Rayleigh.
Bibliografa B
asica
Holthuijsen, L.H., 2007. Waves in Oceanic and Coastal Waters. Cambridge University Press.
Goda, Y. Random Seas and Design of Maritime Structures. 2010. Vol.33 World Scientific Pub. Co. Inc.
Recomendaciones para obras martimas ROM1.0 (2009).
Stive, M.J.F. 1986 Extreme shallow water conditions. Delft Hydraulics, Intern Report H533.
G.I.O.C. 1986 Documentos de referencia SMC. Vol. I. Din
amicas.. Universidad de Cantabria.
Liu Z. and P. Frigaard, 2001. Generation and Analysis of Random Waves. Aalborg Universitet.
Quintero, D. y M. Ortega-S
anchez. 2012. Anteproyecto Marina Playa Granada. Grupo de Din
amica de
Flujos Ambientales de la Universidad de Granada.
iii
1.
Introducci
on
2.
An
alisis de series temporales en el dominio del tiempo
El an
alisis de las series temporales de elevacion de la superficie libre pueden llevarse
a cabo tanto en el dominio del tiempo como en el espacio. En esta seccion trataremos
del an
alisis temporal.
Se admite, asumiendo linealidad, que el desplazamiento vertical de la superficie
libre con respecto a un nivel de referencia fijo es un proceso gaussiano y ergodico.
Elegido el nivel de referencia adecuadamente, para que = 0, sigue un modelo
de probabilidad de Gauss de media nula y desviacion tpica , es decir, una Normal
N (0, ). 2 es la varianza del proceso y, asimismo, cuantifica su contenido energetico
(que depende esencialmente de la amplitud al cuadrado),
2
p() =
exp 2
2
2 2
2
2
= rms = Esp ( )2 ,
1
(1)
2.1.
Definici
on de una ola individual: cortes por cero
Mediante un an
alisis directo de los datos brutos pueden identificarse las olas individuales. Una ola individual, que no la elevacion de la superficie libre (que sera un
(t) concreto), est
a definida por dos cortes por cero sucesivos. Los cortes se refieren a
un cero, que es un valor de referencia, tpicamente el valor promedio. Se consideran
los cortes por cero de valores positivos a negativos, estos son, los pasos por cero descendentes. Se define un corte por cero hacia valores negativos entre las muestras n 1
y n cuando se cumple que (tn1 ) > 0 y (tn ) < 0 (Fig. 2). En resumen, una ola es el
perfil de la elevaci
on entre cada dos pasos por cero descendentes consecutivos.
Otras definiciones de ola son posibles, por ejemplo, definiendo los cruces por cero
ascendentes, esto es, hacia arriba. Si la elevacion de la superficie libre se considera
un proceso estoc
astico Gaussiano no importa si se toman los cruces ascendentes o
descendentes, puesto que las caractersticas estadsticas seran simetricas1 . Sin embargo,
es com
un adoptar la definici
on de cruces por cero descendentes puesto que estimaciones
visuales de la altura de la cresta, referida al seno precedente se considera la altura de
la ola. Adem
as, en una ola que rompe, el frente, que es relevante en el proceso de
rotura, est
a incluido en la definicion de los cruces hacia abajo (bajo tales condiciones,
las ondas no son simetricas y las diferencias entre cruces hacia abajo o cruces hacia
arriba se hacen importantes).
En la Fig. 1 se muestran los cruces por cero detectados en un registro de oleaje
de 7 min a 4 Hz de frecuencia de muestreo. En este caso se han detectado 106 cortes
por cero de positivo a negativo, lo que da 105 ondas individuales. La altura de la onda
individual se define como el rango de alturas, esto es, la diferencia de altura maxima y
mnima entre dos cortes por cero. Vease Fig. 2.
La caracterizaci
on de las olas del registro de oleaje se basa en promediar las alturas
de ola y periodos. Esto requiere que la duracion del registro sea lo suficientemente
corta como para garantizar la estacionariedad y la homogeneidad, pero tambien lo
suficientemente larga como para obtener unos promedios aceptables. Normalmente, se
emplean intervalos de 30 min
o 1 hora2 .
1
Seguro? Piensese.
Seg
un la (ROM1.0 , 2009), a los efectos pr
acticos y con las restricciones impuestas, se admite que en
un estado se produce un conjunto de manifestaciones del agente o agentes que pertenecen a un proceso
aleatorio estacionario y homogeneo, y que los descriptores estadsticos temporales y espaciales son
invariantes. Esta descripci
on se denomina de corta duraci
on (o a corto plazo). Es habitual denominar
estado de mar al estado de oleaje cuando sus propiedades estadsticas son erg
odicas. Sin embargo,
en estas Recomendaciones se opta por generalizar estas definiciones, otorgando a cada una de ellas el
a
mbito de aplicaci
on de su denominaci
on, oleaje, nivel del mar, atmosferico y meteorol
ogico. As el
estado de nivel del mar incluye las manifestaciones lentas de la superficie libre del mar. El estado
meteorol
ogico incluye el conjunto de manifestaciones de los agentes clim
aticos forzados por la actividad
atmosferica: viento, presi
on atmosferica, oleaje y marea meteorol
ogica y, en su caso, meteomaremotos.
2
Figura 1: Detecci
on de los cruces por cero en un registro de oleaje en el Golfo de Cadiz.
Figura 2: Altura y periodo de ondas individuales definidas por cortes hacia valores
negativos.
2.2.
La elevaci
on de la superficie libre mostrada en las Fig. 1 tiene mas de 100 olas
individuales. La pregunta es cu
al coger a la hora de dise
nar una estructura, o bien
cual es la altura representativa de esa serie temporal? Para ello se consideran las
siguientes definiciones:
La altura y periodos medios se definen sobre todo el registro, es decir, son
P la media de alturas y periodos de todas las ondas individuales. Estos son H = 1/N N
k=1 Hk
PN
y T = 1/N k=1 Tk , respectivamente. A veces se denota el periodo como Tz . En el caso
que seguimos de ejemplo H = 0,39 m y T = 3,93 s.
La altura de ola cuadr
atica media Hr.m.s. se define como
Hr.m.s.
v
u
N
u1 X
=t
Hk2 .
N
(2)
k=1
q
P
2
An
alogamente, el periodo es Tr.m.s. = 1/N N
k=1 Tk . Esta medida puede ser relevante para proyectos en los que la energa de la onda sea importante. Recuerdese
que la energa de una onda es proporcional a su amplitud al cuadrado. En el ejemplo que seguimos del registro de oleaje del Guadalquivir se obtiene Hr.m.s. = 0,46 m y
Tr.m.s. = 4,47 s.
Se define la ola m
axima como aquella que tiene la maxima altura de ola Hmax . En
nuestro caso es la ola n
umero 101 y tiene Hmax = 1,08 m y el periodo correspondiente
a esa altura es THmax = 9,55 s.
La ola m
axima se selecciona como onda de dise
no para estructuras en las que es
importante y muy sensible a la carga de ola, por ejemplo, en diques verticales. Notese
que Hmax es una variable aleatoria con la distribucion dependiente del n
umero de ola
individuales.
Las alturas y periodos caractersticos definidos anteriormente son quizas los mas
obvios. Sin embargo, no se usan a menudo puesto que los resultados que arrojan se
parecen muy poco a las alturas y periodos estimados visualmente. Por eso se define la
altura de ola significante.
Se define la altura de ola significante3 como la altura promedio del tercio de
alturas mayores del registro de oleaje. Se expresa como
N/3
H1/3 =
1 X
Hk ,
N/3
(3)
k=1
H1/10
N/10
1 X
=
Hk ,
N/10
(4)
k=1
2.3.
Distribuci
on de alturas de ola individuales
En vez de mostrar todas y cada una de las altura de ola individuales, es mas u
til
mostrar un histograma de muestre el n
umero de olas obtenidos en varios intervalos de
altura de ola. La Fig. 3 muestra el histograma de los datos de oleaje de la boya del
Guadalquivir.
Para comparar alturas de ola en diferentes localizaciones, el histograma de la Fig. 3
se adimensionaliza seg
un H/H y n/(N H/H), donde N es el n
umero de olas y H es
4
Al proyectar una obra se dimensiona de modo que sea capaz de soportar la acci
on de temporales
con altura menor o igual a la altura de dise
no.
5
http://www.puertos.es/oceanografia_y_meteorologia/redes_de_medida/index.html
6
Estas alturas y periodos caractersticos son interesantes puesto que pueden definirse en terminos
del espectro de onda.
fR (x) =
x
x 2
2
x ,
e
x2
(5)
La funci
on de Rayleigh fue derivada originalmente por Lord Rayleigh a finales del s.XIX para describir la distribuci
on de la intensidad del sonido emitido desde un n
umero infinito de fuentes. LonguetHiggins solo verific
o la aplicabilidad de la distribuci
on de Rayleigh para oleaje irregular cuyos periodos
y alturas presentaban pocas fluctuaciones tanto en los periodos como en las alturas (Goda , 2010).
Sin embargo, las olas reales en el mar pueden presentar fluctuaciones importantes en periodos de ola
individuales. Hasta ahora no se ha desarrollado una teora exacta para olas reales.
8
Para las crestas tiene esta forma. La amplitud de las crestas, en una aproximaci
on muy burda, es
cresta H/2 (Holthuijsen , 2007). La funci
on de densidad de Rayleigh es algo diferente para alturas
de ola (vease Eq. 6).
9
La normalizaci
on no es hacer directamente Rx H/H, sino imponiendo que la integral en todo el
+
dominio es 1. Es inmediato comprobar que 1 = 0 fR (x)dx. Vease Fig. 4.
1986).
Para mar de fondo, con un oleaje de alturas de ola H se tiene las siguientes funcion
densidad de probabilidad y funcion de distribucion expresadas en terminos de Hrms
2
H
H
2
fR (H) = 2 2 e Hrms
,
Hrms
Z
fR (H )dH = 1 e
H2
2
Hrms
(6)
fR (H) =
H 4 H 22
e H ,
2 H2
2
FR (H) = 1 e
H2
2
H
(7)
o en funci
on de la altura de ola significante Hs
2
H 2,005 H
2
Hs
,
fR (H) = 4,01 2 e
Hs
(8)
FR (H) = 1 e
2,005 H 2
Hs
Prob(h H) =
i
,
N
(9)
donde i es el n
umero de orden de la ola, considerando i = 1 para la ola de altura
mayor e i = N para la ola de altura menor. Despejando de la Eq. 8 se tiene
H = Hs
1
ln
2
N
i
1/2
.
(10)
1
ln N
2
1/2
,
(11)
H/Hr.m.s.
1,0
1/ 2
Altura
Hr.m.s.
b
Moda, H
e
Mediana, H
Media, H
Significante, Hs
H1/10
H1/100
Hmax
(ln 2)1/2
H/ m0
2 2
H/Hs
0,706
0,499
(8 ln 2)1/2
0,588
0,626
1,00
1,271
1,666
?
2
4,005
5,091
6,672
?
/2
1,416
1,80
2,359
?
q = 1 FR (Hq ) = e
Hq2
2
Hrms
(12)
donde FR es la funci
on de distribucion de alturas de ola individuales. La altura
umbral Hq se puede obtener despejando de la expresion anterior,
Hq
=
Hrms
s
1
ln
,
q
(13)
2.4.
Distribuci
on del periodo de onda
Por que?
fB (T ) = 2,7
T
Tz
4
4
0,675 TT
FB (T ) = 1 e
(14)
.
(15)
La Fig. 5 muestra un ejemplo de las funciones densidad y de distribucion de Bretschneider para Tz = 6,5 s.
2.5.
Distribuci
on conjunta de alturas de ola y periodos
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
11
3.
An
alisis de series temporales en el dominio de la frecuencia
3.1.
El espectro de la varianza, ilustrado en la Fig. 7, no dice nada de como seran las olas
individuales. Ahora veremos c
omo estimar la altura de ola caracterstica y el periodo a
partir del espectro de la varianza.
El momento de orden-n, mn se define como
f n S(f ) df .
mn =
(16)
R
As, por ejemplo, el momento de orden 0 es m0 = 0 S(f ) df , que es en realidad
el area bajo la curva del espectro, relacionado con el contenido energetico del tren de
ondas.
3.1.1.
De la definici
on de mn se puede ver que cuanto mayor sea orden del momento,
mayor peso se pone en las frecuencias mas altas del espectro. Con el mismo m0 , un
espectro m
as ancho da valores mayores de momentos de ordenes superiores (2 n).
Cartwright y Longuett-Higgins (1956) definieron el parametro de anchura como
s
=
m22
,
m0 m4
12
(17)
a partir de un an
alisis te
orico de la distribucion estadstica de la altura de las crestas
del oleaje. El valor de (0, 1). Se ha probado teoricamente que
Spectrum width parameter
Wave height distribution
= 0 narrow spectrum (SWELL)
Rayleigh distribution
= 1 wide spectrum (SEA)
Normal distribution
El valor de suele ser del orden de 0.4-0.5. Se encuentra que la distribucion de
Rayleigh es una muy buena aproximacion y ademas es conservativa, puesto que la distribuci
on de Rayleigh proporciona una altura de ola ligeramente mayor para cualquier
nivel de probabilidad dado. Otra posible definicion de la anchura espectral es
r
=
m0 m2
1.
m21
(18)
Se prob
o te
oricamente que es inversamente proporcional al n
umero medio de olas
en un grupo. La Eq. 18 indica que cuando la energa esta concentrada en una sola
frecuencia, entonces 0. Cuando la energa esta dispersa en muchas frecuencias
1. Un valor tpico en temporales es de 0.3.
3.1.2.
Hm0 = 4 m0 .
(19)
Por eso se denota con el subndice del momento de orden 0. La altura significante
espectral est
a relacionada con el contenido energetico del oleaje. En realidad, para
valores de = 0,4 0,5, una buena estimacion de la altura de ola significante es
Hm0 = 3,7 m0 .
La frecuencia de pico fp se define sencillamente como la frecuencia a la cual la
funcion s(f ) es m
axima. El periodo de pico Tp = 1/fp coincide aproximadamente con
el periodo de ola significante.
3.1.3.
Distribuci
on conjunta espectral de alturas de ola y periodos
13
Figura 8: Funci
on densidad conjunta altura de ola - periodo de Longuet-Higgins para
dos valores del par
ametro de anchura espectral . Notese que las bandas espectrales
son m
as anchas donde hay mayor variabilidad en los valores de H y T .
fHa ,Ta = CL
Ha
Ta
2
"
#)
Ha2
1
1 2
exp
1+ 2 1
,
8
Ta
(20)
donde
CL =
1
.
4 2 1 + (1 + 2 )1/2
(21)
Ta
14
(22)
ca =
T
.
1 + 9 + 8 2
(23)
(24)
(25)
(26)
Simplificando a
un m
as (Goda (Goda , 2010)),
(27)
La relaci
on T1/3 /T da s
olo una indicacion puesto que este valor esta afectado por
la forma del espectro del oleaje.
4.
An
alisis extremal (de altura de ola)
4.1.
Nivel de dise
no
El nivel de dise
no se representa por un periodo de retorno o probabilidad de encuentro.
15
15
4.1.1.
Periodo de retorno
El periodo de retorno T se define como la duracion promedio durante la cual eventos extremos exceden un determinado umbral 1 vez. Es el periodo promedio entre 2
excedencias del valor umbral.
Establecemos la siguiente notacion:
X: Altura de ola significante, que es una variable aleatoria.
x Es una realizaci
on particular de X.
F (x) Es la funci
on de distribuci
on acumulada de X, F (x) = Prob(X x).
t N
umero de a
nos de observaci
on de X
n N
umero de observaciones en un periodo de t a
nos.
Intensidad de muestreo = n/t
La probabilidad de no excedencia de x es F (x), es decir, la probabilidad acumulada
de que X no exceda el valor de x. De modo complementario, la probabilidad de excedencia es 1 F (x), asumiendo que la funcion F esta debidamente normalizada. En
otras palabras, con probabilidad 1 F (x) una altura de ola significante sera mayor que
x.
Si el n
umero total de observaciones (realizaciones de X) es n, el n
umero de observaciones donde X > x es
k=
n
X
(28)
i=1
T = t|k=1 =
1
,
(1 F (x))
(29)
16
La relaci
on entre tiempo y probabilidad procede de interpretar la probabilidad de
excedencia 1F (x) como la fraccion de tiempo durante la cual x < X. Por ejemplo, si la
probabilidad de excedencia de una altura de ola significante es Hs = 10 m es P = 0,0018,
en 1 a
no, la altura de ola excede ese valor P = 0,0018 24 horas/da 365 dias/a
no
= 16 horas/a
no. Ahora, si cada evento dura en promedio d(Hs > Hs ) = 8 horas/evento,
entonces se tendr
an (16 horas/a
no) / (8 horas/evento) = 2 eventos o excedencias /a
no,
esto es, se tiene un periodo de retorno de T = 1/2 a
no para Hs = 10 m.
4.1.2.
Probabilidad de encuentro
Bas
andose en el hecho que, en promedio, x sera superada una vez cada T a
nos,
la probabilidad de excedencia de x en 1 a
no sera de 1/T . Por tanto, la probabilidad de
no excedencia de x en 1 a
no ser
a Prob(X x) = 1 1/T ; en dos a
nos Prob(X x) =
2
L
(1 1/T ) ; y en L a
nos Prob(X x) = (1 1/T ) . La probabilidad de encuentro,
i.e., la probabilidad de excedencia de x en la vida de una estructura de L a
nos de vida
es
1 L
p=1 1
,
T
(30)
(31)
Dise
no
1
p=1 1
T
25
22 % .
(32)
17
4.2.
Procedimiento general
En la pr
actica, los ingenieros deben determinar la altura de ola de dise
no correspondiente a un cierto periodo de retorno, a partir de un registro (medido o de pronostico)
de oleaje a largo plazo. El procedimiento general para llevar a cabo esa tarea podra
ser el siguiente:
1. Seleccionar los datos extremos (alturas de ola) del conjunto de datos.
2. Seleccionar varias distribuciones teoricas que se ajusten a los datos extremos.
3. Ajuste de las distribuciones a datos extremos por un metodo adecuado de ajuste
(p.ej. mnimos cuadrados).
4. Elegir la distribuci
on que mejor se ajuste a los datos.
5. Calcular la altura de ola de dise
no para un periodo de retorno dado.
6. Determinar el intervalo de confianza de la altura de ola de dise
no para cuantificar
la variabilidad de la muestra (errores).
4.3.
Conjunto de datos
18
19
4.4.
Distribuciones candidatas
xB
A
),
(33)
20
xB k
A
) ,
(34)
(35)
Gumbel:
FG (x) = Prob(X < x) = ee
xB
A
Generalizada de Pareto:
1/C
xB
FP (x) = Prob(X < x) = 1 1 + C
,
A
(36)
Log-normal:
FL (x) = Prob(X < x) =
ln(x) B
A
,
(37)
xB 1/C
A
(38)
donde X es la variable aleatoria, en este caso una altura de ola caracterstica, que
podra ser la altura de ola significante Hs o el diezmo H1/10 o la altura de ola maxima
Hmax , dependiendo del conjunto de datos; la variable x representa una u
nica realizacion
de la variable aleatoria X; y F es la funcion de probabilidad acumulada complementaria,
i.e. la probabilidad de no excedencia (frecuencia acumulada). Los parametros A, B y
k son par
ametros ajustables de las distribuciones. En la distribucion Log-normal A y
B representan, respectivamente, la desviacion estandar y la media de X. La funcion
representa una distribuci
on Normal. En la Generalizada de Valores Extremos A
representa el par
ametro de escala (anchura), B el parametro de localizacion y C es un
parametro de forma. Para C = 0 esta distribucion se reduce a una Gumbel, para C > 0
es una Frechet o Fisher-Tippet II y para C < 0 toma la forma de una Weibull22 .
4.5.
M
etodos de ajuste
Cuatro metodos de ajuste de las colas que generalmente se emplean son el metodo de
maxima verosimilitud, el metodo del momento, el de los mnimos cuadrados y el grafico
visual. Los m
as comunes son el de maxima verosimilitud y el de mnimos cuadrados.
21
21
4.5.1.
M
etodo de mnimos cuadrados
X =AY +B,
(39)
(40)
para la distribuci
on de Weibull y, para la de Gumbel,
Y = ( ln F ) ,
(41)
22
Cov (Y, X)
,
V ar (Y )
B = X AY ,
n
2
1X
yi Y ,
V ar (Y ) =
n
A=
(42)
(43)
i=1
n
1X
Cov (Y, X) =
yi Y x i X ,
n
i=1
1X
X=
xi ,
n
Y =
1
n
i=1
n
X
yi .
i=1
En el caso de la distribuci
on de Weibull, varios valores de k son predefinidos y,
entonces, se ajustan los valores de A y B. Los valores finales de los tres parametros son
escogidos basados en la bondad del ajuste.
4.5.2.
M
etodo de m
axima verosimilitud
La distribuci
on de Weibull biparametrica es
xx0
A
k
(44)
donde x0 es la altura de ola umbral, que debe ser inferior que la mnima altura de
ola en el conjunto de datos extremales. Si no contamos inicialmente con informacion
respecto de los datos, varios umbrales deben probarse y seleccionar finalmente en que
mejor se ajuste. La estimaci
on de maxima verosimilitud de k se obtiene resolviendo la
siguiente ecuaci
on mediante un procedimiento iterativo
N +k
N
X
ln(xi x0 ) = N k
i=1
N PN
0 k
0
X
i=1 (xi x ) ln (xi x )
.
PN
0 )k
(x
x
i
i=1
i=1
(45)
La estimaci
on de m
axima verosimilitud para A es
A=
N
1 X
(xi x0 )k
N
!1/k
.
(46)
i=1
Para la distribuci
on de Gumbel, la estimacion de maxima verosimilitud de A se
obtiene resolviendo la siguiente ecuacion mediante un proceso iterativo:
23
N
X
e(
x
Ai
! N
N
X xi
1 X
xi A
e A .
N
)=
i=1
i=1
(47)
i=1
La estimaci
on de m
axima verosimilitud de B es
"
B = A ln PN
N
x
Ai
i=1 e
4.5.3.
(48)
= p
Cov (X, Y )
V ar (X) V ar (X)
(49)
Este coeficiente se emplea como criterio para la comparacion de la bondad del ajuste.
Sin embargo, est
a definido en un dominio lineal (y, x) donde la variable reducida y es
dependiente de la funci
on de distribucion. Por tanto, la interpretacion de este criterio
es en este caso menos clara.
Con las funciones de distribucion ajustadas, las alturas de ola correspondientes a
la probabilidad de no-excedencia de las alturas de ola observadas pueden calcularse (Eq. 51 y 52).
El error relativo promedio E, definido como
n
E=
1 X |xi,estimado xi,observado |
,
n
xi,observado
(50)
i=1
4.6.
x = A ( ln(1 F ))1/k + B ,
(51)
(52)
T =
o F =1
1
T .
1
,
(1 F )
(53)
(54)
(55)
para la distribuci
on de Weibull y
1/k
1
x = A ln ln 1
+B,
T
T
(56)
25
Figura 10: Diferencia entre la estadstica a corto plazo y a largo plazo (extremal).
4.6.2.
Problema
id.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Significante xi
9.32
8.11
7.19
7.06
6.37
6.15
6.03
5.72
4.92
4.90
4.78
4.67
4.64
4.19
3.06
2.73
2.33
Prob. no-exc. Fi
0.970
0.911
0.852
0.794
0.735
0.676
0.617
0.558
0.500
0.441
0.382
0.323
0.264
0.205
0.147
0.088
0.029
Tabla 2: Pares altura de ola significante (xi ) - probabilidad de no excedencia (Fi ). Para
determinar Fi se ha hecho uso de la funcion de MatlabTM probplot().
se muestran tambien en la Fig.11, paneles superior izquierdo y derecho e inferior
izquierdo. Los resultados del ajuste de la GEV con gevfit() son C = 0,2151,
A = 1,7254 y B = 4,7270, y sus respectivos intervalos de confianza al 95 % son
(0,5744, 0,1441), (1,1776, 2,5279) y (3,8037, 5,6503). Los resultados del ajuste
con la distribuci
on de Weibull con wblfit() son A = 6,0533 y k = 3,2659, y sus
respectivos intervalos de confianza al 95 % son (5,1912, 7,0586) y (2,2631, 4,7131).
5. Compare la bondad de los dos ajustes de acuerdo al valor del error relativo
(Eq. 50). El valor de la altura de ola observado es xi , dado en la Tabla 2. Los
valores de altura de ola estimados xi,estim se obtienen cruzando los valores de
Fi correspondientes a xi por la funciones teoricas GEV (Eq. 38) y de Weibull
(Eq. 34) ajustadas en el apartado anterior. Sol. La funcion GEV presenta un
error de 4,73 % frente al 5 % de la de Weibull. Como en este caso la distribucion
de GEV presenta menor error, se la considera como el mejor ajuste y representativa de la altura de ola extremal. El error relativo se indica tambien en la Fig.11.
6. Realice una gr
afica que muestre la altura de ola observada xi frente el periodo
de retorno T correspondiente. Para ello haga uso de la Eq. 29. Represente en la
misma gr
afica los ajustes de Weibull y GEV y las bandas de error de los ajustes
al 95 % de confianza. Emplee para esto u
ltimo los intervalos de confianza dados
para los par
ametros de ajuste A, B y C. Sol. Los resultados se muestran en la
Fig.11.
27
Figura 11: Ajustes de las distribuciones de Weibull y GEV a los datos mostrados en la
Tabla 2 (Liu et al. , 2001).
7. Finalmente, calcule la altura de ola de dise
no xT correspondiente al periodo de
retorno T determinado en el punto segundo. Sol. Se obtiene en este caso x487 =
10,55 m.
4.7.
Como se puede observar las bandas de error en Fig.11 son bastante amplias. Algunas
fuentes de incertidumbre sobre la altura de ola de dise
no pueden son las siguientes: variabilidad en las muestras debido a un tama
no de muestra limitado, error directamente
relacionado con la medida (error observacional), error en la eleccion de la distribucion
como representante de la distribucion a largo plazo (que es desconocida), error en la
eleccion del umbral, metodos de ajuste, etc. La incertidumbre en los dos primeros casos
pueden considerarse mediante simulacion numerica en la determinacion de la altura de
ola de dise
no. Datos de oleaje contienen errores de medida. El error observacional puede
proceder, por ejemplo, de un mal funcionamiento del aparato, o de no-linealidades en
las medidas de aceler
ometros y sensores de presion. Errores de prediccion en modelos
computacionales pueden ocurrir cuando los campos de presion atmosferica se convierten
a campos de viento y estos, as su vez, se convierten a datos de oleaje. La precision en
estos casos depende de los datos originales y, por supuesto, de los modelos y algoritmos
28
numericos. Por regla general, no son fiables los datos obtenidos mediante inspeccion
visual. El error viene dado por C, la desviacion estandar sobre el valor medio. Los
modernos metodos de adquisici
on de datos han reducido C por debajo de 0.1.
4.7.1.
(57)
(58)
y obtendr
a el valor extremal xi correspondiente.
2. Repita el paso anterior N veces. Con esto, obtendra una nueva muestra de N
alturas de ola cuya distribucion es la Eq. 57, esto es, una distribucion Gumbel
con los par
ametros Averdadero y Bverdadero .
3. Ajuste la muestra resultante a una distribucion Gumbel y obtenga los nuevos
par
ametros A y B.
24
29
4.8.
130Hs
< Tp <
g
30
280Hs
.
g
(59)
4.9.
An
alisis extremal multiparam
etrico
(60)
La estadstica a largo plazo para Ru,i puede obtenerse ajustando a los datos una
distribuci
on extremal adecuada (analisis extremal)
31
N
um.
1
2
3
4
5
6
7
8
9
10
5.
Altura H(m)
0.54
2.05
4.52
2.58
3.20
1.87
1.90
1.00
2.05
2.37
Periodo T (s)
4.2
8.0
6.9
11.9
7.3
5.4
4.4
5.2
6.3
4.3
N
um.
11
12
13
14
15
16
17
18
19
20
21
Altura H(m)
1.03
1.95
1.97
1.62
4.08
4.89
2.43
2.83
2.94
2.23
2.98
Periodo T (s)
6.1
8.0
7.6
7.0
8.2
8.0
9.0
9.2
7.9
5.3
6.9
Pr
acticas Descripci
on Estadstica del Oleaje
5.1.
Enunciados
H (H/Hrms )2
e
2
Hrms
(61)
http://www.puertos.es/oceanografia_y_meteorologia/redes_de_medida/index.html
Realizada por MMA 26-11-2007, mma@odyle.net. IEO, Instituto Espa
nol de Oceanografa, La Coru
na.
27
http://www.mathworks.es/matlabcentral/
28
Esta informaci
on resultar
au
til en la parte de Aprovechamiento de energas marinas impartida por
el Profesor Antonio Mo
nino.
26
33
H
1/k
1+k m0
(62)
donde k es el par
ametro de forma, el parametro de localizacion y es el
par
ametro de escala (anchura). Como ayuda, recuerde que MatlabTM ya implementa funciones que permiten hacer el ajuste de manera rapida y sencilla.
En su estudio, haga uso de las funciones de MatlabTM siguientes
1) gevfit() para obtener los parametros de ajuste y sus respectivos intervalos de confianza. Que valores de k, y resultan? Cuales son sus
respectivos intervalos de confianza?
2) gevpdf() para representar, con esos parametros, la funcion densidad de
probabilidad te
orica. Compare la grafica resultante con el histograma de
datos de velocidad del viento. Tenga en cuenta que el histograma debe
estar debidamente normalizado para que pueda realizarse la comparaci
on. En que parte de la curva se produce el mejor ajuste?
3) Represente los datos en papel probabilstico con gevplot() para responder
mejor a las preguntas del punto anterior.
4) ecdf() para determinar la funcion de distribucion emprica de los datos
de velocidad del viento.
5) gevcdf() para representar la funcion de distribucion teorica.
f ) Hubiera credo conveniente usar una funcion de distribucion de Rayleigh
para ajustar estos datos? Explique su respuesta.
3. An
alisis del R
egimen Extremal de oleaje frente a la costa de Motril (Punto
WANA 2019013). Para el estudio del regimen extremal,
a) Determine las alturas de ola significante mayores de cada a
no. Haga uso de
las funciones MatlabTM max() y find().
b) Presente en una tabla los datos obtenidos. Pueden considerarse independientes las muestras? Y las del analisis de regimen medio anterior, con una
separaci
on cada 3 horas?
34
c) Ajuste a los m
aximos anuales una funcion de densidad y de distribucion
Generalizada de Pareto, cuya expresion general es
FGP (Hm0 ) =
?
Prob (Hm0
1
< Hm0 ) =
Hm0 (1+1/k)
1+k
.
(63)
Para ello, siga la misma metodologa que en el caso de regimen medio, pero
haciendo uso de las funciones de MatlabTM gpfit(), gppdf(), ecdf(), gpcdf() y
gpplot() (y dfittool()). Matlab no estima el valor umbral.
d ) Determine la curva Periodo de Retorno frente a Hm0 .
35
Ap
endices
A.
A.1.
Variable aleatorias
Una variable aleatoria
La elevaci
on de la superficie libre en presencia de ondas en un instante y en un
lugar dados ser
an tratados como variables aleatorias (Holthuijsen , 2007), en el sentido
que el valor exacto no puede ser predicho. Por ejemplo, como ocurre en un canal de
ensayos de oleaje generado por viento (Fig. 14), a pesar de que aqu es posible controlar
y preparar experimentos bajo las mismas condiciones (en principio). En un punto A
del canal, un sensor de presi
on mide la elevacion de la superficie libre en funcion del
tiempo. En un momento dado t1 , medido desde la puesta en marcha del forzamiento
por viento, la superficie libre en esa ubicacion tiene un valor (1) (t1 ). El superndice (1)
indica el n
umero del experimento (otros experimentos seguiran).
Si el experimento fuera repetido, este valor (en la misma posicion en el mismo
instante de tiempo desde que se activa el viento) sera (2) (t1 ). Si de nuevo fuera repetido
36
Z
Prob(x < x x + dx) =
(64)
Se sigue que la probabilidad de que x sea menor o igual que x (la probabilidad de
no-excedencia) sea
Z
Prob(x x) =
(65)
La distribuci
on complementaria es la probabilidad de excedencia, esto es, la probabilidad de que la variable aleatoria x exceda el valor x:
Z
Prob(x x) =
(66)
(67)
29
37
R +
p(x)dx = 1 se tiene
Z
E {x} =
x p(x)dx .
(68)
x2 = E (x x )2 =
(x x )2 p(x)dx = E x2 2x = m2 m21 .
(69)
Funci
on de densidad de probabilidad Gaussiana
Muchos procesos en la naturaleza se comportan de tal manera que, aproximadamente, siguen una funci
on de densidad Gaussiana, a saber,
31
R1
0
38
Figura 16: Funciones de densidad con los parametros mostrados en la figura para una
poblaci
on femenina (linea continua) y masculina (linea discontinua) de un determinado
pas.
p(x) =
x 2
(xx )2
2
2x
(70)
Estimaci
on
x hxi =
x h(x hxi)2 i =
N
X
1
N
x2i
(71)
hxi2 ,
i=1
donde N es el n
umero de muestras. Notese que esto son solo estimaciones, las cuales
siempre diferir
an de los valores esperados. A estas diferencias se las denominan errores
de muestreo.
A.2.
Una pareja de variables aleatorias (x, y) esta totalmente caracterizada por la funci
on
de densidad de probabilidad conjunta p(x, y). En analoga con Eq. 64 se define p(x, y)
como la probabilidad de que la variable aleatoria x se encuentre entre x y x + dx y la
y entre y e y + dy (simult
aneamente), esto es
Z
x+dx Z y+dy
Las dos variables aleatorias pueden no estar relacionadas entre s. Si este es precisamente el caso, se dice que las variables son independientes y la funcion densidad
factoriza32 , verificando p(x, y) = px (x)py (y). En otro caso, estaran relacionadas. Se
dice entonces que una variable es dependiente de la otra. Cuando la relacion entre ellas
es lineal, se dice que las variables estan correlacionadas33 (vease Fig. 17). El grado
de correlaci
on (lineal), i.e. el grado el que el par de variables aleatorias (x, y) se agrupa
en torno a una lnea, se cuantifica con el coeficiente de correlacion x,y , que se define
como la covarianza normalizada Cx,y de las dos variables:
32
33
40
Figura 17: Variables aleatorias independientes (panel izquierdo, velocidad del viento
en Vigo frente a elevaci
on de la superficie libre en Motril), descorrelacionadas pero
dependientes (panel central, elevacion y corriente en un mismo punto) y aprox. correlacionadas linealmente (panel derecho, temperatura del agua y oxgeno disuelto). En
realidad, entre estas u
ltimas, y en contra de lo que aparentemente pudiera parecer, la
relacion tampoco es lineal sino exponencial (ley de Henry, i.e la solubilidad de un gas
en un fluido es proporcional a la presion parcial del gas).
x,y =
Cx,y
,
x y
(73)
(74)
Para las variables mostradas en la Fig. 17, la covarianza35 y el coeficiente de correlacion36 (lineal) para cada caso son, respectivamente, CW ind, = 0,0054 y W ind, =
0,0030 (independientes), Cu, = 0,405 y u, = 0,819 (dependientes) y CO2 ,T = 2,014
y O2 ,T = 0,918 (dependientes y correlacionadas).
A.2.1.
Funci
on densidad de Gauss bidimensional
La funci
on densidad de Gauss bidimensional, o distribucion Normal bivariante, para
el par de variables aleatorias (x, y) es
1
q
p(x, y) =
e
2
2x y 1 x,y
1
2
1x,y
(yy )2
(xx )(yy )
(xx )2
+
x,y
2
2
x y
2x
2y
34
(75)
Cuando dos variables aleatorias x e y son independientes, se verifica que E x y = E {x} E y .
Esto sugiere que una buena medida para estimaci
on de la correlaci
on entre dos variables es Cx,y =
E x y E {x} E yy , esto es, lo mostrado en la Eq. 74.
35
En Matlab, Cxy = cov(x, y).
36
En Matlab, gxy = corrcoef (x, y).
41
A.3.
A.3.1.
Procesos estoc
asticos
Caracterizaci
on
alg
un tipo de secuencia. Esta
es una nocion u
til cuando muchas mas de dos variables
aleatorias est
an presentes es un proceso. Por ejemplo, la estatura de los alumnos de
la clase (considerados como variables aleatorias) se ordenan seg
un la configuracion 2D
del aula. La ordenaci
on puede ser espacial o temporal. Normalmente, en nuestro caso,
nos ce
niremos a ordenaciones temporales. As, definimos proceso estoc
astico como un
concepto matem
atico que sirve para caracterizar una sucesion37 de variables aleatorias
(estoc
asticas) que evolucionan en funcion de otra variable, generalmente el tiempo. Cada una de las variables aleatorias del proceso tiene su propia funcion de distribucion de
probabilidad y, entre ellas, pueden estar correlacionadas o no. Otros ejemplos, aparte
del oleaje, de procesos estoc
asticos son las ondas ssmicas o las fluctuaciones bursatiles.
Un ejemplo de proceso estoc
astico en 1D es el canal de oleaje de la seccion A.1. La
medida empieza en t = 0 cuando el viento empieza a soplar sobre el agua en reposo y el
siguiente conjunto de datos de elevaciones observadas en el punto A es una funcion del
tiempo. Los valores son impredecibles y este conjunto es un ejemplo de una ordenacion
(temporal) de muchas variables aleatorias.
Notese que en una secuencia temporal x(ti ), la variable aleatoria x en tiempo t1
es una variable aleatoria distinta que x medida en tiempo t2 (vease Fig. 18). Un experimento es una realizaci
on del proceso estocastico (t1 ), (t2 ), (t3 ), . . . (ti ), . . . .
Obviamente, cuando la elevaci
on de la superficie libre en un momento dado (un ti )
es grande, una fracci
on de segundo despues, la elevacion tambien sera grande. Esto
significa que las elevaciones a tiempos cortos estan relacionadas y probablemente correlacionadas. S
olo despues de un intervalo suficientemente largo del tiempo la correlacion
(la relaci
on) entre ambas se habr
a perdido, esto es, cuando el intervalo ti tj sea mucho
mayor que el periodo caracterstico de la onda.
Seg
un se muestra en la Fig. 18, cada (tk ) sigue, en principio, distribuciones diferentes (no estacionario). Es m
as, es facil imaginar que las variables aleatorias (tk )
dependen de las variables aleatorias de tiempos anteriores. Estan relacionadas (incluso
correlacionadas). Luego para caracterizar correctamente estos estados no solo es necesario determinar las funciones densidad p((tk )), k, sino tambien las funciones de
densidad conjuntas p((tj ), (tk )), j, k. Bajo condiciones muy contraladas, es de esperar que habiendo superado el periodo transitorio se alcance alg
un tipo de equilibrio
(estadstico), i.e. estacionario. En realidad, la no estacionariedad y la no homogeneidad
es dominante y raras veces se alcanza un estado estacionario y homogeneo.
El experimento puede repetirse a discrecion una y otra vez. En tal caso, habra tantas
realizaciones del proceso estoc
astico (t1 ), (t2 ), (t3 ), . . . (ti ), . . . como experimentos
(Fig. 18), donde cada (ti ) es una variable aleatoria. Como cualquier variable aleatoria,
(ti ) est
a caracterizada por una funcion de densidad de probabilidad. Esto implica
37
Aqu est
a el orden...
42
Figura 18: Un conjunto de N realizaciones de la elevacion de la superficie libre en funcion del tiempo en la ubicaci
on A de la Fig. 14. Los experimentos son estadsticamente
identicos (sistema igualmente preparado, con el mismo viento, etc.). Las funciones densidad de probabilidad se han determinado promediando en la colectividad (no es un
promedio temporal). Adaptado de (Holthuijsen , 2007).
43
Procesos estacionarios
Si despues de un tiempo, la elevacion en el punto A es constante en un sentido estadstico (Fig. 18), todas las caractersticas de las ondas son independientes del
tiempo y el proceso se dice estacionario 38 . La estacionariedad de un proceso simplifica la descripci
on puesto que solo son necesarias las caractersticas estadsticas en un
solo instante de tiempo39 . Concretamente, las condiciones estacionarias establecen que
p((t))/t = 0, luego p() es independiente del tiempo, es decir, es invariante frente a
una traslaci
on temporal. La condicion analoga para variables que estan ordenadas en
el espacio se denomina homogeneidad. Si solo las medias y las varianzas son constantes
en el espacio y en el tiempo, el proceso se llama debilmente estacionario o debilmente homogeneo, es otro caso se dira simplemente estacionario o estacionario en sentido
estricto.
A.3.3.
Procesos Gaussianos
44
A.3.5.
Procesos Erg
odicos
(76)
(77)
x(t)x(t + )dt ,
(78)
hf (x(ti ))i =
1
ba
f (x(t))dt .
(79)
A.3.6.
La elevaci
on de la superficie libre
La evoluci
on temporal de la elevacion de la superficie libre generada por viento se
trata a menudo como un proceso estocastico Gaussiano. Datos de campo han corroborado que es una aproximaci
on muy razonable, pero tambien este hecho esta apoyado
en resultados te
oricos: la superficie libre en cualquier instante de tiempo ti puede verse
como la suma de un enorme conjunto de armonicos generados independientemente unos
de otros40 y que han viajado sin interaccionar hasta el emplazamiento (en la aproximaci
on lineal (Holthuijsen , 2007)). El teorema del lmite central asegura que, en tal
caso, la distribuci
on resultante debe ser Gaussiana. Ondas con un marcado peralte, u
ondas que verifican /h 1 interaccionan entre s y, por tanto, no son independientes.
Desviaciones respecto del modelo Gaussiano ocurren por tanto en el mar, en particular,
en la zona de surf (vease Fig. ?? como ejemplo).
Por otra parte, para garantizar ergodicidad y estacionariedad se realiza el analisis
estadstico (a corto plazo) sobre muestras de datos en un intervalo temporal reducido,
no superior a 30min
o 1hora, seg
un el caso. Si consideramos que una determinada
propiedad del oleaje, por ejemplo, el desplazamiento de la superficie libre con respecto
al nivel medio, es un proceso erg
odico, las propiedades estadsticas del proceso pueden
ser obtenidas mediante un registro los suficientemente extenso (pero no muy extenso
t < 30 min) de la citada propiedad en un solo punto del oceano. Si ademas, el proceso
en cuesti
on es gaussiano, la estadstica del mismo podra ser definida mediante los dos
primeros momentos estadsticos de la serie temporal: media y varianza.
El oleaje que se registra en un punto dado del mar, es el resultado de diferentes procesos de generaci
on, propagaci
on y disipacion. Estos procesos, asociados a la dinamica
atmosferica y oce
anica, no son nunca estacionarios ni homogeneos (no ergodicos), por
lo que, en sentido estricto, el oleaje tampoco lo es. Sin embargo, si nos limitamos a
areas reducidas y a periodos de tiempo peque
nos, la inercia de los procesos presentan
escalas espaciales y temporales mayores, por lo que el proceso puede ser considerado
ergodico (a esas escalas reducidas).
Entonces, si se dispone de un registro continuo de oleaje para realizar un analisis
estadstico bien definido es necesario dividir el registro en secciones temporales de, como
decamos, de 30 min
o 1 hora de tal modo que en esos subintervalos se considere el oleaje
ergodico ( estacionario). Las propiedades estadsticas del oleaje en esos subintervalos
no cambian, diramos que son constantes en un sentido estadstico. Esas propiedades
estadsticas definen el estado de mar y lo caracterizan temporal y espacialmente.
De esta manera, en cada estado de mar se sustituye el registro temporal continuo
de oleaje por una informaci
on estadstica mas reducida. Dentro de cada estado de mar,
las propiedades estadsticas del oleaje vienen definidas por los momentos estadsticos
obtenidos del proceso erg
odico (y estacionario) en lo que se denomina An
alisis del
Oleaje a Corto Plazo. La variacion en el tiempo de estos parametros estadsticos
de los estados de mar constituye lo que se denomina curva de estados de mar. Es
tpico caracterizar un estado de mar mediante la altura significante Hs y el periodo
medio T . La estadstica que se realiza con la curva de estados de mar (formada por una
40
46
47