SD 49 Analisis Oleaje

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/323488728
Análisis y descripción estadística del oleaje
Book · September 2005
CITATIONS READS
52 5,820
1 author:
Rodolfo Silva
Universidad Nacional Autónoma de México
743 PUBLICATIONS 5,042 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
CEMIE-Océano View project
Determinación del Potencial Energético del Océano Pacífico Mexicano: Gradiente Térmico View project
All content following this page was uploaded by Rodolfo Silva on 03 October 2019.
The user has requested enhancement of the downloaded file.

ii
iii
ABSTRACT ix
RESUMEN x
PREFACIO xi
Organización del trabajo xi
1. INTRODUCCIÓN 1
1.1 Clasificación de acuerdo con la profundidad relativa 2
1.2 Clasificación de las ondas oceánicas 3
1.3 Clasificación del oleaje 4
1.3.1 Oleaje local o sea 5
1.3.2 Oleaje distante o swell 5
1.4 Fuentes de datos de oleaje 6
2. DESCRIPCIÓN ESTADÍSTICA DEL OLEAJE 7

2.1 Hipótesis básicas 7
2.1.1 El oleaje como proceso estocástico 7
2.1.2 El oleaje como un proceso estacionario 10
2.1.3 El oleaje como proceso ergódico 11
2.2 Modelo matemático-estadístico del oleaje 13
2.3 Definición de estado de mar 15
2.4 Descripción estadística temporal y espectral de un estado de mar 16
3. ANÁLISIS TEMPORAL DE ESTADOS DE MAR 17

3.1 La muestra 17
3.1.1 Corrección del nivel medio 19
3.1.2 Caracterización de la señal 24
3.1.2.1 Método de pasos ascendentes por cero 24
3.1.2.2 Método de pasos descendentes por cero 27
3.1.2.3 Método de distancia entre crestas 28
3.1.2.4 Método de distancia entre valles 28
3.1.3 Determinación de parámetros del oleaje 29
3.1.4 Determinación de parámetros de las velocidades orbitales 36
3.1.5 Determinación de la dirección del oleaje 36
3.1.6 Agrupamiento del oleaje 39
4. ANÁLISIS ESPECTRODIGITAL DE SERIES TEMPORALES 45

4.1 Corrección del nivel medio 47
4.2 Función ventana 48
4.3 Cálculo de las componentes de Fourier 50
4.4 Estimación del espectro 55
4.4.1 Formas de presentación del espectro de energía 56
v
4.5 Suavizado del espectro 59
4.6 Parámetros espectrales 61
4.7 Análisis direccional del oleaje 66
4.7.1 Distribución direccional de la energía del oleaje 66
4.7.2 Descomposición clásica del espectro direccional 67
4.7.3 Caracterización de los métodos estocásticos 68
4.7.4 Análisis del espectro cruzado 69
4.7.5 Relación entre el espectro cruzado y el direccional 70
4.7.6 Estimación del espectro direccional 71
4.7.6.1 Método paramétrico 71
4.7.6.2 Método de máxima verosimilitud 75
4.7.6.3 Otros métodos 77
5. DISTRIBUCIONES ESTADÍSTICAS DEL OLEAJE 79

5.1 Distribución de los desplazamientos 79
5.1.1 Distribución normal de desplazamientos de la superficie libre 80
5.1.2 Distribución no lineal de desplazamientos de la superficie libre 84
5.1.2.1 Series tipo A de Gram-Charlier 84
5.1.2.2 Distribución de los desplazamientos basada en un
desarrollo de Stokes 85
5.1.2.3 Otras distribuciones de probabilidad del desplazamiento
de la superficie libre 88
5.2 Distribución de los desplazamientos máximos (crestas) 89
5.3 Distribuciones de alturas de ola 92
5.3.1 Distribución de alturas de ola para un espectro de banda estrecha 93
5.3.1.1 Correlación perfecta entre crestas y valles 93
5.3.1.2 Correlación nula entre crestas y valles 93
5.3.1.3 Correlación intermedia entre crestas y valles 95
5.3.2 Distribución de alturas de ola en profundidad finita 96
5.3.3 Distribución de alturas limitada por rotura 99
5.4 Distribuciones conjuntas de periodo y altura de ola 100
5.4.1 Distribución de Cavanié et al (1976) 101
5.4.2 Distribución de Longuet-Higgins 103
5.4.2.1 Distribución de altura de ola 104
5.5 Distribuciones de periodos de ola 105
5.5.1 Distribución de Bretschneider (1959) 105
5.5.2 Distribución de Longuet-Higgins (1975) 105
5.5.3 Distribución Cavanié et al (1976) 105
5.5.4 Distribución Longuet-Higgins (1983) 105
vi
6. MODELOS ESPECTRALES DE UN ESTADO DE MAR 107
6.1 Estado de saturación 107
6.2 Modelo de Phillips 108
6.2.1 Espectro de Neumann 109
6.2.2 Espectro Pierson-Moskowitz 109
6.2.3 Espectro de Bretschneider 110
6.2.4 Espectro de Kitaigorodskii-Toba 112
6.2.5 Espectro ISSC 114
6.2.6 Espectro de Krylov 114
6.2.7 Espectro ITTC 115
6.2.8 Espectro JONSWAP 115
6.2.9 Espectro de Davidian et al 117
6.2.10 Espectro Wallops 117
6.2.11 Espectro de Ochi-Hubble 118
6.2.12 Espectro TMA 119
6.3 Distribución angular 121
6.4 Generación de oleaje vía numérica 123
7. MODELOS PARAMÉTRICOS DE PREDICCIÓN DE OLEAJE 125

7.1 Introducción 125
7.2 Modelo de predicción de oleaje con vientos geostróficos 126
7.2.1 Ajuste del viento 126
7.2.1.1 Estimaciones y ajustes iniciales 128
7.2.1.2 Región de tensión constante 129
7.2.1.3 Modelo de capa límite planetaria 131
7.2.1.4 Ajustes finales 132
7.2.2 Desarrollo del oleaje 132
7.2.2.1 Consideraciones sobre la longitud del fetch 134
7.2.2.2 Fetch en mar abierto 134
7.2.2.3 Fetch restringido 134
7.2.2.4 Desarrollo del oleaje en aguas profundas 136
7.2.2.5 Crecimiento del oleaje en aguas someras 139
7.3 Modelo de predicción de oleaje con viento ciclostrófico 140
7.3.1 Modelo de presión atmosférica 140
7.3.2 Modelo de vientos 140
7.3.3 Evaluación de la altura de ola 141
7.3.4 Relaciones complementarias 142
vii
8. ANÁLISIS A LARGO PLAZO 145
8.1 Importancia del análisis extremal en la ingeniería 146
8.2 Excedencias 148
8.3 Periodos de retorno 149
8.4 Valores característicos 151
8.4.1 Estadísticos de orden 152
8.5 Métodos utilizados en el diseño de obras marítimas 153
8.6 Distribuciones asintóticas del máximo y el mínimo 153
8.7 Dominios de atracción 154
8.8 Papeles probabilísticos 156
8.8.1 Técnicas de punteo en papeles probabilísticos 159
8.8.2 Estimación de parámetros y dibujo en papel probabilístico
de Gumbel 160
8.8.3 Papel probabilístico de Weibull 164
8.9 Análisis de régimen medio 168
9. REFERENCIAS 171
10. RECONOCIMIENTO 179
viii
ABSTRACT
This book serves as a guide for those wishing to study and predict sea waves from
the perspective of probability and statistics. The first of the eight chapters gives an
up to date overview of wave studies and how waves are classified in terms of
relative water depth, frequency and evolution. From here the fundamental
hypotheses for modern wave studies are examined. Individual chapters cover
analysis from both the time domain, via discretised digital sampling, as well as the
frequency domain, via the concept of the energy spectrum. In addition, the
procedures most often used in engineering to determine the representative wave
parameters are described. In view of the fact that it is often not possible to have
reliable measurements, two chapters are given over to the analytical and the
empirical wave distributions in the domain of time and frequency. In the
penultimate chapter, two methodologies for wave prediction in geostrophic and
ciclostrophic wind conditions are reproduced. These tools are of great value in
estimating the appropriate wave parameters in such conditions and are therefore of
most use when considering cold fronts or tropical cyclones. They can be applied
directly and with relative ease. Finally, the last chapter revises the required bases
for long and short term analyses. The latter, being generally applied for operational
conditions.
This is an up to date reference book, invaluable for students of coastal engineering

as well as those involved in the planning and management of coastal structures.
ix
RESUMEN
Este libro sirve como guía para quienes desean estudiar y predecir el oleaje desde
la perspectiva de la probabilidad y la estadística. El primero de los ocho capítulos
que lo integran es una reseña histórica sobre el estudio del oleaje y su clasificación
en función de su profundidad relativa, frecuencia y evolución. A continuación, se
examinan las hipótesis fundamentales para el estudio del oleaje. Se explican las
bases que permiten analizar y caracterizar muestras de oleaje tanto en el dominio
del tiempo, a través de la discretización de señales digitales, cuanto en el dominio
de la frecuencia, por medio del concepto de espectro de energía. Adicionalmente,
se describen los procedimientos más utilizados para determinar los parámetros
representativos del oleaje. En virtud de que frecuentemente no se cuenta con
mediciones in situ confiables, se dedican dos capítulos a distribuciones analíticas y
empíricas en los dominios del tiempo y la frecuencia. En el penúltimo capítulo se
reproducen dos metodologías que permiten estimar el oleaje bajo condiciones de
viento geostrófico y ciclostrófico. Estas herramientas, de aplicación relativamente
fácil y directa, son de gran ayuda para caracterizar los parámetros que definen al
oleaje bajo el efecto de frentes fríos y ciclones tropicales. Finalmente, el último
capítulo revisa los fundamentos para analizar los regímenes extremal y medio.
Este último, normalmente aplicado para el estudio de condiciones de operatividad.
Es una obra de referencia actualizada, muy útil para estudiantes de ingeniería de

costas, así como para todos aquellos relacionados con la planeación y manejo de
estructuras costeras.
x
PREFACIO
Este trabajo está orientado a estudiantes tanto de licenciatura como de maestría de

las carreras de ingeniería civil, ingeniería oceánica, ingeniería oceanográfica y
ciencias del mar, así como para aquellos profesionales encargados de realizar
estudios y diseños costeros, portuarios y marítimos. Antes de que el lector se
adentre en el texto, es recomendable que haga un breve repaso sobre la mecánica
de ondas y estadística básica, ya que algunos conceptos fundamentales están fuera
del alcance del presente trabajo.
Con estas notas, que pueden servir eventualmente para la actualización de

conocimientos o como libro de texto, simplemente se pretende presentar una serie
de herramientas que potencialmente pueden ser útiles para estudios posteriores,
como pueden ser el diseño de: estructuras marítimas y portuarias, interacción del
oleaje con estructuras, transporte de sedimentos, morfodinámica de playas y
evolución de sistemas barrera en lagunas costeras, por citar algunos ejemplos.
Organización del trabajo
Este trabajo está integrado por ocho capítulos, los siete primeros enfocados al
análisis de estados de mar y, el último, al estudio del análisis del oleaje a largo
plazo. Los primeros dos capítulos están dedicados a la parte fundamental del
estudio estadístico y probabilístico del oleaje, el tercero y cuarto al análisis de estados
de mar en el dominio del tiempo y la frecuencia, el quinto y sexto a las distribuciones
analíticas o empíricas más utilizadas para caracterizar los estados de mar; el séptimo
capítulo incorpora de forma integral dos modelos paramétricos de predicción de
oleaje para condiciones de frentes fríos y huracanes; por último, el octavo capítulo
aborda el estudio de regímenes de oleaje, tanto extremal como medio.
xi
El primer capítulo presenta una reseña histórica sobre el estudio del oleaje y su
clasificación. Las clasificaciones del oleaje que se abordan corresponden a la
profundidad relativa de propagación, las fuerzas generadoras del movimiento
oscilatorio y la zona de generación.
En el segundo capítulo se analizan las hipótesis fundamentales para el estudio

estadístico del oleaje: es decir las bases del tratamiento del oleaje como un proceso
estocástico, ergódico, estacionario y gaussianno, así como los elementos que
sustentan el análisis del oleaje en el dominio de la frecuencia a través de la
transformada de Fourier. Por último, en este capítulo se abordan dos definiciones
para el estado de mar: la de periodo corto y la variación de estado.
El tercer capítulo está dedicado al análisis y caracterización de las señales o

muestras de oleaje en el dominio del tiempo. Normalmente las mediciones de
señales de oleaje incluyen información de ondas de mayor periodo, como mareas,
y de la profundidad en que fueron obtenidas, por tanto, primero se debe realizar
una corrección para eliminar estas tendencias. Las correcciones que se presentan
en este capítulo son: media aritmética, lineal y parabólica. Por otro lado, es
habitual que las señales de oleaje se obtengan de forma discreta y no continua, por
esto es conveniente realizar una estimación de los máximos positivos y negativos
de dichas señales, así como definir la forma de discretizar una señal, lo cual puede
hacerse por medio de los métodos de pasos ascendentes y descendentes por cero y
distancia entre crestas y valles.
Una vez establecida la metodología para la discretización de una señal, se aborda

el problema de la determinación de los parámetros más representativos del oleaje:
dirección de propagación y forma de evaluar el agrupamiento del mismo.
El cuarto capítulo incluye una descripción de los pasos a seguir para el estudio de
una señal de oleaje en el dominio de la frecuencia, es decir la forma de obtener un
espectro de energía y la manera de representarlo gráficamente. En este capítulo
también se abordan alguno de los métodos para estimar la dirección del oleaje, así
como los parámetros más representativos que caracterizan un espectro de energía.
Los capítulos quinto y sexto están dedicados al estudio de las distribuciones

analíticas y empíricas en el dominio del tiempo y de la frecuencia. En particular, el
capítulo cinco aborda las distribuciones de la superficie libre bajo los conceptos
xii
gaussiano y no gaussiano, la estimación de diversas distribuciones de alturas de
ola, y el cálculo conjunto de altura-periodo del oleaje y periodos de ola.
El capítulo sexto presenta además diversas aproximaciones para evaluar

sintéticamente el espectro de energía. Como complemento, se incluye un apartado
donde se establecen las bases para la generación numérica de señales de oleaje.
El séptimo capítulo explica dos metodologías, que eventualmente pueden usarse

de forma complementaria a los desarrollos presentados en los capítulos quinto y
sexto. Estas metodologías permiten estimar de manera directa y fácil los parámetros
que definen al oleaje bajo condiciones de viento geostrófico y ciclostrófico.
Por último, el octavo capítulo presenta los fundamentos para el análisis a largo
plazo, que incluye el concepto de coeficiente de seguridad y periodo de retorno.
Además, expone la metodología para evaluar los parámetros fundamentales de las
distribuciones extremales para mínimos y máximos. Por otro lado, incluye
fundamentos para analizar el régimen medio, normalmente aplicado en el estudio de
condiciones de operatividad.
Aunque no ha sido un objetivo fundamental de este trabajo, en algunos casos se

presentan ejemplos que ilustran tanto la aplicación particular de las técnicas descritas
a lo largo del documento como el comportamiento de algunas distribuciones
analíticas.
xiii
1. INTRODUCCIÓN
A través de la historia de la humanidad se han registrado un sinnúmero de esfuerzos por

entender la generación y transformación del oleaje; como ejemplo, los antiguos griegos
estaban conscientes de la interacción entre el mar y la atmósfera, de hecho
Aristóteles, en su libro Acerca del cielo; meteorológicos (Gredos, 1996) señaló la
importancia que juega el viento en el desarrollo del oleaje. Así, desde la antigua
Grecia hasta la etapa de oro del Renacimiento, en el siglo XV, no hubo grandes
progresos documentados sobre el estudio de la generación y transformación del
oleaje. Durante el periodo definido entre los siglos XVI y XIX, las contribuciones
más importantes se dieron en el plano teórico, ya que en ese tiempo se desarrollaron
la mayor parte de las teorías que se emplean para estudiar el oleaje, como las de Airy
(1845) y Stokes (1847). El primer estudio de predicción de oleaje fue desarrollado
por Sverdrup y Munk (1947) durante la Segunda Guerra Mundial, aunque sus
resultados no estuvieron disponibles hasta 1947.
Quizá la forma más sencilla de poder entender un estado de mar es considerándolo

como ideal, es decir, con el oleaje definido por ondas sinusoidales perfectas, con crestas
y valles de idéntica forma, un periodo único y un movimiento orbital progresivo. Bajo
este supuesto, sobre una escala espacial, la longitud de onda, L, se determina como la
distancia horizontal entre dos crestas adyacentes, mientras que la distancia vertical
desde el máximo de la cresta hasta el fondo del valle definen la altura de ola, H. En la
escala temporal, el tiempo necesario para que dos crestas consecutivas pasen por el
mismo punto define al periodo de la onda, T, y su inverso que es la frecuencia, f.
Finalmente, la velocidad con la cual una cresta se mueve horizontalmente a través de la
superficie del mar es definida como celeridad, c, o velocidad de fase. En general, la
ecuación para la celeridad (c = L/T) es directamente proporcional a la longitud de
onda o periodo y a la profundidad, h.
1
El oleaje es un fenómeno que está determinado por la acción de las fuerzas de la
naturaleza en cualquier superficie libre de agua, las cuales condicionan el tipo de ola
que será inducida. La más obvia de estas fuerzas es la acción del viento sobre la
superficie del mar. Desde hace mucho tiempo, se ha intentado estudiar al oleaje desde
diferentes vertientes; no obstante, éste no puede ser representado por un modelo tan
sencillo como el de la onda, dado que este fenómeno no se repite en el espacio ni en
el tiempo y cuando se observa una altura de ola en un punto dado del mar, no se
puede precisar cual será la altura de ola siguiente en ese punto. Considerando la gran
variabilidad del oleaje real, la forma más razonable de caracterizarlo es a través de los
métodos estadísticos, tratando al oleaje como un fenómeno aleatorio.
Siguiendo las ideas anteriores, existen al menos tres formas de clasificar el

movimiento oscilatorio que se presenta en el mar, las cuales corresponden a la
profundidad relativa sobre la cual se propaga, la fuerza principal que lo genera y su
periodo de onda. A continuación se describen con cierta profundidad cada una de
estas clasificaciones.
1.1 Clasificación de acuerdo con la profundidad relativa
Teóricamente, las ecuaciones que representan al oleaje que se propaga en cualquier

profundidad relativa, h/L, se denominan de ondas en aguas intermedias o en zona de
transición. Frecuentemente, este tipo de ecuaciones se simplifican asumiendo que las
ondas sólo son dependientes de su longitud o periodo, T, y de la profundidad. Esto
conlleva a dos extremos de aproximaciones según su profundidad relativa:
Aguas profundas. Cuando la profundidad h es igual o mayor que la mitad de su

longitud de onda, L, el oleaje no experimenta modificaciones debidas a la
profundidad.
Aguas poco profundas. Cuando la profundidad h es igual o menor que un vigésimo

de su longitud de onda, L, el oleaje está completamente controlado por la
profundidad del agua.
Visto de otra forma, la clasificación del oleaje se puede también realizar utilizando el
concepto de la celeridad, que es una relación directa entre la frecuencia y la longitud
de onda.
2
1.2 Clasificación de las ondas oceánicas
Las ondas que componen un registro de oleaje son de una amplia gama de periodos,
alturas y longitudes. De acuerdo con su periodo, fuerza generadora y la cantidad de
energía que normalmente portan, se pueden distinguir los siguientes tipos de ondas,
que se presentan en la tabla 1.1 y la fig 1.1.
TABLA 1.1 CLASIFICACIÓN DE LAS ONDAS POR SU PERIODO (JOHNSON ET

AL, 1978)
Nombre Periodo Longitud Altura Fuerza generadora Fuerza restauradora
(T) (L) (H)
Capilares 0 a 0.1 s 2 a 7 cm 1 a 2 mm Viento Tensión superficial
Ultragravedad 0.1 a 1 s Centímetros Centímetros Viento Tensión superficial y
gravedad
Gravedad 1 a 30 s De metros a De Viento Gravedad
cientos de centímetros
metros a 15 m
Infragravedad 30 s a 30 min 100 a 200 m Pequeña Viento Gravedad, fuerza de
Coriolis
Periodo largo 5 min a 24 h Pueden llegar a 1a5m Sismo, derrumbes, Gravedad, fuerza de
ser de escala atracción de cuerpos Coriolis
planetaria celestes
Transmarea Más de 24 h - 0 a 12 m Oscilaciones Gravedad, fuerza de
climáticas Coriolis
Como se ve en la tabla 1.1 y la fig 1.1, las ondas en el océano pueden ser clasificadas de
varias formas; una clasificación usa las fuerzas que generan al oleaje, las cuales a su
vez están asociadas con una longitud de onda característica. Así, por ejemplo:
Las fuerzas meteorológicas (viento, presión del aire) generan el oleaje local y
distante
Los maremotos o terremotos generan grandes ondas conocidas como tsunamis, los
cuales normalmente son clasificados como ondas en aguas poco profundas, ya que su
longitud de onda es mucho mayor que la profundidad donde se propagan.
Las mareas (fuerzas astronómicas) siempre se propagan de acuerdo con su longitud

de onda en aguas poco profundas, por lo que son consideradas como ondas largas.
3
0.1 segundos
30 segundos
1 segundo
5 minutos
24 horas
12 horas
1 hora
Periodo
Infra- Ultra-
gravedad Tipo de
Transmarea De largo periodo Gravedad gravedad Capilares
onda
Sol y Luna Viento Fuerza

Sismos, tormentas generadora
Gravedad
Fuerza
Fuerza de Coriolis Tensión restauradora
superficial
Energía
−6 −5 −4 −3 −2 −1 2
10 10 10 10 10 10 1 10 10
Frecuencia de la onda = 1 / T
Fig 1.1 Periodo-energía de las ondas (Kinsman, 1965)
1.3 Clasificación del oleaje
En ingeniería oceanográfica, se llama área de generación (fetch) a la región donde

existe transferencia de energía del viento hacia la superficie del mar. Ahí el fenómeno es
completamente aleatorio. El oleaje se propaga en diferentes direcciones, aunque la
dirección dominante es la del viento. Las olas pueden tener diversas características
dependiendo de las fuerzas que influyen en su generación.
De acuerdo con su génesis, se suelen distinguir dos tipos extremos de oleaje, entre los
cuales existen un sinnúmero de estados intermedios. Se denominan por las palabras
inglesas, universalmente aceptadas, sea y swell o su traducción al español como
oleaje local y oleaje distante, respectivamente (figs 1.2 y 1.3).
4
Fig 1.2 Oleaje tipo swell Fig 1.3 Oleaje tipo sea
1.3.1 Oleaje local o sea
Este tipo de oleaje se produce en la zona de generación en alta mar, donde raramente
se aprecian crestas de cierta longitud y es difícil observar un periodo bien definido.
Las características que definen este tipo de oleaje son:
Gran irregularidad, ya que la altura de la superficie líquida es impredecible,

carece de periodicidad
Asimetría o gran desigualdad entre la forma del valle y la cresta de las olas
Gran peralte de las olas. Las olas presentan una altura relativamente grande
para su longitud de onda.
1.3.2 Oleaje distante o swell
Cuando el oleaje se propaga y abandona el área de generación ocurren tres fenómenos

(Losada y Giménez-Curto, 1978):
Pierden energía, las olas viajan a expensas de su propia energía (decaimiento)
El oleaje sufre una doble dispersión. Una angular, en la que las olas se dispersan en
todas direcciones, y otra radial, debida a que la velocidad es función directa del
periodo, por lo que las olas más largas viajan más rápido que las más cortas. Se
produce un filtrado de olas.
Fenómeno de soldadura, según el cual las ondas de periodos cercanos se

fusionan en largas crestas de onda, lo cual origina que la superficie caótica se
5
simplifique. Al envejecer el oleaje y especialmente cuando abandona el área de
generación va tendiendo a un oleaje de tipo swell.
Este tipo de oleaje se puede observar sobre la plataforma costera, especialmente en

profundidades reducidas, donde a los fenómenos descritos anteriormente se añade el
de la refracción, que hace que las olas tiendan a progresar en forma paralela a las
líneas batimétricas. Así, el oleaje que se acerca a la costa es más regular, forma
frentes de cresta muy grandes y las diferencias entre periodos y longitudes de onda
son mínimas, surge una periodicidad, las direcciones no son tan dispersas, y se
presentan ciertas direcciones predominantes. Todo esto proporciona un cierto orden al
fenómeno.
1.4 Fuentes de datos de oleaje
Dada la gran gama de equipos y técnicas existentes en la actualidad, en este trabajo se

omite la selección de técnicas para obtener información; sin embargo y dada su
trascendencia, se profundiza más sobre el tratamiento de señales digitales y la
predicción de oleaje a través de modelos paramétricos.
Por otro lado, cabe señalar que a grandes rasgos las fuentes de datos más comunes
pueden ser de los siguientes tipos:
Instrumental directo
Medidores de resistencia (p ej, sensores de nivel)
Equipos acústicos (p ej, los equipos que funcionan bajo el principio doppler)
Sensores de presión.
No instrumental o instrumental indirecto
Equipos ópticos (p ej, cámaras de video y sátelites)
Datos visuales (p ej, medidos por barcos en ruta)
Retroanálisis basado en información de datos meteorológicos (p ej, a través de

modelos paramétricos y de tercera generación como el WAM, wave action
model).
6
2. DESCRIPCIÓN ESTADÍSTICA DEL OLEAJE
2.1 Hipótesis básicas
2.1.1 El oleaje como proceso estocástico
En general, las olas en el mar no son regulares, es decir no tienen periodicidad con
respecto al tiempo, sino que, por el contrario, el oleaje es un proceso esencialmente
aleatorio. El oleaje puede ser considerado en términos prácticos como un conjunto de
ondas viajando en diferentes direcciones, θi, con diferentes amplitudes, ai,
frecuencias, σi, y fases, εi, de tal forma que puede ser estudiado como una
superposición lineal de ondas armónicas simples, es decir que el perfil de la
superficie libre, ηi(x,y,t), puede ser descrito como:
⎡ σ i2 ⎤
η ( x, y, t ) = ∑ ai cos ⎢ ( x cosθ i + y sen θ i ) − σ it + ε i ⎥ (2.1)
i ⎣ g ⎦
donde
a amplitud
σ frecuencia angular (2π/T)

T periodo de la onda
θ ángulo de incidencia con respecto al eje X

ε fase
x,y posición espacial de la onda
t tiempo.
7
Fig 2.1 Estructura del oleaje aleatorio, Pierson et al (1978)
En la ec 2.1 las amplitudes y fases son consideradas aleatorias. Dicho concepto,

puede ser entendido más claramente a través de la fig 2.1, tomada de Pierson et al
(1978).
Dado que el oleaje es un fenómeno aleatorio, bajo este punto de vista, su estudio debe
realizarse haciendo uso del análisis estadístico.
El oleaje debe ser considerado como un proceso estocástico, es decir, resultado

de un experimento, en el cual no es un número sino una función.
En el caso del oleaje, una realización corresponde a una función muestra, la

cual será determinada como resultado de una observación o medición y será
denotada por ηk(t), fig 2.2.
8
0.3
0.2
0.1
η(t) [m]
0
-0.1 0 20 40 60 80 100
Tiempo (s)
-0.2
-0.3
Fig 2.2 Ejemplo de una señal aleatoria
Si se observa la superficie del mar en un instante determinado, ti, es claro que η(ti) es
una variable aleatoria. Considerando ahora el conjunto de n instantes, t1, t2,..., tn, se
puede decir que η(t1, t2,..., tn) es una variable enedimensional. De tal forma que el
proceso η(t) puede considerarse definido si para cualquier n instantes t1, t2,..., tn, se
conoce la función de distribución:
Ft1,t2 ,...,tn ( x1 , x 2 ,..., x n ) = Prob[η (t1 ) ≤ x1 ,η (t 2 ) ≤ x 2 ...η (t n ) ≤ x n ] (2.2)
de la variable aleatoria enedimensional η(t1,t2,...,tn).
Estas distribuciones deben, por ende, satisfacer las siguientes condiciones:
1. Condición de simetría
( )
Ft j1 ,t j 2 ,...,t jn x j1 , x j2 ,..., x jn = Ft1 ,t2 ,...,tm ( x1 , x2 ,..., xm ) (2.3)
donde j1,j2,...,jn, es cualquier permutación de los índices 1,2,...,n.
2. Condición de compatibilidad
Ft1 ,t2 ,...,tm +1 ,...,tn ( x1 , x2 ,..., xm ,..., ∞ ) = Ft1 ,t2 ,...,tm ( x1 , x2 ,..., xm ) (2.4)
para cualquier tm+1,...,tn, si n>m.
Con dichas condiciones, se puede concluir que para definir el proceso η(t) sería
necesario conocer todas las funciones de distribución dadas por la ec 2.2 para
cualquier η. Si se utiliza la teoría de la correlación es posible simplificar el estudio de
9
estos procesos, ya que ésta toma en consideración exclusivamente los dos primeros
momentos del proceso. De tal forma que:
el valor medio, µη(k), queda definido como
1 ∞
T →∞ T ∫−∞
µη (k ) = lim ηk (t )dt (2.5)
y, la función de correlación (o autocorrelación), Rηη(k), es expresada como
1 T
T →∞ T ∫0
Rηη (k ) = lim ηk (t )ηk (t + τ )dt (2.6)
La media y la función de autocorrelación determinan completamente al proceso η(t),

si se considera que todas las distribuciones dadas por la ec 2.2 son normales
(gaussianas). A pesar de restringir el proceso al uso de los dos primeros momentos,
éste sigue siendo inabordable, por lo que se hace necesario admitir dos importantes
hipótesis estadísticas: estacionariedad y ergodicidad.
2.1.2 El oleaje como un proceso estacionario
Un fenómeno físico se puede considerar estacionario si las características externas

que influyen en él permanecen constantes durante cierto periodo de tiempo, es decir,
un tiempo durante el cual y debido a la inercia del fenómeno existe un cierto
equilibrio entre las fuerzas generadoras y las fuerzas restauradoras que intervienen, lo
que mantiene su manifestación aproximadamente estacionaria. Este periodo de
tiempo es conocido como estado de mar.
Así, el proceso η(t) es estacionario si todas las funciones de distribución que definen
el proceso permanecen constantes en un intervalo cualquiera de tiempo τ. Lo cual
matemáticamente se puede escribir como:
Ft1 +τ ,t2 +τ ,...,tη +τ ( x1 , x 2 ,..., x n ) = Ft1 ,t2 ,...,tn ( x1 , x 2 ,..., x n ) (2.7)
para cualesquiera n, τ, t1, t2,...,tn.
Admitida la estacionariedad del oleaje, se deduce que el valor medio es una constante
dada por
10
µ (k ) = µ (2.8)
y la función de correlación depende sólo de la diferencia τ = t + τ
Rηη (k ) = Rηη (2.9)
Para fines prácticos, en ocasiones es suficiente con considerar al oleaje débilmente

estacionario, lo cual implica que sus funciones de covarianza dependen del paso de
tiempo τ para todos los t. Esto es,
T
1
η ( t ) dt = constante
T →∞ T ∫
lim (2.10)
0
Por tanto,
T T
1 1
lim
T →∞ T ∫ {η ( t ) − µ }{η ( t + τ ) − µ } dt = lim ∫ η ( t )η ( t + τ ) dt − µ 2 = R (τ ) − µ 2
T →∞ T
0 0 (2.11)
2.1.3 El oleaje como proceso ergódico
El teorema de ergodicidad, aplicable a la mayor parte de los procesos estacionarios,

se enuncia como sigue:
Si un proceso aleatorio η(t) es estacionario y µη(k) y Rηη(k) definidos en las

ecs 2.5 y 2.6 no difieren cuando se calculan sobre diferentes muestras, se dice
que el proceso es ergódico.
De esta forma, la hipótesis de ergodicidad permite sustituir los promedios espaciales

de realizaciones por promedios temporales sobre una realización. La descripción de
un estado de mar a partir de un único registro (realización temporal, ηI(t)), se basa en
admitir que se trata de un proceso ergódico y estacionario.
Utilizando el teorema de Wiener-Khintchine, se ha demostrado (Khintchine, 1934)

que la función de correlación, R(τ), de cualquier proceso estocástico estacionario puede
representarse por
∞
∫−∞
R (τ ) d Φ (σ ) (2.12)
11
donde Φ(σ) es la llamada función de distribución espectral del proceso, la cual es una
función acotada, real y no decreciente. Puede demostrarse que si se cumple la
condición
∞
∫
−∞
Rηη (τ ) dτ <∞ (2.13)
Rηη(τ) puede representarse por la integral de Fourier, tal que

∞
∫ Sηη (σ )e
iστ
Rηη (τ ) = dσ (2.14)
−∞
entonces,
σ
Φ (σ ) = ∫ Sηη (σ )dσ
−∞
(2.15)
d Φ (σ )
S (σ ) = (2.16)
dσ
La función Sηη(σ) se conoce como función de densidad espectral del proceso η(t), y
tiene la propiedad de ser positiva:
Sηη (σ ) ≥ 0 ∀σ (2.17)
De acuerdo con la ec 2.14, R(τ) es la transformada de Fourier de Sηη(σ) y por tanto,

usando la fórmula para evaluar la transformada inversa de Fourier, se obtiene que
∞
1
∫ Rηη (τ )e
− iστ
Sηη (σ ) = dτ (2.18)
2π −∞
En caso de que el proceso Sηη(σ) sea real, como lo es el oleaje, la función Φ(σ) es
una función par y por ende las expresiones dadas en las ecs 2.14 y 2.18 se pueden
escribir como:
∞
Rηη (τ ) = ∫ S (σ ) cos στ dσ (2.19)
0
∞
2
S (σ ) =
π ∫ Rηη (τ )cosστ dτ
0
(2.20)
12
donde S(σ) es la función de densidad espectral, la cual está definida solamente para
σ ≥ 0, y está relacionada con Sηη(σ) por
S (σ ) = 2Sηη (σ ) (2.21)
Por tanto, la expresión 2.19, se puede escribir como

∞
R (0) = ∫ S (σ )dσ (2.22)
0
es decir, el área bajo la curva de S(σ) es igual al valor medio de los desplazamientos
verticales, y admitiendo que µ = 0 resulta que dicha área es igual a la varianza de los
desplazamientos verticales.
A partir de aquí, el momento de orden n del espectro estará considerado como

∞
mn = ∫ σ n S (σ )dσ (2.23)
0
2.2 Modelo matemático-estadístico del oleaje
En 1952, Longuet-Higgins por un lado y Pierson y Marks por otro, propusieron que
los registros de los desplazamientos de la superficie libre del mar, η(t), con respecto
al nivel medio, pueden representarse a través de la suma de gran número de ondas
sinusoidales de diferentes amplitudes, así como de frecuencias y fases aleatorias.
Si no se tuviera en cuenta un parámetro aleatorio, aunque se sumasen infinitas olas de

altura, frecuencia y fase diferente, el conjunto constituiría un fenómeno determinista.
Es claro que el oleaje se representa de una forma más aproximada a la realidad, salvo
en muy raras excepciones, introduciendo una componente aleatoria.
Con dicha suposición, implícitamente se aborda el estudio del oleaje por medio de un
modelo lineal, en consecuencia no es aplicable a casos en que la teoría lineal no es
válida; como ocurre, por ejemplo, con el fenómeno de rotura.
Para estudiar al oleaje, Longuet-Higgins (1952), basado en los trabajos de Rice (1944
y 1945), definió el modelo de fases aleatorias a través de las siguientes hipótesis:
13
El desplazamiento de la superficie libre del agua viene dado como la suma de un gran
número de ondas sinusoidales, de la forma
η (t ) = ∑ηi (t ) = ∑ ai cos(σ i t − ε i ) (2.24)

i i
Las amplitudes de estas ondas se expresan por
a22 j +1 = 2S (σ 2 j +1 ) ⎡⎣σ 2 j +1 − σ 2 j ⎤⎦ (2.25)
donde S(σ) es una función definida en el intervalo (0, ∞), tal que
S (σ ) ≥ 0 ∀σ
lim S (σ ) = 0
σ →∞
∞
y la integral: ∫ S (σ )dσ está acotada.
0
La fase εi es una variable aleatoria con distribución uniforme en el intervalo (0, 2π),
es decir,
dα
Prob (α ≤ ε 2 j +1 < α + dα ) = para 0 ≤ α ≤ α + dα ≤ 2π y cero en el resto.
2π
Como fue demostrado originalmente por Rice (1944 y 1945), y Pierson y Manks
(1952), bajo estas hipótesis el modelo propuesto representa un proceso, η(t),
estacionario gaussiano, es decir, que la superficie libre η(t) está normalmente
distribuida:
η (t ) = ∑ a2 j +1 cos (σ 2 j +1t − ε 2 j +1 ) = ∑ 2 S (σ 2 j +1 ) ⎡⎣σ 2 j + 2 − σ 2 j ⎤⎦ cos (σ 2 j +1t − ε 2 j +1 )
(2.26)
Este modelo puede representarse en forma continua mediante la seudointegral
∞
η (t ) = ∫ cos(σ t − β ) 2S (σ )dσ (2.27)
0
14
La función de correlación del proceso estocástico, definida en la ec 2.24, admitiendo
ergodicidad, resulta:
1∞
T →∞ T ∫
R (τ ) = lim η (t )η (t + τ )dt (2.28)
0
Sustituyendo la ec 2.24 en la 2.28, se obtiene:
1
R (τ ) = ∑
2 i
ai2 cos σ iτ (2.29)
o en forma continua, teniendo en cuenta la ec 2.25:

∞
R (τ ) = ∫ S (σ ) cos στ dσ (2.30)
0
Si se comparan las ecs 2.30 y 2.19, se puede deducir que la función S(σ), introducida
en la segunda hipótesis del modelo matemático-estadístico del oleaje (ec 2.25), es la
función espectral del proceso.
El modelo introducido define a un proceso estocástico estacionario y gaussiano, de

media cero (lo que se comprueba sustituyendo la ec 2.24 en la 2.5 y operando), del
cual también se admite que es ergódico. Puede demostrarse (Doob, 1953) que un
proceso estacionario gaussiano es ergódico si y sólo si la función de densidad
espectral S(σ) es finita para cualquier frecuencia.
2.3 Definición de estado de mar
Un estado de mar se define como aquella situación o periodo de tiempo en que, y

debido a la inercia del fenómeno, se considera que existe un cierto equilibrio entre las
fuerzas generadoras y las fuerzas restauradoras que intervienen, lo cual produce que
su manifestación permanezca aproximadamente en estado estacionario.
Otra definición es la que establece que el estado de mar representa cada una de las
posiciones de la dinámica del oleaje, admitiendo que éstas tienen una variación lo
suficientemente lenta para considerar al proceso como estacionario.
Así pues, el oleaje puede considerarse formado por dos tipos de variaciones:
15
Variación de periodo corto. La variación es muy rápida, del orden de segundos,
durante la cual el proceso se considera estacionario.
Variación de periodo largo. La variación es lenta, del orden de horas, y en ella

evoluciona el estado del mar; hay variación de estado.
En la práctica y con el objeto de obtener muestras estadísticamente representativas,

cuando se registran variaciones de la superficie libre, se debe fijar un periodo de
medición que sea, por un lado, lo suficientemente corto para poder admitir la
hipótesis de estacionariedad y, por otro, lo suficientemente largo para que al analizar
la muestra se tenga un número representativo de olas para su tratamiento. Dicho
periodo se suele fijar en el intervalo de 10 a 20 minutos por cada hora (o más). Los
parámetros estadísticos obtenidos de la muestra se extienden a toda la hora del
intervalo, con lo que se admite que la duración del estado de mar es de esa hora (o
más).
2.4 Descripción estadística temporal y espectral de un estado de mar
Actualmente existen dos vertientes muy extendidas para el tratamiento de una señal
de oleaje, cada una de ellas con sus virtudes y limitaciones, que pueden considerarse
complementarias:
Descripción estadística temporal del estado de mar, la cual considera las

propiedades estadísticas, parámetros y distribuciones de η(t), directamente de una
serie de tiempo.
Descripción estadística espectral del estado de mar, que toma en cuenta el estudio
del espectro y sus propiedades en el dominio de la frecuencia. El espectro o
espectro de energía es una forma de representar cómo está distribuida la energía
del oleaje en función de las frecuencias que integran una señal en particular.
16
3. ANÁLISIS TEMPORAL DE ESTADOS DE MAR
Respetando el orden cronológico en que ha evolucionado el uso de las diferentes

metodologías para el análisis y caracterización de estados de mar, este capítulo se ha
dedicado al análisis de señales en el dominio del tiempo, mientras que el siguiente se
dedica al análisis de las señales en el dominio de la frecuencia.
Otro orden lógico, preferido por muchos autores, es el de omitir el análisis temporal
del oleaje y reconstruir las distribuciones de altura de ola y periodos a partir de
estimaciones teóricas. Sin embargo, esto obliga a la asunción de ciertas hipótesis en el
comportamiento de la correlación entre crestas y valles que componen al oleaje, las
cuales no son siempre acertadas. La visión que sostiene este documento es que ambas
técnicas son complementarias y no excluyentes.
3.1 La muestra
Normalmente, la muestra que se utiliza para realizar la descripción estadística

temporal de un estado de mar es un registro de oleaje medido por un aparato,
usualmente un sensor de presión, ubicado en algún punto del mar. Con carácter
general, es posible afirmar que estos registros tienen un aspecto similar al de la fig
3.1. En esta misma figura, se muestran los parámetros fundamentales que definen al
oleaje, los cuales son la altura de ola, H, y su periodo asociado, T.
En primer término se considera el análisis estadístico de la muestra, con lo que se

calculan, para el caso de las alturas y periodos de ola, los parámetros estadísticos que
se indican a continuación:
17
Número de sucesos N
N
1
Media X =
N
∑X
i =1
i
N
1
Media cuadrática X m2 =
N
∑Xi =1
i
2
Media de los N/n valores mayores X 1/ n
Casos particulares X 1 / 3 valor significante o X 1 / 10 valor un décimo
Valor máximo del parámetro en la muestra Xmáx
Antes de llevar a cabo la evaluación de los parámetros descritos, es necesario realizar

algunas operaciones matemáticas que ayuden a evitar errores en el cálculo y que
además no alteren la información estadística contenida en la muestra. Para ello se
considera la metodología resumida en la tabla 3.1, y en los apartados siguientes se
detalla cada uno de los procesos involucrados.
ηmáx=ξ1
NMM
H H t
ηmín=ξ2
a
T T T
Fig 3.1 Parámetros que definen el oleaje
18
TABLA 3.1 METODOLOGÍA PARA EL ANÁLISIS TEMPORAL DEL OLEAJE
Media
A. Corrección del nivel medio
Lineal
Parabólica
B. Discretización de la señal (separa H y T) • Método de pasos ascendentes por cero
• Método de pasos descendentes por cero
• Método de crestas
• Método de valles
C. Estimación de cruces
D. Evaluación de parámetros y velocidades
orbitales
E. Determinación de la dirección del oleaje Método gráfico con las velocidades
3.1.1 Corrección del nivel medio
Por lo general, los registros de oleaje contienen la influencia de ondas largas; de

mareas, por ejemplo, y en algunos casos llega a ser muy importante su influencia
sobre el nivel medio del registro. Por esta razón, es necesario realizar la corrección de
dicho nivel y evitar una distorsión en el análisis estadístico.
En el dominio del tiempo, existen tres formas muy utilizadas para llevar a cabo la
corrección del nivel medio (Goda, 2000). El procedimiento es el siguiente: se calcula
el valor medio que puede ser de orden cero o promedio aritmético, de primer orden o
una recta o de segundo orden o una parábola. En los dos últimos casos, los
coeficientes de la recta o parábola se pueden obtener aplicando la técnica de mínimos
cuadrados. Una vez calculado el valor medio se resta del valor original de cada uno
de los datos, tal que
ηi _ corregida = ηi _ original − ηi (3.1)
Con el objeto de ejemplificar el procedimiento, a continuación se presentan las

ecuaciones para evaluar el nivel medio.
Media aritmética. Consiste en obtener la media aritmética de la superficie libre para todo
el registro, para posteriormente restarla a cada dato; así, el valor medio se obtiene como
N
1
ηn =
N
∑η n
n =1 (3.2)
19
siendo N el número de puntos de la muestra.
Es conveniente hacer mención de que este criterio es adecuado cuando los efectos de
ondas largas no tienen gran influencia sobre el registro del oleaje.
Corrección lineal. A través del uso de la técnica de ajuste por mínimos cuadrados se
obtiene una expresión que representa una variación lineal del nivel medio, la cual se
utiliza posteriormente para eliminar el efecto de ondas de más largo periodo. La
ecuación para realizar esta corrección es
η n = A0 + A1n : n = 1, 2,...., N
(3.3)
donde
N 2Y0 − N1Y1 N 0Y1 − N1Y0

A0 = , A1 = ,
N 0 N 2 − N12 N 0 N 2 − N12 (3.4)
N N
Nr = ∑ nr , Yr = ∑ n rηn
n =1 n =1 (3.5)
Por ejemplo, este tipo de corrección será adecuado si se tiene un registro de oleaje
superpuesto a una onda de marea semidiurna y dicho registro tiene una duración
mucho menor que el periodo de la marea, y si se encuentra en la franja de ascenso,
zona 1 de la fig 3.2.
Corrección parabólica. Utilizando la técnica de mínimos cuadrados, la ecuación para

realizar una corrección de tipo parabólico es:
η n = B0 + B1n + B2 n 2 : n = 1, 2,..., N (3.6)
donde
1
B0 = ⎡Y0 ( N 2 N 4 − N 32 ) + Y1 ( N 2 N 3 − N1 N 4 ) + Y2 ( N1 N 3 − N 22 ) ⎤ ,
∆⎣ ⎦
1
B1 = ⎡⎣Y0 ( N 2 N 3 − N1 N 4 ) + Y1 ( N 0 N 4 − N 22 ) + Y2 ( N1 N 2 − N 0 N 3 ) ⎤⎦
∆
1
B2 = ⎡⎣Y0 ( N1 N 3 − N 22 ) + Y1 ( N1 N 2 − N 0 N 3 ) + Y2 ( N 0 N 2 − N12 ) ⎤⎦
∆
∆ = N 0 N 2 N 4 + 2 N1 N 2 N 3 − N 23 − N 0 N 32 − N12 N 4 (3.7)
20
η
Zona 2
Zona 1 Zona 1
t
Periodo de marea semidiurna
6h
Fig 3.2 Marea semidiurna
Este tipo de corrección se emplea en los casos en los que, además de que la carrera de
marea es importante, la muestra de oleaje que se desea analizar tiene una influencia
que se puede ajustar a una parábola. Por ejemplo, si se tiene un registro de oleaje
ubicado en la zona 2 de la fig 3.2.
Si en un registro se observa la influencia de variaciones de periodo largo, del orden

de minutos, para la determinación correcta del nivel medio se deberá aplicar un filtro
espectral, que será explicado más adelante.
Ejemplo. Utilizando los datos de una señal de oleaje, tabla 3.2 o fig 3.3, corregir la
señal utilizando cada uno de los métodos de corrección del nivel medio.
TABLA 3.2 SEÑAL DE OLEAJE SIN CORRECCIÓN DEL NIVEL MEDIO

I ti ηi i ti ηi i ti ηi i ti ηi
1 0.0 0.4891 9 4.0 0.6317 17 8.0 0.4378 25 12.0 -0.0255

2 0.5 0.4723 10 4.5 0.5040 18 8.5 0.5057 26 12.5 -0.1303
3 1.0 0.5085 11 5.0 0.3854 19 9.0 0.5589 27 13.0 -0.1567
4 1.5 0.5899 12 5.5 0.3022 20 9.5 0.5790 28 13.5 -0.1072
5 2.0 0.6872 13 6.0 0.2653 21 10.0 0.5475 29 14.0 -0.0102
6 2.5 0.7617 14 6.5 0.2717 22 10.5 0.4545 30 14.5 0.0918
7 3.0 0.7813 15 7.0 0.3104 23 11.0 0.3075 31 15.0 0.1589
8 3.5 0.7340 16 7.5 0.3692 24 11.5 0.1339 32 15.5 0.1686
21
0.8
0.6
0.4
η(m)
0.2
0.0
-0.2 0 4 8 12 16
t(s)
Fig 3.3 Señal de oleaje sin corrección del nivel medio
Solución
Corrección de la señal usando la media aritmética, ec 3.2,
N
1 11.5779 m
ηi =
N
∑η
i =1
i =
32
= 0.3618 m
Antes de realizar la corrección del nivel medio utilizando la ecuación de una recta
(3.3), o una parábola (3.6), se deben de evaluar los siguientes parámetros:
N0 = 32
N1 = 528
N2 = 11 440
N3 = 278 784
N4 = 7 246 096
Y0 = 11.5779 m
Y1 = 133.1205 m
Y2 = 2 122.4531 m
Sustituyendo estos valores en las ecs 3.4 y 3.3, se obtiene, para el caso de la
corrección lineal:
22
N 2Y0 − N1Y1 (11440 )(11.5779 m ) − ( 528 )(133.1205 m )
A0 = = = 0.7121m
N 0 N 2 − N12 ( 32 )(11440 ) − ( 528)
2
N 0Y1 − N1Y0 ( 32 )(133.1205 m ) − ( 528 )(11.5779 m )

A1 = = = −0.0212 m
N 0 N 2 − N12 ( 32 )(11440 ) − ( 528 )
2
ηi = A0 + A1n = 0.7121m + ( −0.0212 m ) n : n = 1, 2,....,16
Para la corrección parabólica, se tienen que evaluar primero los parámetros B0, B1, B2
y ∆, definidos en la ec 3.7:
∆ = 16 193 757 184
1
B0 = ⎡Y0 ( N 2 N 4 − N 32 ) + Y1 ( N 2 N 3 − N1 N 4 ) + Y2 ( N1 N 3 − N 22 ) ⎤ ,
∆⎣ ⎦
11.5779 ( (11440)(7246096) − (278784) 2 ) + 133.1205 ( (11440)(278784) − (528)(7246096) )
=
16193757184
2121.4531( (528)(278784) − (11440) 2 )
+ = 0.6058 m
16193757184
1
B1 = ⎡Y0 ( N 2 N 3 − N1 N 4 ) + Y1 ( N 0 N 4 − N 22 ) + Y2 ( N1 N 2 − N 0 N 3 ) ⎤
∆⎣ ⎦
11.5779 ( (11440)(278784) − (528)(7246096) ) + 133.1205 ( (32)(7246096) − (11440) 2 )
=
16193757184
2121.4531( (528)(11440) − (32)(278784) )
+ = −0.0025 m
16193757184
1
B2 = ⎡Y0 ( N1 N 3 − N 22 ) + Y1 ( N1 N 2 − N 0 N 3 ) + Y2 ( N 0 N 2 − N12 ) ⎤
∆⎣ ⎦
11.5779 ( (528)(278784) − (11440) 2 ) + 133.1205 ( (528)(11440) − (32)(278784) )
=
16193757184
2121.4531( (32)(11440) − (528) 2 )
+ = −0.0006 m
16193757184
ηi = B0 + B1n + B2 n 2 =(0.6058 m) n + (-0.0025 m)n + (-0.0006 m) n n = 1, 2,...,16
23
0.4
0.2
η(m)
0.0
-0.2 0 4 8 12 16
t(s)
-0.4
Fig 3.4 Resultados de la señal corregida: ■ media aritmética, ▲ línea recta y

● parabólica
En la fig 3.4 se representan gráficamente los resultados obtenidos al aplicar la corrección

del nivel medio de la señal, (ec 3.1), utilizando los tres métodos antes expuestos. En esta
figura se puede observar que las diferencias entre la utilización de un método u otro
pueden ser muy grandes; de hecho, si no se conoce bien el mecanismo que genera dicha
variación, a priori resulta más conveniente utilizar una corrección de tipo parabólico.
3.1.2 Caracterización de la señal
Una vez que se ha corregido el nivel medio, se debe caracterizar la señal, esto es,
calcular las alturas y los periodos de ola individuales. Para este propósito existen
diversos métodos, que se enuncian a continuación:
3.1.2.1 Método de pasos ascendentes por cero
Para la implementación de este método se determinan los pasos ascendentes a través

del siguiente criterio:
ηi ⋅ ηi +1 < 0 y ηi +1 > 0 (3.8)
donde ηi representa el iésimo dato de la elevación de la superficie después de la

corrección del nivel medio. El tiempo en el cual cruza el nivel medio se determina
por medio de una interpolación lineal entre el tiempo de muestreo de ηi y ηi+1. La
diferencia temporal de este punto al siguiente paso ascendente define el periodo.
24
La condición para definir un máximo en el perfil es
ηi −1 < ηi y ηi > ηi +1 (3.9)
Con el fin de eliminar el problema de subestimación del máximo real entre dos
puntos discretos, deben ser estimados el tiempo y la elevación máxima después de
ajustar la curva parabólica en función de tres puntos ηi-1, ηi y ηi+1. La ecuación para
el ajuste parabólico se puede expresar como
B2 ∆t B
η máx = C − , y tmáx = ti − (3.10)
4A 2A
donde
1 1
A= (ηi −1 − 2ηi + ηi +1 ) , B= (ηi +1 − ηi −1 ) , C = ηi (3.11)
2 2
Para determinar la altura de ola, el punto más alto sobre la elevación de la superficie
libre debe ser encontrado dentro del intervalo entre dos pasos ascendentes Una vez
que se identificó este punto, se denota como ηi y entonces ηmáx es estimada por medio
de las ecs 3.10 y 3.11. El punto más bajo o valle de la elevación, ηmín, es calculado por
medio de un proceso similar, y la altura de ola es calculada como la resta del valor
máximo menos el mínimo, ηmáx y ηmín.
En la fig 3.5 se presenta el procedimiento de forma gráfica.
Máximo
2.5 positivo
2.0
1.5
1.0 Segundo
cruce
0.5
η ( m)
0.0 t (s)
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0
-0.5
-1.0 Primer
-1.5 cruce
-2.0
Máximo
-2.5 negativo
Fig 3.5 Discretización de la altura de ola utilizando el método de pasos ascendentes
25
Ejemplo. Considere el segmento de una señal arbitraria con las variaciones de la
superficie libre (tabla 3.3), y evalúe las alturas de la cresta y valle, los tiempos en los
cuales se producen los pasos ascendentes, y determine la altura y periodo de dicha
onda.
El primer cruce ascendente se da entre η1 y η2. El tiempo en que esto ocurre, ta, se
obtiene como
ηi +1 ti − ηi ti +1 ( 0.097 m )( 0s ) − ( −0.200 m )( 0.5s )

ta = = = 0.3367 s
ηi +1 − ηi ( 0.097 m ) − ( −0.200 m )
TABLA 3.3 SEÑAL DISCRETA DE OLEAJE
i ti (s) ηi (m) i ti (s) ηi (m) I ti (s) ηi (m)

1 0.0 -0.200 6 2.5 1.691 11 5.0 -1.935
2 0.5 0.097 7 3.0 1.052 12 5.5 -0.964
3 1.0 0.551 8 3.5 -0.242 13 6.0 0.283
4 1.5 1.399 9 4.0 -1.489 14 6.5 1.397
5 2.0 1.872 10 4.5 -2.069
El segundo cruce ascendente se da entre η12 y η13, en el tiempo tb,
tb =
( 0.283m )( 5.5s ) − ( −0.964 m )( 6.0s ) = 5.8865s
( 0.283m ) − ( −0.964 m )
Por tanto, el periodo de onda es la diferencia entre los tiempos ta y tb:
T = tb − ta = 5.8865 s − 0.3367 s =5.5498 s
Para evaluar la altura de ola, primero se calcula el máximo positivo en dicho

intervalo:
1 1
A= (ηi −1 − 2ηi + ηi +1 ) = (1.399 − 2 (1.872 ) + 1.691) = −0.327 m
2 2
1 1
B= (ηi +1 − ηi −1 ) = (1.691 − 1.399 ) = 0.146 m
2 2
26
C = ηi = 1.872 m
tmáx = ti −
∆tB
= 2.0 −
( 0.5)( 0.146 ) = 2.1116s
2A 2 ( −0.327 )
( 0.146 ) = 1.8883m
2
B2
η máx =C− = 1.872 −
4A 4 ( −0.327 )
Ahora, el máximo negativo se evalúa como:
1 1
A= (ηi −1 − 2ηi + ηi +1 ) = ( −1.489 − 2 ( −2.069 ) − 1.935) = 0.357 m
2 2
1 1
B= (ηi +1 − ηi −1 ) = ( −1.935 + 1.489 ) = −0.223m
2 2
C = ηi = −2.069 m
tmín = ti −
∆tB
= 4.5 −
( 0.5)( −0.223) = 4.6562s
2A 2 ( 0.357 )
( −0.223) = 2.1038 m
2
B2
η mín =C− = −2.069 −
4A 4 ( 0.357 )
De tal forma que la altura de ola, H, es la diferencia entre los máximos positivo y
negativo,
H = η máx − η mín = 1.8883 + 2.1038 = 3.9921m
3.1.2.2 Método de pasos descendentes por cero
Este método es análogo al de pasos ascendentes por cero, la única diferencia estriba
en que ahora las olas se definen en el cambio de signo de positivo a negativo, como
se puede ver en la fig 3.6.
27
0.3 Punto de paso descendente por cero
0.2
0.1
t
η 0
η
0 20 40 60 80
-0.1
-0.2
-0.3 1 2 3 4 5 6 7 8 9 10
Número de ola
Fig 3.6 Definición de olas con el método de pasos descendentes
El criterio para definir cada ola es el siguiente:
ηi ⋅ηi +1 < 0 y ηi-1 > 0 (3.12)
3.1.2.3 Método de distancia entre crestas
Debido a la asimetría natural que se presenta en el oleaje, es decir, a que no se tiene el

mismo número de puntos del lado positivo que del negativo, el IAHR (1989)
recomendó que una altura de ola se debe definir a partir de la distancia entre cresta y
cresta de la serie, tal como se muestra en la fig 3.7.
Como resultado de este procedimiento, si se compara con el método de pasos

ascendentes o descendentes por cero, se contabilizan un mayor número de olas. Sin
embargo, tiene el inconveniente de agregar a la estadística olas pequeñas que suelen
distorsionar los resultados.
3.1.2.4 Método de distancia entre valles
Este método es análogo al de la distancia entre crestas, la diferencia estriba en

encontrar los mínimos para separar las olas, como se muestra en la fig 3.8.
28
0.3 1 2 3 4 5 6 7 8 9 10 11 12 13 Número de ola
0.2
0.1
t
η 0
η
0 20 40 60 80
-0.1
-0.2
-0.3
Fig3.7 Definición de olas por el método de distancia entre crestas
0.3
0.2
0.1
t
η 0
η
0 20 40 60 80
-0.1
-0.2
-0.3
1 2 3 4 5 6 7 8 9 10 11 12 Número de ola
Fig 3.8 Separación de olas por medio del método de valles
3.1.3 Determinación de parámetros del oleaje
Los parámetros estadísticos más importantes para definir un estado de mar a partir de
una serie de tiempo son:
La variación del nivel medio del mar:

N
1
η (t ) =
N
∑η
i =1
i (3.13)
donde
ηi elevación de la superficie libre del mar en el tiempo ti

N número de eventos o muestras.
29
La variación de la media cuadrática (la varianza) de superficie del agua, ηrms
2
:
N
1
η 2
rms =
N
∑η
i =1
i
2
(3.14)
La altura media y el periodo medio:

N0
1
H=
N0
∑H
i =1
i (3.15)
N0
1
T =
N0
∑T
i =1
i (3.16)
donde
N0 número de olas individuales de todo el registro

Hi altura de ola
Ti periodo de ola.
La altura cuadrática media, Hrms, queda definida por:
N0
1
H rms =
N0
∑H
i =1
i
2
(3.17)
La falta de oblicuidad o asimetría es evaluada a través de la siguiente expresión:

N
1
Skw =
N 0ηrms
3 ∑η
i =1
3
i (3.18)
Para evaluar otros parámetros relevantes, como los estadísticos de orden, significante,
un décimo, etc, primero se ordenan, en función de la altura de ola, de mayor a menor los
valores correspondientes de altura-periodo de ola (H,T), de manera que, por ejemplo:
la altura de ola un medio, H1/2, es el promedio del 50 % de las olas más altas
la altura un tercio o significante, Hs = H1/3, está definida como la media
aritmética del 33 % de las alturas de ola más altas
la altura de ola un décimo, H1/10, es el promedio del 10 % de las olas más altas
la altura de ola un centésimo, H1/100, es el promedio del 1 % de las olas más altas
la altura de ola un milésimo, H1/1000, es el promedio del 0.1 % de las olas más
altas, etcétera.
30
Mientras que, para el caso de los periodos:
el periodo de ola un medio, T1/2, es el promedio de los periodos asociados al

50 % de las olas más altas de un registro
el periodo de ola un tercio o significante, T1/3 = Ts, es el promedio de los
periodos asociados al 33 % de las olas más altas de un registro
el periodo de ola un décimo, T1/10, es el promedio de los periodos asociados al
10 % de las olas más altas de un registro
el periodo de ola un centésimo, T1/100, es el promedio de los periodos asociados
al 1 % de las olas más altas de un registro
el periodo de ola un milésimo, T1/1000, es el promedio de los periodos asociados
al 0.1 % de las olas más altas de un registro, etcétera.
En ocasiones, para evaluar las estadísticas de los periodos de ola se aplica el mismo criterio
que para las alturas de ola. Sin embargo, en ingeniería y sobretodo en el proceso de diseño
o caracterización, lo más conveniente es asociar las alturas con los periodos de ola.
Otro parámetro importante de calcular en las series ordenadas son las estadísticas de
orden Hi:q, donde q es el número de muestras e i es el lugar que ocupa desde el inicio,
de tal forma que, por ejemplo, el estadístico de orden 1, H1:q, corresponde al valor
máximo de la muestra, que también se conoce como altura de ola máxima, Hmáx.
Ejemplo. Utilizando los datos ya ordenados de mayor a menor altura de ola y periodos
que se presentan en la tabla 3.4, evalúe los siguientes parámetros estadísticos: número
de olas (N0), altura máxima de ola y su periodo de ola asociado (Hmáx, Tmáx), la altura de
ola y periodo de ola de orden 1: N0 (H1: No, T1: No), altura de ola y periodo de ola
significantes (Hs, Ts) y los valores representativos de altura de ola y periodos un medio,
un tercio, un décimo y un centésimo (H1/2, H1/3, H1/10, H1/100, T1/2, T1/3, T1/10, T1/100).
Solución. Directamente de la tabla 3.4 se puede evaluar:
Número de olas,
N0 = 154
En cuanto a las alturas de ola, los resultados son:
La altura máxima de ola,
Hmáx = H1 = H1:154 = 2.32 m
31
TABLA 3.4 DATOS DE ALTURAS Y PERIODOS DE ONDA ASOCIADOS
i H(m) T(s) i H(m) T(s) i H(m) T(s) i H(m) T(s)
1 2.320 8.74 40 1.175 6.93 79 0.835 12.70 118 0.576 11.85
2 2.308 8.64 41 1.154 10.74 80 0.830 9.87 119 0.575 9.76
3 2.154 9.61 42 1.151 11.29 81 0.829 10.96 120 0.570 5.20
4 2.104 9.80 43 1.134 9.24 82 0.826 7.15 121 0.565 5.44
5 2.029 9.54 44 1.127 8.24 83 0.821 10.64 122 0.553 4.70
6 1.888 8.74 45 1.120 8.36 84 0.818 12.17 123 0.550 8.63
7 1.716 8.74 46 1.118 11.17 85 0.783 12.90 124 0.543 12.08
8 1.654 9.45 47 1.100 9.40 86 0.783 4.36 125 0.528 8.29
9 1.636 10.60 48 1.099 7.22 87 0.779 7.56 126 0.517 11.46
10 1.630 9.70 49 1.088 11.18 88 0.762 9.53 127 0.508 9.65
11 1.622 11.10 50 1.083 6.86 89 0.760 9.76 128 0.507 5.02
12 1.589 8.27 51 1.066 12.78 90 0.757 8.82 129 0.502 9.41
13 1.533 7.78 52 1.059 10.95 91 0.752 6.18 130 0.490 5.38
14 1.533 10.18 53 1.057 8.19 92 0.741 10.60 131 0.489 7.46
15 1.484 8.72 54 1.037 8.94 93 0.728 6.29 132 0.485 8.94
16 1.484 10.61 55 1.030 9.45 94 0.728 11.40 133 0.481 4.51
17 1.482 9.66 56 1.027 11.16 95 0.718 8.30 134 0.478 3.69
18 1.443 9.75 57 1.008 10.82 96 0.718 6.70 135 0.464 4.61
19 1.433 10.06 58 0.970 9.39 97 0.717 10.15 136 0.441 5.04
20 1.414 7.87 59 0.969 10.05 98 0.707 8.26 137 0.424 4.40
21 1.412 8.72 60 0.969 9.62 99 0.700 4.99 138 0.372 5.54
22 1.398 9.22 61 0.948 9.40 100 0.691 10.36 139 0.348 6.98
23 1.388 9.51 62 0.930 9.02 101 0.683 9.13 140 0.342 5.70
24 1.380 8.10 63 0.929 8.91 102 0.678 5.07 141 0.305 5.30
25 1.347 9.32 64 0.927 9.58 103 0.673 9.12 142 0.292 6.40
26 1.339 8.53 65 0.907 6.20 104 0.662 4.71 143 0.273 4.44
27 1.337 9.87 66 0.905 6.92 105 0.660 10.23 144 0.267 3.45
28 1.329 7.93 67 0.886 10.09 106 0.657 5.76 145 0.251 2.69
29 1.314 10.22 68 0.881 9.35 107 0.656 10.77 146 0.247 2.85
30 1.312 9.54 69 0.877 5.92 108 0.652 7.17 147 0.238 5.29
31 1.292 9.64 70 0.854 7.39 109 0.632 7.85 148 0.199 4.09
32 1.281 8.36 71 0.853 11.07 110 0.631 11.21 149 0.165 2.36
33 1.279 9.06 72 0.853 9.96 111 0.626 10.71 150 0.157 3.21
34 1.233 9.42 73 0.853 10.13 112 0.617 11.06 151 0.150 2.48
35 1.232 8.12 74 0.850 10.15 113 0.614 7.07 152 0.136 2.17
36 1.218 8.89 75 0.844 10.21 114 0.592 12.93 153 0.100 2.49
37 1.217 8.05 76 0.840 10.85 115 0.589 8.78 154 0.090 2.21
38 1.195 8.61 77 0.837 7.22 116 0.583 4.32
39 1.193 10.71 78 0.837 9.30 117 0.582 8.30
Altura media de ola,

1 154
H= ∑ H i = 0.904 m
154 i =1
32
Altura cuadrática media,
1 154 2
H rms = ∑ H i = 1.011m
154 i =1
Altura de ola un medio,
2 77
H1/ 2 = ∑ H i = 1.255 m
154 i =1
Altura de ola significante o un tercio,
3 ⎛ 51 1 ⎞
H s = H1/ 3 = ⎜ ∑
154 ⎝ i =1
H i + H 52 ⎟ = 1.421m
3 ⎠
Altura de ola un décimo,
10 ⎛ 15 ⎞
H1/10 = ⎜ ∑
154 ⎝ i =1
H i + 0.4 H16 ⎟ = 1.805 m
⎠
Altura de ola un centésimo,
100
H1/100 = ( H1 + 0.54 H 2 ) = 2.316 m
154
Mientras que los valores de los periodos correspondientes a las alturas de ola son:
Periodo de ola máxima,
Tmáx = T1 = T1:154 = 8.74 s
Periodo de ola media,
1 154
T = ∑ Ti = 8.31s
154 i =1
Periodo de ola un medio,
2 77
T1/ 2 = ∑ Ti = 9.27 s
154 i =1
33
Periodo de ola significante o un tercio,
3 ⎛ 51 1 ⎞
Ts = T1/ 3 = ⎜ ∑
154 ⎝ i =1
Ti + T52 ⎟ = 9.28s
3 ⎠
Periodo de ola un décimo,
10 ⎛ 15 ⎞
T1/10 = ⎜ ∑
154 ⎝ i =1
Ti + 0.4T16 ⎟ = 9.34s
⎠
Periodo de ola un centésimo,
100
T1/100 = (T1 + 0.54T2 ) = 8.70s
154
Siguiendo el mismo ejemplo, conviene aquí presentar las formas convencionales de

evaluar las probabilidades de presentación de un evento: La primera manera es
reportar la probabilidad de forma discreta. Para ello, se dividen los datos en rangos la
altura o periodos de ola y se genera una tabla que refleje el número o porcentaje, sea
individual, por rango, acumulado o de excedencia. En las figs 3.9 y 3.10, se ilustran
los resultados de evaluar el número de olas y su porcentaje individual y acumulado,
respectivamente, según el ejemplo presentado en la tabla 3.4.
Aunque el método anterior proporciona una forma muy sencilla de conocer las
probabilidades, lo usual es presentar los resultados de manera continua y para ello la
probabilidad acumulada, P, se puede evaluar mediante la siguiente expresión:
n
Pn = (3.19)
N0 + 1
donde n es igual a n = N0 – i +1, siendo i el orden de mayor a menor que ocupa H o T

en la serie.
Es conveniente mencionar que la probabilidad de excedencia PE, es igual a la

probabilidad acumulada menos uno, PE = P-1.
34
30 20
28
18
26
24 16
22
Probabilidad (%)
14
20
Número de olas
18 12
16
10
14
12 8
10
6
8
6 4
4
2
2
0 0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
H (m )
Fig3.9 Ejemplo de probabilidad discreta por rangos de altura de ola
100
150
140 90
130
120 80
110 70
Probabilidad (%)
100
Número de olas
90 60
80 50
70
60 40
50 30
40
30 20
20
10
10
0 0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
H (m )
Fig 3.10 Ejemplo de probabilidad acumulada discreta de alturas de ola
Para evaluar la función de distribución de probabilidad de la altura de ola o periodo,

H o T, la primera parte del procedimiento es igual que en el caso discreto, pero
además, se considera que el valor medio es representativo del rango y se divide por la
diferencia entre el valor máximo y mínimo del intervalo.
Siguiendo el mismo ejemplo de la tabla 3.4, en la fig 3.11 se presentan los resultados
de evaluar la probabilidad acumulada y la densidad de probabilidad de alturas de ola.
Nótese que la densidad de probabilidad lleva unidades y que el área bajo la curva de
un intervalo específico o de todo el intervalo es igual a la probabilidad.
35
1.0 1.0
0.9 0.9
0.8 0.8
Densidad de probabilidad (1/m)

0.7 0.7
0.6 0.6
Probabilidad
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.0 0.0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
H (m) H (m)
Fig 3.11 Ejemplo de probabilidad acumulada y densidad de probabilidad de alturas de ola
De la misma forma que se ha realizado la evaluación de la densidad de probabilidad,

p, y la probabilidad acumulada, P, para las alturas de ola, el mismo procedimiento se
sigue para estimar el periodo de ola o la estimación conjunta altura-periodo.
3.1.4 Determinación de parámetros de las velocidades orbitales
Es común que cuando los equipos de medición proporcionan datos de corriente se

determine el valor máximo y la media para ambas componentes. A partir de las
siguientes expresiones, se puede evaluar el valor medio:
N
1
Ux =
N
∑Ux
i =1
i (3.20)
N
1
Uy =
N
∑Uy
i =1
i (3.21)
3.1.5 Determinación de la dirección del oleaje
En la naturaleza, normalmente el oleaje no se propaga en una dirección específica, por el

contrario, se distribuye a lo largo de varias direcciones, dependiendo de factores como la
intensidad del viento, que el oleaje se encuentre en el área de generación o no, efectos de
refracción, difracción, reflexión, por citar algunos de los más importantes. Para mediciones
de oleaje cerca de la costa, fuera del área de generación, la dirección del oleaje tiende a
36
asemejarse a la dirección del viento; sin embargo, para determinarla a través de las mediciones
temporales, se utilizan los datos de velocidades orbitales asociadas al oleaje. La meto-
dología para lograr esto se basa principalmente en utilizar los registros de Ux y Uy, junto
con el dato de brújula para determinar la orientación del sistema de referencia del equipo.
En la fig 3.12, se muestra un esquema tipo de la ubicación de un aparato de medición

cerca de la costa, y se puede observar que los ejes que conforman el sistema de referencia
del aparato están rotados con respecto al norte, este ángulo es el dato que normalmente se
almacena en la brújula y se emplea para obtener la dirección del oleaje respecto al norte.
A continuación se presenta la metodología recomendada para determinar la dirección

del oleaje a partir de datos temporales de velocidad:
1. Obtener las velocidades orbitales, Ux y Uy
2. Estimar los valores medios por registro
3. Dibujar ambas velocidades en el sistema de referencia del aparato XY
4. Rotar el sistema de referencia XY los grados que indica la brújula en el aparato
5. Determinar el sentido del oleaje de acuerdo con la posición de la costa.
Fig 3.12 Ubicación de un aparato de medición en la costa
37
N
Ux (cm/s )
Uy (cm/s )
Compás (ρ)
Orientación del sistema de referencia del
aparato con respecto al Norte
O E
Dirección predominante
respecto al Norte 130º
Este-Sur-Este
S
Fig 3.13 Determinación de la dirección a partir de las velocidades orbitales
En la fig 3.13 se presenta un ejemplo con datos medidos en las costas de Cancún,
Quintana Roo. Se puede observar que si se dibuja la correlación entre los dos
componentes de velocidad (Ux y Uy), tal como aparece en la fig 3.13, se obtiene una
línea de tendencia muy clara; sin embargo, de acuerdo con el resultado existen dos
probables sentidos que se pueden asociar al oleaje a partir de sus velocidades
orbitales, éstos son este-sur-este y oeste-norte-oeste. El sentido, y por tanto la
dirección correcta, se conoce a partir de la posición de la costa, que se encuentra del
lado izquierdo del Norte con una deflexión de 12° con respecto a éste.
38
8.7
8.6
8.5
η (m)
8.4
8.3
8.2
0 100 200 300 400 500
Tiempo (s)
Fig 3.14 Ejemplo de un registro de oleaje con agrupamiento
3.1.6 Agrupamiento del oleaje
Estudios recientes han comprobado que la caracterización de un estado de mar puede

ser más adecuada si se analizan factores como el agrupamiento de las olas en un
registro de oleaje, pues a pesar de su naturaleza aleatoria, se sabe que las olas de
mayor magnitud no se dan de forma individual sino que tienden a aparecer en grupos
o paquetes de olas que poseen mayor energía. Como ejemplo, la fig 3.14 muestra un
perfil de oleaje que exhibe dicho agrupamiento.
En 1987, Johnson et al (1978) mostraron que dicho fenómeno es muy relevante, pues
se sabe que tiene influencia en:
El número de olas necesarias para generar resonancia en las estructuras o para

voltear embarcaciones
La estabilidad de las piezas del manto de rompeolas y estructuras de protección

costera.
Además, algunos autores, como Goda (2000), han hecho notar que un agrupamiento
bien desarrollado de un campo de oleaje está regularmente asociado a la presencia de
ondas de periodo largo.
El agrupamiento del oleaje puede ser cuantitativamente descrito si se agrupan conjuntos

de olas que exceden un cierto valor umbral de altura de ola, Hc. A la sucesión de estas
alturas de ola se les denomina paquetes de alturas de ola de magnitud importante y el
número de olas que constituyen el conjunto se conoce como longitud del conjunto.
39
j1
1.6
Altura de ola (m)
1.2
0.8
0.4
Hc
0.0
0 25 50 75 100 125 150

Número de ola
Fig 3.15 Definición de los paquetes de olas
La fig 3.15 es un esquema que define gráficamente un conjunto de olas, su longitud, j1, y
el valor umbral que los define. Como se observa, los paquetes se delimitan de forma muy
parecida a como se define el periodo por medio del método de pasos ascendentes por cero.
Existe otro método para describir el agrupamiento del oleaje, mediante la envolvente
de energía del oleaje, que fue originalmente desarrollado por Funke y Mansard (1979).
Ellos proponen una función envolvente conocida como SIWEH (Smoothed instantaneous
wave energy history). Se seleccionó este nombre para evitar confusiones con respecto a
otras energías del oleaje, pues cada palabra describe una característica en particular, Historia
de energía de ondas instantánea suavizada; así, historia hace referencia a que se trata
de una función del tiempo, instantánea se refiere a que la energía está dada para un instante
determinado y suavizado implica una operación de suavizado. Se define al SIWEH como
Tp
1
E (t ) = ∫ η 2 ( t + τ ) Q1 (τ ) ∂τ para Tp ≤ t ≤ Tn − Tp (3.22)
T τ =Tp
donde Tn es el tiempo total del registro. Para el inicio y el final, se tiene:

Tp
2
E (t ) = ∫ t η (t + τ )Q1 (τ )∂τ para 0 ≤ t ≤ Tp
2
(3.23)
Tp + t τ =−
T −1
2 n
E (t ) = ∫
Tp + t τ =−Tp
η 2 (t + τ )Q1 (τ )∂τ para Tn − Tp ≤ t ≤Tn (3.24)
40
Para estos casos, se utiliza:
τ
Q1 (τ ) = 1 − para − Tp ≤ τ < Tp
Tp (3.25)
Q1 = 0 para los demás valores.
El factor de agrupamiento se obtiene a partir del SIWEH, por medio de la siguiente

expresión:
mε 0
GF = (3.26)
m0
Tn
∫ ( E (t ) − E )
1 2
∂τ
Tn
GF = 0
(3.27)
E
donde mε0 y m0 son los momentos de orden cero de la función de densidad espectral
del SIWEH y dentro del oleaje original respectivamente.
Las figs 3.16, 3.17 y 3.18 presentan el aspecto que guardan tres señales con diferente
factor de agrupamiento, 1.46, 0.78 y 0.14.
1.50
1.00
0.50
η (m )
0.00
-0.50
-1.00
-1.50
1.50
SI W E H (m 2 )
1.00
0.50
0.00
0 200 400 600 800 1000 1200
T iem p o (s)
Fig 3.16 Ejemplo de SIWEH con un factor de agrupamiento GF = 1.46
41
1.50
1.00
0.50
η (m)
0.00
-0.50
-1.00
-1.50
1.50
SIWEH (m 2 )
1.00
0.50
0.00
0 200 400 600 800 1000 1200
Tiemp o (s)
1.50
1.00
0.50
η (m)
0.00
-0.50
-1.00
-1.50
1.50
SIW EH (m 2 )
1.00
0.50
0.00
0 200 400 600 800 1000 1200
Tiem p o (s)
Como puede observarse, a medida que el oleaje es más regular, el factor de agrupa-
miento tiende a valores más pequeños.
A manera de resumen, en la fig 3.19 se presenta un diagrama de flujo para llevar a

cabo la metodología necesaria para realizar el análisis temporal del oleaje.
42
9.8
Señal de oleaje
Presión (m)
9.6
9.4
0 200 400 600 800 1000
9.2 Tiempo (s)
Corrección del nivel medio

1. Media
2. Lineal
3. Parabólica
Análisis temporal
Discretización de la señal:
1. Pasos ascendentes
2. Pasos descendentes
3. Distancia entre crestas
4. Distancia entre valles
Evaluación de parámetros y
velocidades orbitales
Ej. Hrms, Hs, Hmáx, T, Tp, ux, uy
Determinación de la
dirección del oleaje
Fig 3.19 Diagrama de flujo para el análisis temporal de señales de oleaje sin
considerar la evaluación del agrupamiento del oleaje
43
4. ANÁLISIS ESPECTRODIGITAL DE SERIES TEMPORALES
Este modelo matemático del oleaje supone que una señal de superficie libre del mar
es resultado de la suma de un gran número de ondas sinusoidales, cuyas amplitudes
vienen dadas por:
ai2 = 2 S ( fi ) ∆fi (4.1)
donde S( fi ) es la densidad espectral de energía (subcap 4.4), y ai es la amplitud de

una onda cualquiera.
Si se asume válida la aplicación de la teoría lineal de Airy (1845), es posible afirmar

que la energía contenida en la banda de frecuencia ∆f está asociada a una onda,
obtenida por unidad de superficie, que se define como:
1 1 1
ρ gH 2 = ρ ga 2 = γ a 2 (4.2)
8 2 2
donde γ representa el peso específico del agua de mar.
Al sustituir la ec 4.1 en la 4.2, la energía por unidad de superficie contenida en la

banda de frecuencias ∆ f i se expresa:
1
γ ⎡ 2S ( fi ) ∆fi ⎤⎦ (4.3)
2 ⎣
con lo que la energía total del oleaje por unidad de superficie será:
1 ⎡ ⎤
γ ⎢ ∑ 2 S ( f i ) ∆f i ⎥ (4.4)
2 ⎣ i ⎦
Si se representa la sumatoria como una integral, la energía total del oleaje por unidad
de superficie es expresada por:
∞
Energía = γ ∫ S (ω ) dω (4.5)
0
45
Se puede afirmar que el fenómeno queda perfectamente definido a través del espectro
si se aceptan las hipótesis estadísticas que permiten estudiarlo. La precisión en el
cálculo de la función de distribución espectral es muy importante para la validación
del estudio a través de este tipo de análisis. La elección del tratamiento al cual será
sometida la serie es, en consecuencia, bastante subjetiva y en cada caso debe
estudiarse la resolución espectral y el nivel de confianza que se desea tener para la
estimación de los parámetros.
Para calcular los valores del espectro se utilizan las series de Fourier. A fin de
simplificar este procedimiento se utiliza la transformada rápida de Fourier (FFT)
(verbigracia, Bendat y Piersol, 1986), la cual reduce en gran medida el número de
operaciones necesarias para su obtención; este algoritmo tiene como base la
propiedad de la transformada discreta de Fourier (DFT) que permite calcular la FFT
de una sucesión a través de la DFT de subsucesiones más cortas.
En la tabla 4.1 se presenta la metodología para realizar un análisis del oleaje bajo esta
perspectiva.
Para realizar un análisis espectral adecuado es conveniente que los registros

contengan al menos 100 olas y que el intervalo de muestreo sea de una décima a una
vigésima parte del periodo significante. Una vez seleccionado el intervalo de
muestreo, ∆t, la frecuencia máxima, conocida como frecuencia de Nyquist, para la
cual el espectro es estimado se determina por la expresión:
1
fc = (4.6)
2∆t
TABLA 4.1 METODOLOGÍA PARA EL ANÁLISIS ESPECTRAL DEL OLEAJE

A. Corrección del nivel medio • Media
• Ec lineal
• Ec parabólica
• Filtro espectral
B. Aplicación de una función ventana • Ventana tipo trapezoide
• Ventana tipo coseno
C. Estimación de las componentes de Fourier
D. Cálculo del espectro de energía
E. Suavizado del espectro de energía
F. Parámetros espectrales
G. Estimación de la dirección del oleaje • Espectro direccional
46
4.1 Corrección del nivel medio
De la misma forma que con el análisis temporal, se debe llevar a cabo una corrección
del nivel medio, ya que si éste no es corregido se introducirá en el espectro una
distorsión denominada efecto de solapamiento o aliasing. Si no existe influencia de
ondas largas, en principio la corrección se puede hacer con las mismas consideraciones
expuestas en la sección 3.1.1.
Cuando se tiene un efecto de marea importante en el sitio, como es el caso de la

fig 4.1, es necesario implementar una corrección espectral del nivel medio, es decir
eliminar o filtrar la energía contenida en las frecuencias propias de la marea o en su
caso de ondas largas, normalmente menores de 0.02 Hz.
Para realizar el filtrado de ondas largas, se acepta que el oleaje está formado por una
suma de ondas sinusoidales, de manera que la superficie libre puede ser representada
por la ec 4.7:
N /2
η ( t ) = ∑ ⎡⎣ an cos ( 2π f nt ) + bn sin ( 2π f nt ) ⎤⎦ (4.7)
n =1
donde an y bn son los coeficientes de Fourier.
Por ejemplo, si la señal que se presenta en la fig 4.1, se descompone en cada uno de
sus armónicos y después se hace F( fn ) = 0, para aquellas frecuencias fn que satisfagan
la desigualdad fn< 0.02 Hz, es decir para las ondas largas, se elimina su influencia, con
lo que se obtiene una señal como la que se presenta en la fig 4.2.
9.8
9.6
Superficie libre (m)
9.4
9.2
9
0 200 400 600 800 1000
Tiem po (s)
Fig 4.1 Registro de oleaje con influencia de onda larga
47
9.8
9.6
Superficie libre (m)
9.4
9.2
0 200 400 600 800 1000

Tiempo (s)
Fig 4.2 Señal reconstituida sin la influencia de la onda larga
En el subcap 4.3 se abundará con mayor detalle en la evaluación de las componentes

armónicas de Fourier.
4.2 Función ventana
Cuando se realiza el análisis armónico de Fourier a una señal, se asume implícita-

mente que la muestra es periódica, en otras palabras que dicha señal se repite desde -
∞ hasta +∞. Para evitar las discontinuidades que se pudieran presentar al unir los
extremos de la señal, es común que antes de hacer el análisis armónico de un perfil de
ondas se realice una corrección a los datos que la conforman. Dicha operación es
conocida como la aplicación de una función ventana y se expresa como
η ( t* ) → b ( t* )η ( t* ) , tal que t* = 1,2,..., N . (4.8)
donde b(t), se conoce como profundidad de peso, la cual se debe multiplicar por toda
la muestra a fin de reducir las oscilaciones en los extremos de la serie. Las ventanas
más utilizadas son la trapezoidal y la cosenoidal, las cuales se expresan de la
siguiente forma:
a) Ventana tipo trapezoide
⎧ t*
⎪ l : 0 ≤ t* ≤ l
⎪
b1 (t* ) = ⎨ 1 : l ≤ t* ≤ N − l (4.9)
⎪N −t
⎪ *
: N − l < t* ≤ N
⎩ l
48
b) Ventana tipo coseno
⎧ 1⎡ ⎛ π t ⎞⎤
⎪ ⎢1 − cos ⎜ * ⎟ ⎥ : 0 < t * < l
⎪ 2⎣ ⎝ l ⎠⎦
⎪
b2 (t* ) = ⎨ 1 : l ≤ t* ≤ N − 1 (4.10)
⎪
⎪ 1 ⎡1 − cos ⎛ π ( N − t* ) ⎞ ⎤ : N - 1 < t ≤ N
⎪ 2 ⎢⎢ ⎜
⎝ l
⎟⎥
⎠ ⎥⎦
*
⎩ ⎣
donde normalmente se acepta que l = 0.1N.
Un inconveniente de la aplicación de la función ventana a los datos es la reducción de

los grados de libertad. La proporción en la cual se ven reducidos los grados de
libertad puede ser estimada a través de la siguiente relación:
2
⎡N 2 ⎤
⎢ ∫ b ( t* ) dt* ⎥
1 ⎣0 ⎦ (4.11)
κb N
∫ b ( t ) dt
4
* *
0
Si se aplica una ventana al registro, la energía total decrece y los valores espectrales
estimados son menores que los reales, por lo que deben multiplicarse por un factor de
corrección β en el momento de evaluar la función de densidad espectral. Dicho factor
está dado por
N
β= N
(4.12)
∑ ⎡⎣b(t )
n =1
n
2
⎤⎦
Ejemplo. Considérese un registro con una duración de 1800 s, medido con un

intervalo de muestreo ∆t = 0.3125 s, con un total de muestras N = 4096, al cual se
aplican en la parte inicial y en la final, 400 muestras, que es aproximadamente el
10 % de registro total, una función ventana tipo coseno, ec 4.10. En la fig 4.3 se
presentan de arriba hacia abajo: la señal original, la función ventana tipo coseno y la
señal después de aplicarle la función ventana; de izquierda a derecha; la parte inicial
y final, respectivamente, de las señales y funciones.
49
Al evaluar la ec 4.12, se obtiene que el factor β para corregir la función de densidad
espectral es 1.139.
4.3 Cálculo de las componentes de Fourier
Mediante el análisis en el dominio de la frecuencia, una función periódica puede ser

descompuesta en sus componentes armónicos (Newland, 1984). Si η(t) es una
función periódica del tiempo, t, con duración Tr, η(t) se puede expresar como una
serie infinita de términos trigonométricos de la siguiente manera:
∞
⎛ 2π nt 2π nt ⎞
η (t ) = a0 + ∑ ⎜ an cos + bnsen ⎟ (4.13)
n =1 ⎝ Tr Tr ⎠
donde a0 expresa el valor del nivel medio, an y bn son los coeficientes de Fourier,
an ≠ bn, expresados como:
1
T /2
⎫
a0 =
Tr ∫ η (t ) dt ⎪
−T / 2 ⎪
2
T /2
2π nt ⎪⎪
an =
Tr ∫ η (t ) cos
Tr
dt n ≥1⎬ (4.14)
−T / 2 ⎪
2
T /2
2π nt ⎪
bn =
Tr ∫
−T / 2
η (t )sen
Tr
dt n ≥ 1⎪
⎪⎭
Si se ha realizado previamente la corrección del nivel medio, subcap 4.1, entonces el

coeficiente a0 será igual a cero y los valores an y bn serán diferentes entre sí.
La frecuencia angular del enésimo coeficiente queda definida como:
2π n
σn = (4.15)
Tr
La distancia entre armónicos adyacentes es
2π
∆σ = (4.16)
Tr
En la ec 4.16 se puede observar que entre mayor sea el periodo del registro, Tr, el
espacio ∆σ se hace más pequeño y los coeficientes de Fourier estarán menos separados.
50
1.5
1.0 Señal or iginal
0.5
η(m)
0.0
-0.5
-1.0
-1.5
1.0
0.8
Fun ción ventan a (b)
0.6
0.4
0.2
0.0
1.5
Señal despúes de aplicar la ventana
1.0
0.5
η(m)
0.0
-0.5
-1.0
-1.5
0 40 80 120 160 1120 1160 1200 1240 1280
t (s) t (s)
Fig 4.3 De arriba hacia abajo: señal original, función ventana tipo coseno y señal
después de aplicarle la función ventana, respectivamente. De izquierda a
derecha, parte inicial y final, respectivamente, de las señales y funciones
51
Sustituyendo las ecs 4.14 en la ec 4.13 e integrando, para a0 = 0, se obtiene:
∞ ⎧2 T /2
2π nt ⎫ 2π nt ∞ ⎧ 2
T /2
2π nt ⎫ 2π nt
η (t ) = ∑ ⎨ ∫ η (t ) cos dt ⎬ cos + ∑⎨ ∫ η (t ) sen dt ⎬ sen
n =1 ⎩ Tr −T / 2
Tr ⎭ Tr n =1 ⎩ Tr −T / 2
Tr ⎭ Tr
(4.17)
Ahora, sustituyendo las ecs 4.15 y 4.16 en la ec 4.17, se tiene:
∞ ⎧ ∆σ T /2
⎫ ∞ ⎧ ∆σ T /2
⎫
η (t ) = ∑ ⎨ ∫ η (t ) cos σ n t dt ⎬ cos σ nt + ∑ ⎨ ∫ η (t ) sen σ nt dt ⎬ sen σ n t (4.18)
n =1 ⎩ π −T / 2 ⎭ n =1 ⎩ π −T / 2 ⎭
Si Tr → ∞, entonces ∆σ → dσ y la función se convierte en una integral con límites

σ = 0 y σ = ∞, por tanto,
dσ ⎧ ⎫ dσ ⎧ ⎫
∞ ∞ ∞ ∞
η (t ) = ∫ ⎨ ∫ η (t ) cos σ t dt ⎬ cos σ t + ∫ ⎨ ∫ η (t ) sen σ tdt ⎬ sen σ t (4.19)
σ = 0 π ⎩ −∞ ⎭ σ = 0 π ⎩ −∞ ⎭
Si se hacen las siguientes consideraciones:

∞ ∞
1 1
A(σ ) =
2π ∫ η (t ) cos σ t dt;
−∞
B(σ ) =
2π ∫ η (t ) sen σ t dt
−∞
(4.20)
Sustituyendo la ec 4.20 en la 4.19, se obtiene la siguiente relación:

∞ ∞
η (t ) = 2∫ A(σ ) cos σ t dσ + 2∫ B(σ ) sen σ t dσ (4.21)
0 0
Donde A(σ) y B(σ) son los componentes de la transformada de Fourier de η(t). La

ec 4.21 es una representación de η(t) mediante una integral de Fourier, conocida
como transformada inversa de Fourier.
La teoría clásica del análisis de Fourier introduce la siguiente condición:

∞
∫
−∞
f (t ) dt < ∞ (4.22)
la cual debe cumplirse para que la ec 4.21 sea cierta. Esta teoría es válida solamente
para funciones que tienden a cero cuando ⏐t⏐→ ∞, de forma que se satisfaga la
52
ec 4.22. Una integral de Fourier puede ser considerada como el límite formal de una
serie de Fourier cuando el periodo tiende a infinito.
La manera más frecuente de representar las ecs 4.20 y 4.21 es de forma compleja,
para lo cual es necesario hacer las siguientes consideraciones:
eiθ = cosθ + i sen θ (4.23)
F (σ ) = A(σ ) − iB(σ ) (4.24)
donde i = −1 y θ es el argumento del exponencial.
Haciendo uso de las ecs 4.23 y 4.24, la ec 4.20 se puede expresar como:
∞
1
∫ η (t )e
iσ t
F (σ ) = dt (4.25)
2π −∞
Si se sustituye la ec 4.20 en la ec 4.19, se obtiene:

∞ ∞
η (t ) = ∫ A(σ ) cos σ t dσ + ∫ B(σ ) sen σ t dσ
−∞ −∞
(4.26)
donde los límites de las integrales van de -∞ a + ∞ en lugar de 0 a ∞ y el factor "2"

desaparece, ya que A(σ) es una función par y sen σt es una función impar de σ, A(σ)
sen σt es una función impar; por tanto se tiene:
∞
−∞
∫ A(σ ) sen σ tdσ = 0 (4.27)
y de manera similar,
∞
−∞
∫ B (σ ) cos σ t dσ = 0 (4.28)
Si se suman las integrales 4.27 y 4.28 a la ec 4.26, sin que esto altere el valor η(t),
después de operar, se tendrá:
∞ ∞
η (t ) = ∫
−∞
F (σ )eiσ t dσ = 2 ∫ F (σ )eiσ t dσ
0
(4.29)
53
Las ecs 4.25 y 4.29 reciben el nombre de par transformado de Fourier, donde F(σ) es
la transformada compleja de Fourier de η(t). Es frecuente encontrar en la literatura
que la transformada de Fourier, ec 4.25, esté expresada en función de la frecuencia, f,
en lugar de la frecuencia angular, σ (donde σ = 2πƒ ), de la siguiente forma:
∞
∫ η (t )e
− iσ t
F( f ) = dt (4.30)
−∞
En la práctica, los datos producto de mediciones están siempre registrados de forma

discreta y tienen una longitud finita, por lo que es más conveniente expresar las
ecs 4.25 y 4.29 de esa forma. En particular, la ec 4.25, puede ser representada, para el
caso de tener datos con un espaciamiento regular, de forma discreta:
N −1
1 1
∑η e
− iσ j n∆t
F (σ j ) = j = 0,1, 2....N / 2 (4.31)
N 2π
n
n =0
o considerando la ec 4.30,
N −1
1
∑η e
− i 2π f j n∆t
F( f j ) = n j = 0,1, 2....N / 2 (4.32)
N n=0
donde N es el número total de datos de la señal por analizar y ∆t es el intervalo de

muestreo. La frecuencia angular σj, y la frecuencia fj, se pueden evaluar a través de la
siguiente relación:
2π j 2π j
σ j = 2π f j = = = 2π j∆f (4.33)
T N ∆t
Una forma muy sencilla de calcular los coeficientes de Fourier, una vez corregido el
nivel medio, es como sigue:
Inicie con un valor de j = 0
Evalúe ƒj =j∆ ƒ
Calcule F( fj)
Incremente j en 1
Vuelva al paso 2 hasta que j = N/2
54
Dado que las componentes de Fourier son simétricas, F( fj) =F(-fj ), no es necesario
calcular las componentes para las frecuencias negativas.
Cuando se tiene un número de datos muy grande, este método estándar de cálculo
puede consumir mucho tiempo de cómputo, ya que el número de operaciones es del
orden de N 2. En la actualidad, este cálculo se hace usando la técnica de la
trasformada de rápida de Fourier (p ej, Newland, 1984, y Bendat y Piersol, 1986), sin
embargo, los algoritmos convencionales para su cálculo presentan una limitación en
cuanto a que la longitud del registro debe ser una potencia de 2, esto es, el número de
puntos N debe cumplir N = 2m. Por tanto, cuando se programan los aparatos de
medición de oleaje se procura que los datos cumplan con esta restricción, y en caso
contrario el número de datos es ajustado, ya sea eliminando el exceso de datos de la
parte inicial o final del registro o añadiendo los ceros necesarios al final del registro.
La adición de ceros es normalmente realizada en la parte final del registro, después de

la aplicación de una ventana, en caso de que ésta sea aplicada. El problema fundamental
de la adición de ceros es que se reduce el nivel de la energía total. La corrección a
este problema se puede tratar de forma análoga al de la función ventana, b(t*) = 0,
para los valores que se encuentren más allá de la longitud original del registro.
4.4 Estimación del espectro
La función de densidad espectral S( fn), se calcula a través de la transformada rápida

de Fourier de la serie de datos de superficie libre η(t), y se define a partir de las
siguientes expresiones:
S ( fn ) = 0 para n = 0 (4.34)
1 N
S ( fn ) = 2F ( fn )
2
para n = 1,... (4.35)
2 ∆f 2
donde ƒn =n∆ ƒ. El intervalo de frecuencia ∆f, se define a partir de la duración de la

serie de tiempo, tmáx, tal que:
1 1
∆f = = (4.36)
tmáx N ∆t
55
En la práctica, el espectro obtenido a partir de este procedimiento tiene una gran
resolución estadística, sin embargo, para los casos de señales que contienen mucho
ruido, es decir perturbaciones, la fiabilidad estadística disminuye. Por este motivo,
hay ocasiones en que es conveniente emplear un procedimiento de suavizado del
espectro, con el fin de aumentar la fiabilidad a costa de perder resolución.
4.4.1 Formas de presentación del espectro de energía
En la literatura especializada se pueden encontrar diversas formas de representar al

espectro de energía, todas ellas están relacionadas a través de la definición de la
frecuencia angular:
2π
σ = 2π f = (4.37)
T
Con base en lo anterior, el espectro se puede expresar en función de la frecuencia, de
la frecuencia angular o del periodo. La condición que debe cumplirse es que se
conserve la energía, es decir que la energía asociada con la banda de frecuencias (σ1,
σ1 + dσ) debe ser igual a la correspondiente en periodos o frecuencias, o sea,
σ 1 + dσ f1 + df T1 + dT
∫σ S (σ ) d σ = ∫ S ( f ) df = ∫ S (T ) dT (4.38)
1 f1 T1
y teniendo en cuenta que
dσ
df = (4.39)
2π
2π
dT = − dσ (4.40)
σ2
se obtiene,
dσ 2π
σ 1 + dσ f1 + T1 − dσ
∫σ S (σ ) d σ = ∫ 2π
S ( f ) df = ∫ σ2 S (T ) dT (4.41)
1 f1 T1
dσ 2π dσ
S (σ 1 ) dσ = S f ( f1 ) = ST (T1 ) (4.42)
2π σ2
y por tanto, se pueden establecer las relaciones entre dichos espectros como:
56
S f ( f ) = 2π S ( 2π f ) (4.43)
2π ⎛ 2π ⎞
ST (T ) = S⎜ ⎟ (4.44)
T2 ⎝ T ⎠
1 ⎛σ ⎞ 2π ⎛ 2π ⎞
S (σ ) = Sf ⎜ ⎟ = 2 ST ⎜ ⎟ (4.45)
2π ⎝ 2π ⎠ σ ⎝σ ⎠
En otras palabras, el espectro no se obtiene del otro sustituyendo directamente, sino

que existe un factor de modulación. Para que la energía que representan sea la misma,
se verificará por tanto,
∞ ∞ ∞
∫ S (σ ) dσ = ∫ S ( f ) df = ∫ S (T ) dT
0 0 0
(4.46)
Ejemplo. Evaluar el espectro de energía de una señal que representa un escalón,

fig 4.4. El número de muestra es N = 8, con un espaciamiento temporal ∆ t = 0.5 s.
0.50
0.25
η (m )
0.00
1.0 2.0 3.0 4.0
-0.25 t (s )
-0.50
Fig 4.4 Señal discreta
Solución: El intervalo de frecuencia ∆ f, se evalúa a través de la ec 4.36,
1 1
∆f = = = 0.25 Hz
N ∆t ( 8 )( 0.5 )
Los coeficientes de Fourier se obtienen utilizando la ec 4.32, haciendo ƒ j =j∆ƒ:
57
8 −1
1 1
F ( f 0 = 0) =
N
∑η e
n =0
n
− i 2 π f 0 n∆t
= ⎡⎣ − ( 0.5 m ) e ( )( )( ) − ( 0.5 m ) e ( )( )( ) −
8
− i 2π 0Hz 0 0.5s − i 2π 0Hz 1 0.5s
( 0.5 m ) e−i 2π ( 0 Hz )( 2)( 0.5s) − ( 0.5 m ) e−i 2π ( 0Hz )(3)(0.5s) + ( 0.5 m ) e−i 2π ( 0 Hz )( 4)( 0.5s) +
( 0.5 m ) e−i 2π ( 0Hz )(5)(0.5s) + ( 0.5 m ) e−i 2π ( 0 Hz )( 6)( 0.5s) + ( 0.5 m ) e−i 2π (0 Hz )( 7)( 0.5s) ⎤⎦ = 0 m
8 −1
1
F ( f1 = 0.25 Hz) = ∆t ∑η n e − i 2π f1n∆t = ⎡⎣ − ( 0.5 m ) e ( ... + ( 0.5 m ) e (
− i 2π 0.25Hz )( 0 )( 0.5s ) − i 2π 0.25Hz )( 7 )( 0.5s )
⎤
n=0 8 ⎦
= ( −0.1250 + 0.3018 i ) m
F ( f 2 = 0.50 Hz) = 0 m
F ( f 3 = 0.75 Hz) = ( −0.1250 + 0.0518 i ) m
F ( f 4 = 1.0 Hz) = 0 m
Ahora, utilizando la ec 4.35, se obtiene:
S ( f 0 ) = 0 m 2 / Hz
1 1
S ( f1 = 0.25 Hz ) = 2F ( fn ) = 2 ( −0.1250 + 0.3018 i ) m
2 2
= 0.8536 m 2 / Hz
2 ∆f 2 ( 0.25 Hz )
S ( f 2 = 0.5 Hz ) = 0 m 2 / Hz
S ( f 3 = 0.75 Hz ) = 0.1464 m 2 / Hz
S ( f 4 ) = 0 m 2 / Hz
De forma gráfica, en la fig 4.5 se presenta el resultado obtenido.
1.00
0.75
S (m2/Hz)
0.50
0.25
0.00
0.00 0.25 0.50 0.75 1.00 f(Hz)
Fig 4.5 Espectro de energía de la señal de ejemplo
58
4.5 Suavizado del espectro
Los valores espectrales estimados fluctúan entorno a los valores del espectro real.
Para atenuar estas oscilaciones es posible suavizar el espectro con una función de
peso W( f ), de forma que
∞
S ( f ) = ∫ S ( f* )W ( f* − f )df* (4.47)
0
donde W( f ) debe ser una función normalizada, esto es:

∞
∫ W ( f )df
0
=1 (4.48)
En la práctica, el espectro alisado se calcula como un promedio ponderado de los

valores espectrales de las frecuencias próximas a ella:
) j =k + m
S( f ) = ∑ W( f
j =k −m
k − f j )S ( f j ) (4.49)
Cuando el registro es lo suficientemente largo, algunos tramos del mismo pueden

considerarse representativos del estado de mar que se está estudiando. Por tanto es
posible elegir varios segmentos de la misma longitud y promediar las estimaciones
obtenidas para cada uno de ellos,
) 1 ns
S ( f* ) = ∑ S n ( f j ) (4.50)
n n =1
donde ns es el número de segmentos tomados.
Los filtros o funciones de peso más comunes se explican a continuación.
Filtro rectangular
Es el método más simple para llevar a cabo este procedimiento y está dado por la
expresión:
1 ⎡ (m − 1) ⎤ ⎡m⎤
W1 ( f j ) = ; −⎢ ⎥ ≤ j≤⎢ ⎥ (4.51)
m ⎣ 2 ⎦ ⎣2⎦
59
donde m, representa el número de valores espectrales no suavizados que se utilizaron
para el promedio.
Filtro triangular
1 ⎪⎧ j ⎪⎫ ⎡ (m − 1) ⎤ ⎡m⎤
W2 ( f j ) = ⎨1 − ⎬; −⎢ ⎥ ≤ j≤⎢ ⎥ (4.52)
W2 ⎩⎪ [ (m − 1/ 2] ⎭⎪ ⎣ 2 ⎦ ⎣2⎦
Filtro parabólico
1 ⎪⎧ ⎛ ⎞ ⎪⎫
2
j ⎡ (m − 1) ⎤ ⎡m⎤
W3 ( f j ) = ⎨1 − ⎜ ⎟ ⎬; −⎢ ⎥ ≤ j≤⎢ ⎥ (4.53)
W3 ⎪ ⎜⎝ [ (m − 1) / 2] ⎟⎠ ⎪ ⎣ 2 ⎦ ⎣2⎦
⎩ ⎭
donde W2 y W 3 son constantes de normalización que se utilizan para satisfacer la

condición dada por la ec 4.48.
El filtro rectangular tiene 2m grados de libertad y el ancho de banda para la

resolución espectral está dada por la siguiente ec:
m
fB = (4.54)
N ∆t
Koopmans (1974) propone para los demás filtros, que los grados de libertad se
calculen a través de la ec 4.55:
2
r= n/2
(4.55)
∑ W 2
(f )
j
j =− ( m −1) / 2
Para los casos en que m sea grande, se aceptan las siguientes aproximaciones:
r ≈ 1.5m , para el filtro triangular (4.56)
5
r ≈ m , para el filtro parabólico (4.57)
3
El ancho de banda de la resolución espectral se evalúa de forma similar y es
equivalente a los valores dados por:
60
3m
fB ≈ , para el filtro triangular (4.58)
4 N ∆t
5n
fB ≈ , para el filtro parabólico. (4.59)
6 N ∆t
Los filtros triangular y parabólico dan una estimación espectral a un intervalo de
frecuencia de la mitad del filtro rectangular; sin embargo, se debe recordar que dos
estimaciones espectrales adyacentes no son estadísticamente independientes para
estos filtros. La resolución espectral se puede mejorar únicamente si se utiliza un
registro de oleaje más largo, tal como se observa en la ec 4.54.
4.6 Parámetros espectrales
Todos los parámetros espectrales se calculan a partir de sus diferentes momentos. El

momento de orden n respecto al origen se define mediante la siguiente expresión:
∞
mn = ∫ f n S ( f )df (4.60)
0
donde S( f ) es la función densidad espectral y f es la frecuencia.
Cartwright y Longuet-Higgins (1956) proponen un parámetro para describir la

anchura espectral
1/ 2
⎡ m22 ⎤
ε = ⎢1 − ⎥ (4.61)
⎣ m0 m4 ⎦
Si el espectro es de banda angosta ε tiende a 0; por el contrario, si el espectro es de

banda ancha ε tiende a 1.
Debido a que la estimación del momento de cuarto orden es muy sensible a los
valores que se tienen en las altas frecuencias, para espectros que definen un estado de
mar este parámetro no es representativo ya que puede inducir a fuertes errores. Para
hacer más claro este problema, Longuet-Higgins (1983) propuso otro parámetro de
anchura espectral, el cual depende de los momentos de orden inferior.
1/ 2
⎡m m ⎤
ν = ⎢ 0 2 2 − 1⎥ (4.62)
⎣ m1 ⎦
61
Otro parámetro que define la forma del espectro es el de agudeza de pico Qp,
propuesto por Goda (1970):
∞
2
∫ f ( S ( f ))
2
Qp = 2
df (4.63)
m0 0
Goda (1985) señala que Qp es cercano a 2 para olas generadas por viento.
Para la estimación del periodo medio de las olas a partir del espectro hay dos ecuaciones:
m0
T01 = (4.64)
m1
m0
T02 = (4.65)
m2
En cuanto a parámetros asociados con la superficie libre, se tienen las siguientes relaciones:
Variación cuadrática media de la superficie libre
η rms = m0 (4.66)
Altura de ola cuadrática media
H rms = 8m0 (4.67)
Altura de ola de momento de orden cero
H m0 = 4.004 m0 (4.68)
Para el caso particular de un espectro de banda estrecha con una distribución de

alturas de ola tipo Raleigh, la altura de ola significante es igual a la altura de ola de
momento de orden cero, Hs = H m0 .
Ejemplo. Evaluar los parámetros característicos del espectro de oleaje que se presenta
en la fig 4.6 y en la tabla 4.2: anchura espectral de cuarto orden, ε, anchura espectral
de segundo orden υ, agudeza espectral Qp, periodo medio de orden uno y dos, T01 y
T02, variación cuadrática media de la superficie libre, altura de ola cuadrática media y
altura de ola de momento de orden cero.
62
TABLA 4.2 DATOS CORRESPONDIENTES A LA FIG 4.6
f (Hz) S(m2/Hz) f (Hz) S(m2/Hz) f (Hz) S(m2/Hz) f (Hz) S(m2/Hz)
0.05625 0.00004 0.11875 0.27027 0.18125 0.04756 0.24375 0.01172
0.06250 0.00214 0.12500 0.21033 0.18750 0.04074 0.25000 0.01036
0.06875 0.02032 0.13125 0.17649 0.19375 0.03501 0.25625 0.00918
0.07500 0.07476 0.13750 0.14983 0.20000 0.03019 0.26250 0.00816
0.08125 0.16182 0.14375 0.12698 0.20625 0.02612 0.26875 0.00727
0.08750 0.29755 0.15000 0.10745 0.21250 0.02267 0.27500 0.00650
0.09375 0.62772 0.15625 0.09093 0.21875 0.01974 0.28125 0.00582
0.10000 0.98125 0.16250 0.07705 0.22500 0.01725 0.28750 0.00522
0.10625 0.73726 0.16875 0.06542 0.23125 0.01512 0.29375 0.00470
0.11250 0.41829 0.17500 0.05570 0.23750 0.01329 0.30000 0.00423
1.
0.
0.
S (m2/Hz)
0.
0.
0.
0. 0. 0. 0. 0.
f (Hz)
Fig 4.6 Espectro de oleaje
Solución: El primer paso es evaluar los diferentes momentos del espectro; para ello,
de la tabla 4.2 se puede obtener el incremento de frecuencia ∆f = 0.00625 Hz. De
manera discreta, el momento de orden cero se puede calcular como:
N ⎡⎛ m2 ⎞
m0 = ∆f ∑ S ( f i ) = ( 0.00625 Hz ) ⎢⎜ 0.00004 ⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ ⎛ m2 ⎞⎤
⎜ 0.00214 ⎟ + ... + ⎜ 0.00423 ⎟ ⎥ = 0.03141m
2
⎝ Hz ⎠ ⎝ Hz ⎠ ⎦
N ⎡ ⎛ m2 ⎞
m1 = ∆f ∑ fi S ( f i ) = ( 0.00625 Hz ) ⎢( 0.05625Hz ) ⎜ 0.00004 ⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ ⎛ m2 ⎞⎤
( 0.0625Hz ) ⎜ 0.00214 ⎟ + ... + ( 0.03Hz ) ⎜ 0.00423 ⎟ ⎥ = 0.00374m Hz
2
⎝ Hz ⎠ ⎝ Hz ⎠ ⎦
63
N ⎡ 2⎛ m2 ⎞
m2 = ∆f ∑ f i S ( fi ) = ( 0.00625 Hz ) ⎢( 0.05625Hz ) ⎜ 0.00004
2
⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ 2⎛ m2 ⎞⎤
( 0.0625Hz ) ⎜ 0.00214 ⎟ + ... + ( 0.03Hz ) ⎜ 0.00423 ⎟ ⎥ = 0.00049m 2 Hz 2
2
⎝ Hz ⎠ ⎝ Hz ⎠ ⎦
N ⎡ 3⎛ m2 ⎞
m3 = ∆f ∑ fi S ( f i ) = ( 0.00625 Hz ) ⎢( 0.05625Hz ) ⎜ 0.00004
3
⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ 3⎛ m2 ⎞⎤
( 0.0625Hz ) ⎟ + ... + ( 0.03Hz ) ⎜ 0.00423
3
⎟ ⎥ = 0.00008m Hz
2 3
⎜ 0.00214
⎝ Hz ⎠ ⎝ Hz ⎠ ⎦
N ⎡ 4⎛ m2 ⎞
m4 = ∆f ∑ f i S ( fi ) = ( 0.00625 Hz ) ⎢( 0.05625Hz ) ⎜ 0.00004
4
⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ 4⎛ m2 ⎞⎤
( 0.0625Hz ) ( )
4
⎜ 0.00214 ⎟ + ... + 0.03Hz ⎜ 0.00423 ⎟ ⎥ = 0.00001m Hz
2 4
⎝ Hz ⎠ ⎝ Hz ⎠⎦
1/ 2
⎡ ( 0.00049m 2 Hz 2 ) ⎤
1/ 2 2
⎡ m 2
⎤ ⎢ ⎥
ε = ⎢1 − ⎥
2
= 1− = 0.6591
⎣ mm ⎦ ⎢ ( 0.03141m 2 )( 0.00001m 2 Hz 4 ) ⎥
0 4
⎣ ⎦
1/ 2
⎡m m ⎤
1/ 2 ⎡ ( 0.03141m 2 )( 0.00049m 2 Hz 2 ) ⎤
ν = ⎢ 0 2 2 − 1⎥ =⎢ − 1⎥ = 0.3294
⎢ ( ) ⎥
2
⎣ m1 ⎦ ⎣ 0.00374m 2
Hz ⎦
T01 =
m0
=
( 0.03141m 2 )
= 8.41 s
m1 ( 0.00374m 2 Hz )
T02 =
m0
=
( 0.03141m ) 2
= 7.99s
m2 ( 0.00049m Hz ) 2 2
η rms = m0 = ( 0.03141m ) = 0.177 m

2
H rms = 8 ( 0.03141m 2 ) = 0.50 m
H m0 = 4.004 ( 0.03141m ) = 0.717 m

2
64
2
∞
2 ⎡ ⎛ m2 ⎞
2
∫ f ( S ( f )) ⎢( 0.05625Hz ) ⎜ 0.00004
2
Qp = 2 df = ⎟ +
m0 0 ( 0.03141m ) 2 2
⎢⎣ ⎝ Hz ⎠
⎛ m2 ⎞ ⎛
2
m2 ⎞
2
⎤
( 0.0625Hz ) ⎜ 0.00214 ⎟ + ... + ( 0.03Hz ) ⎜ 0.00423 ⎟ ⎥ = 3.2
⎝ Hz ⎠ ⎝ Hz ⎠ ⎥⎦
A continuación, se presenta un diagrama de flujo (fig 4.7) a fin de dar seguimiento a

la metodología para realizar el análisis espectral del oleaje.
Señal de oleaje
1.5
Presión (m)
0.0
-1.5
0 200 400 600 800 1000 1200
Tiempo (s)
Corrección del nivel medio: Estimación de las

Función ventana:
1. Lineal componentes de Fourier
1. Trapezoide
2. Parabólica (TRF)
2. Coseno
3. Media
Estimación de la dirección
Cálculo de parámetros
Estimación del espectro del oleaje:
espectrales
Espectro direccional
Fig 4.7 Diagrama de flujo para el análisis espectral de señales de oleaje
65
4.7 Análisis direccional del oleaje
En el mar, el oleaje generado por el viento no se propaga en una sola dirección, por el
contrario, su energía se distribuye a lo largo de varias direcciones, esto es, la energía
asociada a las frecuencias con un valor cercano a la frecuencia modal se propagan
principalmente con la dirección del viento, mientras que la energía asociada con
frecuencias mayores o menores, se distribuye sobre un rango de diferentes direcciones.
Un análisis direccional del oleaje consiste en determinar la forma en que se distribuye

su energía sobre frecuencias (o números de onda) y direcciones de propagación, de
forma simultánea.
4.7.1 Distribución direccional de la energía del oleaje
Esta distribución espectral y angular está representada matemáticamente por la

expresión que define al espectro de energía direccional del oleaje, tal que la energía
se representa sólo en función de la frecuencia y la dirección de propagación.
Si se toma como base la hipótesis de que el oleaje se puede descomponer en un gran

número de componentes sinusoidales, es posible dar una explicación más clara de lo
que representa el espectro direccional definiendo la elevación de la superficie libre
como una función del tiempo y de su posición, tal que:
N
η ( x, y, t ) = ∑ a n cos[k n ( x cosθ n + y senθ n ) − σ n t + φ n ] (4.69)
n =1
En este caso, se asume que el oleaje es una superposición de N ondas sinusoidales,

cada una de ellas viajando con su propia amplitud an, frecuencia angular σ n = 2π fn,
número de onda kn, dirección θ n y fase φ n. Por tanto, cada componente satisface la
ecuación de dispersión dada por:
σ n 2 = gkn tanh(kn h) (4.70)
donde h, representa la profundidad.
Bajo la suposición de que las fases φ n están distribuidas de forma aleatoria en un

rango entre 0 y 2π, con una densidad de probabilidad uniforme, la siguiente expresión
mantiene a la varianza del espectro y a las amplitudes de los componentes del oleaje
66
dentro de un rango bidimensional definido entre f y f + ∆ f, para las frecuencias, y
entre θ y θ + ∆θ, para las direcciones, tal que:
f +∆f θ +∆θ
1
∑∑
θ 2
f
a 2
n = S ( f ,θ ) dfdθ (4.71)
4.7.2 Descomposición clásica del espectro direccional
La forma clásica para representar al espectro direccional está dada por la siguiente ec:
S ( f ,θ ) = S ( f ) D ( f ,θ ) (4.72)
donde S( f ) es el espectro de energía que puede ser estimado a partir de un registro de

superficie libre y se relaciona con el espectro direccional por medio de:
2π
S( f )= ∫ S ( f , θ ) dθ (4.73)
0
siendo D( f,θ ) la función de dispersión angular, que debe satisfacer dos propiedades
dadas por:
D ( f ,θ ) ≥ 0 entre [ 0, 2π ] (4.74)
2π
∫ D ( f ,θ ) dθ =1 (4.75)
0
La primera condición indica que la función de dispersión angular es no negativa,

mientras que la segunda es consecuencia de la definición del espectro direccional. El
problema del análisis direccional consiste en determinar el espectro direccional del
oleaje, o dicho de otra forma, estimar el espectro y su función de dispersión angular
asociada.
Es conveniente resaltar que el espectro puede ser expresado también en función del
número de onda y la dirección (k, θ ), a través del vector del número de onda definido
por (kx, ky) = (kcosθ, ksenθ ), de tal forma que:
2π 2π k
S ( f ,θ ) = S ( k ,θ ) = S ( kx , k y ) (4.76)
Cg Cg
67
donde Cg es la celeridad de grupo asociada con la frecuencia f, dada por la teoría
lineal.
Las técnicas de medición pueden ser divididas dentro de tres grandes grupos,
dependiendo de la forma en que la información es adquirida (tabla 4.3).
TABLA 4.3 TÉCNICAS DE MEDICIÓN PROPUESTAS PARA CAMPO Y

LABORATORIO
Técnica de
Consiste en Ejemplos
medición
Sistemas de La medición simultánea en la misma vertical 1. Boya
un solo de diversas propiedades del oleaje, como son 2. Olómetro con
punto superficie libre, velocidades etc. corrientímetro en dos
componentes
Arreglos de Incluyen la medición de la superficie libre en 1. Sensores de presión
sensores de diversos puntos sobre un marco de referencia idénticos
presión fijo 2. Sensores de presión en
algunos puntos y corriente
en otros
Sistemas de Se basan más en las correlaciones espaciales 1. Radares de microondas
percepción que en las temporales. Su principio básico de 2. Satélite
remota funcionamiento es tomar una fotografía del 3. Técnicas de estéreo-
campo de oleaje sobre un área dada fotografía
En años recientes se han realizado muchos esfuerzos en la búsqueda de una expresión

para el espectro direccional, y se han propuesto diversas técnicas de medición para
ser desarrolladas en experimentos realizados en campo y laboratorio. A continuación
se presenta una síntesis de las diferentes técnicas de medición de acuerdo con la
forma en que se realiza el análisis.
4.7.3 Caracterización de los métodos estocásticos
Los métodos de este tipo se basan en la hipótesis de que el campo de oleaje se

expresa como la superposición lineal de las ondas que lo componen. Es importante
resaltar que la función de fase φ, de la ec 4.70, está distribuida de forma aleatoria
entre 0 y 2π (con una densidad de probabilidad uniforme), con lo que se admite que
cada componente es independiente uno de otro.
68
En la llamada aproximación estocástica, la información de la distribución de la fase
en el campo de oleaje es ignorada, ya que se asume que no hay ondas asociadas a
determinados valores de fase, y por tanto se enfoca al cálculo del espectro
direccional.
Para la implementación de estos métodos se deben seguir los siguientes pasos:
Realizar un análisis espectral de las señales de superficie libre que se tengan y

calcular sus respectivos espectros cruzados entre cada par de señales.
Determinar el espectro direccional (o su función de dispersión angular para

cada frecuencia) a través de la inversión de la expresión que relaciona el
espectro cruzado con el direccional.
4.7.4 Análisis del espectro cruzado
Cuando se considera un sistema de medición compuesto por N sensores destinados a

medir superficie libre, velocidades, pendiente de la superficie, etc, y se denota a cada
una de sus señales con Pn(t), para n igual a 1 y hasta N, y a la posición de cada sensor
con una coordenada relativa a un origen arbitrario, las señales se graban
simultáneamente en los N sensores del arreglo, todos con una duración T y un
intervalo de muestreo ∆ t. Entonces, el análisis de la correlación entre señales se
realiza en el dominio de la frecuencia, calculando los correspondientes espectros
cruzados entre cada par de señales, por medio de la siguiente ecuación:
+∞
Gmn ( f ) = ∫ Rmn (τ ) e − i 2π f τ dτ
−∞ (4.77)
donde
1 T
Rmn (τ ) = ∫ Pm (t ) Pn (t + τ )dt (4.78)
T 0
En la práctica, el espectro cruzado se calcula a partir de muestras discretas con

duración finita, por medio de una metodología basada en la transformada estándar o
rápida de Fourier y se estima solamente para los casos en que m≤ n, de tal forma que
se concluye que Gmn( f ) y Gnm( f ) son cantidades complejas conjugadas. Por tanto, se
deduce que para un sistema de medición compuesto por N señales o sensores, el
número total de espectros cruzados que se deben calcular son N(N+1)/2.
69
Debido a que el espectro cruzado es una cantidad compleja, a las partes reales Cmn( f )
se les denomina funciones de coincidencia espectral y a las imaginarias Qmn( f ),
funciones de cuadratura espectral.
4.7.5 Relación entre el espectro cruzado y el direccional
Dentro del marco de la teoría lineal y asumiendo que las diferentes fases asociadas a
los componentes del oleaje están distribuidas de forma aleatoria sobre (0,2π), se
obtiene la siguiente ec para el espectro cruzado en función del espectro direccional:
2π
Gmn ( f ) = ∫ H m ( f ,θ ) H m* ( f ,θ )e S ( f ,θ ) dθ
− ik ( xn − xm )
(4.79)
0
Si se hace uso de la función de dispersión direccional D( f,θ ), la ec 4.79 se puede

escribir como:
2π
Gmn ( f ) = E ( f ) ∫ H m ( f ,θ ) H n* ( f ,θ )e −ik ( xn − xm ) D ( f ,θ ) dθ (4.80)
0
donde Hm(ƒ, θ ) es una función de transferencia entre la señal de superficie libre y la

señal asociada al oleaje (velocidad, presión, etc). En este apartado, el símbolo * se
utiliza para indicar el conjugado de la función compleja.
La función Hm(ƒ, θ ) se puede descomponer de la siguiente forma:
H m ( f , θ ) = hm ( f ) cosα m θ sen β mθ (4.81)
Los valores de hm, αm y βm dependen del tipo de señal que se tiene. En la tabla 4.4
(Frigaard, 1997), se presentan los valores que corresponden para dichas expresiones,
dependiendo del tipo de señal medida Pm(t).
En la tabla 4.4, la función Ф(x,y, z, t) representa el potencial de velocidades para

oleaje monocromático lineal, definido por:
g H cosh ( k (h + z ) )
Φ ( x, y , z , t ) = i exp ( i (kx − σ t ) ) (4.82)
σ 2 cosh(kh)
70
4.7.6 Estimación del espectro direccional
El problema de la estimación del espectro direccional se centra en encontrar la

función de dispersión angular dada para la ecuación del espectro cruzado y para su
estimación se consideran los siguientes métodos:
4.7.6.1 Método paramétrico
Modelos unimodales-ajuste directo a modelos paramétricos
El principio de este tipo de métodos consiste en asumir a priori una expresión dada
para la función de la dispersión angular y determinar el menor número de parámetros
para esta expresión a partir del espectro cruzado. La presente aproximación
contribuye a disminuir el número de incógnitas relacionadas en dicha función; para el
caso de un modelo unimodal, el problema se reduce solamente a la determinación de
dos parámetros: la dirección principal de propagación y un factor de dispersión
direccional que representa el esparcimiento angular de la energía del oleaje sobre la
dirección principal.
Dentro de este tipo de aproximaciones se encuentra el de Mitsuyasu (1975), quien

propuso el siguiente modelo:
⎛ θ −θ0 ⎞
Dˆ1MFM ( f ,θ ) = ∆ ( s) cos 2 s ⎜ ⎟ (4.83)
⎝ 2 ⎠
TABLA 4.4 FUNCIONES DE TRANSFERENCIA PARA DIFERENTES SEÑALES

MEDIDAS ASOCIADAS AL OLEAJE
Tipo de señal
medida
Pm hm αm βm
1 ∂Φ H
Superficie libre η= = exp(i (kx − σ t )) 1 0 0
g ∂t z =0 2
Pendiente de ∂η
superficie = [ik cosθ ]η ik 1 0
∂x
(eje x)
Pendiente de ∂η
superficie = [iksenθ ]η ik 0 1
∂y
(eje y)
71
TABLA 4.4 (Continuación)
Tipo de señal α
medida
Pm hm βm
m
∂Φ ⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Velocidad ux = − = ⎢σ cos θ ⎥ η σ 1 0
(eje x) ∂x ⎣ senh ( kh ) ⎦ senh ( kh )
∂Φ ⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Velocidad uy = − = ⎢σ senθ ⎥ η σ 0 1
(eje y) ∂y ⎣ senh ( kh ) ⎦ senh ( kh )
∂Φ ⎡ senh ( k (h + z ) ) ⎤ senh ( k (h + z ) )
Velocidad uz = − = ⎢ −iσ ⎥η iσ 0 0
(eje z) ∂z ⎣ senh ( kh ) ⎦ senh ( kh )
Velocidad ∂η ∂Φ
vertical de la = = −iση -iσ 0 0
∂t ∂z z =0
superficie
∂u x ⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Aceleración ax = = ⎢ −iσ 2 cos θ ⎥ η −iσ 2 1 0
(eje x) ∂t ⎣ senh(kh) ⎦ senh ( kh )
∂u y⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Aceleración ay = = ⎢ −iσ 2 senθ ⎥ η −iσ 2 0 1
(eje y) ∂t ⎣ senh(kh) ⎦ senh ( kh )
∂u z ⎡ 2 senh ( k (h + z ) ) ⎤ senh ( k (h + z ) )
Aceleración az = = ⎢ −σ ⎥η σ2 0 0
(eje z) ∂t ⎣ senh(kh) ⎦ senh ( kh )
Aceleración ∂ 2η
vertical de la = σ 2η -σ2 0 0
∂t 2
superficie
⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Desplazamiento ξ x = ∫ u x dt = ⎢i cos θ ⎥η i 1 0
(eje x) ⎣ senh(kh) ⎦ senh ( kh )
⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Desplazamiento ξ y = ∫ u y dt = ⎢i senθ ⎥η i 0 1
(eje y) ⎣ senh(kh) ⎦ senh ( kh )
⎡ senh ( k (h + z ) ) ⎤ senh ( k (h + z ) )
Desplazamiento ξ z = ∫ u z dt = ⎢ ⎥η 0 0
(eje z) ⎣ senh(kh) ⎦ senh ( kh )
⎡ cosh ( k (h + z ) ) ⎤ cosh (k (h + z ) )
P = ρΓ = ⎢ ρ g ⎥η ρg 0 0
Presión dinámica
⎣ cosh ( kh ) ⎦ cosh (kh )
72
El coeficiente de normalización se calcula partiendo de la condición de que la integral
de la función de dispersión direccional entre 0 y 2π es igual a 1 (Γ es la función Gamma):
22 s −1 ( Γ ( s + 1) )
2
∆( s) = (4.84)
πΓ ( 2 s + 1)
La dirección principal, θ0, y el índice direccional, s, se calculan a partir de los

coeficientes de Fourier de primero y segundo orden, tal que:
Primer orden
r1
θ 0 = Arg ( a1 + ib1 ) s= (4.85)
1 − r1
Segundo orden
1 1 + 3r2 + r22 + 14r2 + 1

θ0 = Arg ( a2 + ib2 ) s= (4.86)
2 2(1 − r2 )
donde
rn = a n2 + bn2
Los coeficientes de Fourier, para la función de dispersión direccional se definen por:

2π
an = ∫ D ( f ,θ ) cos(nθ )dθ (4.87)
0
2π
bn = ∫ D ( f ,θ )sen (nθ )dθ (4.88)
0
Para sistemas de un solo punto es necesario calcular los coeficientes a1, b1, a2, b2, ya
que en éstos se concentra toda la información disponible de la transformada de
Fourier. Las expresiones que los definen se presentan en las tablas 4.5 y 4.6.
Como se mencionó en secciones anteriores, las expresiones Cmn( f ), que aparecen en

ambas tablas, hacen referencia a las funciones de coincidencia espectral, es decir a la
parte real del espectro cruzado entre las señales m y n, y las expresiones Qmn( f ), a la
parte imaginaria del mismo espectro; a estas últimas se les denomina funciones de
cuadratura espectral.
73
Otro modelo comúnmente usado para direcciones que caen en el intervalo determinado
por (θ 0 − π;θ 0 + π) es el Gaussiano, definido por:
1 ⎛ (θ − θ 0 )2 ⎞
Dˆ1 ( f ,θ ) = exp ⎜ − ⎟ (4.89)
2πσ ⎜ 2 σ 2
⎟
⎝ ⎠
Una vez más la dirección principal, θ0, y el ancho direccional, σ, se calculan por
medio de los coeficientes de Fourier, tal que:
Primer orden
θ 0 = Arg ( a1 + ib1 ) σ = −2Ln(r1 ) (4.90)
Segundo orden
1 −2Ln(r2 )
θ0 = Arg ( a2 + ib2 ) σ= (4.91)
2 2
TABLA 4.5 EXPRESIONES DE LOS COEFICIENTES DE FOURIER a1, b1,

PARA DIVERSOS SISTEMAS DE MEDICIÓN DE UN PUNTO
Tipo de medición E(f) a1(f) b1(f)

Boya
Q12 Q13
⎡ ∂η ∂η ⎤ C11
⎢η; ∂x ; ∂y ⎥ C11 (C 22 + C 33 ) C11 (C 22 + C 33 )
⎣ ⎦
Superficie libre y
Q12 Q13
corrientes 2D C11
[
η; u x ( z ); u y ( z )] C11 (C 22 + C 33 ) C11 (C 22 + C 33 )
Presión y corrientes 2D ⎛ 1 cosh (kh ) ⎞ Q12 Q13

[
p ( z ); u x ( z ); u y ( z ) ]
C11 ⎜⎜ ⎟⎟
⎝ ρg cosh (k (h + z )) ⎠ C11 (C 22 + C 33 ) C11 (C 22 + C 33 )
Tres desplazamientos Q12 Q13

[
η; ξ x (0);ξ y (0) ] C11
C11 (C 22 + C 33 ) C11 (C 22 + C 33 )
⎛ 1 sinh (kh ) ⎞
2
Tres velocidades Q12 Q13
[u z ( z ); u x ( z ); u y ( z ) ] C11 ⎜⎜ ⎟⎟
⎝ ω sinh (k (h + z )) ⎠ C11 (C 22 + C 33 ) C11 (C 22 + C 33 )
⎛ 1 sinh (kh ) ⎞
2
Tres aceleraciones Q12 Q13
[a z ( z ); a x ( z ); a y ( z ) ] C11 ⎜⎜ ⎟⎟
⎝ ω sinh (k (h + z )) ⎠ C11 (C 22 + C 33 ) C11 (C 22 + C 33 )
74
TABLA 4.6 EXPRESIONES DE LOS COEFICIENTES DE FOURIER a2 Y b2,
PARA SISTEMAS DE MEDICIÓN DE UN PUNTO
Tipo de medición a2(f) b2(f)

C 22 − C 33 2C 23
Para todos los sistemas
C 22 + C 33 C 22 + C 33
Modelos bimodales
Estos modelos son resultado de la combinación lineal de dos modelos unimodales,

como los que se presentaron en la sección anterior; de igual forma existen diversas
expresiones que pueden ser utilizadas. Como ejemplo se presenta la estimación
bimodal basada en el modelo de Gauss:
λ ⎛ (θ − θ1 ) 2
⎞ 1− λ ⎛ (θ − θ 2 )2 ⎞
Dˆ 2 MFG ( f ,θ ) = exp ⎜ − ⎟+ exp ⎜ − ⎟ ; λ ∈ [ 0,1] (4.92)
2πσ 1 ⎜ 2σ 1
2
⎟ 2πσ ⎜ 2σ 2
⎟
⎝ ⎠ 2 ⎝ 2 ⎠
Este tipo de modelos tienen cinco incógnitas θ1,σ1,θ 2,σ 2,λ y son capaces de
representar tanto estados de mar unimodales como bimodales, es decir con dos picos
en la misma frecuencia.
Sin embargo, para sistemas de medición en un solo punto, el número de datos

disponibles está limitado a cuatro coeficientes independientes de Fourier; para resolver
el problema, es necesario añadir una condición adicional. Por ejemplo, para el caso que
se presenta es posible imponer σ1=σ 2, lo cual restringe las capacidad del modelo.
4.7.6.2 Método de máxima verosimilitud
Este modelo fue introducido por Capon et al (1967) y completado por diversos
autores, entre los que destacan Isobe (1984) y Krogstad (1988). El modelo de máxima
verosimilitud se basa en la suposición de que la función de dispersión angular puede
ser expresada como una combinación lineal del espectro cruzado, tal que:
1
Dˆ MLM ( f ,θ ) = ∑α mn ( f ,θ ) ⋅ Gmn ( f )
E ( f ) m ,n
ˆ
(4.93)
75
Esta estimación se relaciona con la función de dispersión angular normal, por medio
de la siguiente expresión:
∞
Dˆ MLM ( f ,θ ) = ∫ D ( f ,θ ) ⋅ w (θ ,θ ') dθ ' (4.94)
0
donde
w (θ ,θ ' ) = ∑ α mn ( f ,θ ) ⋅ H m ( f ,θ ' ) ⋅ H n ( f ,θ ' ) (4.95)

m,n
Es posible afirmar que este método es producto de la convolución de la función de

dispersión estándar con una función ventana w(θ,θ’).
Método de máxima verosimilitud iterativo
Con el objeto de obtener resultados consistentes, Pawka (1983) y Oltman-Shay

(1984) proponen un método iterativo del método de máxima verosimilitud. Los dos
esquemas iterativos se basan en las siguientes expresiones:
Dˆ IMLM
i
( f ,θ ) = Dˆ IMLM
i −1
( f ,θ ) + ε i ( f ,θ ) con Dˆ IMLM
0
( f ,θ ) = Dˆ MLM ( f ,θ ) (4.96)
Primer esquema
( f ,θ )
β +1
λ −1
∆ iMLM
ε ( f ,θ ) =
i
Dˆ IMLM
i −1
( f ,θ ) con λ = 1− (4.97)
λγ DˆMLM ( f ,θ )
Segundo esquema
β +1
λ
ε ( f ,θ ) =
i
con λ = Dˆ MLM ( f ,θ ) − ∆ iMLM
−1
( f ,θ ) (4.98)
λγ
Los parámetros γ y β controlan la convergencia del algoritmo iterativo, sus valores

más comunes son β =1 y γ =10. Las iteraciones se detienen después de un número fijo
de pasos, cuando el criterio de convergencia ha sido satisfecho.
Benoit (1992) demostró que en la mayoría de los casos el segundo esquema

proporciona mejores resultados que el primero. Por lo general, son necesarias de 10 a
20 iteraciones para alcanzar una convergencia adecuada.
76
4.7.6.3 Otros métodos
En la literatura especializada se pueden encontrar otros dos métodos:
El método de máxima entropía
Este método fue originalmente desarrollado para medir la incertidumbre en teoría de

información estadística y ha sido utilizado para determinar la función de densidad
probabilística de una variable aleatoria de datos, en los cuales la información en torno
a su distribución es inadecuada. El fundamento de esta teoría consiste en que la
probabilidad de distribución, la cual maximiza la entropía, tiene tendencia a presentar
mínimos bajo ciertos límites sobre la función de densidad.
Método bayesiano
Este método es un procedimiento probabilista que estima la causa-efecto de un

fenómeno a través del análisis de resultado. Dado que en este método no se realiza
ninguna suposición en la función de forma de la función distribución direccional,
tiene una gran flexibilidad para ajustarse bien a cualquier distribución angular. En
particular, este método es muy fiable cuando el número de mediciones simultáneas es
de al menos cuatro; sin embargo, cuando el número de mediciones es tres, el método
de máxima entropía es más adecuado.
Un análisis más exhaustivo de este tema puede encontrarse en Goda (2000).
77
5. DISTRIBUCIONES ESTADÍSTICAS DEL OLEAJE
En la práctica, es muy común que cuando se diseñan estructuras marítimas o se estudia

algún fenómeno oceanográfico se cuente sólo con información de los parámetros
característicos más relevantes que definen a un estado de mar, debido esencialmente a
que:
cuando se tienen mediciones de estados de mar, no es económico reportar toda

la estadística del oleaje
en ocasiones se utiliza el espectro de energía para caracterizar los estados de

mar
normalmente, los métodos de predicción de oleaje no proporcionan la estadística

del oleaje.
Sin embargo, para un diseño o estudio de las características océano-meteorológicas

de alguna zona en particular, es común que se requiera más información estadística
aunque se cuente con los parámetros estadísticos más representativos. Por esto,
resulta imprescindible contar con herramientas estadísticas que permitan estimar de
manera confiable las funciones de probabilidad de la superficie libre, altura de ola,
periodo y la altura conjunta ola-periodo.
5.1 Distribución de los desplazamientos
En la aproximación al proceso estocástico realizada hasta el momento, se ha asumido

que el oleaje tiene una distribución normal o gaussiana. Sin embargo, dicha
aproximación sólo es válida en aguas relativamente profundas y cuando el oleaje no
ha experimentado ningún proceso de rotura, (Ochi, 1998 y Massel, 1996).
79
En general, la superficie libre del oleaje deja de presentar una distribución normal por
efectos tales como rotura del oleaje tanto en aguas profundas como someras y
someramiento, ya que las crestas se hacen más acusadas y los valles menos profundos
y más largos, por citar dos de los fenómenos más importantes.
5.1.1 Distribución normal de desplazamientos de la superficie libre
Siguiendo con el mismo esquema planteado, considérese ahora que la superficie libre
puede ser tratada como la suma de contribuciones de un gran número de ondas con
frecuencia σm y dirección θn (-π ≤ θn ≤ π) superpuestas de manera aleatoria; por
ejemplo
ηmn = amn cos ⎡⎣ km ( x cos θ n + ysenθ n ) − σ mt + ε mn ⎤⎦ (5.1)
donde km es el número de onda.
El número de onda, km, está asociado con la frecuencia angular, σm, a través de la
relación de la dispersión al primer orden:
σ m2 = gk m tanh k m h (5.2)
Se asume que las fases εmn son variables aleatorias normalmente distribuidas en el
intervalo (-π, π). Las amplitudes amn son también variables aleatorias asociadas al
espectro bidimensional, S( f,θ ), de la siguiente forma:
amn = S ( f ,θ )∆f ∆θ (5.3)
Asumiendo que las contribuciones η1, η2, η3 ...ηN son variables aleatorias
estadísticamente independientes y si además se desprecian todas las interacciones
entre componentes y se usa el teorema del limite central, Ochi (1998), se llega a la
conclusión de que el desplazamiento de la superficie libre del oleaje η (t) es una
función normalmente distribuida con media η y varianza σ η , mientras que la
2
función de densidad de probabilidad se define como:
⎡ (η −η )2 ⎤
⎢− ⎥
1 2
p (η ) = e ⎣⎢ 2ση ⎦⎥
(5.4)
2πσ η
80
La media y la varianza, momentos centrados de primero y segundo orden, µ1 y µ2,
pueden ser calculados a través de las siguientes expresiones:
∞
µ1 = η = ∫ η p (η ) dη (5.5)
−∞
∫ (η − η ) p (η ) dη
2
µ2 = σ η =
2
(5.6)
−∞
La varianza de la oscilación de la superficie libre también puede ser obtenida a través

del momento de orden cero del espectro de energía:
∞
var [η ] = m0 = ∫ S ( f ) df (5.7)
0
Ambas notaciones (ecs 5.6 y 5.7) son frecuentemente utilizadas; por ejemplo, en
Massel (1996).
Si se expresa la ec 5.4 en su forma generalizada:
1 ⎛ 1 ⎞
p (ξ ) = e⎜ − ξ 2 ⎟ (5.8)
2π ⎝ 2 ⎠
donde
η −η
ξ= (5.9)
ση
Puede demostrarse (Massel, 1996, y Ochi, 1998) que todos los momentos de orden
non son iguales a cero, mientras que los momentos de orden par cumplen con la
siguiente relación:
µ 2 n = {1 ⋅ 3 ⋅ 5 ⋅⋅⋅ ( 2n − 1)}σ η2 n (5.10)
donde
∞
∫ (η − η ) p (η ) dη
n
ση =
n
(5.11)
−∞
La distribución de la ec 5.8 en algunos textos es abreviada como N(0,1) (Massel,

1996 y Ochi, 1998), dado que los dos primeros momentos de la función de
distribución de probabilidad estandarizada son 0 y 1, respectivamente.
En general, los momentos de la ec 5.8 pueden ser expresados como:
81
∞
mˆ n = ∫ ξ p (ξ ) d ξ
n
(5.12)
−∞
y, por tanto,
⎧⎪1⋅ 3 ⋅ 5 ⋅⋅⋅ ( n − 1) para momentos de orden par
mˆ n = ⎨ (5.13)
⎪⎩0 para momentos de orden non
y
µn
mˆ n = (5.14)
σ ηn
Cuando se comparan los resultados obtenidos teóricamente y los obtenidos de

mediciones directas, usualmente hay dos parámetros importantes que miden la
discrepancia entre ambos resultados, la asimetría o sesgo y la curtosis:
µ3
γ1 = = m̂3 (5.15)
σ η3
µ4
γ2 = − 3 = mˆ 4 − 3 (5.16)
σ η4
La asimetría y la curtosis son cantidades de orden superior y determinan la

no linealidad del oleaje. La asimetría, por ejemplo, sirve para medir la desigualdad
que existe entre crestas acusadas y valles más suaves del oleaje. La curtosis
representa el grado de apuntalamiento de la distribución cuando se toma como
referencia una distribución normal. Así, por ejemplo, si γ1 = γ2 = 0, la variable
aleatoria está normalmente distribuida.
En muchos de los casos, la densidad de probabilidad de los desplazamientos de la

superficie libre, p(η), tiene una asimetría positiva. Esto significa que la moda de la
distribución está localizada en un valor menor que la media. Un valor positivo de la
curtosis γ2, corresponde a una distribución con una cresta más abrupta que la
distribución normal.
Para establecer la función de distribución de los desplazamientos de la superficie

libre, ec 5.8, de forma dimensional, basta con realizar la siguiente operación:
dξ
p (η ) = p (ξ ) (5.17)
dη
En la ecuación anterior se debe considerar que η = 0 y σ η = η rms ; por tanto, se obtiene:
82
⎛ 1 η2 ⎞
⎜− 2 ⎟
1 ⎜ 2η ⎟
p (η ) = e ⎝ rms ⎠
(5.18)
ηrms 2π
En particular, la función densidad de probabilidad de la elevación de la superficie del

mar es simétrica alrededor de la elevación media, donde la función es máxima. De tal
forma que para una elevación positiva en particular, la función de probabilidad será
igual para la misma elevación en sentido negativo. Esta distribución presenta los
siguientes puntos críticos (desde el punto de vista del modelo matemático aceptado,
dado que no es válida cuando intervienen procesos no lineales):
El modelo lineal no tiene en cuenta la interacción entre componentes, entre

otros la cesión de energía de unos componentes a otros
En profundidades reducidas, próximas a la rotura, hay más probabilidad de que

η (t) > 0 que η (t) < 0, y el oleaje tiende a peraltarse
Esta distribución admite, aunque con muy pequeña probabilidad, que son
posibles desplazamientos tan grandes como se quiera (teóricamente η (t) puede
ser igual a infinito). Esto es físicamente imposible ya que la ola rompería antes
de alcanzar esas alturas.
Kinsman (1965) y Longuet-Higgins (1963) han realizado estudios más detallados de

la distribución de la variable η (t), en los que han encontrado mayor aproximación a
la realidad en la distribución de Gauss modificada, distribución de Gram-Charlier,
aunque ésta tiene discrepancias en los extremos. No obstante, la experimentación
confirma que la distribución de Gauss puede aceptarse como válida, excepto en
condiciones de franca rotura.
Ejemplo. En la fig 5.1 se presenta una comparación entre la función de densidad de

probabilidad teórica y otra medida en campo. Los parámetros estadísticos más
relevantes de la señal medida son: varianza σ η = η rms = 0.125 m , asimetría o sesgo
2 2 2
γ1 = 0.02363, y curtosis γ2 = 0.02813, lo cual se puede interpretar analíticamente como

un sesgo hacia la izquierda, es decir que la moda está en un valor menor que el nivel
medio de reposo, además de que la distribución medida presenta una cresta más
abrupta que la distribución normal.
83
1.60 Distribución de señal medida
Distribución teórica
1.20
0.80
p (1/m)
0.40
0.00
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50
η (m)
Fig 5.1 Comparación entre la función de distribución de probabilidad
medida y teórica
5.1.2 Distribución no lineal de desplazamientos de la superficie libre
Hasta el momento, el análisis estadístico se ha realizado considerando al oleaje como

un proceso aleatorio, gaussiano, estacionario, ergódico y de media cero, asumiendo válido
el teorema del límite central, Ochi (1998). Por otro lado, se ha comprobado a través de
mediciones de oleaje local, sea, y oleaje distante, swell, así como en ensayos de
laboratorio, que el oleaje puede ser considerado como un proceso aleatorio normal,
inclusive para estados de mar muy severos, si la profundidad relativa del agua es grande.
Sin embargo, cuando el oleaje encuentra profundidades relativamente menos profundas,

intermedias o bajas, debido principalmente a efectos de refracción y rotura, deja de
presentar una distribución normal en su desplazamiento alrededor del nivel medio del
agua. Por tanto, para estas condiciones el teorema del límite central de Ochi (1998)
no será cumplido, los parámetros de asimetría y curtosis tendrán un valor diferente a
cero y el proceso será de tipo no gaussiano.
Se han desarrollado dos diferentes aproximaciones para la función de distribución de

un proceso no gaussiano, las cuales se describen a continuación.
5.1.2.1 Series tipo A de Gram-Charlier
Longuet-Higgins (1963), aplicando la función de generación acumulada, desarrolló la

función de probabilidad p (η), que en su forma normalizada puede ser expresada como:
84
⎛ 1 ⎞
1 ⎜⎝ − 2ξ ⎟⎠ ⎡ mˆ 3
2
mˆ 4 − 3 mˆ 5 − 10mˆ 3
p (ξ ) = e 1 +
⎢⎣ 3! H 3 ( ξ ) + H 4 ( ξ ) + H 5 (ξ ) +
2π 4! 5!
(5.19)
mˆ 6 − 15mˆ 4 + 30 ⎤
H 6 (ξ ) + ...⎥
6! ⎦
donde Hn son los polinomios de Hermite definidos como:
H 3 (ξ ) = ξ 3 − 3ξ ⎫
⎪
H 4 (ξ ) = ξ 4 − 6ξ 2 + 3 ⎪
⎪⎪
H 5 (ξ ) = ξ 5 − 10ξ 3 + 15ξ ⎬ (5.20)
⎪
H 6 (ξ ) = ξ 6 − 15ξ 4 + 45ξ 2′15⎪
⎪
etc. ⎪⎭
y mˆ n es el momento de orden enésimo de la variable aleatoria normalizada (ec 5.12).
La ec 5.19 también puede ser desarrollada usando el concepto de polinomios

ortogonales:
⎛ 1 2⎞
1 ⎜⎝ − 2ξ ⎟⎠ ⎡ γ 1 γ mˆ − 10γ 1
p (ξ ) = e ⎢1 + H 3 ( ξ ) + 2 H 4 (ξ ) + 5 H 5 (ξ ) +
2π ⎣ 3! 4! 5!
(5.21)
mˆ 6 − 15mˆ 4 + 30 ⎤
H 6 (ξ ) + ...⎥
6! ⎦
Para cierto intervalo de desplazamientos, especialmente cuando el peralte de la ola es

importante (Bitner, 1980 y Ochi, 1984), las ecs 5.19 y 5.21 dan valores de densidad
negativos, lo cual físicamente no puede ser aceptado. El inconveniente más
importante que tiene esta distribución es que los parámetros de asimetría, curtosis y
momentos de orden superior deben ser conocidos a priori.
5.1.2.2 Distribución de los desplazamientos basada en un desarrollo de Stokes
Otra aproximación para derivar la distribución de probabilidad no gaussiana consiste

en asumir que el oleaje puede expresarse como una expansión de Stokes (1847), al
segundo y tercer orden. Para ello, Huang et al (1983) consideraron que el oleaje no
lineal asociado a un espectro de banda estrecha se puede representar de la siguiente
forma:
85
1 1 3
η = a 2 k + a cos χ + a 2 k cos 2 χ + a 3k 2 cos 3χ + ...
2 2 8
(5.22)
3
= a cos χ + a k cos χ + a 3 k 2 cos 3χ + ...
2
donde a(x,y,t) es la amplitud, k es el número de onda y χ = k x cosθ + k y senθ −σ t +ε.
Asumiendo que la amplitud, a y la fase χ, son variables aleatorias que cambian

lentamente y siguen una distribución tipo Rayleigh, subcap 5.3.1, y una distribución
uniforme, respectivamente, Huang et al (1983) derivaron la función de distribución
de probabilidad hasta el tercer orden, y obtuvieron la siguiente relación:
1 ⎜⎝ − 2 A ⎟⎠ ⎡⎢ B 9 ( kσ η ) 1 ⎤⎥
2
⎛ 1 ⎞
p (ξ ) = e + (5.23)
2π ⎢ R 8 N R 3 ⎥⎦
⎣
donde
2
⎡ 2 ⎛ 13 ⎞⎤
A = N ⎢η − σ η k (ξ 2 − 1) + (σ η k ) ⎜ ξ 3 − 2ξ ⎟ ⎥
2
(5.24)
⎣ ⎝8 ⎠⎦
⎡ 2 ⎛ 39 ⎞⎤
B = N ⎢1 − 2σ η kξ + (σ η k ) ⎜ ξ 2 − 2 ⎟ ⎥ (5.25)
⎣ ⎝ 8 ⎠⎦
9
( ση k ) ξ 2
2
R = 1+ (5.26)
4
N = 1 + (σ η k )
2
(5.27)
Para dar solución a las ecs 5.24 y 5.27, el número de onda k es evaluado utilizando la
frecuencia de pico espectral fp y la profundidad local h.
Continuando con el ejemplo presentado en la fig 5.1, en la fig 5.2 se presenta una
comparación entre la función de densidad de probabilidad medida, normal y la
desarrollada hasta el tercer orden, ec 5.23, con una frecuencia de pico espectral
fp = 0.1 Hz y a una profundidad local h = 2 m.
86
1.60 Distribución de señal medida
Distribución normal
Tercer orden
1.20
0.80
p (1/m)
0.40
0.00
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50
η (m)
Fig 5.2 Comparación entre la función de distribución de probabilidad medida,

normal y la desarrollada hasta el tercer orden (con fp = 0.1 Hz y h = 2 m)
Tayfun (1980), haciendo uso de un desarrollo de Stokes al segundo orden, derivó la

función de densidad de probabilidad de los desplazamientos del perfil de oleaje en
función de la modulación de la amplitud, como se muestra a continuación:
1
{
η = ∑ an cos ( χ n + ε n ) + k ⎡⎣ ∑ an cos ( χ n + ε n ) ⎤⎦ − ⎡⎣ ∑ ansen ( χ n + ε n ) ⎤⎦
2
2 2
} (5.28)
Y obtuvo la siguiente relación para la función de probabilidad acumulada, P(η):
∞ τ2
1
∫ e {erf ⎡⎣ A (τ ,η ) + β ⎤⎦ + erf ⎡⎣ A (τ ,η ) − β ⎤⎦} dτ
−
P (η ) = 2
(5.29)
2π ( )
α η
donde
⎧ β ⎫
⎪0 para η > −
2γ ⎪
⎪ ⎪
a (η ) = ⎨ 1/ 2 ⎬ (5.30)
⎪ 2 β ⎡ − ⎛ 1 + 2γη ⎞ ⎤ para η < −
β ⎪
⎪ ⎢ ⎜⎜ ⎟⎟ ⎥
⎩ ⎢
⎣ ⎝ β ⎠⎦⎥ 2γ ⎪⎭
k m0
β= (5.31)
2
87
2γη τ2
A (τ ,η ) = β 1 + + (5.32)
β β2
γ = 1 + k 2 m0 (5.33)
Para evaluar las funciones de probabilidad acumulada y de densidad de probabilidad,

P(η) y p(η), se requiere hacerlo vía integración numérica, donde τ es la variable de
integración. Es importante mencionar que no obstante que la distribución propuesta por
Tayfun (1980) es más compleja que la normal, ec 5.18, ajusta mejor los resultados de
campo (Ochi, 1998).
5.1.2.3 Otras distribuciones de probabilidad del desplazamiento de la superficie libre
Complementariamente Massel (1996) presenta dos distribuciones que no se abordan

en el presente trabajo:
Influencia de la rotura del oleaje en la distribución de los desplazamientos de la

superficie libre en aguas profundas. Esta se debe a que el flujo de energía de la
atmósfera al océano genera una superficie aerodinámica de la superficie del mar, si el
flujo de energía es substancialmente intenso, en algunos puntos la superficie libre del
agua se desestabilizará y eventualmente romperá en forma de espuma blanca de varias
escalas. En este caso, la rotura es muy localizada y el fenómeno es no estacionario.
Distribución de probabilidad del desplazamiento de la superficie libre en aguas de

profundidad finita. Las olas en aguas poco profundas tienen muchas propiedades
específicas, mismas que las distinguen de las ondas que se propagan en aguas de
profundidad indefinida. A medida que las ondas viajan hacia aguas menos profundas,
su dinámica se hace menos lineal y disipativa. En aguas poco profundas, las ondas
tienen crestas más altas y valles más largos comparadas con aquellas que se propagan
en aguas más profundas. Más aún, en zonas costeras existe una asimetría con respecto
a una línea vertical pasando a través de la cresta. Por tanto, en general, las ondas que
se propagan en aguas de profundidad finita no pueden ser clasificadas como un
proceso Gaussiano y la densidad de probabilidad no es válida, a excepción de estados
de mar compuestos con olas muy pequeñas.
88
5.2 Distribución de los desplazamientos máximos (crestas)
La obtención de la distribución teórica de ηmáx(t) o desplazamientos máximos,

crestas, con respecto al nivel medio fue realizada originalmente por Rice (1945) para
funciones aleatorias. Es importante mencionar que ηmáx(t) puede tomar tanto valores
positivos como negativos, siendo estos últimos los que definen la situación cuando la
cresta queda por debajo del nivel medio.
Los estudios de Rice fueron ampliados por Cartwright y Longuet-Higgins (1956), que
demostraron que la función de densidad de crestas, ηmáx(t), puede ser definida a
través de la siguiente relación:
1 ⎡ ⎡ 1 ⎛ β ⎞2 ⎤ ⎛ 1 2 ⎞ ε (1−ε 2 ) 2 − 2 x2 ⎤
β 1
1
P(β ) = ⎢ε exp ⎢ − ⎜ ⎟ ⎥ + (1 − ε ) β exp ⎜ − β ⎟ ⋅ ∫−∞
2 12
e dx ⎥ (5.34)
2π ⎢⎣ ⎢⎣ 2 ⎝ ε ⎠ ⎥⎦ ⎝ 2 ⎠ ⎥⎦
donde
η máx
β= (5.35)
m0
siendo m0 el momento de orden cero, ec 4.60, y ε el parámetro de anchura de cuarto

orden, ec 4.61.
La distribución de mínimos de η (t), o valles, se puede obtener teniendo en cuenta que la

función η (t) es estadísticamente simétrica con respecto al nivel medio. Si a cada fase del
modelo matemático se le suma π no afecta el carácter aleatorio, se cambian todos los
signos de η (t). Por tanto, la función de densidad de mínimos de η (t), o valles, es
simétrica respecto a la función de densidad de las crestas con respecto al nivel medio = 0.
Si en la función de densidad de los desplazamientos, ec 5.34, se hace tender el

parámetro de anchura espectral, ε, propuesto por Cartwright (1956) a cero, la función
de desplazamientos máximos toma la siguiente forma:
1η 2 máx
η máx −
P (η máx ) = e 2 m0
para η máx ≥ 0 (5.36)
m0
P (η máx ) = 0 para η máx < 0 (5.37)
89
Las ecs 5.36 y 5.37 definen la distribución de Rayleigh. Para la segunda condición
límite, cuando el parámetro de anchura tiende a uno, se tiene una condición
completamente distinta:
2
1η máx
1 −
P(η máx ) = e 2 m0 (5.38)
2πm0
La ec 5.38 define la distribución normal o de Gauss. Cartwright y Longuet-Higgins

(1956) también relacionaron la proporción de crestas negativas, r, con el parámetro
de anchura espectral de cuarto orden, ε. Para ello, se deben analizar los siguientes
parámetros de un registro:
N O+ número de cruces de η(t) con el nivel medio con pendiente positiva
N O− número de cruces de η(t) con el nivel medio con pendiente negativa
N C+ número de crestas positivas (sobre el nivel medio)
N C− número de crestas negativas (sobre el nivel medio)
N V+ número de valles positivos (sobre el nivel medio)
N V− número de valles negativos (sobre el nivel medio).
Si el registro es lo suficientemente largo, se deben cumplir las siguientes condiciones:
N O+ = N C+ − NV+ (5.39)
N O− = NV− − N C− (5.40)
Además, admitiendo que la función η (t) es estadísticamente simétrica respecto al

nivel medio, es decir, que las crestas y valles están normalmente distribuidos con
respecto al nivel medio, se tiene:
NV+ = N C− = rN C (5.41)
donde N C = N C+ + N C− es el número total de crestas y r la proporción de crestas
negativas.
90
Por tanto,
N O+ = N C+ − NV+ = (1 − r ) N C − rN C = N C (1 − 2r ) (5.42)
de donde, al operar algebraicamente, se obtiene:
1⎛ N+ ⎞
r = ⎜1 − O ⎟ (5.43)
2⎝ NC ⎠
Es claro que el número de crestas será siempre mayor o igual que el número de cruces
con pendiente positiva, por tanto los valores límite para r serán:
NC
→1 ⇒r→0 (ε → 0 ) (5.44)
N O+
NC 1
→∞ ⇒r→ ( ε → 1) (5.45)
N O+ 2
donde
ε 2 = 4r (1 − r ) (5.46)
Las ecs 5.44 y 5.45 definen los valores límite para la anchura de la base del espectro,
y la proporción de las crestas en un registro dado. El caso r = 0 se presenta si
N O+ = N C , es decir, cuando el número de cruces ascendentes por el nivel medio en el
registro, es igual al número total de crestas. Definido lo anterior y utilizando la ec 5.39,
se obtiene:
N O+ = N C = N C+ − NV+ (5.47)
Es claro que se debe satisfacer la condición N C ≥ N C+ , de donde N V+ = N C− = 0 .
Es posible afirmar, para el caso en que no existan crestas negativas ni valles positivos
el número de crestas positivas y de valles negativos será el mismo, es decir que toda
la energía está contenida en una banda de frecuencias o periodos muy estrecha. Dicha
situación se muestra en la fig 5.3.
91
3
2
Lado (+)
1
0
-1 0 10 20 30 40 50 60 70
-2
Lado (-)
-3
Fig 5.3 Señal sinusoidal con N C+ = N V−
5.3 Distribuciones de alturas de ola
La altura de ola es uno de los parámetros de mayor importancia, tanto en ingeniería de

costas como en oceanografía, y se define como la suma aritmética del desplazamiento
máximo positivo y del subsiguiente desplazamiento máximo negativo, H = ηmáx + ηmín.
A pesar de la importancia que tiene este parámetro no se ha podido desarrollar una
ecuación universal que sea sencilla y se pueda aplicar para representar de manera
válida todos los estados de mar que se presentan en la naturaleza. Es por ello que en
la literatura especializada se pueden encontrar diversas hipótesis, entre las cuales
destacan las siguientes:
1. El desplazamiento de la superficie libre sigue una distribución normal
2. Espectro de banda estrecha
3. La correlación entre los desplazamientos máximos positivos y negativos es uno
4. La correlación entre los desplazamientos máximos positivos y negativos es cero
5. La correlación entre los desplazamientos máximos positivos y negativos es

arbitraria
6. La altura de ola está limitada por efectos de rotura.
Si se utilizan ciertas combinaciones de estas hipótesis, se obtienen como resultado las

siguientes distribuciones de probabilidad para alturas de ola:
1, 2 y 3, la distribución de Rayleigh (1956)
1, 2 y 5, la distribución de crestas y valles (Tayfun, 1981)
92
1, 2 y 4, la distribución de Carter (1986)
1, 2, 3 y 6, la distribución de Tayfun (1981).
Las cuales se exponen a continuación.
5.3.1 Distribución de alturas de ola para un espectro de banda estrecha
5.3.1.1 Correlación perfecta entre crestas y valles
Si se considera un estado de mar tipo swell puro, con un ancho de espectro ε = 0 y se

asume que hay una correlación perfecta entre una cresta y el siguiente valle, la
descripción de la distribución de probabilidad de alturas de olas dada por Rayleigh
será exacta. La distribución adimensional de alturas de ola, p(H/Hrms), queda definida
como la suma de 2ηmáx, ec 5.36, tal que
2
⎛ H ⎞
⎛ H ⎞ H − ⎜⎝ H rms ⎟⎠
p⎜ ⎟=2 e (5.48)
⎝ H rms ⎠ H rms
En forma dimensional se puede expresar como:
H2 H2
H − H rms2 H − 8 m0
p( H ) = 2 2
e = e (5.49)
H rms 4m0
Esta distribución fue originalmente propuesta por Cartwright y Longuet-Higgins (1956).
5.3.1.2 Correlación nula entre crestas y valles
Carter (1986), asumiendo el caso opuesto al presentado por Cartwright y Longuet-

Higgins (1956), donde la correlación entre crestas y valles consecutivos es nula,
desarrolló la distribución de probabilidad de alturas de ola haciendo las siguientes
suposiciones:
Las distribuciones de las crestas y valles son de la forma de Rayleigh, ec 5.36, y por
tanto la distribución conjunta está dada por:
⎛ β 2 + β 22 ⎞
−⎜ 1 ⎟
⎜ ⎟
p ( β1 , β 2 ) = β1β 2 e ⎝ 2 ⎠
(5.50)
93
donde β1 y β2, son las amplitudes de cresta y valle adimensionales, respectivamente,
definidas según la ec 5.35. Si se define y como las suma de ambas amplitudes
adimensionales, y y2 como la resta, es decir,
y = β1 + β 2 y y2 = β1 − β 2 (5.51)
y + y2 y − y2
β1 = y β2 = (5.52)
2 2
La función de distribución p(y, y2) estará dada por:
∂β1 ∂β1
⎛ y 2 + y2 2 ⎞ ⎛ y 2 + y2 2 ⎞
∂y ∂y2 −⎜ ⎟ −⎜ ⎟
1
( ) 1
( )
⎜ 4 ⎟⎠ ⎜ 4 ⎟⎠
p ( y , y2 ) =
2 2
⋅ y 2 − y2 e ⎝ = y 2 − y2 e ⎝ (5.53)
∂β 2 ∂β 2 4 8
∂y ∂y2
Por tanto, la distribución de probabilidad de y está dada por:
⎛ y2 ⎞ y ⎛ y2 2 ⎞
y1 −⎜ ⎟
1 −⎜⎜⎝ 4 ⎟⎟⎠ 1 2
( )
⎜ 4 ⎟⎠
p ( y) = ∫ p ( y, y2 ) dy2 = e ∫
2
y − y 2 e ⎝
dy2 (5.54)
− y1 8 − y1
Operando, la ecuación anterior también se puede expresar como:
⎛ y2 ⎞ ⎧ ⎛ y2 ⎞ ⎛ 2⎞
y1 −⎜ y2 ⎟ ⎫
1 −⎜⎜⎝ 4 ⎟⎟⎠ ⎪ −⎜ ⎟
⎪
+ ( y − 2) ∫ e
⎜ 4 ⎟ ⎜ 4 ⎟
p ( y) = e ⎨2 ye
⎝ ⎠ 2 ⎝ ⎠
dy2 ⎬ (5.55)
4 ⎪⎩ 0
⎭⎪
Mientras que su distribución de probabilidad acumulada quedaría de la siguiente forma:
⎛ y2 ⎞ ⎛ y2 ⎞ y ⎛ y2 2 ⎞
y1 − ⎜⎜ ⎟⎟
1 −⎜⎜⎝ 4 ⎟⎟⎠ 1 −⎜⎜⎝ 4 ⎟⎠
⎟
P ( y ) = ∫ p ( y ) dy = 1 − e ⎝ 2 ⎠
− ye ∫0 e dy2 (5.56)
0
2
Las ecs 5.55 y 5.56 se pueden expresar también en forma dimensional como:
⎛ H2 ⎞
−⎜ ⎧
⎜ 4 m ⎟⎟ ⎪
⎛ H2 ⎞
−⎜
⎜ 4 m ⎟⎟ ⎛ H2 ⎞ ⎛ H ⎞ ⎫⎪
1 H
p(H ) = e ⎝ 0 ⎠ ⎨2 e ⎝ 0⎠ + π ⎜ − 2 ⎟ Erf ⎜ ⎟ ⎬ (5.57)
4 m0 ⎝ m0 ⎜ ⎟
⎪⎩ m0 ⎠ ⎝ 2 m0 ⎠ ⎭⎪
94
⎡ −⎛⎜⎜ H 2 ⎞⎟⎟ ⎛ H2 ⎞
⎛ H ⎞⎤
π H −⎜⎜⎝ 4 m0 ⎟⎟⎠
P ( H ) = 1 − ⎢e ⎝ 0 ⎠ + ⎟⎥
2m
e Erf ⎜ (5.58)
⎢ ⎜ ⎟
⎣
2 m0 ⎝ 2 m0 ⎠ ⎥⎦
donde u(u = y2/2) es una constante de integración y la función error, Erf, está definida
como:
X
2
Erf ( X ) = ∫e
−u2
du (5.59)
π 0
5.3.1.3 Correlación intermedia entre crestas y valles
En la practica, la correlación en los valores de los máximos positivos y negativos

puede esperarse que esté entre un valor de 1 y 0; es decir, que la distribución conjunta
entre valles y crestas sea del tipo bivariado de Rayleigh. Rice (1944) propuso la
siguiente distribución conjunta de dos elevaciones de la envolvente de un estado de
mar de banda estrecha:
1 ⎛ β12 + β 22 ⎞
ββ ⎛ κ ⎞ − 2 ⎜⎜⎝ 1−κ 2 ⎟⎠
⎟
p ( β1 , β 2 ) = 1 22 I 0 ⎜ β β ⎟e (5.60)
1− κ ⎝ 1− κ
2 1 2
⎠
donde I0 es la función modificada de Bessel de orden cero.
Battjes (1971) señala que κ es el coeficiente de correlación entre β12 y β22, mientras
que ρ es el coeficiente de correlación entre β1 y β2, los cuales se expresan como:
µ132 + µ14 2
κ =2
2
(5.61)
m0
π ⎛ 2 κ4 κ6 ⎞
ρ= ⎜κ + + ⎟ (5.62)
16 − 4π ⎝ 16 64 ⎠
donde µ13 y µ14 son las autocorrelaciones de las partes de la señal separada τ unidades.
Sustituyendo las ecs 5.51 y 5.52 en la ec 5.60, se obtiene:
1 ⎛ y 2 + y2 2 ⎞
1 y 2 − y2 2 ⎡ κ 1 2 2 ⎤
− ⎜ ⎟
p ( y , y2 ) =
8 1− κ 2
I 0 ⎢⎣1 − κ 2 4 ( y − y 2 ) ⎥⎦ e
4 ⎜⎝ 1−κ 2 ⎟⎠
(5.63)
Por tanto, la distribución de probabilidad de y está dada por:
95
y y
p ( y) = ∫ p ( y, y2 ) dy2 = 2∫ p ( y, y2 ) dy2
−y 0
⎛ 1 y2 ⎞ y 1 ⎛ y 2 − y2 2 ⎞
(5.64)
⎡ κ 1 2
2
−⎜
y − y2
2 ⎜ ⎟
(
2 ⎤
)
⎟
1 ⎜ 2⎟ 4 ⎝⎜ 1−κ 2 ⎠⎟
=
4
e ∫
⎝ 2 1−κ ⎠
0
1− κ 2
I0 ⎢
⎣1 − κ 4
2
y − y2 ⎥ e
⎦
dy2
mientras que la distribución de probabilidad acumulada quedaría de la siguiente forma:

y
P ( y ) = ∫ p ( y ) dy (5.65)
0
Las ecs 5.64 y 5.65 son análogas a las derivadas por Tayfun (1981), mismas que se
pueden expresar también en forma dimensional como:
⎛1 H2 1 ⎞ ⎛ H 2 −u 2 1 ⎞
H
1 −⎜⎜⎝ 2 m0 1−κ 2 ⎟⎟⎠ H 2 − u 2 1 ⎛ H 2 − u 2 1 ⎞ ⎜⎜⎝ ⎟
4 m0 1−κ 2 ⎟⎠
p(H ) = e ∫0 4m0 1 − κ 2 0 ⎜⎝ κ 4m0 1 − κ 2 ⎟⎠ e
I du (5.66)
m0
H
P ( H ) = ∫ p ( H ) dH (5.67)
0
Las ecs 5.66 y 5.67, tienden a la distribución de Rayleigh y de correlación nula,

cuando el parámetro κ tiende a uno y cero, respectivamente.
En la fig 5.4 se presenta la densidad de probabilidad y probabilidad de excedencia

adimensional para diferentes correlaciones del parámetro κ. Para cuando κ = 0, la
distribución corresponde a la distribución de correlación nula, mientras cuando κ = 1,
la distribución corresponde a la distribución de Rayleigh. En dicha figura puede verse
que para una probabilidad de excedencia de 0.0001 las diferencias entre ambos
extremos (κ = 0 y κ = 1) es mayor de un treinta por ciento.
5.3.2 Distribución de alturas de ola en profundidad finita
Hasta el momento se han tratado distribuciones de tipo normal o gaussiano, sin

embargo el desplazamiento de la superficie libre, y en particular en aguas poco
profundas, es no guassiano. El fondo marino condiciona el movimiento del oleaje y la
superficie libre se vuelve más asimétrica, siendo estos efectos no lineales más
importantes a medida que la profundidad relativa es menor.
96
D en sid a d d e p r ob a b ilid a d P r ob a b ilid a d d e e xced en cia
0.5 1
κ = 0
0.4 κ = 0.2
κ = 0.4 0.1
0.3 κ = 0.6
κ = 0.8
0.01
κ = 1.0
0.2
0.001
0.1
0 0.0001
0 2 4 6 8 10 0 2 4 6 8 10
1/2
H/m 0 H/m 01/2
Fig 5.4 Densidad de probabilidad y probabilidad de excedencia para diferentes

factores de correlación
Normalmente, la aplicación de la distribución de Rayleigh o sus modificaciones son

validas para describir la distribución de alturas de ola, sin embargo ninguna de ellas
contiene explícitamente su dependencia con la profundidad. Glukhovskiy (1996)
desarrolló una extensión de la distribución de Rayleigh para profundidades finitas de
agua en la siguiente forma:
⎡ 2 ⎤
1+ n ⎢ − a ⎛ H ⎞1−n ⎥
⎢ ⎜⎝ H ⎟⎠ ⎥
b ⎛H⎞ 1− n
p(H ) = ⎜ ⎟ e ⎣⎢ ⎦⎥
(5.68)
H ⎝H⎠
donde
π
a= (5.69)
⎛ n ⎞
4 ⎜1 + ⎟
⎝ 2π ⎠
2a
b= (5.70)
1− n
El coeficiente n es la relación de la altura de ola media y la profundidad, el cual varía

entre 0 y 0.5. Cuando n = 0 coincide con la distribución de Rayleigh. El límite
superior, n = 0.5, corresponde a la condición limite de la zona de resaca (surf zone).
Massel (1996) presenta la ec 5.68 en función de la altura de ola cuadrática media,

Hrms, de forma adimensional, como sigue:
97
⎡ − aγ α ξ α ⎤
p (ξ ) = bγ α ξ α −1e ⎣ ⎦
(5.71)
donde
H
ξ= (5.72)
H rms
1
⎡ b −⎛⎜1+ α2 ⎞⎟ ⎛ 2 ⎞⎤
2
γ = ⎢ a ⎝ ⎠ Γ ⎜1 + ⎟ ⎥ (5.73)
⎣⎢ α ⎝ α ⎠ ⎦⎥
2
α= (5.74)
1− n
Si el parámetro n es igual a cero, la ec 5.71 se simplifica en la distribución de
Rayleigh, mientras que si n = 0.5,
⎛ π a1 4 ⎞
p (ξ ) = π a1ξ e
−
3 ⎜⎝ 4
ξ ⎟
⎠
≈ 2.055ξ 3e
( −0.514ξ )
4
(5.75)
donde
( 2π )
3/ 2
a1 = ≈ 0.654 (5.76)
(
4 1 + 2 2π )
Ejemplo. En la fig 5.5 se presenta el aspecto que guarda la densidad de probabilidad y
la probabilidad de excedencia adimensional para diferentes valores de n.
Densidad de p r obabilidad Pr obabilidad de e xcedencia

5 1
n=0
4 n = 0.1
n = 0.2
n = 0.3 0.1
3 n = 0.4
n = 0.5
2
0.01
1
0 0.001
0 1 2 3 0 1 2 3
H/Hrms H/Hrms

relaciones de n
98
5.3.3 Distribución de alturas limitada por rotura
Tayfun (1981), asumiendo también un espectro de banda estrecha con la energía

concentrada alrededor de la frecuencia media, propone una ecuación para evaluar la
densidad de probabilidad de alturas de olas limitada por la rotura de la misma y un
parámetro N, que combina el estado de mar con la profundidad.
Esta distribución supone que existe una correlación intermedia entre una cresta y el
siguiente valle, en este caso si la cresta es grande, la probabilidad de que el próximo
valle sea grande es alta, sin embargo, existe una cierta probabilidad de que el valle
pueda ser mediano o pequeño.
El parámetro N está relacionado, como se dijo anteriormente, con el estado de mar y

es función del periodo de onda y de la profundidad. Si el parámetro N tiende a
infinito, entonces se tiene un estado de mar swell y la distribución de Tayfun se iguala
a la de Rayleigh.
La distribución propuesta por Tayfun esta expresada de la siguiente forma:
∞ ⎡ ⎛ ⎞ ⎤
⎢ N ⎜ u ⎟ J o (ξ u ) ⎥du
p (ξ , N ) = ξ ∫ uJ o 0 ≤ ξ ≤ N 1/ 2 (5.77)
⎢ ⎜ 12 ⎟ ⎥
0
⎣ ⎝N ⎠ ⎦
⎡ 4 −1 ⎛ N
1/ 2
⎞⎤ ∞ ⎡ N ⎛ u ⎞ ⎤
p (ξ , N ) = ξ ⎢1 − cos ⎜ ⎟ ⎥ ∫ ⎢uJ o ⎜ 1/ 2 ⎟ J o (ξ u ) ⎥ du N 1/ 2 ≤ ξ ≤ (2 N )1/ 2 (5.78)
⎣ π ⎝ ξ ⎠⎦ 0 ⎣ ⎝N ⎠ ⎦
donde N es el parámetro de Tayfun que se define como:
⎛ π tanh(k0 h) ⎞
N =⎜ ⎟ (5.79)
⎜ 7 2 k 2m ⎟
⎝ 0 0 ⎠
donde
H
ξ= (5.80)
H rms
siendo J0 la función de Bessel de orden cero y k0 el número de onda asociado a la

frecuencia media, el cual se obtiene a partir de la relación de la dispersión:
σ 2h
= k0 h ⋅ tanh ( k0 h ) (5.81)
g
99
Densidad de p r obabilidad Pr obabilidad de excedencia
1 1
N=5
0.8 N=6
N=8
N = 10 0.1
0.6 N = 20
N = 100
0.4
0.01
0.2
0 0.001
0 1 2 3 0 1 2 3
H /H rm s H /H rm s

relaciones de N
Diversos estudios han sido realizados con el fin de encontrar aquellas distribuciones
que describen de mejor manera el fenómeno del oleaje para sus diversos tipos. Green
(1994) llegó a la conclusión que para estados de mar muy desordenados (tipo sea) la
ecuación de Carter es la que mejor representa al fenómeno. Si se tiene un estado de mar
más ordenado (al salir del área de generación y propagarse el oleaje) la distribución
de Tayfun es la que mejor se ajusta. Por último, en un estado de mar muy ordenado
(tipo swell) la distribución de Rayleigh puede utilizarse de manera adecuada.
Ejemplo. En la fig 5.6, se presenta la función de densidad de probabilidad y

probabilidad de excedencia adimensional para diferentes profundidades relativas
dadas por los valores de N.
5.4 Distribuciones conjuntas de periodo y altura de ola
En estudios recientes se ha demostrado la importancia que tiene el periodo de las olas

para el diseño de estructuras marinas, en fenómenos tales como el run-up o la
estabilidad de piezas en un rompeolas, de ahí la trascendencia de las distribuciones de
probabilidad conjuntas de periodo y altura de ola. Sin embargo y en contraste con los
estudios realizados sobre la distribución de la altura de ola, la atención puesta sobre
este parámetro es mucho menor.
100
A continuación se presentan las distribuciones más utilizadas. Cabe señalar que es
importante considerarlas en su forma dimensional y adimensional, la primera por su
utilidad para cálculos prácticos y la segunda para poder hacer una comparación
entre ellas.
5.4.1 Distribución de Cavanié et al (1976)
Cavanié, Arhan y Ezraty (1976) propusieron una distribución teórica que, al igual que
la de Longuet-Higgins (1975), está basada en un modelo gaussiano de banda estrecha,
solo que ésta sí toma en cuenta la asimetría en la distribución de los periodos. Esta
ecuación presenta una buena concordancia con los datos observados, pero tiene el
defecto de utilizar el parámetro de anchura espectral, ε, que depende del cuarto
momento de la función de densidad espectral. Este momento tiene el inconveniente
de estar asociado a la cuarta potencia de la función de densidad espectral, por lo que
cualquier error en la distribución resulta muy amplificado, sobre todo para altas
frecuencias.
Para la derivación de dicha distribución, primero se obtuvo la distribución conjunta

de los máximos y su aceleración asociada, y entonces se transformó en la distribución
conjunta de alturas de ola y periodos, asumiendo que los máximos positivos y
negativos son simétricos, con una metodología similar a la presentada en el apartado
5.3.1.3. Su forma adimensional está representada por:
h 2 (ττ )−4 ⎡ 2 2 2 2
α 3h 2 −
8ε 2 ⎣
(τ τ −α ) + β 2α 4 ⎤
⎦
p ( h, τ ) = e (5.82)
4 2π ε (1 − ε 2 )τ 4τ 5
donde
H
h= (5.83)
m0
T
τ= (5.84)
τ TC
2π m2
TC = (5.85)
α m4
101
⎛T ⎞
τ =⎜ ⎟ Si ε ≤ 0.95 → τ = 1 (5.86)
⎝ TC ⎠
α=
1
2
(
1+ 1− ε 2 ) (5.87)
ε2
β =
2
(5.88)
1− ε 2
En este punto es conveniente mencionar que esta ecuación fue obtenida midiendo el
periodo de ola entre cresta y cresta, TC, por lo que no sería correcto aplicarla a olas
definidas por el método de pasos ascendentes por cero; sin embargo, Goda (1978)
señala que aun para este caso la distribución da buenos resultados.
Haciendo
T H
TC = T , τ= y h= (5.89)
T m0
En su forma dimensional la expresión queda determinada por:
⎡ 2 ⎤
TZ4 H 2 ⎢⎛ 2 TZ2 ⎞
− ⎜τ −α 2 ⎟ + α 4 β 2 ⎥
1 αT H 3 4 2 2 4
8 m0 ε τ 4 ⎢⎜
TZ ⎢⎝ TZ 4 ⎟
⎠
⎥
⎦⎥
p( H , T ) = e ⎣
(5.90)
4 2π m ε (1 − ε )τ TZ
3/ 2 4 5
0
donde Tz es el periodo entre pasos sucesivos de olas.
Ejemplo. En la fig 5.7 se presenta el aspecto que guarda la distribución de probabilidad

conjunta de Cavanié para Hrms = 1 m y T = 8s con a) ε = 0.9 y b) ε = 0.3.
a) b)
2 2
H (m)
H (m)
1 1
0 0
0 4 8 12 0 4 8 12
T (s) T (s)
Fig 5.7 Distribución de probabilidad conjunta para Hrms = 1m y T = 8s . a) ε = 0.9 y
b) ε = 0.3
102
5.4.2 Distribución de Longuet-Higgins
Longuet-Higgins (1975) propuso una ecuación para la distribución conjunta de alturas–

periodos de ola que se sustenta en un modelo de oleaje estacionario y gaussiano con
espectro de banda estrecha. Dicha expresión tiene el inconveniente de que está basada
en un espectro de banda estrecha (oleaje swell), y no toma en cuenta la asimetría en la
distribución de los periodos de ola que se presenta cuando el espectro es de banda
ancha.
Longuet-Higgins (1983) propone otra ecuación que tiene los mismos méritos que la
de Cavanié et al (1976) al tomar en cuenta la asimetría en los periodos, además de
que posee la gran ventaja de utilizar un parámetro de ancho espectral de orden menor:
ν (dependiente del segundo y no del cuarto momento).
Su forma adimensional es:
⎡ 1 ⎛ 1 ⎞⎤
⎛ 2 ⎞ ⎛ R ⎞ − R ⎢⎣1+ν 2 ⎜⎝1− τ ⎟⎠⎥⎦
2 2
p( R,τ ) = ⎜ 1/ 2 ⎟ ⎜ 2 ⎟ e L(ν ) (5.91)

⎝ νπ ⎠ ⎝ τ ⎠
donde m0 es el momento de orden cero, y
T
τ= (5.92)
T
H
R= (5.93)
2 2m0
1 1⎡ − ⎤
1
= ⎢1 + (1 + ν 2 ) 2 ⎥ (5.94)
L(ν ) 2 ⎣ ⎦
m0
T = = T01 (5.95)
m1
La ec 5.91 se puede expresar en forma dimensional como:
H2 ⎡ 1 ⎛ T ⎞ ⎤
2
⎛ H T2
⎞ − ⎢1+ 2 ⎜1− ⎟ ⎥
8 m0 ⎢ ν ⎝ T ⎠ ⎥
p ( H , T ) = ⎜⎜ ⎟e
3/ 2 2 ⎟
⎣ ⎦
L(ν ) (5.96)
⎝ 8ν 2π m0 T ⎠
103
a) b)
2 2
H (m)
H (m)
1 1
0 4 8 12 0 4 8 12
T (s) T (s)
Fig 5.8 Distribución de probabilidad conjunta para Hrms = 1m y T = 8s . a) ν = 0.6

y b) ν = 0.2
Ejemplo. En la fig 5.8 se presenta el aspecto que guarda la distribución de probabilidad

conjunta de Longuet-Higgins (1983) para Hrms = 1m y T = 8s con a) ν = 0.6 y b) ν = 0.2.
5.4.2.1 Distribución de altura de ola
Un caso particular de la distribución anterior resulta de integrar la ec 5.96 con

respecto al tiempo, con lo que se obtiene:
L(ν ) H ⎡ H ⎤
p( H ) = Erfc ⎢ − ⎥ (5.97)
⎢⎣ 2 2m0ν ⎥⎦
H2
8m0ν ⋅ e 8 m0
donde Erfc es la función error complementaria, definida por:

2
⎛ H ⎞
⎛ H ⎞ 2
∞ −⎜
⎜2
⎟
2 m0ν ⎟⎠
Erfc ⎜ − ⎟ =1−
⎜ 2 2m ν ⎟ ∫
π 0
e ⎝
dH (5.98)
⎝ 0 ⎠
Longuet-Higgins (1983) propone una distribución de crestas que es posible aplicar

cuando la anchura espectral, ν, es diferente de cero. Para el caso en el que ν = 0 se
tiene una distribución Rayleigh mientras que para un espectro de banda ancha se tiene
una distribución normal truncada en cero.
104
5.5 Distribuciones de periodos de ola
Estas distribuciones se derivan a través de las distribuciones conjuntas de periodo y

altura de ola, por lo que este apartado estará limitado sólo a presentar las ecuaciones
respectivas. La nomenclatura utilizada es la misma que en los apartados anteriores.
5.5.1 Distribución de Bretschneider (1959)
Esta distribución fue encontrada por Bretschneider (1959) a partir de la distribución

de Rayleigh, al aplicar ésta al cuadrado de los periodos; queda expresada en su forma
matemática por medio de la siguiente ecuación:
4
⎛T ⎞
T3 −0.675 ⎜ ⎟
p (T ) = 2.7 4
e ⎝T ⎠
T (5.99)
5.5.2 Distribución de Longuet-Higgins (1975)
ν 2T012
p (T ) = 3/ 2
(5.100)
2 ⎡⎣ν 2T012 + (T − T01 ) 2 ⎤⎦
5.5.3 Distribución Cavanié et al (1976)

2
α 3β 2δ T
p (T ) = 3/ 2
(5.101)
⎡ 2 2
2 ⎛δ T ⎞⎤
T ⎢⎜ 2 − α 4 β 2 ⎟ ⎥
⎢⎣⎜⎝ T ⎟⎥
⎠⎦
5.5.4 Distribución Longuet-Higgins (1983)

−3 / 2
L(ν )T ⎡ ⎛ T ⎞ 1⎤
2
p (T ) = ⎢1 + ⎜ 1 − ⎟⎟ 2 ⎥ (5.102)
2ν T 2 ⎢ ⎜⎝ T ⎠ ν ⎥⎦
⎣
Ejemplo. En la fig 5.9, se presenta una comparación entre la probabilidad de

distribución de excedencia medida en Baja California, durante una tormenta de
invierno, y las distribuciones de excedencia teóricas.
105
1.00
MEDICIÓN
BRETSCHNEIDER
0.80 LONGUETT-HIGGINS (1983)
CAVANIE
0.60
0.40
0.20
0.00
0.00 3.00 6.00 9.00 12.00
T (s)
Fig 5.9 Comparación entre la probabilidad de distribución de excedencia medida

en Baja California y las distribuciones de excedencia teóricas
106
6. MODELOS ESPECTRALES DE UN ESTADO DE MAR
A través del análisis de una gran cantidad de espectros de oleaje se ha encontrado que
éstos presentan características similares que pueden ser relacionadas mediante el
empleo de parámetros físicos: velocidad y duración del viento, fetch (distancia sin
obstrucciones sobre la cual el viento sopla a través de la superficie del agua) y
profundidad sobre la cual se propaga el oleaje.
Las formas de un espectro de un estado de mar varían considerablemente dependiendo,

como ya se ha dicho, de muchos factores; sin embargo, la forma del mismo no es
arbitraria ya que existen muchas propiedades físicas del oleaje que están representadas
en él. Un espectro de oleaje puede ser generado sintéticamente por medio de los
parámetros que caracterizan su desarrollo. Los modelos espectrales están basados
generalmente en uno o más parámetros. A continuación se describen los modelos más
comunes para este propósito.
6.1 Estado de saturación
La superficie del océano se encuentra siempre sometida a la acción del viento, por tanto
es posible pensar que el oleaje debe aprovechar la energía de manera infinita. Si se
acepta lo anterior, parecería que el fenómeno crecería de manera indefinida. Sin
embargo, se sabe que el crecimiento de las olas bajo la influencia del viento no es
infinito, la energía proporcionada por el viento está balanceada por la disipación de
energía y por las interacciones del oleaje, el cual transfiere energía de una frecuencia
dada a otras. En aguas profundas, la disipación toma la forma de espuma (white caps)
de menor escala que la longitud de onda. Dicho fenómeno sucede cuando dos crestas
son superpuestas o cuando ondas más cortas pasan sobre ondas más largas.
107
El crecimiento del oleaje está limitado también por la formación de olas capilares, las
cuales obtienen energía de las crestas de ondas primarias con gran curvatura (Phillips,
1977). Es conveniente mencionar que la capa superficial de la corriente producida por
el esfuerzo cortante del viento incrementa la rotura de las olas, produciendo una gran
reducción de su amplitud.
La presencia de cualquiera de los mecanismos anteriormente descritos es un indicador

de que se ha llegado al estado de saturación de los componentes del oleaje, donde se
produce un balance entre la energía suministrada por el viento y las pérdidas debidas a
la disipación; dicho estado se caracteriza porque existe un límite superior para la
densidad de la energía espectral. Debido a esto, el estado de saturación debe ser
exclusivamente descrito por los parámetros físicos locales que gobiernan la
configuración extrema de las olas; por ejemplo, la aceleración de la gravedad ( g), la
velocidad del viento sobre la superficie libre (U ), de la dimensión del fetch (x) y de la
frecuencia local ( f ).
6.2 Modelo de Phillips
Phillips (1958), al estudiar la variación de la energía del oleaje en función de la

velocidad del viento, observó dicho estado de saturación y determinó que el espectro
puede ser definido a partir de los siguientes parámetros: la frecuencia, la gravedad, la
velocidad del viento y el fetch. Sin embargo, para tomar en consideración el efecto de
saturación en el espectro de energía hizo depender su modelo de dos parámetros:
la velocidad al cortante del viento
el fetch
Éste es expresado por:
S ( f ) = α g 2 f −5 (2π ) −4 (6.1)
donde g es la aceleración de la gravedad y α depende del fetch y del viento.
Es importante remarcar que este modelo ha sido la piedra angular para desarrollos
posteriores en la predicción de oleaje a través de información meteorológica.
108
6.2.1 Espectro de Neumann
Neumann desarrolló un modelo espectral analítico, en 1953, que fue el primero en ser
usado para el diseño ingenieril; éste está en función de la velocidad del viento medida a
diez metros sobre el nivel medio del mar, U10, y queda expresado como:
f p5 ⎡ ⎛ f ⎞ −2 ⎤
S ( f ) = 1.466 H 2
exp ⎢ −3 ⎜ ⎟ ⎥ (6.2)
⎢ ⎜⎝ f p ⎟⎠ ⎥
m0
f6
⎣ ⎦
donde Hm0, es la altura de ola del momento de orden cero, la cual es

aproximadamente igual a la altura de ola significante, H s ≈ H m0 = 4 m0 . fp, es la
frecuencia de pico espectral que puede ser obtenida a través de la siguiente expresión:
1 g
fp = (6.3)
6 πU 10
6.2.2 Espectro Pierson-Moskowitz
En 1964, Pierson y Moskowitz estudiaron los espectros de oleaje del Atlántico Norte y
crearon una expresión que representa estados de mar completamente desarrollados
generados por el viento. Es decir, su modelo no depende del fetch, sino únicamente de
la velocidad del viento.
La expresión propuesta para generar el espectro es la siguiente:
S ( f ) = 8.1× 10−3 ( 2π ) g 2 f −5e−0.24(2πU19.5 f / g )

−4 −4
(6.4)
donde U19.5 es la velocidad del viento a 19.5 metros sobre la superficie del mar.
Si se emplea la frecuencia de pico espectral, puede ser representado por

4
5⎛ fp ⎞
− ⎜ ⎟
S ( f ) = 8.1× 10−3 g 2 (2π ) −4 f e −5 4⎝ f ⎠
(6.5)
En este caso la frecuencia de pico espectral fp, está dada por
0.0805 g
fp = (6.6)
π Hs
109
Dado que normalmente la velocidad del viento se reporta sobre una altura de 10 m
sobre el nivel del mar, la siguiente relación puede ser de mucha utilidad:
UW = U10 ( y /10)1/ 7 (6.7)
donde y es la distancia vertical sobre el nivel medio del mar (snmm) y U10 es la
velocidad a una altura de 10 m snmm.
6.2.3 Espectro de Bretschneider
Bretschneider (1959), asumiendo que un espectro es de banda estrecha y que las

alturas y periodos de ola individuales siguen una distribución tipo Rayleigh, obtuvo la
siguiente expresión para su modelo espectral:
f s4 ⎡ ⎛ fs ⎞ ⎤
4
S ( f ) = 0.1687 H 5 exp ⎢ −0.675 ⎜ ⎟ ⎥

2
s (6.8)
f ⎢⎣ ⎝ f ⎠ ⎥⎦
donde fs = 1/ Ts.
De dicho modelo es posible deducir que
Ts = 0.946Tp (6.9)
donde Tp es el periodo pico espectral. Esta expresión iguala el modelo al propuesto por
Pierson y Moskowitz.
Este modelo ha sido derivado para un estado de mar totalmente desarrollado. Sin
embargo, parece razonable que también pueda ser utilizado para estados de mar
parcialmente desarrollados. Las relaciones entre la altura de ola, periodo de ola y
velocidad del viento fueron presentadas por Bretschneider (1959) empíricamente. Para
un estado de mar desarrollado,
gH s
2
= 0.282 (6.10)
Uw
gTs
= 6.776 (6.11)
Uw
110
Mientras que para un estado de mar casi totalmente desarrollado,
gH s gH s
2
= 0.254 (90%) 2
= 0.226 (80%) (6.12)
Uw Uw
gTs
= 4.764 (6.13)
Uw
Ejemplo. Para ilustrar el uso de las expresiones anteriores, considérese un estado de

mar parcial y totalmente desarrollado de Uw = 50 kt.
Solución
Primero, se transforma la velocidad del viento a m/s (1 kt = 0.514 444 m/s), tal que
Uw = 25.722 m/s. Sustituyendo este valor en las ecs 6.10 y 6.11, para el caso de un
estado de mar totalmente desarrollado, se obtiene:
0.282* ( 25.722m/s )
2 2
0.282U w
Hs = = = 19.2 m
g 9.81m/s 2
6.776U w 6.776* 25.722m/s

Ts = = = 17.77 s
g 9.81m/s 2
De manera similar, pero ahora considerando un estado de mar parcialmente

desarrollado al 90 % y al 80 %, respectivamente, se obtiene:
0.254* ( 25.722m/s )
2 2
0.254U w
H s (90%) = = = 17.13m
g 9.81m/s 2
0.226* ( 25.722m/s )
2 2
0.226U w
Hs = = = 15.24 m
g 9.81m/s 2
4.764U w 4.764* 25.722m/s

Ts (80% y 90%) = = = 12.49s
g 9.81m/s 2
Segundo, si ahora se utiliza la ec 6.8, pueden obtenerse los espectros de energía que se
representan en la fig 1.2.
111
700
Totalmente desarrollado
600 Parcialmente desarrollado (90%)
Parcialmente desarrollado (80%)
500
S (m 2/Hz)
400
300
200
100
0
0 0.1 0.2 0.3
f (Hz)
Fig 6.1 Espectros de energía para el ejemplo desarrollado
6.2.4 Espectro de Kitaigorodskii-Toba
En 1961, Kitaigorodskii presentó un modelo espectral, que depende de la frecuencia y

el fetch, dado por:
⎛ g2 ⎞
S ( f ) = ⎜ 5 ⎟ F ( f , x) (6.14)
⎝ f ⎠
donde
fu*
f =
g
gx
x= 2
u*
u* = velocidad de fricción del viento (cortante)
x = fetch.
Toba (1973), con base en el trabajo de Kitaigorodskii (1961), encontró de forma

empírica que la mejor aproximación a los datos de su túnel de viento eran propor-
cionados por la función espectral dada por
S ( f ) = β u* gf −4 (6.15)
112
u* = τ 0 / ρ a (6.16)
donde ρa es la densidad del aire y τ0 es la fricción tangencial del viento. A partir de

datos de laboratorio, se determinó que β = 0.02; por su parte, Wu (1969, 1980 y 1982)
realizó una serie de ensayos para modelar las características sobre una superficie del
mar y obtuvo la velocidad del cortante como una función de la velocidad media a 10 m
de altura:
u* = C10 U10 (6.17)
donde C10 es el coeficiente de superficie de arrastre evaluado con una velocidad del
viento a 10 m de altura (sus unidades están dadas en m/s),
C10 = (0.8 + 0.065U10 ) ×103 (6.18)
La evaluación del viento a cualquier altura puede hacerse a través de la siguiente relación
⎛ z ⎞
U z = U10 + u* ln ⎜ ⎟ (6.19)
⎝ 10 ⎠
Ejemplo. Si se tuviera una velocidad de viento sostenido de 80 km/h medidos a

19.5 m snmm, calcular el espectro de energía de oleaje correspondiente.
Solución
Primero se debe de estimar el valor de u* a través de las ecs 6.17 a 6.19. Es importante
mencionar que existen diversos métodos que son más eficientes numéricamente; sin
embargo, para fines de este ejemplo se utilizará la técnica de aproximaciones sucesivas,
los resultados de la misma se muestran en la tabla 6.1. Por conveniencia, se trabajará
con la velocidad de viento en metros por segundo, es decir U19.5 = 22.22 m/s.
Como se puede observar en la tabla 6.1, el resultado de u* es 1.01071 m/s. Con este
valor, ahora se está en posibilidad de evaluar el espectro de energía de oleaje, ec 6.15.
Sin embargo, como puede verse en dicha ecuación, a medida que la frecuencia es más
pequeña la energía tiende al infinito.
113
TABLA 6.1 RESULTADO DE APLICAR LA TÉCNICA DE APROXIMACIONES
SUCESIVAS
Iteración 1 2 3 4
U10 propuesto 20 21 21.5 21.546
C10 0.0021 0.002165 0.002198 0.0022
u* 0.916515139 0.977121 1.007866 1.01071
U19.5 calculado 20.61207573 21.65255 22.17308 22.22098
6.2.5 Espectro ISSC
En el International Ship Structures Congress de 1964, se sugirióuna ligera modificación a

la forma del espectro proporcionado por Bretschneider:
f
4
⎡ ⎛ fs ⎞ ⎤
4
S ( f ) = 0.1107 H 5 exp ⎢ −0.4427 ⎜ ⎟ ⎥

2
s (6.20)
f ⎢⎣ ⎝ f ⎠ ⎥⎦
La relación entre la frecuencia de pico, fp, y la frecuencia media f para el espectro

ISSC es:
f = 1.296 f p
(6.21)
6.2.6 Espectro de Krylov
En 1966, Krylov propuso un modelo espectral que tiene como base la frecuencia
media. Este modelo está definido por la siguiente expresión:
⎛ −4
⎛ ⎞ ⎞
−7
− ⎜ ⎜ π f ⎟
π m0 ⎛ f ⎞ ⎜⎝ 4 ⎜⎝ f 0 ⎟⎠
⎟
⎟
S( f ) = ⎜ ⎟ e
⎠
(6.22)
f0 ⎝ f0⎠
donde
1 1
f0 = = (6.23)
T02 m0 / m2
114
6.2.7 Espectro ITTC
En el congreso International Towing Tank Conference (1966, 1969 y 1962) se

propusieron cambios al espectro de Pierson y Moskowitz en términos de la altura de
ola significante y de la frecuencia media, fz = 1/ T02, donde T02 es el periodo medio de
orden dos, ya definido en los capítulos previos.
−5
⎡ ⎛ fz ⎞ ⎤
4
S ( f ) = 1.272m0 f f z
4
exp ⎢ −0.318 ⎜ ⎟ ⎥ (6.24)
⎢⎣ ⎝ f ⎠ ⎥⎦
6.2.8 Espectro JONSWAP
Hasselman et al (1973) propusieron el espectro JONSWAP, el cual fue generado con

datos tomados a finales de la década de los sesenta por un proyecto de medición de
oleaje conocido como JONSWAP, por sus siglas en inglés (Joint North Sea Wave
Project).
Este espectro fue generado para estados de mar formados por el viento, con fetch
limitado y para una profundidad de agua indefinida. La expresión que representa este
espectro es
⎛ f ⎞
S J ( f ) = S P ( f )φ PM ⎜ ⎟ φ J ( f , f P , γ , σ ) (6.25)
⎜ f ⎟
⎝ p⎠
donde
SP (f) es la ecuación de Phillips dada por la ec 6.1
φPM (f/fP) es la función de forma de Pierson-Moskowitz

−4
5⎛ f ⎞
⎛ f ⎞ − 4 ⎜⎝ f P ⎟⎠
φ PM ⎜ ⎟=e (6.26)
⎝ fP ⎠
φ J es el factor de forma del espectro JONSWAP

⎡ − ( f − f )2 ⎤
⎢ p ⎥
⎢ 2σ 2 f 2 ⎥
⎣⎢ P ⎦⎥
φJ = γ e (6.27)
donde
⎛σ A fP ≤ f ⎞
σ =⎜ ⎟ (6.28)
⎝σB fP > f ⎠
115
Sustituyendo las ecs 6.1, 6.26 y 6.27, se tiene
−4 ⎡ − ( f − f )2 ⎤
5⎛ f ⎞ ⎢ p ⎥
− ⎜ ⎟ ⎢ 2σ 2 f 2 ⎥
⎢⎣ P ⎥⎦
S ( f ) = α g 2 f −5 (2π ) −4 e γe
4⎝ fP ⎠
(6.29)
Los valores medios de los parámetros que se utilizan para generar el espectro
JONSWAP son los siguientes:
γ, conocido como el factor de forma pico del espectro, cuyo valor normalmente es
γ = 3.3.
σ, que representa el ancho de la base del espectro antes (σA) y después (σ B) de la

frecuencia pico. Los valores mas habituales son σA = 0.07 y σB = 0.09.
α, que se conoce como el factor de escala y está asociado con la energía total del
espectro. El parámetro α es función directa del fetch y de la velocidad del viento,
como se puede observar en las siguientes expresiones:
()
−0.22
α = 0.076 x (6.30)
De igual forma se ha observado que la frecuencia pico del espectro está relacionada
también con el fetch y la velocidad del viento, tal que:
⎛ g ⎞ −0.33
f P = 3.5 ⎜ ⎟ ( x) (6.31)
⎝ U10 ⎠
donde
gx
x= (6.32)
U102
x = Fetch
U10 = Velocidad del viento a 10 metros sobre la superficie.
Goda (1988) derivó una expresión aproximada del espectro JONSWAP en términos de la
altura de ola significante Hs y de la frecuencia de pico espectral fp,
−4 ⎡ − ( f − f )2 ⎤
5⎛ f ⎞ ⎢ p ⎥
− ⎜ ⎟ ⎢ 2 2 ⎥
⎢⎣ 2 σ f P ⎥⎦
−5
S ( f ) = BJ H s 2 f P 4 f e
4 ⎝ fP ⎠
γe (6.33)
donde
0.0624 (1.094 − 0.01915ln γ )
Bj = (6.34)
0.230 + 0.0336γ − 0.185 (1.9 + γ )
−1
116
Es conveniente mencionar que cuando γ = 1, la ec 6.33 se reduce al espectro de
Pierson-Moskowitz, ec 6.5.
En ocasiones es difícil tener una estimación del periodo de pico espectral, Tp, ya que es
más normal que se reporte el periodo de ola significante, Ts; por ello Goda (1988)
sugiere la siguiente relación:
Ts
Tp ≅ (6.35)
1 − 0.132 (γ + 0.2 )
− 0.559
Aunque hay muchos estudios posteriores al realizado por Jonswap, es importante

mencionar que este espectro es uno de los más utilizados alrededor del mundo dada la
posibilidad de modificar la forma en la cual se distribuye la energía.
6.2.9 Espectro de Davidian et al
Davidian et al (1985) llegaron al modelo dado utilizando un procedimiento similar al

de Krylov, pero considerando la frecuencia de pico espectral con la siguiente
expresión:
−5.5
−6.5 ⎛ f ⎞
6.5m0 ⎛ f ⎞ −1.18⎜ ⎟
⎜ fp ⎟
S( f ) = ⎜ ⎟ e ⎝ ⎠
(6.36)
f p ⎜⎝ f p ⎟⎠
6.2.10 Espectro Wallops
Huang et al (1981) propusieron un modelo espectral de dos parámetros basándose en

los datos del laboratorio de la NASA en Wallops Center. Dicho modelo espectral está
expresado por medio de la siguiente ecuación:
m⎛ f ⎞
− ⎜ ⎟
m −1 4 ⎜⎝ f p ⎟⎠
S ( f ) = β H s f −m f p e (6.37)
La relación aproximada entre el periodo de pico espectral, Tp, y el periodo de ola

significante, Ts, queda planteada como
Ts
Tp ≅ (6.38)
1 − 0.283(m − 1.5) −0.684
En este caso, β y m son función de la pendiente significante sl:
117
m0
sl = (6.39)
Lp
donde m0 es el momento de orden cero del espectro y Lp es la longitud de onda

asociada al periodo de pico espectral.
Huang et al (1981 y 1983) obtuvieron las siguientes relaciones para estimar el valor
de m:
Aguas profundas
m=
log ( 2π sl ) (6.40)
log 2
Aguas intermedias y someras
⎡ ⎛ 3 ⎞ ⎤
2
log ⎢ 2π ( sl ) coth ( k p h ) ⎜ 1 + ⎥
2 2 2
⎢ ⎜ 2senh 2 k h ⎟⎟ ⎥
⎣ ⎝ p ⎠ ⎦
m= para 1 < k p h (6.41)
log 2
Mientras que β
m −1
( 2π sl ) m
2 4
β= m −5
(6.42)
⎛ m −1 ⎞
4 4
Γ⎜ ⎟
⎝ 4 ⎠
De acuerdo con Goda (2000), β se puede estimar a través de la siguiente ecuación,
0.0624 ⎡1 + 0.7458 ( m + 2 ) ⎤
−1.057
β= ⎣ ⎦ (6.43)
m −5
⎛ m −1 ⎞
4 4 Γ⎜ ⎟
⎝ 4 ⎠
6.2.11 Espectro de Ochi-Hubble
Ochi y Hubble (1976) desarrollaron un modelo espectral de seis parámetros que

consiste de dos partes: una para componentes de energía de baja frecuencia y otra que
118
cubre componentes de alta frecuencia. El espectro total es expresado como la
combinación lineal de ambos componentes, los cuales se expresan en términos de tres
parámetros cada uno, dicha combinación lineal hace posible modelar, aparentemente, casi
todos los estados de mar que se presentan durante una tormenta y hace viable la
representación de un doble pico espectral; por ejemplo oleaje distante (baja frecuencia),
swell, y oleaje local (alta frecuencia). El espectro de Ochi y Hubble es el siguiente:
λj
⎡ 4λ j + 1 4⎤
π 2 ⎢
4
( 2π f 0 j ) ⎥
H sj2 ⎡ ⎛ 4λ j + 1 ⎞ ⎛ f 0 j ⎞ 4 ⎤
S( f ) = ∑ ⎣ ⎦ exp ⎢ − ⎜ ⎟⎜ ⎟ ⎥ (6.44)
Γ (λ j ) ( 2π f ) j
4 λ +1
2 j =1 ⎢⎣ ⎝ 4 ⎠ ⎝ f ⎠ ⎥⎦
donde Hs1, f01 y λ1 representan la altura de ola significante, la frecuencia modal y el

factor de forma para las componentes de baja frecuencia, mientras que Hs2, f02 y λ2
corresponden a las componentes de alta frecuencia. Por tanto, λ j, es el llamado
parámetro de forma espectral ya que si λ1 = 1 y λ 2 = 0, se obtiene un espectro de tipo
Pierson-Moskowitz. En la ec 6.44 la altura de ola significante, Hs, se obtiene por
medio de la siguiente fórmula:
H s = H s21 + H s22 (6.45)
Si se supone un espectro de banda estrecha, generalmente el valor de λ1, es mucho

mayor que el de λ2. Los valores más comunes para estos parámetros son
λ1 = 2.72 y λ2 = 1.82e − H s / 121.5
donde Hs estádada en metros.
6.2.12 Espectro TMA
Para aguas poco profundas, Bows et al (1985) asumieron la validez del espectro tipo
Jonswap, expresado en función del número de onda k, e incluyeron el factor de
transformación, φ k (ω H), dado explícitamente por:
⎛ 2kh ⎞
φ (ωH ) = tanh 2 (kh) ⎜1 + ⎟ (6.46)
⎝ senh 2kh ⎠
donde h, es la profundidad del agua y kh puede obtenerse para cada ω H dado, mediante
119
1
⎛ h ⎞2
ω H = 2π f ⎜ ⎟ (6.47)
⎝g⎠
donde k y f se relacionan a partir de la relación de dispersión,
( 2π f )
2
= gk tanh kh (6.48)
Se supone que dentro de φ k se encuentran implícitos varios efectos de aguas someras,

como son la fricción de fondo, rompiente y refracción. Adaptando el factor de
transformación inicialmente introducido para aguas poco profundas, el espectro queda
definido por
S TMA = S J φ (ω H ) (6.49)
Goda advierte que este tipo de espectro debe utilizarse con reservas, ya que está
formulado para oleaje en crecimiento en el área de generación.
Ejemplo. En la fig 6.2 se presentan los resultados de evaluar el espectro TMA, ec 6.49,
con una altura de ola significante, Hs = 1.4142 m, y un periodo de pico espectral, Tp = 10 s,
para diferentes profundidades (h = 2, 5, 10, 25 y 100 m). En el caso de h = 100 m, el
resultado es propiamente el mismo que se obtendría con el espectro JONSWAP.
4
h=2m
h=5m
h = 10 m
3
h = 25 m
h = 100 m
S (m 2/Hz)
0
0 0.1 0.2 0.3 0.4 0.5
f (Hz)
Fig 6.2 Comportamiento del espectro tipo TMA en función de la profundidad para
( Hs = 1.4142 m y Tp = 10 s)
120
6.3 Distribución angular
El concepto de espectro direccional se introdujo para describir el estado de mar

resultante de la superposición de componentes con distintas direcciones de propagación. El
espectro direccional representa la distribución de energía del oleaje no solamente en el
dominio frecuencial, sino también en el direccional (ángulo θ ). Generalmente se
expresa como
S(f,θ ) = S(f ) G(f ; θ ) (6.50)
donde S( f,θ ) es la función de densidad espectral del oleaje direccional o simplemente

espectro de oleaje direccional, y G ( f;θ ) es la función de distribución direccional,
también llamada función de distribución angular o distribución angular.
La función G ( f;θ ), representa la distribución direccional de energía del oleaje, y se ha

comprobado que varía con la frecuencia, aunque algunas formulaciones simplificadas no
lo contemplan. La función de distribución angular es adimensional y se normaliza
mediante
π
γ ∫G(f ; θ ) dθ = 1 (6.51)
-π
donde γ se usa como función de pico.
Por tanto, el espectro frecuencial S(f) da el valor absoluto de la densidad de energía

del oleaje en cada frecuencia, mientras que la función G(f;θ ) representa la distribución
de la energía del oleaje por direcciones.
Mitsuyasu et al (1975) han propuesto la siguiente función, basada en datos medidos en

diferentes campañas de campo:
−1
⎡θ máx ⎤
G ( f ;θ ) = ⎢ ∫ cos 2 s (θ / 2 )dθ ⎥ (6.52)
⎢⎣θ mín ⎥⎦
donde s es un parámetro dependiente de la frecuencia.
La función anterior tiene como característica al parámetro s, el cual representa el grado de

concentración de energía por direcciones, que adquiere un valor máximo alrededor de la
frecuencia de pico espectral. El valor de s decrece a medida que el valor de la
121
frecuencia se desplaza hacia frecuencias menores o mayores, es decir, la distribución
direccional de energía del oleaje es de banda más estrecha alrededor de la frecuencia de
pico espectral.
A pesar de que la propuesta original de Mitsuyasu et al (1975) relacionaba el

parámetro de concentración s con la velocidad del viento U, Goda y Suzuki (1975) han
redefinido la expresión original de la siguiente forma, introduciendo el valor de pico s,
como smáx, como parámetro principal, para el propósito de aplicación ingenieril,
⎡ s máx ( f / f p )5 : f ≤ f p
s=⎢ (6.53)
⎢⎣ s máx ( f / f p )− 2.5 : f ≥ f p
Por otro lado, Briggs et al (1995) sugieren utilizar la función envolvente normal para
representar el efecto direccional. La representación en series de Fourier se expresa como:
N
1 1 (nσ m )2
D(f,θ ) = +
2π π
∑e
n=1
-
2 cos n( θ - θ m ) (6.54)
la cual es una función de la dirección principal θm y la desviación estándar circular σm en

radianes, definida por
θ m = θ 0 + θ 1 (f - f p ) (6.55)
σ m = σ 0 + σ 1 (f - f p ) (6.56)
Es muy común asignar tanto a σ1 como a θ1 un valor igual a cero.
Con el fin de ilustrar el efecto de la distribución direccional, se presentan en la fig 6.3

diferentes tipos de espectros direccionales, abarcando desde los de banda ancha hasta
los de banda estrecha, tanto a nivel direccional como a nivel frecuencial y sus
diferentes combinaciones. En todos los casos, la frecuencia de pico es fp = 0.1 Hz, la
altura cuadrática media Hrms = 1 m, la profundidad h = 10 m, el incremento de frecuencia
∆ f = 0.0125 Hz, y un ángulo principal de θ0 = 0º. Las restantes características de los
espectros se resumen en la tabla 6.2. El espectro utilizado es del tipo TMA (apartado
6.2.12).
122
Fig 6.3 Ejemplo de espectros con diferente anchura espectral y direccional y misma
energía y periodo de pico espectral
TABLA 6.2 PARÁMETROS DE LOS DIFERENTES ESPECTROS
Caso Smáx γ
a 10 1
b 75 1
c 10 10
d 75 10
6.4 Generación de oleaje vía numérica
En ocasiones para cierto tipo de estudios, particularmente en laboratorio, es necesario

contar con series de tiempo del oleaje. Una limitación que tiene todas las técnicas de
predicción de oleaje espectral es que sólo estiman la distribución energética del oleaje
sobre ciertas frecuencias. Por ello, algunos autores han propuesto metodologías para la
generación numérica de oleaje.
Uno de los métodos más utilizados para la generación sintética de oleaje es el llamado
esquema de fases aleatorias, donde la oscilación de la superficie libre está compuesta por
la superposición de ondas sinusoidales con fases de ángulo aleatorio y con amplitudes
123
basadas en un espectro dado, S(fn). La superficie libre, η(t), como una función del tiempo,
es expresada por
N/2
η (t ) = ∑ c n cos (2πf n t + φ n ) 0 ≤ t < t máx (6.57)
n −1
con
C n = [ 2 S ( f n ) ∆f ]
1/ 2
(6.58)
1
∆f = (6.59)
N ∆t
En las ecuaciones anteriores, N es el numero de puntos en la serie de tiempo, ∆ t el
intervalo de muestreo, tmax la duración de las serie de tiempo, Cn son las amplitudes
reales de Fourier, ∆ f es el ancho de la banda de frecuencias, fn = n∆ f es la frecuencia,
y φ n son las fases aleatorias de los ángulos distribuidos uniformemente entre (0 y 2π).
Este método representa un estado de mar gaussiano solamente cuando el numero de

armónicos, N/2, se aproxima a infinito. Para un numero finito de N y ∆ f = constante, el
perfil de la superficie libre se repite después de t = tmáx. Casi siempre, la duración de
0 < t < tmáx es de interés, y el uso de ∆ = constante es normalmente suficiente si ∆ f es
pequeño.
Para regresar la serie de tiempo en función de determinados coeficientes de Fourier, es

posible haciendo uso de la siguiente ecuación:
N/2
η (t ) = ∑ [a n cos (2π f n t + φ n ) + bn sen (2π f n t + φ n )] 0 ≤ t < t máx (6.60)
n −1
donde an y bn son los coeficientes de Fourier, definidos como
( )
an = Cn cos φ
n
(6.61)
b = C sen (φ ) (6.62)
n n
n
Para calcular las fases aleatorias, φn, se puede utilizar cualquier técnica de generación de
números aleatorios uniformemente distribuidos entre (0 y 2π); por ejemplo, la de
Williams (1993).
124
7. MODELOS PARAMÉTRICOS DE PREDICCIÓN DE OLEAJE
Los primeros modelos espectrales de oleaje, de tipo numérico, desarrollados a

principios de la década de los sesenta del siglo pasado, sólo tomaban en cuenta el
crecimiento de la energía del oleaje y su disipación. Con el tiempo, a estos modelos
se les denominó modelos de oleaje de primera generación. De los resultados obtenidos
con este tipo de modelos se infirió claramente que las interacciones entre el oleaje de
diferente frecuencia eran importantes para determinar la distribución de la energía del
oleaje en un espectro. Esas interacciones no lineales son muy difíciles y laboriosas de
calcular explícitamente; entonces, se realizó un gran esfuerzo por desarrollar modelos
de tipo paramétrico que tomaran en cuenta dicho efecto. Los modelos de oleaje que
utilizan una parametrización de la interacción de los efectos no lineales son conocidos
como modelos de segunda generación.
En las dos últimas décadas se han desarrollado herramientas numéricas que permiten
aproximar de mejor manera la transferencia de energía no lineal entre componentes,
los cuales a su vez permiten que el espectro de oleaje sea forzado a una forma
particular, de acuerdo con las condiciones meteorológicas. Estas aproximaciones se han
dado a conocer como modelos de tercera generación, los cuales comparados con los
modelos de tipo paramétrico son más exigentes desde el punto de vista computacional.
Por todo lo anterior, a continuación sólo se abordan modelos de tipo paramétrico, y se

deja a juicio del lector abundar más sobre el tema.
7.1 Introducción
En los últimos años son muchos los esfuerzos realizados para desarrollar un modelo
universal aplicable para la estimación del oleaje en función de la información
125
meteorológica. Sin embargo, casi todos los esfuerzos han llevado a la sofisticación de
modelos, que en términos de ingeniería no son abordables. Entre los pocos esfuerzos
que escapan de esta filosofía se encuentran los trabajos desarrollados por Leenknecht
et al (1992) y Silva et al (2002).
El trabajo desarrollado por Leenknecht et al (1992) es un compendio de herramientas

muy útiles para la estimación del oleaje generado por vientos geostróficos, de escala
planetaria, como puede ser el caso de los frentes fríos que viajan de las zonas polares
hacia el trópico durante la época del invierno. Mientras que para el caso específico de
la generación de oleaje por la presencia de circulaciones meteorológicas cerradas que
se propaga sobre aguas tropicales o ciclones tropicales, el modelo Silva et al (2002)
ha probado ser muy confiable. De hecho, el modelo de Silva es un refinamiento de
una serie de trabajos previos desarrollados, entre otros, por Sánchez et al (1998),
Silva et al (2000), Holland (1980) y Bretchsneider (1990).
Estos modelos pueden ser utilizados en combinación con modelos de predicción y

caracterización de oleaje (caps 5 y 6), dado que los modelos de predicción
paramétricos que se abordarán en este capítulo sólo permiten estimar los valores más
representativos de un estado de mar.
7.2 Modelo de predicción de oleaje con vientos geostróficos
Esta sección está basada en el trabajo desarrollado por Leenknecht et al (1992), al

cual se le han realizado una serie de modificaciones, particularmente en una serie de
parámetros que se apegan más a la predicción de valores reales.
7.2.1 Ajuste del viento
Con el fin de utilizar las ecuaciones que describen el desarrollo del oleaje, la
metodología para adecuar las observaciones de velocidad del viento está basada en un
modelo idealizado de capa límite planetaria, como se ilustra en la fig 7.1. Para
condiciones típicas de latitud media, esta capa límite planetaria existe solamente en
los kilómetros más bajos de la atmósfera y contiene alrededor del diez por ciento de
la masa atmosférica (Holton, 1979).
126
Región geostrófica
Región de Ekman
Región de tensión
z constante
Superficie del agua
Fig 7.1 Capa límite atmosférica idealizada sobre la superficie libre del agua
(Leenknecht, 1992)
En esta teoría, se considera que en los niveles más bajos el viento actúa directamente
sobre la superficie del agua, en la cual existe una región que presenta una zona de
tensión relativamente constante entre la interfase aire-agua. Esta capa de la superficie es
designada región de tensión constante, consideración que se supondrá como permanente
de aquí en adelante. En la parte superior de la zona de tensión constante se localiza la
región de Ekman, donde actúan fuerzas adicionales como la de Coriolis, gradiente de
presiones, tensión viscosa, etcétera. Finalmente, sobre la región de Ekman, los
vientos geostróficos son considerados como el resultado del balance entre las fuerzas
ejercidas por el gradiente de presiones y las fuerzas de Coriolis para un sistema
sinóptico de escala.
Para hacer uso de las ecuaciones que describen el desarrollo del oleaje, los vientos
observados son clasificados en seis categorías, como se muestra en la tabla 7.1.
Aunque se consideren seis categorías para los diferentes tipos de observaciones de la
velocidad del viento, por conveniencia, en la metodología que se desarrollará en lo
subsiguiente, se considerarán sólo dos casos separados: observaciones en la capa de
tensión constante y observaciones en la región geostrófica. Los ajustes necesarios a la
velocidad del viento reportados por observaciones de barcos se llevan a cabo antes de
proceder a cualquier tipo de cálculo. Para los casos en que el viento sopla desde tierra
y que son medidos en la línea costera en dirección hacia el mar, se toman como
equivalentes los vientos observados en estaciones tierra adentro. Las características
complejas del viento causadas por fricción local o topografía accidentada obviamente
no se analizan en este capítulo.
127
TABLA 7.1 CARACTERÍSTICA Y TIPO DE ACCIÓN PARA VIENTOS
OBSERVADOS (LEENKNECHT, 1992)
Tipo de observación Acción inicial Dominio de solución
Sobre el agua (no

— Capa de tensión constante
procedente de barcos)
Sobre el agua (reporte
Ajustar Capa de tensión constante
de barcos)
En la costa (vientos
— Capa de tensión constante
procedentes de tierra)
En la costa (vientos
Vientos geostróficos estimados Modelo de capa límite planetaria
procedentes del mar)
Sobre tierra Vientos geostróficos estimados Modelo de capa límite planetaria
Vientos geostróficos — Modelo de capa límite planetaria
7.2.1.1 Estimaciones y ajustes iniciales
Por lo general, las observaciones de la velocidad del viento sobre el mar son la
condición ideal de todas las diferentes fuentes para predecir el oleaje. Con frecuencia,
los marinos, en sus rutas de navegación registran una serie de datos de forma muy
cualitativa, por lo que Cardone (1969), revisando los registros basados en observaciones
de barcos, sugirió el siguiente ajuste:
U = 1.86 × U obs
7/9
(m/s) (7.1)
donde
U velocidad ajustada de la velocidad del viento basada en registros de barcos
Uobs observaciones de la velocidad del viento basada en registros de barcos.
Para los casos en que las observaciones de velocidades de vientos sean predomi-
nantemente sobre superficies en tierra, algunas veces se utilizan modelos similares al
de capa límite para otros propósitos de predicción. En este capítulo, las siguientes
estimaciones son realizadas para estimar los vientos geostróficos, Vg, (unidades en el
sistema centímetros-gramos-segundos):
U*
Vg = (7.2)
CD _ tierra
128
donde la velocidad friccionante, U*, se evalúa como:
κ ⋅U obs
U* = (7.3)
⎛z ⎞
ln ⎜ obs ⎟
⎝ z0 ⎠
y donde κ es la constante de von Karman (κ ∼ 0.4), zobs es la elevación de la observación

del viento, z0 es la longitud de superficie rugosa (supuesta z0 = 30 cm), CD_ tierra es el
coeficiente de arrastre en tierra, mismo que se puede evaluar a través de la siguiente
relación:
C D _ tierra ≈ 0.00255 ( z 0 )
0.1639
(7.4)
7.2.1.2 Región de tensión constante
Las características de la región de tensión constante se pueden resumir como sigue:
La región de tensión constante está confinada en los últimos metros de la capa

límite
El flujo del viento se supone paralelo a la superficie del agua
La velocidad del viento se ajusta para que la tensión de fricción horizontal sea
casi independiente de la altura
La tensión permanece constante entre la capa y está caracterizada por la

velocidad de fricción U*.
La estabilidad (gradiente aire-agua) tiene un efecto importante sobre el desarrollo del

oleaje. El perfil de velocidades del viento entre esta región se define por medio de la
siguiente relación logarítmica modificada:
U* ⎡ ⎛ z ⎞ ⎛ z ⎞⎤
Uz= ⎢ln ⎜ ⎟ − Ψ ⎜ ⎟ ⎥ (7.5)
κ ⎣ ⎝ z0 ⎠ ⎝ L ' ⎠⎦
donde Uz es la velocidad del viento a la elevación z, z0 es la longitud de rugosidad

superficial dada como
C
z0 = 1 + C2U *2 + C3 (7.6)
U*
129
con
0.019
C1 = 0.1525; C2 = ; C3 = −0.00371 (7.7)
980
donde L’ es la longitud de estabilidad de Obukov, ∆T el gradiente de temperatura
aire–agua y Ψ es la función universal de similaridad (Keyps, 1964),
U *2 ⎡ ⎛ z ⎞ ⎛ z ⎞⎤
L ' = 1.79 ⎢ln ⎜ ⎟ − Ψ ⎜ ⎟ ⎥ (7.8)
∆T ⎣ ⎝ z0 ⎠ ⎝ L ' ⎠⎦
Ψ=0 | ∆T = 0
z z
Ψ =C | >0 (7.9)
L' L'
⎛ 1 + φu ⎞ π ⎛ 1 + φu2 ⎞ z
Ψ = 1 − φu − 3ln φu + 2 ln ⎜ ⎟ + 2 tan −1
φu − + ln ⎜ ⎟ | ≤0
⎝ 2 ⎠ 2 ⎝ 2 ⎠ L'
1
φu = (7.10)
1 − 18Ri1/ 4
z
(1 − 18Ri )
1/ 4
Ri = (7.11)
L'
Sherlock (1996) sugiere un valor para la constante C = - 1.5, cuando se resuelva sobre
la condición de región de tensión constante. Para dar solución a las ecuaciones
anteriores se debe de utilizar un método iterativo, que normalmente converge muy
rápidamente. El criterio de convergencia (ε) para U* y L’ está dado por
εU → 0.1(cm/s)
*
y ε L ' → 1(cm) (7.12)
Las ecuaciones que describen la evolución del oleaje, las cuales se presentan en los
siguientes apartados, requieren la velocidad del viento equivalente a una elevación de
10 m sobre condiciones de estabilidad neutra (∆T = 0). Una vez resueltas las
ecuaciones en la región de tensión constante para U*, la velocidad del viento
equivalente, Ue, se puede calcular fácilmente por medio de la ec 7.5, usando (U*,
z = 10 m, ∆T = 0):
U * ⎡ ⎛ 1000 ⎞ ⎤
U e1000 = ⎢ln ⎜ ⎟ − 0⎥ (7.13)
κ ⎣ ⎝ z0 ⎠ ⎦
130
7.2.1.3 Modelo de capa límite planetaria
Para los casos en que los vientos geostróficos son conocidos o han sido estimados, se
deben resolver las ecuaciones de similitud que describen la capa límite planetaria.
Además de las relaciones descritas anteriormente para la región de tensión constante,
se consideran válidas las siguientes relaciones que describen el modelo desde el nivel
superficial del mar hasta la zona geostrófica:
uur uur
Vg U (κ ) V
2
g
ln = A − ln uur* + 2
− B2 (7.14)
fz0 Vg U *
BU *
sen θ = uur (7.15)
κ Vg
uur
donde Vg es el viento geostrófico, f la aceleración de Coriolis, A y B funciones
adimensionales de estabilidad, que se pueden evaluar a través de:
A = A0 + ( 7 − A0 ) ⎡⎣1 − e(
0.015 µ )
⎤
⎦
µ ≤0 (7.16)
B = B0 − B1 ⎡⎣1 − e( ) ⎤⎦
0.03 µ
A = A0 − 0.96 µ + ln( µ + 1)
µ >0 (7.17)
B = B0 + 0.7 µ
La ec 7.16 se modificó de acuerdo con las sugerencias de una comunicación personal

de Shelock (1996), quien también propone los siguientes valores para las constantes
(A0 = 0.8, B0 = B1 = 3.5). El parámetro adimensional de estabilidad µ está dado por:
κU *
µ= (7.18)
fL '
uur
mientras que θ es el ángulo entre Vg y la tensión superficial.
Las ecs de la 7.14 a la 7.18 se resuelven simultáneamente con las ecs 7.5 a 7.11, hasta
que se tiene una convergencia adecuada para U*, L’ y A. En la ec 7.7 se da un valor
de C2 = 0.0144/980 y de C = -7.0 en la ec 7.9. El criterio de convergencia usado para el
sistema iterativo en las ecuaciones antes mencionadas es como se indica a continuación:
ε U → 0.1(cm/s)
*
y ε L ' → 1(cm) y ε A → 0.1 (7.19)
131
El procedimiento de solución converge muy rápidamente. Como se mencionó
anteriormente, se utiliza la ec 7.13 para determinar la velocidad neutra del viento a
una elevación de diez metros, considerando (U*, z = 10 m, ∆T = 0).
7.2.1.4 Ajustes finales
Se hace un ajuste adicional para los casos en que la longitud del fetch sea
relativamente pequeña, antes de la aplicación de las ecuaciones que evalúan el
desarrollo del oleaje. Para longitudes de fetch inferiores de 16 km, se aplica la
siguiente reducción:
U e = 0.9U e (7.20)
Finalmente, es necesario evaluar los efectos del viento con duración variable, ti, sobre
el crecimiento del oleaje. Para ajustar la velocidad del viento a una duración de
interés se emplean las siguientes ecuaciones:
Ui ⎛ ⎛ 45 ⎞ ⎞
= 1.277 + 0.296 tanh ⎜⎜ 0.9 ln ⎜ ⎟ ⎟⎟ | 1 < ti < 3600s (7.21)
U 3600 ⎝ ⎝ ti ⎠ ⎠
Ui
= −0.15ln ti + 1.5334 | 3600 < ti < 36000s (7.22)
U 3600
En primer lugar, se determina la velocidad de viento en una hora, U3600, (usando ti = tobs).
Luego, se estima la velocidad del viento (Ui) con la duración requerida, seleccionando
la duración deseada (ti) y usando la ecuación apropiada.
7.2.2 Desarrollo del oleaje
Una vez estimada la velocidad del viento sobre la superficie de agua para la duración
de interés, el objetivo se centra en hacer una estimación del desarrollo del oleaje
causado por la acción del viento. Las ecuaciones simplificadas que describen el
crecimiento del oleaje ayudan a evaluar rápida y eficientemente el oleaje, tanto en
aguas profundas como en aguas someras. Las expresiones para mar abierto
corresponden a las presentadas en el Shore Protection Manual (1984) y en Vincent
(1984). Las expresiones para longitudes de fetch restringido en aguas profundas, se
132
encuentran en Smith (1991). Se debe hacer notar que la ley de arrastre (Garratt, 1977)
aquí empleada difiere de la presentada en el Shore Protection Manual. Las suposiciones
más importantes al realizar cualquier cálculo de las características del oleaje, contemplan
lo siguiente:
Se desprecia la energía debida a la presencia de otros trenes de oleaje existentes
Es válida para geometrías con un fetch no muy grande (F ≤ 120 km)
Las velocidades de viento son relativamente constantes (∆U ≤ 5 Kts), así como
su dirección (∆α ≤ 15o)
La velocidad del viento se mide a diez metros sobre el nivel del mar (z = 10 m)
Las condiciones son de estabilidad neutra (∆T = 0)
Los valores del coeficiente de arrastre son fijos (CD = 0.001).
Vincent (1984) sugirió que la velocidad del viento debe ser ajustada de forma que se
consideren los efectos no lineales que ejerce el esfuerzo cortante del viento, que son
los que generan el oleaje, por lo que se aplica la ley de arrastre presentada por Garratt
(1977):
τ = ρ a CDU 2 (7.23)
CD = 0.001(0.75 + 0.067U ) (7.24)
donde p es la densidad del aire.
Entonces, la velocidad del viento neutra equivalente se ajusta o lineariza para un

coeficiente de arrastre CD = 0.001, antes de la aplicación de la ecuación para calcular
el crecimiento del oleaje:
CD
Ua = Ue (7.25)
0.001
La ecuación anterior está dada en metros.
133
7.2.2.1 Consideraciones sobre la longitud del fetch
Las expresiones que describen el crecimiento del oleaje se dividen en cuatro categorías:
aguas profundas y aguas someras, para ambas formas con longitud de fetch en mar
abierto o longitudes de fetch limitadas por una geometría en particular (también
designado fetch restringido). A continuación se presenta una breve explicación al respecto.
7.2.2.2 Fetch en mar abierto
En mar abierto, la generación del oleaje está limitada por las dimensiones del evento
meteorológico y el ancho del fetch es del mismo orden de magnitud que sus longitudes.
Las estimaciones simplificadas para el crecimiento del oleaje en mar abierto tienen una
relación directa con la longitud del fetch, pero no con el ancho o forma. Se supone que
el crecimiento del oleaje ocurre a lo largo del fetch en la misma dirección del viento.
7.2.2.3 Fetch restringido
En este caso, se considera esencialmente el impacto que sufre la generación de oleaje

a causa del viento en geometrías complejas, tales como bahías, lagos, ríos, etcétera.
Esta metodología, para fetch restringidos, toma en cuenta el concepto de desarrollo
del oleaje en dirección del viento que sopla desde tierra hacia los cuerpos de agua,
considerando la geometría particular de cada caso. Los detalles de esta metodología
pueden consultarse en Smith (1991), que a su vez está basado en los conceptos
desarrollados por Donelan (1980), en los cuales se maximiza el periodo del oleaje
como una función de la longitud del fetch en la misma dirección que el viento. Para
esta aproximación, se utilizan las longitudes radiales del fetch (como medida de
varias localizaciones a lo largo de la línea de costa del cuerpo de agua en cada punto
de interés) para describir la geometría del cuerpo de agua. Además se debe
especificar la dirección del viento. La fig 7.2 ilustra los parámetros más relevantes de
la geometría para la aproximación de fetch limitado.
En la fig 7.3 se representa la convención para especificar tanto la dirección del viento
cuanto la geometría del fetch. La dirección del viento α, así como el ángulo radial del
fetch, β1, y ∆β, se deben especificar en el sentido de las manecillas del reloj, a partir
del norte del punto de interés, donde la predicción del oleaje es requerida. De los
datos especificados de las distancias radiales del fetch, los valores intermedios
pueden ser interpolados en los 360o.
134
Norte
Punto de interés
Fetches radiales
Viento
Fig 7.2 Parámetros geométricos para fetch restringido
Norte
β1
θ
Punto de interés α
∆β Fetch1
∆β
φ
∆β Fetch2
Viento
Fetchi
Oleaje Fetchn
Fig 7.3 Convención para fetch restringido (Leenknecht, 1992)
135
La dirección de desarrollo del oleaje θ, se resuelve por medio de la maximización de
la siguiente expresión:
Fφ0.28 ⋅ (cos φ )0.44 (7.26)
Este procedimiento maximiza los términos más relevantes en la expresión para el

periodo de pico espectral del oleaje, Tp, ec 7.36. El ángulo φ define la dirección del
viento asociada con el valor de interpolación de la longitud promedio del fetch. Los
resultados de la ec 7.26 se evalúan desde φ = 0 ± 90o para cada grado de incremento.
Los productos de la ec 7.26 han sido maximizados, φ representa el ángulo entre las
dirección de propagación del oleaje y del viento, y θ representa la dirección del
compás desde la cual el desarrollo del oleaje ocurre a lo largo de Fφ. Para una
dirección determinada del viento, habrá una dirección de desarrollo del oleaje, donde
Tp será un máximo.
7.2.2.4 Desarrollo del oleaje en aguas profundas
Las ecuaciones que describen el crecimiento del oleaje en aguas profundas consideran
los efectos del fetch y la duración del evento. Las fórmulas para el crecimiento del
oleaje en aguas profundas con un fetch y duración limitados son tomadas de Vincent
(1984) y están basadas en los resultados proporcionados por Hasselmann et al (1973
y 1976). Las ecuaciones para un fetch limitado y con forma totalmente desarrollada
en aguas profundas están basadas en Smith (1991). En todos los casos, la estimación
del crecimiento del oleaje está condicionada por las expresiones para un espectro en
equilibrio totalmente desarrollado. El procedimiento se describe a continuación:
Determinación de la duración mínima, tfetch, requerida para que el campo de oleaje

pueda llegar a ser un fetch limitado:
Mar abierto
F 2/3
t fetch = 68.8 (7.27)
g 1/ 3U a1/ 3
Fetch restringido
F 0.72
t fetch = 5. (7.28)
g 0.28Uˆ 0.44
a
136
Determinación del tipo de crecimiento (duración limitada o fetch limitado):
2. Duración limitada (ti < tfetch)
Mar abierto
5/ 7
⎛ U 2 ⎞ ⎛ gt ⎞
H = 0.0000851⎜ a ⎟ ⎜ i ⎟ (7.29)
⎝ g ⎠ ⎝ Ua ⎠
0.411
⎛ U ⎞ ⎛ gt ⎞
T = 0.0702 ⎜ a ⎟ ⎜ i ⎟ (7.30)
⎝ g ⎠⎝ U a ⎠
Fetch restringido
0.69
⎛ Uˆ 2 ⎞ ⎛ gt ⎞
H = 0.000103 ⎜ a ⎟ ⎜ i ⎟ (7.31)
ˆ
⎝ g ⎠ ⎝ Ua ⎠
0.39
⎛ Uˆ ⎞⎛ gt ⎞
T = 0.082 ⎜ a ⎟⎜ i ⎟ (7.32)
ˆ
⎝ g ⎠⎝ U a ⎠
3. Fetch limitado (ti ≥ tfetch)
Mar abierto
1/ 2
⎛ U a2 ⎞ ⎛ gF ⎞
H = 0.0016 ⎜ ⎟⎜ 2 ⎟ (7.33)
⎝ g ⎠ ⎝ Ua ⎠
1/ 3
⎛ U ⎞ ⎛ gF ⎞
T = 0.2857 ⎜ a ⎟ ⎜ 2 ⎟ (7.34)
⎝ g ⎠ ⎝ Ua ⎠
Fetch restringido
1/ 2
⎛ Uˆ 2 ⎞ ⎛ gF ⎞
H = 0.0015 ⎜ a ⎟ ⎜ 2 ⎟ (7.35)
ˆ
⎝ g ⎠ ⎝ Ua ⎠
0.28
⎛ Uˆ ⎞ ⎛ gF ⎞
T = 0.3704 ⎜ a ⎟ ⎜ 2 ⎟ (7.36)
ˆ
⎝ g ⎠ ⎝ Ua ⎠
137
4. Determinación de la condición de oleaje totalmente desarrollado:
Mar abierto
⎛U 2 ⎞
H fd = 0.2433 ⎜ e ⎟ (7.37)
⎝ g ⎠
⎛U ⎞
T fd = 8.134 ⎜ e ⎟ (7.38)
⎝ g ⎠
Fetch restringido
⎛ Uˆ e2 ⎞
H fd = 0.2433 ⎜ ⎟ (7.39)
⎝ g ⎠
⎛ Uˆ ⎞
T fd = 8.134 ⎜ e ⎟ (7.40)
⎝ g ⎠
5. Verificar que en la condición de oleaje totalmente desarrollado no se excedan:
H m0 = mín (H , H fd ) (7.41)
T p = mín (T , T fd ) (7.42)
donde
g aceleración de la gravedad
ti duración del viento en las expresiones de duración limitada
Ûa = Ua cos (φ) componente del fetch paralelo a Ua para la aproximación de fetch
restringido
Ûe = Ue cos (φ) componente del fetch paralelo a Ue para la aproximación de fetch
restringido
H altura de ola determinada por medio de las expresiones de duración
limitada o fetch limitado
T periodo de ola determinado por medio de las expresiones de
duración limitada o fetch limitado
Hfd altura de ola significante limitada por el criterio de espectro
totalmente desarrollado
138
Tfd periodo de ola limitado por el criterio de espectro totalmente
desarrollado
Hm0 altura de ola final determinada con base en métodos espectrales
Tp periodo de pico final determinado por métodos espectrales.
7.2.2.5 Crecimiento del oleaje en aguas someras
Las expresiones para estimar el crecimiento del oleaje en aguas someras también
consideran el caso de fetch limitado, pero modificado para poder incluir los efectos de
fricción del fondo y percolación (Bretschneider, 1954). Se supone que la profundidad
es constante sobre la región en que el fetch ejerce su influencia. Los efectos de
duración limitada no se incluyen en estas expresiones. Para el caso de mar abierto se
usan las expresiones descritas en el Shore Protection Manual (1984).
Mar abierto:
⎧ 0.5 ⎫
⎪ 0.0016 ⎛ gF ⎞ ⎪
⎡ ⎜ ⎟
⎛ gd ⎞ ⎤
0.75
U a2 ⎪⎪ 0.283 ⎝ U a2 ⎠ ⎪⎪
H m0 = 0.283 tanh ⎢0.530 ⎜ 2 ⎟ ⎥ tanh ⎨ 0.75 ⎬
(7.43)
g ⎢⎣ ⎝ U a ⎠ ⎥⎦ ⎪ ⎡ ⎛ gd ⎞ ⎤ ⎪
⎪ tanh ⎢0.530 ⎜ U 2 ⎟ ⎥ ⎪
⎪⎩ ⎢⎣ ⎝ a ⎠ ⎥⎦ ⎭⎪
⎧ 0.333 ⎫
⎪ 0.2857 ⎛ gF ⎞ ⎪
⎡ 0.375
⎤ ⎪ ⎜ ˆ2 ⎟ ⎪⎪
U 2
⎛ gd ⎞ ⎪ 7.54 ⎝ U a ⎠
Tp = a 7.54 tanh ⎢ 0.833 ⎜ 2 ⎟ ⎥ tanh ⎨ 0.375 ⎬
(7.44)
⎢⎣ ˆ ⎡ ⎛ gd ⎞ ⎤ ⎪
g ⎝ U a ⎠ ⎥⎦ ⎪
⎪ tanh ⎢ 0.833 ⎜ ˆ 2 ⎟ ⎥ ⎪
⎪⎩ ⎢⎣ ⎝ U a ⎠ ⎥⎦ ⎭⎪
Con fetch limitado:
⎧ 0.5 ⎫
⎪ 0.0016 ⎛ gF ⎞ ⎪
⎡ 0.75
⎤ ⎪ ⎜ ˆ2 ⎟ ⎪⎪
U 2
⎛ gd ⎞ ⎪ 0.283 ⎝ U a ⎠
H m0 = a 0.283 tanh ⎢ 0.530 ⎜ 2 ⎟ ⎥ tanh ⎨ 0.75 ⎬
(7.45)
⎢⎣ ˆ ⎡ ⎤
g ⎝ U a ⎠ ⎦⎥ ⎪ ⎛ gd ⎞ ⎪
⎪ tanh ⎢0.530 ⎜ ˆ 2 ⎟ ⎥ ⎪
⎪⎩ ⎢⎣ ⎝ U a ⎠ ⎥⎦ ⎭⎪
139
⎧ 0.28 ⎫
⎪ 0.3704 ⎛ gF ⎞ ⎪
⎡ 0.375
⎤ ⎪ ⎜ ˆ2 ⎟ ⎪⎪
U 2
⎛ gd ⎞ ⎪ 7.54 ⎝ Ua ⎠
Tp = a 7.54 tanh ⎢ 0.833 ⎜ 2 ⎟ ⎥ tanh ⎨ 0.375 ⎬
(7.46)
⎢⎣ ˆ ⎡ ⎛ gd ⎞ ⎤ ⎪
g ⎝ U a ⎠ ⎥⎦ ⎪
⎪ tanh ⎢ 0.833 ⎜ ˆ 2 ⎟ ⎥ ⎪
⎪⎩ ⎢⎣ ⎝ U a ⎠ ⎥⎦ ⎭⎪
7.3 Modelo de predicción de oleaje con viento ciclostrófico
El modelo paramétrico de ciclones que se describe en este capítulo fue desarrollado

por Silva et al (2002). Este modelo está basado a su vez en los trabajos de Sánchez et
al (1998) y Silva et al (2000), que son una adecuación de los modelos Hydromet-
Rankin Vortex de Holland (1980) y Bretchsneider (1990). El modelo está compuesto
por los submodelos de presión, viento y oleaje.
7.3.1 Modelo de presión atmosférica
El modelo de viento está representado por la siguiente relación:
Pr = P0 + ( PN − P0 ) e − R / r (7.47)
donde P0 es la presión en el centro del huracán, Pr la presión a una distancia radial r,

PN la presión normal y R el radio de máximos vientos ciclostróficos. La presión está
dada en milibares y la distancia en kilómetros.
7.3.2 Modelo de vientos
El máximo gradiente de vientos UR (en km h-1), para un ciclón estacionario puede ser
evaluado a través de la siguiente relación:
U R = 21.8 PN − P0 − 0.5 fR (7.48)
donde f es parámetro de la fuerza de Coriolis, f = 2ω sin φ , ω es la velocidad angular

de la Tierra, ω ≈ 0.2618 rad/h , y φ es la latitud.
La velocidad del viento evaluada a diez metros sobre el nivel del mar, en km.h-1, para
un ciclón en movimiento y para una distancia r medida desde el centro del ciclón,
está dada por:
140
W = 0.886 ( FvU R + 0.5VF cos (θ + β ) ) (7.49)
donde (θ + β) representa el ángulo total entre la velocidad de traslación, VF (en km.h-1),

y la velocidad del viento Ur (en km.h-1), a una distancia radial, r, desde el centro del
huracán y es positiva en el lado derecho y negativa en el lado izquierdo; Fv es un
factor de amortiguamiento que se evalúa como la relación de la velocidad del viento
en r, Ur (en km.h-1) y UR.
El factor Fv es aproximado a través de un polinomio de cuarto orden:
y = aX + bX 2 + cX 3 + dX 4 (7.50)
donde y = log10 ( Fv ) = log10 (U r / U R ) , y X = log10 ( r / R ) . Los coeficientes a, b, c y d

están dados en la tabla 7.2, para diferentes rangos de número de Coriolis ciclostrófico
(Nc = f R /UR ).
TABLA 7.2 PARÁMETROS UTILIZADOS EN LA EC 7.50

X >0
X ≤0
N c ≤ 0.005 N c > 0.005
2 2 3 4
a = -0.233 0.033 − 16.1N c + 161.9 N c −0.175 − 0.76 N c + 11.7 N c − 28.1N c + 17 N c
2 2 3 4
b = -12.91 −0.43 + 38.9 N c − 316 N c 0.235 + 2.71N c − 67.6 N c + 189 N c − 155 N c
2 2 3 4
c = -19.38 0.113 − 28.6 N c + 71.1N c −0.468 − 9 N c + 87.8 N c − 224 N c + 183 N c
2 2 3 4
d = -8.311 1.818 N c + 80.6 N c 0.082 + 3.33 N c − 26 N c + 63.8 N c − 51.4 N c
7.3.3 Evaluación de la altura de ola
Para evaluar la altura de ola significante Hs, para un ciclón no estacionario, se aplica
la siguiente ecuación:
⎛ V cos (θ + β ) ⎞
2
⎛ 6.69 N C ⎞
H s = 0.2887 FH ⎜1 − 2 ⎟
R ( PN − P0 ) ⎜1 + F ⎟ (7.51)
⎝ 1 + 10.3 N C - 3.25 N C ⎠ ⎝ 2U R FV ⎠
141
donde FH puede ser aproximado de manera similar a Fv, a través de la siguiente
relación:
y1 = aX + bX 2 + cX 3 (7.52)
donde y1 = log10 ( FH ) = log10 ( H r / H R ) y X = log10 ( r / R ) ≥ 0 . Los parámetros a, b y c

están dados en la tabla 7.3.
TABLA 7.3 PARÁMETROS UTILIZADOS EN LA EC 7.52

N c ≤ 0.06 N c > 0.06
2 2 3
a= −0.0322 − 6.703N c − 43.472 N c −0.0031 − 11.49 N c + 29.71N c − 17.22 N c
2 2 3
b= −0.29 + 3.806 N c + 15.58 N c −0.312 + 6.974 N c − 32.79 N c + 28.01N c
2 2 3
c= 0.147 − 1.41N c − 7.778 N c 0.1542 − 2.494 N c + 8.75 N c − 8.95 N c
El periodo de ola asociado a la altura de ola significante puede ser estimado a través
de la siguiente ecuación:
Ts = 12.1 H s g (7.53)
7.3.4 Relaciones complementarias
Los modelos paramétricos de presión, viento y oleaje que se reportan en la literatura

especializada dependen de la información siguiente: posición del centro del huracán,
presión central, valor de presión de la última isobara cerrada y del radio ciclostrófico,
conocido también como radio de máximo gradiente.
Hasta 1979 en algunos reportes meteorológicos se omite la presión central. Para

resolver esta deficiencia, Silva et al (2002) proponen dos curvas para estimar este
valor en función de la velocidad superficial máxima del viento, una para el océano
Atlántico y la otra para el océano Pacífico, que son respectivamente:
P0 = 1019.08 − 0.182Vv − 0.0007175Vv 2 (7.54)
P0 = 1017.45 − 0.1437Vv − 0.00088Vv 2 (7.55)
142
donde P0 es la presión central del huracán en milibares (mb) y Vv es la velocidad
máxima del viento promedio en un minuto, en km.h-1. Ésta es la velocidad que
normalmente se reporta en los boletines meteorológicos.
Actualmente todos los parámetros pueden ser encontrados en muchos boletines

climatológicos, a excepción del radio ciclostrófico que propiamente nunca se reporta.
Después de analizar el comportamiento de 26 huracanes, Silva et al (2002) proponen
la siguiente relación:
R = 0.4785 P0 − 413.01 (7.56)
donde el radio ciclostrófico, R, está dado en kilómetros.
Es importante hacer notar que las relaciones anteriores sólo son válidas para presiones
centrales superiores a 888 milibares.
143
8. ANÁLISIS A LARGO PLAZO
En ingeniería marítima, la diferencia más clara e importante del diseño probabilístico

comparado con el diseño convencional (determinista) es que el diseño probabilista
toma en cuenta de manera explícita la incertidumbre involucrada en las características
de la estructura o medio en consideración. Durante las últimas décadas el progreso
realizado en el diseño probabilista es considerable. En este capítulo se intenta
introducir brevemente los métodos de trabajo probabilístico con independencia del
tipo de estructura que se desee estudiar.
El primer paso en un análisis de fiabilidad de cualquier estructura (p ej rompeolas,

ducto, playa, boca de un estuario, etcétera) consiste en definir sus funciones de
trabajo. Cuando las funciones de trabajo de la estructura están definidas, las formas
en las cuales se pueden presentar diferentes tipos de fallo se pueden delimitar; éstas
simplemente son conocidas como modos de fallo. Una función que describe el
funcionamiento o fallo de una estructura o alguno de sus componentes es llamada
función de fiabilidad o ecuación de estado límite.
Es importante señalar que estado límite se define como aquel estado de la estructura
en el cual se presenta un modo de fallo. Dentro de los estados límite se distinguen dos
tipos: los relacionados con la seguridad estructural (estados límite últimos y de
servicio) y los relacionados con la explotación de la obra (estados límite operativos).
Los estados límite últimos son aquellos que ocasionan la destrucción total de la obra
o de una parte de ella y se pueden clasificar en: pérdida del equilibrio estático,
agotamiento resistente o rotura, deformación, inestabilidad, fatiga y colapso
progresivo. Los estados límite de servicio son aquellos que ocasionan la pérdida de
funcionalidad de la obra o de una parte de ella, se clasifican en: pérdida de
durabilidad, alteraciones geométricas acumuladas, vibraciones excesivas, fisuración
145
excesiva, deformaciones excesivas y estados límites estéticos, ambientales y legales.
Los estados límite operativos son todos aquellos que ocasionan que se suspendan
temporalmente las actividades para las que sirve la obra, sin que exista daño
estructural.
El éxito en el diseño de una obra, cualquiera que ésta sea, radica en la adecuada
modelación de los agentes externos a los que estará sometida. El objetivo es erradicar
en lo posible las incertidumbres inherentes a la modelación de los fenómenos
naturales; cuanto mayor grado de certidumbre se tenga en los datos que servirán para
el diseño, menor será el riesgo de obtener obras sobrestimadas, que absorben más
recursos de los necesarios, u obras subestimadas, que pueden fallar en cualquier
momento.
Normalmente, los estados límites últimos son estudiados a través del concepto de
análisis de régimen extremal, mientras que los operativos se estudian mediante el
análisis del comportamiento del régimen medio. Ambos conceptos son abordados en
el presente capítulo.
Muchos de los conceptos fundamentales de este capítulo están basados en el trabajo

desarrollado por Castillo (1987), por lo que, si el lector necesita profundizar más
sobre el tema de análisis extremal, la mencionada referencia puede ser de gran ayuda.
8.1 Importancia del análisis extremal en la ingeniería
En ingeniería marítima, el éxito que se puede tener cuando se diseñan estructuras

depende esencialmente de la adecuada selección de las condiciones ambientales a las
que puede verse sometida dicha estructura. El modelado o idealización del problema
debe ser lo suficientemente simple, con una lógica irrefutable, que admita una solución
matemática y al mismo tiempo, que reproduzca suficientemente bien el problema
real. El objetivo en el diseño de algún elemento es garantizar que dicho elemento no
llegue a los estados límites de falla a lo largo de su vida útil. Para ser más específicos,
el elemento debe satisfacer en todo momento la siguiente desigualdad:
Cactuales ≤ Creal (8.1)
donde Cactuales representa a las condiciones actuales de operación (cargas, demandas,

etcétera) y Creal representa la capacidad real del elemento para ese mismo tiempo.
146
Ambos componentes son variables aleatorias, cuyas funciones de distribución pueden
ser establecidas únicamente por un análisis sistemático de la historia disponible y de
las condiciones a las cuales han estado sometidos elementos similares. Afortunadamente
no existe dependencia estadística de dichas variables aleatorias y sus funciones de
distribución pueden ser examinadas por separado. La naturaleza aleatoria de los
parámetros fundamentales de diseño se toma en cuenta a través del llamado factor o
coeficiente de seguridad, el cual resume, de una forma simple, el carácter aleatorio de
dichos parámetros. Consecuentemente las capacidades disminuyen y las condiciones
de operación aumentan; esto significa que bajo las técnicas clásicas de diseño la
ec 8.1 es remplazada por
Cap
Cop FSo ≤ (8.2)
FSc
donde Cop representa las condiciones de operación, FSo el factor de seguridad

asociado a las condiciones de operación, Cap las capacidades del elemento y FSc es el
factor de seguridad asociado a las capacidades del elemento.
Dado que la seguridad proporcionada con los factores de seguridad es tan simple que
normalmente no es insuficiente, particularmente para aquellos problemas cuya
solución es sólo posible mediante el empleo de teorías probabilísticas y métodos
estadísticos. Para lograr un diseño adecuado, a lo largo de la vida útil del elemento se
debe satisfacer que la condición descrita por la ec 8.1 se cumpla, ya que es posible
que ciertas condiciones de operación y capacidad ocurran en un determinado tiempo.
Por ello, la condición que hay que estudiar será:
Máx (C op − C ap ) ≤ 0 (8.3)
o
Máx (C op ) < Mín (C ap ) (8.4)
Las variables Máx(Cop-Cap), Máx(Cop) y Mín(Cap) también son de tipo aleatorio.
Es conveniente resaltar que cuando se seleccionan las variables ambientales de diseño

normalmente no se está interesado en la función de distribución de las variables
aleatorias, sino en la distribución de los valores extremos de dichas variables. Además
147
de que estos valores son los únicos que afectan directamente la falla de cualquier
sistema dado.
8.2 Excedencias
En muchas situaciones, se está interesado en los eventos asociados con las excedencias
de ciertos valores de la variable en estudio. Por ejemplo, si una ola destruye un
rompeolas, no importa si mide 10 o 20 m, ya que los daños causados no están en
función de su magnitud sino del hecho de que excede el estado límite de falla.
Generalmente se conoce cuáles son los valores críticos de una altura de ola y su único
interés es conocer la frecuencia con la que ocurren las excedencias de dichos límites.
Al concepto de excedencia va siempre asociado al de umbral, ya que la primera nunca
se presentará si el valor de la variable en estudio no rebasa el umbral definido, es
decir un límite de falla.
Un problema práctico importante es el siguiente: Supóngase que se han realizado n

observaciones independientes y que se está interesado en determinar la probabilidad
de que, en las próximas N observaciones, se produzcan r excedencias de la
observación que ocupa el lugar emésimo más grande de las n observaciones pasadas.
Se puede demostrar que el número de estas excedencias, r, es una variable aleatoria
con media:
1
Nm
r (n, m, N ) = ∫ Npm f ( pm )dpm = N µU m:n = (8.5)
0
n +1
y varianza
Nm(n − m + 1)( N + n + 1)
σ 2 (n, m, N ) = (8.6)
(n + 1) 2 (n + 2)
La varianza toma el valor mínimo cuando m = (n+1)/2. Sin embargo, el coeficiente de

variación decrece con m, tal como cabe esperar. Las expresiones 8.5 y 8.6 permiten
elegir el valor de diseño cuando hay suficientes años de observación, pero es inútil
cuando la información es escasa.
Ejemplo. La velocidad máxima del viento registrado en alguna localidad durante los
últimos 50 años ha sido 42 m/s. Determinar el valor medio y la varianza del número
de excedencias de 42 m/s del máximo anual durante los próximos 25 años.
148
Solución: De las ecs 8.5 y 8.6, se obtiene
r (n = 50, m = 1, N = 25) =
( 25)(1) = 0.4902
50 + 1
σ 2 (n = 50, m = 1, N = 25) =
( 25)(1)( 50 − 1 + 1)( 25 + 50 + 1) = 0.7024
( 50 + 1) ( 50 + 2 )
2
Ejemplo. Las alturas de ola máximas registradas en una cierta localidad en los últimos
50 años están dadas en la tabla 8.1. Elegir la altura de diseño para que se tenga una
media de dos excedencias en los próximos 25 años.
TABLA 8.1 ALTURAS DE OLA MÁXIMAS ANUALES EN UNA

CIERTA LOCALIDAD
Alturas de ola, en metros

4.84 7.05 7.64 8.21 9.66
5.29 7.12 7.71 8.31 9.75
5.89 7.18 7.78 8.52 9.86
5.90 7.19 7.85 8.56 10.03
6.06 7.21 7.89 8.58 10.09
6.32 7.30 8.06 8.77 10.15
6.58 7.30 8.07 8.94 10.38
6.61 7.43 8.10 9.01 10.51
6.73 7.50 8.14 9.12 10.59
7.03 7.60 8.21 9.20 10.80
Solución: Según la ec 8.5, se tiene que
25m
r (50, m, 25) = ≈2⇒m=4
51
lo que muestra que debe elegirse el valor que ocupa el cuarto lugar, empezando por el
extremo derecho, es decir, 10.38 m.
8.3 Periodos de retorno
Supóngase ahora que un determinado suceso (fallo de una estructura, excedencia de

una altura de ola, etcétera) es tal que su probabilidad de ocurrir en un periodo de
149
tiempo (normalmente un año) es p y que las ocasiones de que dicho suceso ocurra en
periodos diferentes no superpuestos son independientes. Entonces, al paso del tiempo
se tiene una sucesión de experimentos Bernoulli idénticos (solo dos resultados: ocurre
o no ocurre el suceso). Por ello, el tiempo que transcurre hasta la primera vez que
ocurre es una variable geométrica Ge( p), con media 1/p. Esto motiva la siguiente
definición (Castillo, 1987): Sea A un suceso y T el tiempo aleatorio que transcurre
entre ocurrencias sucesivas de ese evento. Al valor medio, τ, de la variable T se
llama periodo de retorno A, es decir que es el tiempo medio que tarda en retornar ese
suceso. Nótese que una obra falla si y sólo si ocurre el suceso A, entonces su vida
media coincide con el periodo de retorno A.
La importancia del periodo de retorno en ingeniería estriba en que muchos criterios

de diseño están basados en este concepto, es decir, se debe diseñar una obra para
resistir una media de N años (normalmente 50, 100 o 500 años)
Si F(x) es una función de distribución del máximo anual de una variable aleatoria X,
el periodo de retorno del suceso (X > x) es 1/(1-F(x)) años. Similarmente, si F(x) es la
función de distribución del mínimo anual de una variable aleatoria, X, el periodo de
retorno del suceso (X < <} es 1/F(x) años. Además, la probabilidad de que el suceso
ocurra antes del periodo de retorno es
F (τ ) = 1 − (1 − p )τ = 1 − (1 − p )1/ p (8.7)
que para τ → ∞ (p → 0) tiende al valor 0.63212.
Ejemplo 1. La función de distribución del máximo viento generado por huracanes

(en m /s) en una zona del océano Pacífico mexicano está dada por
⎡ ⎛ x − 75 ⎞ ⎤
F ( x) = exp ⎢ − exp ⎜ − ⎟
⎣ ⎝ 20 ⎠ ⎥⎦
Estimar el periodo de retorno para un viento de 50, 100 y 150 km/h.
Solución: Los periodos de retorno de vientos máximos anuales de valores 50, 100 y
150 km/h, son en años
1 1 1
τ 50 = = 1.03; τ 100 = = 4.01 y τ 150 = = 43.02
1 − F (50) 1 − F (100) 1 − F (150)
150
Esto significa que los vientos máximos anuales de 50, 100 y 150 km/h ocurren en
media cada 1.03, 4.01 y 43.02 años, respectivamente.
Ejemplo 2. Si un dique se diseña para resistir una media de 50 años y si se sabe por la
experiencia pasada que la altura de ola máxima anual (en metros) sigue una
distribución del tipo:
⎡ ⎛ H − 7.5 ⎞ ⎤
F ( H ) = exp ⎢ − exp ⎜ − ⎟
⎣ ⎝ 3.5 ⎠ ⎥⎦
Solución: La altura de diseño H debe satisfacer la ecuación
1 49
= 50 ; F (H ) = = 0.98
1 − F (H ) 50
⎛ ⎛ 1 ⎞⎞
H = 7.5 − 3.5ln ⎜ ln ⎜ ⎟ ⎟ = 21.16m
⎝ ⎝ 0.98 ⎠ ⎠
8.4 Valores característicos
Si el suceso A consiste en las excedencias del nivel x de la variable X, se puede

escribir A(x) en vez de A, y entonces p se transforma en p(x) = 1 - F(x) y
1
τ ( x) = (8.8)
1 − F ( x)
En este caso, el valor esperado del número de sucesos A(x) en n periodos es (media de
la variable bimodal)
n[1 − F ( x)] (8.9)
Un interés especial tiene el nivel x que conduce a una media de valor unitario. Este
valor es el llamado valor característico de ese periodo, que se define de la siguiente
forma: Se dice que un valor un es el valor característico para máximos de un periodo
de duración n si el valor medio del número de excedencias de ese valor en dicho
periodo es unitario. Nótese que este valor verifica la ecuación
1
n[1 − F (un )] = 1 ⇒ F (un ) = 1 − (8.10)
n
151
De forma similar se define el valor característico para mínimos, vn:
1
n[1 − F (vn )] = 1 ⇒ F (vn ) = (8.11)
n
La probabilidad de que sea excedido el valor característico en su periodo asociado es

n
⎛ 1⎞
1 − F (un ) = 1 − ⎜1 − ⎟
n
(8.12)
⎝ n⎠
que para valores grandes de n converge a 1 - exp(-1) = 0.6321.
Ejemplo. Siguiendo el ejemplo anterior, determinar el valor característico de la altura

de ola de una década,
⎡ ⎛ H − 7.5 ⎞ ⎤
F ( H ) = exp ⎢ − exp ⎜ − ⎟
⎣ ⎝ 3.5 ⎠ ⎥⎦
Solución: Por tanto, según la ec 8.10, el valor característico para máximos de la altura
de ola máxima anual en una década es la solución de la ecuación
1
F (u10 ) = 1 − = 0.9
10
⎛ ⎛ 1 ⎞⎞
H = 7.5 − 3.5ln ⎜ ln ⎜ ⎟ ⎟ = 15.38m
⎝ ⎝ 0.9 ⎠ ⎠
8.4.1 Estadísticos de orden
Las distribuciones de valores extremos no pueden ser totalmente entendidas si no se

establece una completa comprensión del concepto estadístico de orden, ya que este
concepto es la base sobre la cual se sustenta la teoría de dichas funciones.
Para entender el concepto de estadístico de orden, considérese una muestra

procedente de una población (X1, X2,...,Xn). Si los valores de la secuencia X1, X2,...,Xn
se ordenan de forma creciente de magnitud, X 1:n ≤ X 2:n ≤ ... ≤ X n:n , entonces el
miembro errésimo de esta nueva secuencia se denomina estadístico de orden r de la
muestra dada. Nótese que el tamaño de la muestra, n, se incluye en la notación X r:n ,
y que cualquier estadístico de orden debe tener asociado un tamaño de muestra.
152
El estadístico de orden proporciona, como su nombre lo indica, un orden a la muestra,
el cual para casos de valores extremos debe ser ascendente; donde el último valor es
el máximo y el primero el mínimo. Estos valores quedan expresados respectivamente
como: el máximo Xn:n = Máx(X1, X2,…,Xn) y el mínimo X1:n = Mín(X1, X2,…,Xn) que
son los que pertenecen a los extremos y juegan un papel preponderante en las
aplicaciones.
8.5 Métodos utilizados en el diseño de obras marítimas
Como se mencionó, el diseño de estructuras marítimas está gobernado por los valores
extremos. En el pasado se han utilizado muchos métodos para determinar las
condiciones de diseño; sin embargo, no existe un método universal que sea aceptado
por todos. Algunos de estos métodos son los siguientes:
El método basado en los máximos de las series anuales, que utiliza los valores
máximos de cada año
El método basado en los picos, que utiliza los picos de los temporales
El método basado en las series completas, que emplea todos los valores
registrados durante el periodo de observación
El método basado en las excedencias, que emplea todos los valores que excedan
un cierto umbral.
8.6 Distribuciones asintóticas del máximo y el mínimo
Desde un punto de vista práctico, los puntos límite de una función de distribución
acumulativa son los valores mínimos y máximos que están asociados a la variable
aleatoria en estudio. Si la variable aleatoria no está delimitada en alguno o ambos de
sus extremos éstos se transforman en −∞ y +∞, respectivamente.
La función de distribución del máximo, Zn, y del mínimo, Wn, de una muestra de
tamaño n procedente de una población con función de distribución F(x) son:
H n ( x) = P [ Z n ≤ x ] = F n ( x) (8.13)
y
Ln ( x) = P [Wn ≤ x ] = 1 − [1 − F ( x) ]
n
(8.14)
153
La estructura de estas dos funciones muestra que los percentiles de máximos y
mínimos se mueven hacia la derecha y hacia la izquierda, respectivamente, si se
incrementa n. Aproximando los límites superior e inferior a infinito, se tiene:
⎧1 si F ( x) = 1
lim H n ( x) = lim F n ( x) = ⎨ (8.15)
n →∞ n →∞
⎩0 si F ( x) < 1
⎧0 si F ( x) = 0
lim Ln ( x) = lim1 − [1 − Fn ( x) ] = ⎨
n
(8.16)
n →∞ n →∞
⎩ 1 si F ( x) ≤ 1
Esto significa que las distribuciones límite toman exclusivamente valores de 0 y 1;

son degeneradas. Con objeto de evitar la degeneración se buscan transformaciones
lineales Y = an + bn x, donde an y bn son constantes que dependen de n, y tales que las
distribuciones límite no degeneren
lim H n (an + bn x) = lim Fn (an + bn x) = H ( x) ; ∀x (8.17)

n →∞ n →∞
lim Ln (cn + d n x) = lim1 − [1 − Fn (cn + d n x) ] = L( x)

n
; ∀x (8.18)
n →∞ n →∞
8.7 Dominios de atracción
Se dice que una distribución F(x), pertenece al dominio de atracción para máximos de
una distribución dada H(x), cuando satisface la ec 8.17 para algunas sucesiones an y
bn > 0. De la misma forma, cuando F(x) satisface la ec 8.18 se dice que pertenece al
dominio de atracción para mínimos de L(x). El problema de las distribuciones
asintóticas de extremos puede plantearse como sigue:
Encontrar condiciones bajo las cuales se verifican las ecs 8.17 y 8.18.
Dar reglas para construir las sucesiones an, bn, cn y dn.
Encontrar qué distribuciones pueden ocurrir como H(x) y L(x).
Los únicos tres tipos de distribuciones para máximos y mínimos no degeneradas, H(x)
y L(x), que satisfacen a las ecs 8.17 y 8.18, respectivamente, son Frechet, Weibull y
Gumbel.
154
Frechet
⎡ ⎛ δ ⎞β ⎤
H ( x; λ , δ , β ) = exp ⎢ − ⎜ ⎟ ⎥ ; x≥λ (8.19)
⎢⎣ ⎝ x − λ ⎠ ⎥⎦
⎡ ⎛ δ ⎞β ⎤
L( x; λ , δ , β ) = 1 − exp ⎢ − ⎜ ⎟ ⎥ ; x≤λ (8.20)
⎢⎣ ⎝ λ − x ⎠ ⎥⎦
Weibull
⎡ ⎛ λ − x ⎞β ⎤
H ( x; λ , δ , β ) = exp ⎢ − ⎜ ⎟ ⎥ ; x≤λ (8.21)
⎣⎢ ⎝ δ ⎠ ⎦⎥
⎡ ⎛ x − λ ⎞β ⎤
L( x; λ , δ , β ) = 1 − exp ⎢ − ⎜ ⎟ ⎥ ; x≥λ (8.22)
⎢⎣ ⎝ δ ⎠ ⎥⎦
Gumbel
⎡ ⎛ λ − x ⎞⎤
H ( x; λ , δ ) = exp ⎢ − exp ⎜ ⎟⎥ ; −∞ < x < ∞ ; δ > 0 (8.23)
⎣ ⎝ δ ⎠⎦
⎡ ⎛ λ − x ⎞⎤
L( x; λ , δ ) = 1 − exp ⎢ − exp ⎜ ⎟⎥ ; −∞ < x < ∞ ; δ > 0 (8.24)
⎣ ⎝ δ ⎠⎦
Las tres distribuciones límites (ecs 8.19, 8.21 y 8.23, y 5.28 a 5.30) pueden incluirse
simultáneamente en la siguiente expresión analítica:
⎧⎪ ⎡ ⎛ x − λ ⎞ ⎤ ⎫⎪
−1/ c
⎛ x−λ ⎞
H c ( x; λ , δ ) = exp ⎨− ⎢1 + c ⎜ ⎟⎥ ⎬ ; 1+ c ⎜ ⎟≥0 (8.25)
⎩⎪ ⎣ ⎝ δ ⎠ ⎦ ⎭⎪ ⎝ δ ⎠
que se denomina forma de Von Mises.
Para c > 0, c < 0 o c = 0 se obtienen las familias de Frechet, Weibull y Gumbel,

respectivamente. Nótese que para c = 0, la ec 8.25 debe interpretarse en un sentido
límite, es decir para c = 0 resulta:
⎡ ⎛ −( x − λ ) ⎞ ⎤
H 0 ( x; λ , δ ) = exp ⎢ − exp ⎜ ⎟⎥ ; −∞ < x < ∞ (8.26)
⎣ ⎝ δ ⎠⎦
155
Similarmente, las tres distribuciones límites (ecs 8.20, 8.22 y 8.24) pueden ser
incluidas en la forma de Von-Mises:
⎧⎪ ⎡ ⎛ λ − x ⎞ ⎤ ⎫⎪
−1/ c
⎛ x−λ ⎞
Lc ( x; λ , δ ) = 1 − exp ⎨− ⎢1 + c ⎜ ⎟⎥ ⎬ ; 1+ c ⎜ ⎟ ≥ 0 (8.27)
⎪⎩ ⎣ ⎝ δ ⎠ ⎦ ⎪⎭ ⎝ δ ⎠
donde para c > 0, c < 0 y c = 0 se obtienen las familias de Frechet, Weibull y Gumbel,
respectivamente. Para c = 0 se tiene:
⎡ ⎛ ( x − λ ) ⎞⎤
L0 ( x; λ , δ ) = 1 − exp ⎢ − exp ⎜ ⎟⎥ ; −∞ < x < ∞ (8.28)
⎣ ⎝ δ ⎠⎦
Castillo (1987) presenta de manera resumida los dominios de atracción para máximos
y mínimos de las distribuciones más comunes, en la tabla 8.2.
TABLA 8.2 DOMINIOS DE ATRACCIÓN DE LAS

DISTRIBUCIONES MÁS COMUNES
Distribución Dominio de atracción

Máximos (M) Mínimos (m)
Normal Gumbel Gumbel
Exponencial Gumbel Weibull
Lognormal Gumbel Gumbel
Gamma Gumbel Weibull
GumbelM Gumbel Gumbel
Gumbelm Gumbel Gumbel
Rayleigh Gumbel Weibull
Uniforme Weibull Weibull
WeibullM Weibull Gumbel
Weibullm Gumbel Weibull
Cauchy Frechet Frechet
Pareto Frechet Weibull
8.8 Papeles probabilísticos
La idea básica del papel probabilístico, asociado a una familia paramétrica de

funciones de distribución, es modificar las escalas de la variable aleatoria X, y la
156
probabilidad P, de tal manera que al representar gráficamente X contra cualquier
función de distribución acumulativa F(x), perteneciente a esa familia, tenga la
apariencia de una línea recta. Esto implica que el dibujo de cualquier función de
distribución acumulativa en este papel permite decidir si pertenece o no a esa familia,
y si la respuesta es afirmativa, estimar sus parámetros.
De forma que si F(x;θ ) es una familia paramétrica de funciones de distribución

acumulativa, donde θ es el vector parámetro, en la siguiente transformación, se observa
que
ξ = g ( x) ⎫
⎬ (8.29)
η = h( y ) ⎭
con la familia de curvas dada por la ecuación
F ( x;θ ) (8.30)
la cual, al ser transformada por la ec 8.29, se convierte en una familia de líneas rectas.
En particular, si F ( x;θ ) , se puede escribir como
y = F ( x;θ ) = h −1 ( ag ( x) + b ) ↔ h( y ) = ag ( x) + b (8.31)
donde g (x) y h( y ) son funciones y h( y ) es invertible; entonces la transformación

dada por la ec 8.29 convierte y = F ( x;θ ) en una familia de líneas rectas,
η = aξ + b (8.32)
donde la variable η es la llamada variable reducida.
En la práctica no se dispone de la función de distribución empírica como una

aproximación de ella. Ahora bien, debido al carácter aleatorio de las muestras, incluso
en el caso de que la muestra proceda de una distribución de la familia asociada al
papel probabilístico, su gráfica no será una línea recta sino una aproximación. Por
tanto, en el papel probabilístico se representa la función de distribución empírica, que
es una función que toma valores entre 0,1/n,...,1. Cuando se aplica la transformación de
escala a los dos extremos, 0 y 1, se transforman en el caso de muchas familias en -∞ e
∞, respectivamente, por lo que se hace imposible dibujarlos.
157
Si se representa en papel de Gumbel para máximos la familia de Von-Mises (ec 8.25),
se obtiene
⎛ c(ξ − λ ) ⎞
⎧ ⎡ ⎡ − ⎤⎤⎫
1 ln ⎜ 1 + ⎟
⎪ ⎛ c(ξ − λ ) ⎞ c ⎥ ⎥ ⎪ ⎝ δ ⎠; ⎛ c (ξ − λ ) ⎞
η = − ln ⎨ − ln ⎢ exp ⎢ − ⎜1 + ⎟ ⎥⎥ ⎬ = ⎜1 + ⎟≥0
⎪ ⎢ ⎢ ⎝ δ ⎠ c ⎝ δ ⎠
⎩ ⎢⎣ ⎣ ⎦ ⎥⎦ ⎪⎭
(8.33)
donde η y ξ son la ordenada y la abscisa.
Derivando con respecto a ξ dos veces, se obtiene
1
η'= (8.34)
⎛ c(ξ − λ ) ⎞
δ ⎜1 + ⎟
⎝ δ ⎠
−c
η '' = 2
(8.35)
⎛ c(ξ − λ ) ⎞
δ ⎜1 +
2
⎟
⎝ δ ⎠
Nótese que cuando c < 0, η’ tiende a infinito, y si c > 0, a cero. Este hecho es muy
útil en la identificación de los dominios de atracción de Weibull y Frechet, pues
muestran pendientes verticales y horizontales en el extremo de interés, respectivamente.
Nótese, también, que η’ puede tender a cero o infinito para distribuciones tipo
Gumbel, si δ → 0 o δ → ∞, respectivamente. También se tiene
η’’ > 0, si y sólo si c < 0
η’’ = 0, si y sólo si c = 0
η’’ < 0, si y sólo si c > 0
Si se tratara del extremo izquierdo, los símbolos > y < deben ser intercambiados. En
consecuencia, el papel de Gumbel para máximos (mínimos) y en el extremo de
interés, las distribuciones de tipo Weibull aparecen como curvas cóncavas
(convexas), las de tipo Frechet como convexas (cóncavas) y las de tipo Gumbel como
rectas.
158
8.8.1 Técnicas de punteo en papeles probabilísticos
La importancia del problema de punteo fue señalada por Kimball (1960), quien indicó
que radicaba en el hecho de tener en mente el objetivo del papel probabilístico, el
cual se encuentra generalmente incluido en alguno de los que se presentan a
continuación:
Probar si la muestra proviene o no de una familia de distribuciones dada
Para estimar los parámetros de la familia
Para extrapolar de manera gráfica uno de los extremos.
Este último es el objetivo más utilizado en el caso de problemas de punteo de valores

extremos. Se puede decir que la selección de la ecuación óptima para el punteo de
datos depende del objetivo de la técnica con que se van a dibujar los mismos y del
tipo de papel probabilístico que será utilizado. Por otro lado, es interesante hacer
notar que los papeles probabilísticos fueron pensados para un ajuste visual de los
valores dados por la función de distribución acumulada, a una línea recta; por lo que
se puede asumir que un “ajuste a ojo” de la ecuación de punteo a estos datos es un
método adecuado para la selección de la formula de punteo por emplear. En la
tabla 8.3 se presentan las ecuaciones más comunes para el punteo de valores en
papeles probabilísticos.
TABLA 8.3 DIFERENTES FORMAS DE PUNTEO
Formula de punteo Autor

i
x( i ) , -
n +1
i −3/8
x( i ) , Blom (1962)
n + 1/ 4
i − 1/ 2
x( i ) , Hazen (1930)
n
i − 0.44
x(i ) , Gringorten (1963)
n + 0.12
159
8.8.2 Estimación de parámetros y dibujo en papel probabilístico de Gumbel
La curva de la función de distribución acumulativa de la familia de Gumbel para

máximos está dada por
⎡ ⎛ x − λ ⎞⎤
y = H ( x; λ , δ ) = exp ⎢ − exp ⎜ − (8.36)
⎣ ⎝ δ ⎟⎠ ⎥⎦
Al tomar logaritmos dos veces de 1/y y en comparación con las ecs 8.29 y 8.31, se
tiene
ξ = g ( x) = x
⎡ ⎛ 1 ⎞⎤ (8.37)
η = h ( y ) = − ln ⎢ln ⎜ ⎟ ⎥ = − ln ⎡⎣ − ln ( y ) ⎤⎦
y
⎣ ⎝ ⎠⎦
tal que
ξ −λ
η = aξ + b = (8.38)
δ
donde
1 λ
a= y b=− (8.39)
δ δ
La estimación de los parámetros λ y δ puede ser realizada notando que para η = 0 y

η = 1, resulta que
0 =ξ −λ →ξ = λ (8.40)
ξ −λ
1= →ξ = λ +δ (8.41)
δ
Cuando se trabaja con toda la muestra completa, una posibilidad para estimar los
parámetros de la distribución de Gumbel es realizarla a partir de la media y la
desviación estándar de la muestra, respectivamente:
λ = x + 0.5772δ (8.42)
sx 6
δ= (8.43)
π
160
Sin embargo, en ocasiones, cuando interesa trabajar sólo con parte de los datos, otra
alternativa es encontrar los parámetros a y b a través de un ajuste por mínimos
cuadrados, tal que
N N N
N Datos ∑ xkη k − ∑ xk ∑ηk
a= k =1 k =1 k =1
2
(8.44)
N
⎛ ⎞ N
N Datos ∑ xk − ⎜ ∑ xk ⎟
2
k =1 ⎝ k =1 ⎠
N N
−a ∑ xk + ∑ηk
b= k =1 k =1
(8.45)
N Datos
donde NDatos son el número de datos con el cual se ajustan los valores de a y b.
En las ecs 8.44 y 8.45, los valores de xk corresponden a la función discreta que se
quiere ajustar y ηk es su probabilidad asociada calculada con cualquiera de las
ecuaciones que aparecen en la tabla 8.3.
Para el caso de la distribución de Gumbel para mínimos, se puede hacer la siguiente

transformación:
⎡ ⎛ λ − x ⎞⎤
L( x; λ , δ ) = 1 − exp ⎢ − exp ⎜ ⎟⎥ (8.46)
⎣ ⎝ δ ⎠⎦
ξ = g ( x) = x
(8.47)
η = h ( y ) = ln ⎡⎣ − ln (1 − y ) ⎤⎦
tal que
ξ −λ
η = aξ + b = − (8.48)
δ
1 λ
a=− y b= (8.49)
δ δ
La estimación de los parámetros λ y δ puede ser realizada notando que para η = 0 y
η = 1:
0 =ξ −λ →ξ = λ (8.50)
ξ −λ
1= →ξ = λ +δ (8.51)
δ
161
Por tanto, las ecs 8.44 y 8.45 pueden también ser usadas para el caso de mínimos,
siempre y cuando se respete la transformación realizada.
Ejemplo. Siguiendo el ejemplo de los datos presentados en la tabla 8.1, ajustar con la
distribución de probabilidad para máximos de Gumbel.
Solución: Utilizando la formula para punteo de Hazen, se calculan las probabilidades

asociadas a cada valor y se evalúa la variable reducida, ηk (tabla 8.4).
Ahora se calculan las diferentes sumatorias, tal que

N N N N
∑ xk = 467.07 ; ∑ηk = 31.46 ; ∑ xkηk = 407.97 ; ∑x

2
k = 4181.49
k =1 k =1 k =1 k =1
Si se sustituyen estos valores en las ecs 8.44 y 8.45, se obtiene: a = 0.63 m-1, b = -4.79,
y en la ec 8.39, δ = 1.58 m y λ = 7.59 m. La fig 8.1 presenta gráficamente el resultado.
Al emplear el método de los momentos para estimar los parámetros de la distribución,

se obtienen los siguientes valores: λ = 1.56 m y δ = 7.59 m.
TABLA 8.4 EVALUACIÓN DE LA VARIABLE REDUCIDA ηk
H ηk xk H ηk xk H ηk xk
0.009 -1.55 4.84 0.336 -0.09 7.50 0.664 0.89 8.94
0.027 -1.28 5.29 0.355 -0.04 7.60 0.682 0.96 9.01
0.045 -1.13 5.89 0.373 0.01 7.64 0.700 1.03 9.12
0.064 -1.01 5.90 0.391 0.06 7.71 0.718 1.11 9.20
0.082 -0.92 6.06 0.409 0.11 7.78 0.736 1.18 9.66
0.100 -0.83 6.32 0.427 0.16 7.85 0.755 1.27 9.75
0.118 -0.76 6.58 0.445 0.21 7.89 0.773 1.36 9.86
0.136 -0.69 6.61 0.464 0.26 8.06 0.791 1.45 10.03
0.155 -0.62 6.73 0.482 0.31 8.07 0.809 1.55 10.09
0.173 -0.56 7.03 0.500 0.37 8.10 0.827 1.66 10.15
0.191 -0.50 7.05 0.518 0.42 8.14 0.845 1.78 10.38
0.209 -0.45 7.12 0.536 0.47 8.21 0.864 1.92 10.51
0.227 -0.39 7.18 0.555 0.53 8.21 0.882 2.07 10.59
0.245 -0.34 7.19 0.573 0.58 8.31 0.900 2.25 10.80
0.264 -0.29 7.21 0.591 0.64 8.52 0.918 2.46 11.57
0.282 -0.24 7.30 0.609 0.70 8.56 0.936 2.72 12.02
0.300 -0.19 7.30 0.627 0.76 8.58 0.955 3.07 12.19
0.318 -0.14 7.43 0.645 0.83 8.77 0.973 3.59 13.55
0.991 4.70 15.14
162
0.995
5
0.99
0.98 4
Pr obabilidad
0.95 3
0.9
2
η
0.8
0.7 1
0.6
0.5
0.4
0.3
0
0.2
0.1
0.05 -1
0.02
0.01
0.001
4 6 8 10 12 14 16
Altur a de ola (m)
Fig 8.1 Papel probabilístico de Gumbel para máximos y

datos de oleajes extremos
TABLA 8.5 EVALUACIÓN DE LA VARIABLE REDUCIDA

ηk PARA EL CASO DE PRESIONES MÍNIMAS
K (año) L ηk xk (presión mbs)

44 0.821 0.542 950.00
45 0.840 0.604 947.00
46 0.858 0.671 945.00
47 0.877 0.741 942.00
48 0.896 0.818 939.00
49 0.915 0.903 936.00
50 0.934 1.000 932.00
51 0.953 1.116 927.00
52 0.972 1.271 920.00
53 0.991 1.540 910.00
La línea recta corresponde a la ec 8.38, la probabilidad de alturas de ola se obtiene

por medio de una ecuación de punteo y la transformación de la escala de dicha
probabilidad a la de la variable reducida se realiza por medio de la ec 8.37.
Ejemplo. En los últimos 53 años por una localidad dada en el Caribe mexicano se han
registrado diez huracanes con la presión mínima que presenta la tabla 8.5. Evaluar la
distribución de Gumbel para mínimos de estos datos.
163
0.999
1.80
1.60
0.99
Pr obabilidad
1.40
0.975
1.20
η
0.95
1.00
0.9
0.80
0.88
0.86
0.84 0.60
0.82
0.8
900 920 940 960

Pr esión atmosfér ica (mbs)
Fig 8.2 Papel probabilístico de Gumbel para mínimos y datos de

presiones atmosféricas mínimas
Solución: Utilizando la fórmula para punteo de Hazen, se calculan las probabilidades

asociadas a cada valor y se evalúa la variable reducida, ηk (tabla 8.5). Luego se
calculan las diferentes sumatorias, tal que:
53 53 53 53
∑x
k = 44
k = 9348 ; ∑η
k = 44
k = 9.206 ; ∑ xη
k = 44
k k = 8569.13 ; ∑x
k = 44
k
2
= 8739968
Si se sustituyen estos valores en las ecs 8.44 y 8.45, se obtiene: a = -0.0248 mbs-1,
b = 24.138, y en la ec 8.49, δ = 40.262 mbs y λ = 971.864 mbs. La fig 8.2 ilustra el
resultado obtenido.
8.8.3 Papel probabilístico de Weibull
Las curvas de distribución acumulativa de la familia de Weibull para máximos está

dada por:
⎡ ⎛ λ − x ⎞β ⎤
y = F ( x; λ , β , δ ) = exp ⎢ − ⎜ ⎟ ⎥; −∞ < x ≤ λ (8.52)
⎢⎣ ⎝ δ ⎠ ⎥⎦
164
Al aplicar logaritmos dos veces, se obtiene:
⎛λ−x⎞
− log ⎡⎣ − log ( y ) ⎤⎦ = − β log ⎜ ⎟ = − β log ( λ − x ) + β log δ (8.53)
⎝ δ ⎠
y al comparar con las ecs 8.29 y 8.31, se tiene:
ξ = g ( x ) = − log ( λ − x ) ⎫⎪
⎬ (8.54)
η = h ( y ) = − log ⎡⎣ − log ( y ) ⎤⎦ ⎭⎪
a=β ⎫
⎬ (8.55)
b = β log δ ⎭
la familia de líneas rectas se convierte en
η = aξ + b = β (ξ + log δ ) (8.56)
Para determinar a y b, se pueden utilizar las siguientes ecuaciones, las cuales han sido
deducidas mediante la técnica de mínimos cuadrados:
N N N
N Datos ∑ ξ kη k − ∑ ξ k ∑η k
a= k =1 k =1 k =1
2
(8.57)
N
⎛ ⎞ N
N Datos ∑ ξ k − ⎜ ∑ ξ k ⎟
2
k =1 ⎝ k =1 ⎠
N N
− a ∑ ξ k + ∑η k
b= k =1 k =1
(8.58)
N Datos
Se debe notar que la escala (η) coincide con la del papel probabilístico de Gumbel;
sin embargo, la gradación (ξ ) se encuentra en este caso en escala logarítmica en lugar
de aritmética. Se puede observar que la distribución de Weibull depende de tres
parámetros, uno más que la distribución de Gumbel, éste es el parámetro umbral λ,
que es desconocido y el cual normalmente no se puede inferir a través de fenómenos
físicos. Para la estimación de λ, se recomienda representar gráficamente los datos con
un parámetro umbral propuesto que satisfaga la condición dada por la ec 8.52 y
165
observar el ajuste de la recta a los valores de probabilidad dados. Este procedimiento
se repite iterativamente hasta que se esté conforme con el ajuste realizado con la recta
descrita por la ec 8.56. Dicho punteo de datos debe hacerse para distintos valores del
parámetro umbral, hasta que la tendencia lineal que se busca sea obtenida para el
intervalo de interés.
Con el valor del parámetro umbral propuesto, se procede a estimar los parámetros
restantes β y δ, lo que se puede realizar notando que para η = 0 y η = 1, se tiene
0 = β (ξ + log δ ) → ξ = − log δ (8.59)
1
1 = β (ξ + log δ ) → ξ = − log δ (8.60)
β
En el caso de la distribución de mínimos, simplemente se debe de realizar un cambio

de signos, dado que la distribución está dada por:
⎡ ⎛ λ − x ⎞β ⎤
y = L( x; λ , δ , β ) = 1 − exp ⎢ − ⎜ ⎟ ⎥ ; x≥λ (8.61)
⎣⎢ ⎝ δ ⎠ ⎦⎥
tal que ahora,
ξ = g ( x ) = − log ( x − λ ) ⎪⎫
⎬ (8.62)
η = h ( y ) = − log ⎡⎣ − log (1 − y ) ⎤⎦ ⎪⎭
Ejemplo. A continuación se presenta el procedimiento iterativo para una serie de datos

de oleaje registrados durante veinticinco años y de los cuales sólo se han considerado
los diez datos mayores.
Solución: De evaluar las ecs 8.52 a 8.58, se obtienen los siguientes resultados (parte
del proceso aparece en la tabla 8.6):
Para el caso de λ = 20 m; a = 3.47, b = 8.90, β = 3.47 y δ = 13.01 m
Para el caso de λ = 40 m; a = 14.12, b = 48.81, β = 14.12 y δ = 31.74 m
Para el caso de λ = 100 m: a = 45.50, b = 205.52, β = 45.50 y δ = 91.53 m.
166
TABLA 8.6 DATOS Y DETALLES DEL PROCESO DE CÁLCULO
λ = 20 m λ = 40 m λ = 100 m
# H P η ξ ξη ξ2 ξ ξη ξ2 ξ ξη ξ2
16 10.0 0.62 0.74 -2.30 -1.70 5.30 -3.40 -2.51 11.57 -4.50 -3.32 20.25
17 10.2 0.66 0.88 -2.28 -2.00 5.21 -3.39 -2.98 11.52 -4.50 -3.95 20.23
18 10.5 0.70 1.03 -2.25 -2.32 5.07 -3.38 -3.49 11.45 -4.49 -4.63 20.20
19 10.9 0.74 1.20 -2.21 -2.65 4.88 -3.37 -4.05 11.36 -4.49 -5.39 20.16
20 11.2 0.78 1.39 -2.17 -3.03 4.73 -3.36 -4.68 11.29 -4.49 -6.25 20.13
21 11.6 0.82 1.62 -2.13 -3.44 4.53 -3.35 -5.41 11.20 -4.48 -7.25 20.09
22 12.2 0.86 1.89 -2.05 -3.89 4.22 -3.33 -6.29 11.06 -4.48 -8.47 20.03
23 12.9 0.90 2.25 -1.96 -4.41 3.84 -3.30 -7.43 10.89 -4.47 -10.05 19.95
24 13.9 0.94 2.78 -1.81 -5.03 3.27 -3.26 -9.08 10.64 -4.46 -12.40 19.85
25 16.0 0.98 3.90 -1.39 -5.41 1.92 -3.18 -12.40 10.10 -4.43 -17.29 19.63
Σ 17.68 -20.56 -33.88 42.97 -33.32 -58.31 111.08 -44.78 -78.99 200.51
0.990 4.5
0.985
λ = 20 4
0.975 3.5
Probabilidad
0.950 3
η
2.5
0.900
2
0.800 1.5
0.700 1
0.600
9.3 10.3 11.6 13.2 14.5 15.5 16.1 16.5
H (m)
-2.2 -2 -1.8 -1.6 -1.4

ξ
Fig 8.3 Resultado del ajuste de Weibull para máximos λ = 20 m, a = 3.47,
b = 8.90, β = 3.47 y δ = 13.01 m
Los resultados correspondientes se presentan en las figs 8.3, 8.4 y 8.5, respectivamente.
Para evaluar las distribuciones Frechet para máximos y mínimos, se sigue un proceso
análogo al presentado aquí para la distribución de Weibull.
167
0.990 4.5
0.985 4
λ = 40
0.975 3.5
Probabilidad
0.950 3
2.5 η
0.900
2
0.800 1.5
0.700 1
0.600
9.7 10.5 11.5 12.9 14.3 15.5 16.4 17.1
H (m)
-3.40 -3.35 -3.30 -3.25 -3.20 -3.15

ξ
Fig 8.4 Resultado del ajuste de Weibull para máximos λ = 40 m,
a = 14.12, b = 48.81, β = 14.12 y δ = 31.74 m
0.990 4.5
0.985 4
λ = 100
0.975 3.5
Probabilidad
0.950 3
2.5 η
0.900
2
0.800 1.5
0.700 1
0.600
9.8 10.5 11.4 12.9 14.3 15.6 16.5 17.3
H (m)
-4.50 -4.49 -4.48 -4.47 -4.46 -4.45 -4.44 -4.43 -4.42

ξ
Fig 8.5 Resultado del ajuste de Weibull para máximos λ = 100 m, a = 45.50,
b = 205.52, β = 45.50 y δ = 91.53 m
8.9 Análisis de régimen medio
La funcionalidad de una obra o la caracterización de muchos procesos en la ingeniería

oceanográfica suele definirse a partir del régimen medio de oleaje expresando, para
un determinado umbral de altura de ola significante (Hs), el número medio de horas al
año en que se supera dicha condición.
168
10
6 Di+1
Hs (m)
4
Di
2
0 50 100 150 200 250 300

Tiempo (horas)
Fig 8.6 Ejemplo de la determinación de las duraciones en función

de una intensidad dada
La disponibilidad de series temporales de estados de mar hace posible el conocimiento

de la distribución de las duraciones de una excedencia de un parámetro del estado de
mar, lo que algunas ocasiones no es factible.
En este caso particular, se define a la duración (D) como el intervalo de tiempo que
dura una excedencia de un valor determinado de un parámetro de estado de mar (por
ejemplo, Hs) en un sector direccional determinado (θ) (fig 8.6). El objetivo es obtener
el espacio muestral de la variable aleatoria bidimensional (Hs, D) para cada sector
direccional θ, para poder ajustar un modelo matemático y obtener la distribución de la
variable aleatoria, f (Hs,D).
169
9. REFERENCIAS
Airy, G B (1845), Tides and waves, Encycl Metrop, Art 192, 241-396
Aristóteles (1996), Acerca del cielo; Meteorológicos, Gredos, Madrid, 430 pp
Battjes, J A (1971), Run-up distributions of waves breaking on slopes, Jour Wat, Port,
Coast and Oce Eng, 97, 91-114
Bendat, J S P, y Piersol, A G (1986), Random data, John Wiley & Sons, Nueva York, 556 pp
Benoit, M (1992), Practical comparative performance survey of methods used for
estimating directional wave spectra from heave-pitch-roll data, Proc 23rd Int Conf on
Coastal Eng, ASCE, Venecia, Italia
Bitner, E M (1980), Nonlinear effects of the statistical model of shallow-water wind
waves, Appl Ocean Res, 2(2), 63-73
Blom, G (1962), Nearly best linear estimates of locations and scale parameters, S G,
34-46
Bouws, E, Günther, H, Rosenthal, W, y Vincent, C L (1985), Similarity of the wind wave
spectrum in finite depth water 1 spectral form, Jour Geoph Res, 90(C1), 975-986
Bretschneider, C L (1959), Wave variability and wave spectra for wind-generated gravity
waves, Beach Erosion Board, US Army Corps of Engineers, Washington, DC
Bretschneider, C L (1990), Tropical cyclones, Handbook of coastal and ocean
engineering, Gulf Publishing Co, 249-370
Bretschneider, C L R (1954), Modification of wave height due to bottom friction,
percolation and refraction, The Agricultural and Mechanical College of Texas, Texas
Brigg, M, Thompson, E, y Vincent, Ch (1995), Wave diffraction around breakwater,
J Wtrway, Port, Coast and Ocean Engng, 121(1), 23-35
Capon, J, Greenfield, R J, y Kolker R J (1967), Multidimensional maximum-likelihood
processing of a large aperture seismic array, Proc IEEE
171
Cardone, V J (1969), Specification of the wind distribution in the marine boundary layer
for wave forecasting, Geophysical Sciences Laboratory, Department of Meteorology
and Oceanography, School of Engineering and Science, New York University,
Nueva York
Carter, D J T, Challenor, P G, y Srokosz: M A (1986), Estimating wave parameters for
engineering applications, Dept of Energy, Londres, 92 pp
Cartwright, DE, y Longuet-Higgings, M S (1956), The statistical distribution of the
maxima of a random function, Proc of the Royal Society of London, Series A
(Mathematics and Physical Science), 237, 212-232
Castillo, E (1987), Extreme value theory in engineering, Statistical modeling and
decision science, Academic Press, San Diego, California, 389 pp
Cavanié, A, Arhan, M, y Ezraty, R (1976), A statistical relationship between individual
height and periods of storm waves, Int Conf on Behavior of Offshore Structures,
Trondheim, BOSS'76
Davidian, I N, Lopatukhin, L I, y Rozhkov, W A (1985), Vetzovoye Volneniye kak
Veroyatnostnyy Gidrodinamicheskiy Process (Wind waves as Stochastical
Hydrodinamics Process, consultado en Massel (1996)) Gidrometeoizdat, Leningrado,
226 pp
Donelan, M A (1980), Similarity theory applied to the forecasting of wave heights,
periods and directions, Canadian Coastal Conference, Canada
Doob, J L (1953), Stochastic Processes, John Wiley & Sons, Nueva York
Frigaard, P, y Brorsen, M (1997), Notes for PhD course in experimental and numerical
wave generation and analysis, Hydraulics and Coastal Engineering Laboratory,
Department of Civil Engineering, Aalborg University, Aalborg
Funke, ERM, y Mansard, E P D (1979), Synthesis of realistic sea states in a laboratory
flume, National Research Council of Canada, Ottawa, 54 pp
Garratt, JR, Jr (1977), Review of drag coefficients over oceans and continents, Monthly
Weather Review, 115, 915-929
Glukhovskiy, BH, y Terray, E A (1966), Issledovaniye morskogo vetrovogo (Study of
sea waves) Gidrometeoizdat, Leningrado (consultado en Massel, 1996), 284 pp
Goda, Y (1970), Numerical experiments on wave statistics with spectral simulations,
Port and Harbour Res Inst, 3-57
Goda, Y (1978), The observed joint distribution of the periods and heights of sea waves,
16th Int Conference on Costal Engineering, Hamburgo
172
Goda, Y (1985), Random seas and design of maritime structures, University of Tokyo
Press, 323 pp
Goda, Y (1988), Statistical variability of sea state parameters as a function of a wave
spectrum, Coastal Engineering in Japan, 31(1), 39-52
Goda, Y (2000), Random seas and design of maritime structures, 2nd ed, Advances
Series on Ocean Engineering, Singapur, World Scientific, 15, 443 pp
Goda, Y, y Suzuki, Y (1975), Computation of refraction and difraction of sea waves with
Mitsuyasu's directional spectrum, Tech, Note of Port and Harbour Res Inst, 45 pp
Green, M O (1994), Wave-height distribution in storm sea effect of wave breaking,
J Wtrway, Port, Coast and Ocean Engng, 120(3), 283-301
Gringorten, I I (1963), A plotting rule for extreme probability paper, Jour Geoph Res,
815-826
Hasselmann, K, Barnett, T P, Bonws, E, Carlson, H, Cartwright, D C, Enke, K, Ewing,
J, Gienapp, H, Hasselmann, D E, Kruseman, P, Meerburg, A, Muller, P, Olbers, D J,
Richter, K, Sell, W, y Walden, H (1973), Measurements of wind-wave growth and
swell decay during the joint north sea wave project (JONSWAP), Deutches
Hydrographisches Institut, Hamburgo, 95 pp
Hasselmann, K, Ross, D B, Muller, P, y Sell, W (1976), A parametric prediction model,
Journal of Physical Oceanography, 6, 220-228
Hazen, A (1930), Flood flows, a study of frequencies and magnitudes, John Wiley &
Sons, Inc, Nueva York
Holland, G L (1980), An analytical model of wind and pressure profiles in hurricanes,
Monthly Weather Review, 108, 1212-1218
Holton, J R (1979), A introduction to dynamic meteorology, Academic Press, Inc,
Nueva York, 102-108
Huang, N E, Long, S R, Tung, G G, y Yuan, Y (1983), A non-Gaussian statistical model
for surface elevation of nonlinear random waves, J Geoph Res, 88(C12), 7597-7606
Huang, N E, Long, S R, Tung, G G, Yuen, Y, y Bliven, L F (1981), A unified two
parameter wave spectral model for a general sea state, J Fluid Mechanics, 112, 203-
224
IAHR, W G (1989), List of sea-state parameters, Jour Wat, Port, Coast and Oce Eng,
115(6), 793-808
Isobe, M K, y Kondo, K (1984), Estimation of directional spectrum expressed in
standard form, Proc 19th Int Conf on Coastal Eng
173
ISSC (1964), Proceeding of the Second International Ship Structures Congress, Delf,
Holanda
ITTC (1966), Recommendations of the 11th International Towing Tank Conference,
Proccedings 11th ITTC, Tokio
ITTC (1972), Technical decisions and recommendations of the sea keeping committee,
Proceedings 12th and 13th ITTC, Rome (1969) and Berlin (1972)
Johnson, R, Mansard, E y Ploeg, J (1978), Effects of wave grouping on breakwater
stability, Int Conference on Coastal Enginiering, ASCE, Hamburgo
Khintchine, A (1934), Korrelations theorie de stationaren stochastischen prozesse,
Math Ann, 109 pp
Kimball, B F (1960), On the choice of plotting positions on probability paper, J Amer
Statist Assc, 55, 546-560
Kinsman, B (1965), Wind waves, Printice-Hall, Englewood Cliffs, Nueva Jersey
Kitaigorodskii, S A (1961), Application of the theory of similarity to the analysis of
wind-generated wave motion as a stochastic process (traducido del ruso 73-80), Bull
Akad, Nauk SSSR, Ser, Geophys, 105-117
Koopmans, L H (1974), The spectral analysis of time series, Academic Press, Nueva York
Krogstad, H E (1988), Maximum likelihood estimation of ocean wave spectra from
maximum entropy principle, Identification and Control, 81-97
Krylov, Y M (1966), Spektralnyye Metody Issledovaniya i Razcheta Vetrovykh Voln
(Sepectral methods of studying and predicting of wind waves, Consultado en Massel,
1996), Leningrad, Gidrometeoizdat, 256 pp
Leenknecht, D A, Szuwalski, A, y Sherlock, A R (1992), Automated Coastal
Engineering System, Department of the Army, Waterways Experiment Station, Corps
of Engineers, Vicksburg
Longuet-Higgins, M S (1952), On the statistical distribution of the heights of sea waves,
J Marine Research, 11, 245-266
Longuet-Higgins, M S (1963), The effect of nonlinearities on statistical distributions in
the theory of sea waves, Jour of Fluid Mechanics, 17, 459-480
Longuet-Higgins, M S (1975), On the join distribution of the period and amplitudes of
sea waves, J Geophys Res, 80(18), 2088-2094
Longuet-Higgins, M S (1983), On the join distribution of wave periods and amplitudes
in a random wave field, Proc Roy Soc, 389, 241-258
174
Losada, M A y Jiménez-Curto, L A (1978), Análisis estadístico y espectral de
regímenes, Curso de Puertos, Universidad de Santander, Escuela Técnica Superior
de Ingenieros de Caminos, Canales y Puertos, Santander, España, 56 pp
Lumley, J L, y Panofsky, H A (1964), The structure of atmospheric turbulence, Wiley,
Nueva York
Massel, S R (1996), Ocean surface waves; their physics and prediction, Advances series
on coastal engineering, World Scientific, 11, Singapur, 491 pp
Mathews, S T (1972), A critical review of the 12th ITTC Wave Spectrum
Recommendations, Review of Seakeeping Committee, Appendix 9, Proceedings of
13th ITTC, Berlín
Mitsuyasu, H, Suhaya, T, Mizuno, S, Okhuso, M, Honda, T, y Rikiishi, K (1975),
Observation of the directional spectrum of ocean waves using a cloverleaf buoy, J
Physical Oceanogr, 5, 750-760
Newland, E D (1984), An introduction to random vibrations and spectral analysis, John
Wiley & Sons, Inc, Nueva York, 377 pp
Ochi, M K (1998), Ocean waves: The stochastic approach, Cambridge Ocean
Technology, Cambridge University Press, Cambridge, 6, 319 pp
Ochi, M K, y Hubble, E N (1976), Six parameter wave spectra, Proceedings of the 15th
International Conference on Coastal Engineering, ASCE, Honolulu, Hawai
Ochi, M K, y W, W C (1984), Non-Gaussian characteristics of coastal waves, Proc 19th
International Conference on Coastal Engineering, Houston, ASCE
Oltman-Shay, J, y Guza, R T (1984), A data-adaptative ocean wave directional-spectrum
estimator for pitch-roll type measurements, J Phys Oceanogr, 14, 1800-1810
Pawka, S (1983), Island shadows in wave directional spectra, J Phys Res, 88, 2579-2591
Phillips, O M (1958), The equilibrium range in the spectrum of wind-generated waves,
Journal of Fluid Mechanics, 4, 426-434
Phillips, O M (1977), The dynamics of the upper ocean, Cambridge Univ Press, 336 pp
Pierson, W J, Neumann, G, y James, R W (1958), Practical methods for observing and
forecasting ocean waves by means of wave spectra and statistics, U S, Navy
Hydrogr, Washington, D C
Pierson, W J, y Moskowitz, L A (1964), A proposed spectral form for fully developed
wind seas based on the similarity theory of S A Kitaigorodskii, J Geoph Res, 69(24),
5181-5203
175
Pierson, W J, y Marks, W (1952), The power spectrum analysis of ocean wave records,
Trans Amer Geophys, Union, 33, 834-44
Press, W H, Flannery, B P, Teukolsky, S A, y Vetterling, W T (1993), Numerical recipes:
the art of scientific computing, Cambridge University Press, Inglaterra
Rice, S O (1944), The mathematical analysis of random noise, Bell System Technical
Journal, 23, 282-332
Rice, S O (1945), The mathematical analysis of random noise, Bell System Technical
Journal, 24, 46-156
Sanchez, C, Silva, R, Govaere, G, y Contreras, A (1998), Comparison of 4 wave
prediction models, 5th International Workshop on Wave Hindcasting and
Forecasting, Merburne, Florida
Silva, R, Díaz, G, Contreras, A, Bautista, G, y Sánchez, C (2000), Determination of
oceanographic risks from hurricanes on the Mexican coast, 6th International
workshop on wave hindcasting and forecasting, Monterey, California
Silva, R, Govaere, G, Salles, P, Bautista, G, y Díaz, G (2002), Oceanographic
vulnerability to hurricanes on the Mexican coast, International Conference on
Coastal Engineering, ASCE, Cardiff, Wales
Smith, J M (1991), Wind-wave generation on restricted fetches, US Army Engineer
Waterways Experiment Station, M S, Vicksburg
SPM (1984), Shore Protection Manual, US Army, Engineer Waterways Experiment
Station, Coastal Engineering Research Center, US Government Printing Office,
Washington, 24-66
Stokes, G G (1847), On the oscillatory waves, Transactions Cambridge Phil Soc,
8(441), 157-229
Sverdrup, H U, y Munk, W H (1947), Wind, sea and swell: theory of relation for forecasting,
U S, Navy Hydrographic Office Publication, 44 pp
Tayfun, M A (1980), Narrow-band nonlinear sea waves, J Geoph Res, 85(C3),
1548-1552
Tayfun, M A (1981), Breaking limited wave heights, J Wtrway, Port, Coast and Ocean
Engng, 107(WW2), 59-69
Tayfun, M A (1981), Distribution of crest-to-trough wave height, J Wat, Port, Coast
and Oce Eng, 107, 149-158
Toba, Y (1973), Local balance in the air-sea boundary process III; On the spectrum of
wind waves, J Oceanogr Soc, 29, 209-220
176
Vincent, C L (1984), Deepwater wind wave growth with fetch and duration, US Army
Engineer Waterways Experiment Station, MS, Vicksburg
Wu, J (1969), Wind stress and surface roughness at air-sea interface, J Geoph Res,
74(2), 444-455
Wu, J (1980), Wind-stress coefficients over sea surface near natural conditions - A
revisit, J Phys Oceanorg, 10(5), 727-740
Wu, J (1982), Wind stress coefficients over sea surface from breeze to hurricane, J
Geoph Res, 87(C12), 9704-9706.
177
10. RECONOCIMIENTO
La fuente de inspiración de este trabajo fueron unas copias del documento titulado
Análisis estadístico y espectral de regímenes, editado por Miguel Ángel Losada y Luis
Alberto Giménez-Curto (1978), que fue mi primer acercamiento al estudio estadístico y
probabilístico del oleaje al iniciar mis estudios de posgrado en la Universidad de
Cantabria.
Aprovecho estas líneas para expresar mi gratitud al Grupo de Ingeniería Oceanográfica

y Costera de la Universidad de Cantabria por haberme brindado la oportunidad de
aprender una filosofía de trabajo y muy en particular a Miguel Ángel Losada,
actualmente trabajando en la Universidad de Granada, quien me ha permitido extraer
algunos conceptos que se reproducen en este documento.
También manifiesto mi agradecimiento a todos mis alumnos y muy singularmente a

Adrián Pedrozo Acuña y Alberto Ávila Armella, quienes fueron mis caballos de batalla
a lo largo del presente documento y quienes muy generosamente me ayudaron a su
realización.
Externo, además, mi sincera gratitud y reconocimiento a los árbitros que anónimamente

y de forma desinteresada realizaron un trabajo de revisión y corrección muy profesional
del primer manuscrito, así como a Olivia Gómez Mora, Máximo René Olvera Salgado y
Gabriel Sánchez Domínguez, de la Sección Editorial del Instituto de Ingeniería, ya que
gracias a ellos este manuscrito sale a la luz en la forma en que está editado.
179
View publication stats

SD 49 Analisis Oleaje

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

SD 49 Analisis Oleaje

Uploaded by

Copyright:

Available Formats

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Análisis y descripción estadística del oleaje

Book · September 2005

CEMIE-Océano View project

The user has requested enhancement of the downloaded file.

2. DESCRIPCIÓN ESTADÍSTICA DEL OLEAJE 7

3. ANÁLISIS TEMPORAL DE ESTADOS DE MAR 17

4. ANÁLISIS ESPECTRODIGITAL DE SERIES TEMPORALES 45

5. DISTRIBUCIONES ESTADÍSTICAS DEL OLEAJE 79

7. MODELOS PARAMÉTRICOS DE PREDICCIÓN DE OLEAJE 125

10. RECONOCIMIENTO 179

This is an up to date reference book, invaluable for students of coastal engineering

Es una obra de referencia actualizada, muy útil para estudiantes de ingeniería de

Este trabajo está orientado a estudiantes tanto de licenciatura como de maestría de

Con estas notas, que pueden servir eventualmente para la actualización de

Organización del trabajo

En el segundo capítulo se analizan las hipótesis fundamentales para el estudio

El tercer capítulo está dedicado al análisis y caracterización de las señales o

Una vez establecida la metodología para la discretización de una señal, se aborda

Los capítulos quinto y sexto están dedicados al estudio de las distribuciones

El capítulo sexto presenta además diversas aproximaciones para evaluar

El séptimo capítulo explica dos metodologías, que eventualmente pueden usarse

Aunque no ha sido un objetivo fundamental de este trabajo, en algunos casos se

A través de la historia de la humanidad se han registrado un sinnúmero de esfuerzos por

Quizá la forma más sencilla de poder entender un estado de mar es considerándolo

Siguiendo las ideas anteriores, existen al menos tres formas de clasificar el

1.1 Clasificación de acuerdo con la profundidad relativa

Teóricamente, las ecuaciones que representan al oleaje que se propaga en cualquier

 Aguas profundas. Cuando la profundidad h es igual o mayor que la mitad de su

 Aguas poco profundas. Cuando la profundidad h es igual o menor que un vigésimo

TABLA 1.1 CLASIFICACIÓN DE LAS ONDAS POR SU PERIODO (JOHNSON ET

 Las mareas (fuerzas astronómicas) siempre se propagan de acuerdo con su longitud

Sol y Luna Viento Fuerza

Fig 1.1 Periodo-energía de las ondas (Kinsman, 1965)

1.3 Clasificación del oleaje

En ingeniería oceanográfica, se llama área de generación (fetch) a la región donde

1.3.1 Oleaje local o sea

 Gran irregularidad, ya que la altura de la superficie líquida es impredecible,

1.3.2 Oleaje distante o swell

Cuando el oleaje se propaga y abandona el área de generación ocurren tres fenómenos

 Pierden energía, las olas viajan a expensas de su propia energía (decaimiento)

 Fenómeno de soldadura, según el cual las ondas de periodos cercanos se

Este tipo de oleaje se puede observar sobre la plataforma costera, especialmente en

1.4 Fuentes de datos de oleaje

Dada la gran gama de equipos y técnicas existentes en la actualidad, en este trabajo se

 Medidores de resistencia (p ej, sensores de nivel)

No instrumental o instrumental indirecto

 Equipos ópticos (p ej, cámaras de video y sátelites)

 Datos visuales (p ej, medidos por barcos en ruta)

 Retroanálisis basado en información de datos meteorológicos (p ej, a través de

2.1 Hipótesis básicas

2.1.1 El oleaje como proceso estocástico

σ frecuencia angular (2π/T)

θ ángulo de incidencia con respecto al eje X

En la ec 2.1 las amplitudes y fases son consideradas aleatorias. Dicho concepto,

 El oleaje debe ser considerado como un proceso estocástico, es decir, resultado

 En el caso del oleaje, una realización corresponde a una función muestra, la

Fig 2.2 Ejemplo de una señal aleatoria

Ft1,t2 ,...,tn ( x1 , x 2 ,..., x n ) = Prob[η (t1 ) ≤ x1 ,η (t 2 ) ≤ x 2 ...η (t n ) ≤ x n ] (2.2)

de la variable aleatoria enedimensional η(t1,t2,...,tn).

Estas distribuciones deben, por ende, satisfacer las siguientes condiciones:

donde j1,j2,...,jn, es cualquier permutación de los índices 1,2,...,n.

para cualquier tm+1,...,tn, si n>m.

 el valor medio, µη(k), queda definido como

Aguas profundas. Cuando la profundidad h es igual o mayor que la mitad de su

Aguas poco profundas. Cuando la profundidad h es igual o menor que un vigésimo

Las mareas (fuerzas astronómicas) siempre se propagan de acuerdo con su longitud

Gran irregularidad, ya que la altura de la superficie líquida es impredecible,

Pierden energía, las olas viajan a expensas de su propia energía (decaimiento)

Fenómeno de soldadura, según el cual las ondas de periodos cercanos se

Medidores de resistencia (p ej, sensores de nivel)

Equipos ópticos (p ej, cámaras de video y sátelites)

Datos visuales (p ej, medidos por barcos en ruta)

Retroanálisis basado en información de datos meteorológicos (p ej, a través de

El oleaje debe ser considerado como un proceso estocástico, es decir, resultado

En el caso del oleaje, una realización corresponde a una función muestra, la

el valor medio, µη(k), queda definido como

y, la función de correlación (o autocorrelación), Rηη(k), es expresada como

Variación de periodo largo. La variación es lenta, del orden de horas, y en ella

Descripción estadística temporal del estado de mar, la cual considera las