RESUMEN

En razn de no contar con un modelo de pronstico de las descargas hidrolgicas medias

anuales del rio Coata, el presente trabajo de investigacin se realiz bajo el siguiente objetivo:
Determinar un modelo estocstico markoviano de mejor ajuste para pronosticar las
descargas hidrolgicas medias anuales del Rio Coata para el periodo 2017 al 2021.

La serie estuvo constituida por las descargas hidrolgicas medias anuales de Rio Coata, con
datos anuales desde 1970 hasta 2010, para el anlisis de la serie se utiliz la metodologa
estadstica de Andrel Andrevich Markov el cual proporciona modelos de pronostico y se
valid mediante la prueba de auto correlaciones de Ljung-Box para los residuales.

Finalmente se concluy que, el mejor modelo estocstico markoviano fue el de segundo

= 0.0331 + 0.0332 + 0.983119332 y con el cual se pronostic las descargas
medias anuales del Rio COATA para el periodo 2017 al 2021

Palabras claves: Modelos, estocstico, markoviano, pronostico, descarga e hidrologa

I. EL PROBLEMA DE INVESTIGACION

1.1 Formulacin y definicin del problema

En los ltimos aos existi un inadecuado manejo y aprovechamiento del recurso hdrico,
as como la falla de prevencin de desastres naturales, debido a la incertidumbre y
desconocimiento de la disponibilidad de este vital elemento, por parte de los pobladores
y autoridades, ya que dicho recurso es considerado como fuente de vida entre todos y es
fundamental en la vida del hombre, en especial para el poblador del altiplano, as como
para el consumo humano, riesgo y generacin de energa , por lo que es necesario dar un
adecuado manejo y aprovechamiento racional de los recursos hdricos a travs de estudios
hidrolgico y pronsticos adecuados.

Los eventos hidrolgicos, tales como aguaceros, caudales, niveles de embalse, etc. son
eventos estocsticos, porque de un lado tiene un patrn medio de comportamiento a largo
plazo, y por otro el pronstico de sus magnitudes en un momento dado tiene un mayor o
menor grado de incertidumbre. El patrn corresponde a la componente determinstica y
la incertidumbre a la componente aleatoria.

En el presente estudio, se utiliz el modelo Markoviano de parmetros contantes para

escribir la estructura de dependencia de las descargas medias anuales del rio Coata, este
tipo de modelos consideran que el valor de una variable en el tiempo presente depende
de los valores del tiempo precedente, esto se debe al denominado fenmeno de
persistencia.

1.2. Definicin del problema

Cul es el Modelo Estocstico Markoviano de mejor ajuste para pronosticar las

descargas hidrolgicas medias anuales del Rio Coata periodo 1967-2016?

1.3. Objetivos de la investigacin

1.3.1. General

Determinar el Modelo Estocstico Markoviano de mejor ajuste para pronosticar

las descargas hidrolgicas medias anuales del Rio Coata en el periodo, 1967-2016
 1.3.2. Especficos
- Establecer el orden del Modelo Estocstico Markoviano mediante el anlisis de
la auto correlacin respectiva que se adecue a la estructura de dependencia de
la serie de descargas hidrolgica medias anuales del Rio Coata.
- Determinar la funcin de distribucin de probabilidad que mejor se ajuste a la
serie residual independiente del modelo establecido de la serie de descargas
hidrolgicas medias anuales del Rio Coata.
- Consolidar al Modelo Estocstico Markoviano, mediante la generacin de
series sintticas de descargas medias anuales del Rio Coata, de una longitud
similar a la serie histrica verificacin la bondad del modelo.
- Pronosticar las descargas hidrolgicas medias anuales para los prximos cinco
aos del 2017 al 2021 de la serie histrica, empleando el Modelo Estocstico
Markoviano de orden tres.

1.4. Hiptesis de investigacin

El modelo Estocstico Markoviano de tercer orden, es el modelo de mejor ajuste para

pronosticar las descargas hidrolgicas medias anuales del Rio Coata para el periodo
2017 al 2021.

II. MARCO TEORICO

2.1.Descripcin de Procesos Estocsticos en Hidrologa

Tipos de Secuencia Hidrolgicas

YEVJEVICH, V. (1972). Op. Cit., las secuencias hidrolgicas son de los siguientes tipos:

Unidimensionales: Secuencia asociada a una dimensin y pueden ser. Las series de

tiempo, son las principales secuencias en hidrolgicas para todas las variables, los
caudales son registrados en el tiempo. As como las descargas de los ros, descargas
de sedimentos, calidad las aguas y otros, son procesos estocsticos hidrolgicos
unidimensionales.
 Bidimensionales: Son secuencias asociados en dos dimensiones, en hidrologa son
variables asociadas con el rea o simultneamente a lo largo de una lnea y en el
tiempo. Una secuencia asociada como el rea es representada por la precipitacin o
evaporacin como ellos cambian con la latitud y longitud, el contenido de oxgeno en
el agua que cambia a lo largo de un rio.

Tridimensionales: Son secuencias asociadas en tres dimensiones, estas secuencias

estn generalmente asociadas con cambios de una variable en el espacio. Esto pueda
ser ilustrado por el proceso de evaporacin de gotas de agua en el aire sobre un rea
entre la nube base y el suelo.

Multidimensionales: Secuencias asociadas con cuatro o ms dimensiones. Una

secuencia con cuatro dimensiones son los cambios de magnitudes hidrolgicas en el
espacio y el tiempo simultneamente.

2.2.Estimacin de Parmetros

YEVJEVICH, V. (1972). Op. Cil, afirma que, para la estimacin de los parmetros, el
modelo estocstico Markoviano general considerado para una serie anual hidrolgica,
est dada por las ecuaciones.

= + (1)

= + (2)
=1

Ello tambin puede ser representado por:

= + ( + )
=

Parmetros constantes Variables aleatoria independiente

Componente estocstica estandarizada

De la ecuacin anterior se desprende lo siguiente.

1
2

= ( )
1= =

y () = (, , , )

Donde:

: Serie hidrolgica anual

: Media de (parmetro)

: Desviacin estndar de (parmetro)

: Coeficiente de auto regresin de orden K (parmetro)

: Coeficiente de auto correlacin de orden k (parmetro)

: Componente estocstica dependiente estandarizada

: Componente estocstica independiente estandarizada

() : Densidad de probabilidad de

a, b, c : Parmetro de la funcin de distribucin f()

t : Tiempo en aos

Los parmetros k=1m se estiman a partir de los estimados de los coeficientes de

auto correlacin de la variable dependiente .

As mismo YEVJEVICH, V. (1972). Op. Cit, indica que los parmetros constantes para
el modelo son calculados a partir de las siguientes ecuaciones:

Media

1
=
=1 (3)
 Desviacin

1
= (1)
=1( )
2 (4)

Variable estandarizada

Realizando un despeje en la ecuacin (1) se tiene:

= (5)

Coeficiente de auto correlacin

El coeficiente de auto correlacin para se define como:

1

=1 + ( )(
1 + )
() =1
() = 1 1 2 1 2 1
(6)
[ 2 2
=1 () (=1 ) ] 2 [=1 + () (=1 + ) ] 2

Donde: K es el intervalo considerado. N es el tamao total de la serie y (x) toma un

valor entre 1 y -1, es decir que: -1 1 para 0.

SALAS, J.D. (1976). Op. Cit., Estas series se caracterizan por que no presentan
periodicidades y la componente estocstica puede ser dependiente o independiente. As,
las series anuales de descargas generales son dependientes.

En la practica el modelo de orden 1 (m = 1) es ms comnmente utilizado, sobre todo

en series de corta longitud de registros.

2.3.Modelo Markoviano de Primer Orden

Para un modelo Markoviano de orden 1 es decir el mximo valor que puede tomar m
en 1, cuando K = 1, el modelo se escribe como:

= 1 1 + (1 2 )1/2 (7)
 Dnde:

1 : Coeficiente de Markov 1, que toma el primer valor de los coeficientes de

autocorrelacin.

1 = 1 (8)

1 : Es el primer coeficiente de autocorrelacin de Xt entonces el valor de la

componente estocstica para el modelo Markoviano de orden 1 ( ) es calculada
por.

1 1
= (9)
(12 )1/2

El cual debe probarse que sea independiente.

2.4.Modelo Markoviano de Segundo Orden

Para un modelo Markoviano de orden 2 es decir el mximo valor que puede tomar m en
2, cuando k = 1m el modelo se escribe como:

= 1 1 + 2 2 + [1 12 22 21 2 1 ]1/2 (10)

Dnde:

1 : Primer coeficiente de Markov 2, que es calculado mediante la siguiente ecuacin.

1 (12 )
1 = (11)
112

2 : Segundo coeficiente de Markov 2, que es calculado mediante la siguiente ecuacin.

2 12
2 = (12)
112

Si este es el modelo adecuado, entonces el valor de la componente estocstica para el

modelo Markoviano de orden 2( ) es calculada por:

1 1 2 2
= (13)
[1 12 12 21 2 ]1/2
 El cual viene a ser una serie independiente.

2.5.Modelo Markoviano de Tercer Orden

= 1 1 + 2 2 +3 3 + [1 12 22 32 21 2 1 21 3 2 22 3 1 ]1/2 (14)

Para un modelo Markoviano de orden 3 es decir el mximo valor que puede tomar m es
3, cuando K = 1m el modelo se escribe como:

dnde:

1 : Primer coeficiente de Markov 3, que es calculado mediante la siguiente

ecuacin.

(112 )(1 3 )(12 )(1 2 3 )

1 = (15)
(11 )(1212 2 )

2 : Segundo coeficiente de Markov 3, que es calculado mediante la siguiente

ecuacin.

(12 )(2 +22 12 1 3 )

2 = (16)
(12 )(1212 +2 )

3 : Tercer coeficiente de Markov 3, que es calculado mediante la siguiente

ecuacin.

(1 3 )(12 2 )(12 )(1 2 3 )

3 = (17)
(12 )(1212 +2 )

Donde 1 , 2 , 3 son el primer, segundo y tercer coeficiente de auto correlacin de

respectivamente, entonces el valor de la componente estocstica para el modelo
Markoviano de orden 3( ) es calculada por.

1 1 1 2 1 3
= 1/2 (18)
[11 2 32 21 2 1 21 3 2 22 3 1 ]
2 2
2.6.Pruebas de Modelo

Si la serie es independiente, entonces la funcin de la auto correlacin es igual a

cero para todos los valores de k diferentes de cero. As mismo si sigue un modelo
Markoviano de orden n, entonces la funcin de auto correlacin de tiene la siguiente
forma.

=
=1 1 (19)

Para el modelo Markoviano de orden 1, es:

= 1 (20)

Con 1 = 1 y 1 es calculado por Ec. (6)

Para el modelo Markoviano de orden 2, es:

= 1 1

+ 2 2 (21)

Con 1 = 1 y 2 = 2 donde 1 y 2 son calculados por Ec (6)

Para el modelo Markoviano de orden 3, es:

= 1 1

+ 2 2
+ 3 3 (22)

Con 1 = 1 , 2 = 2 y 3 = 3 donde 1 , 2 y 3 son calculados por Ec (6)

2.7.Distribucin de Probabilidades de la Variable Independiente

Para definir completamente el modelo estocstico especifico, es necesario encontrar la

distribucin de probabilidad de la variable independiente . En el trabajo se menciona
las funciones de distribucin normal, log-normal 1-3 (de 3 parmetros) La seleccin de
la distribucin se puede hacer grficamente o analticamente con una determinada prueba
de bondad de ajuste.

En resumen, la distribucin de probabilidad al usarse en el modelo de determinar

considerando lo siguiente:
 Si la serie es independiente, hallar la distribucin de .

Si es independiente, determinar la distribucin de probabilidad de la serie

que debe ser calculada segn el modelo escogido.

Hacer el ajuste de la distribucin de la variable independiente ya sea grficamente

o analticamente.

Escoger la distribucin de probabilidad con un criterio de bondad de ajuste.

El ajuste de los valores de la distribucin emprica, Normal y Log Normal de 3

parmetros, se puede realizar con el anlisis de la distribucin de frecuencias
respectivas, utilizando los mtodos de datos agrupados como de datos no agrupados,
dependiendo de la frecuencia muestral y la longitud de registros.

2.8.Funcin de Distribucin y Estimacin de Parmetros

Distribucin Normal.

La funcin de distribucin normal tiene la siguiente forma.

1 1
() = [ ( )2 ] (24)
2 2 2

Dnde:

() : Funcin de densidad Normal.

: Variable aleatoria Normal.

: Parmetro de posicin, o media aritmtica.

: Parmetro de escalera o desviacin estndar de .

: 3.14159

: Funcin exponencial con base de los logaritmos neperianos (e=2.718281)

 Los parmetros estimados y se calcula mediante:

1
=
=1 (25)

Donde N es el tamao de la muestra

1 1/2
= [ 2
=1( ) ] (26)

La Funcin de Distribucin Normal Acumulada

1 1
() = [ 22 ( )2 ] (27)
2

2.9.Distribucin Log-Normal 3 Parmetros

2
1 (() )
() = () [ ] (28)
2 2

Dnde:

() : Funcin de densidad

: Parmetro de posicin lmite inferior

: Parmetro de localizacin o media de Ln ( )

: Parmetro de forma o desviacin estndar de Ln ( )

: Funcin exponencial con base de los logaritmos neperianos (e=2.718281)

Si se toma = ( )/: para representado en forma resumida se tiene.

1 ( ) 2
() = [ ] (29)
2 22

Dnde:

0
 : Parmetro de posicin lmite inferior

: Parmetro de forma

: Parmetro de escala, positiva diferente de cero

Funcin de Distribucin Acumulada

1 1 ( ) 2
() = 0 [ ] (30)
2 22

Estimacin de parmetros:

1
=
=1 ( ) (31)

1/2
( ) 2
= [ ( ) ] (32)

El parmetro de ubicacin C se calcul por un proceso interactivo, como solucin de la

siguiente expresin resumida.

1 ( )

=1 ( (2 ) +
=1 = 0 (33)
) ( )

Dnde N es el tamao de muestra.

La funcin de distribucin log-Normal de 3 parmetros ajustada se calcul en forma

similar a la distribucin normal.

2.10. Pruebas de Bondad de Ajuste

Las pruebas de bondad de ajuste consisten, en comprobar grficamente y/o

estadsticamente si la frecuencia emprica de la serie analizada se ajusta a una determinada
funcin de probabilidad.

Las pruebas estadsticas, tiene como objeto medir la certidumbre que se obtiene a hacer
una hiptesis estadstica sobre una poblacin, es decir califica el hecho de suponer que
una variable se distribuya segn una cierta funcin de probabilidad. El ajuste estadstico
 que se emplea para estos casos son prueba de Chi Cuadrado y prueba de Smirnov
Kolmogorov.

2.11. Prueba de Smirnov Kolmogorov

La prueba de smirnov kolmogorov consiste en comparar las diferencias existentes entre

la probabilidad de los datos agrupados y la probabilidad ajustada tomando la distancia
ms grande entre el valor observado y la recta del modelo vales decir:

Donde:

D: Es el estadstico de smirnov kolmogorov

F(x): probabilidad de la distribucin de ajuste

P(x): probabilidad de los datos no agrupados, denominados tambin frecuencia

acumulada.

El estadstico D tiene una distribucin muestral. Si 0 es un valor critico para un valor

seleccionado, se tiene que:

Calcular para cada punto de distribucin terica F(x) y la distribucin emprica P(x) y
luego hacer las diferencias y obtener el valor mximo.

1. Obtencin del valor crtico del estadstico 0 el cual se encuentra tabulada con
diferentes valores de error tipo I PARA VALORES DE n (tamao muestral)
YEVJEVICH, V. (1972).

2. Comparar el valor estadstico D con el valor critico 0 de las tablas, con los
siguientes criterios de decisin:

Si: D<0 => ajuste bueno.

Si: D0 => ajuste bueno.

2.12. Generacin de Nmeros Aleatorios

Para la generacin de la variable aleatoria en el intervalo [-1,1] se utiliz la siguiente

formula:

= ( ) ( ) + (36)

Donde:

ALEATORIO ( ): funcin que genera el nmero aleatorio.

a: Es el lmite inferior.

b: Es el lmite superior.

Para obtener nmero aleatorios normales con parmetros ajustados y .bastara

sumar y multiplicar dichos valores a +1 de la siguiente forma:

= + ( ) (37)

+1 = + (+1 ) (38)

Donde, y +1 son dos nmeros normales independientes con media y desviacin estndar

Para generar nmeros aleatorios log- normales, basta utilizar la siguiente transformacin
exponencial.

= ( ) (39)

Donde:

: numero aleatorio normal e independiente (0,1)

: Numero log-normal independiente (0,1)

2.13. Generacin de series

Para la generacin de series hidrolgicas se requiere del conocimiento del modelo

estocstico as, como sus parmetros. En el presente caso la generacin se basa en uno
de los modelos markovianos.

En las series histricas, por lo general son de periodos cortos y los eventos sean mximo
o mnimo pueden ser bastantes diferentes aun en series largas; por lo que el problema
consiste en evaluar en que medida un evento de magnitud extrema es representativo del
periodo histrico.

Para hacer cierta estimacin de la probabilidad de ocurrencia de secuencias severas, se

simula el proceso estocstico para generar varias secuencias. Si la generacin se realiza
correctamente, se deduce que las secuencias pueden ocurrir probablemente en el futuro,
como puede ser una repeticin de la serie histrica.

= +

1
2

= + (1 )
=1 =1 =1

Donde: , , , , son los parmetros conocidos del modelo, asi como se conoce la
distribucin de probabilidad f() de la parte aleatoria de ya sea como funcin emprica
o ajustada:

Los pasos a seguir son los siguientes son:

a. Generar N+ nmeros aleatorios de la distribucin f()

b. Hacer = para t=1.m

c. Para t > m se genera en funcin de los m valores precedentes 1 , y

de la variable aleatoria

d. Desechar los primero valores de y hacer =+ par t=1, N.

 e. Los valores de se encuentran a partir de los valores generados indicados en d.

III. OPERACIONALIZACION DE VARIABLES:

VARIABLE INDICADOR INDICE

Variable
Periodo en aos del Aos consecutivos
independiente
1967-2016 desde 1967 hasta 2016
Tiempo
Variable dependiente Cantidad de descargas
3 /
Descargas de agua medias

IV. RESOLUCION Y ANALISIS DE RESULTADOS

4.1.Serie de datos de las descargas anuales del rio Coata:
Cuadro 1
Serie historia de descargas hidrolgicas (m3/s) Rio Coata

Nro Aos Yt Nro Aos Yt Nro Aos Yt

1 1967 27,75 19 1985 44,27 37 2003 23,44
2 1968 46,95 20 1986 44,65 38 2004 17,43
3 1969 59,06 21 1987 41,71 39 2005 36,53
4 1970 49,98 22 1988 46,68 40 2006 37,74
5 1971 22,73 23 1989 22,86 41 2007 40,13
6 1972 54,84 24 1990 32,75 42 2008 56,18
7 1973 62,29 25 1991 18,62 43 2009 53,4
8 1974 53,53 26 1992 47,37 44 2010 17,39
9 1975 27,28 27 1993 46,58 45 2011 36,11
10 1976 60,24 28 1994 44,93 46 2012 62,91
11 1977 46,69 29 1995 52,33 47 2013 39,08
12 1978 39,81 30 1996 16,91 48 2014 19,43
13 1979 24,89 31 1997 29,64 49 2015 17,59
14 1980 48,95 32 1998 55,12 50 2016 14,77
15 1981 23,83 33 1999 14,79
16 1982 56,36 34 2000 22,08
17 1983 21,87 35 2001 33,09
18 1984 36,95 36 2002 60,17
Fuente: Servicio Nacional de Meteorologa e hidrologa (SENAMHI)
 As mismo el comportamiento de la serie histrica a travs del tiempo se aprecia en el
siguiente grfico:

Grafico 1
Descargas hidrolgicas medias anuales, Rio Coata 1967-2016

4.2.Modelamiento estocstico:

Para el modelamiento estocstico de la serie histrica se Procedi a utilizar la cadena de

Markov I, II, III detalladas en la parte del marco terico, ellos para determinar si las
descargas medias anuales se ajustan a un modelo markoviano, los estadsticos de la serie
fueron calculados por las ecuaciones (3) y (4).

Dando como resultado los datos del siguiente cuadro:

Cuadro 2
Estadsticos descriptivos de la serie histrica Rio Coata

N Mnimo Mximo Media Desv. Tip.

Descargas de la serie
50 14,77 62,91 38,2136 14,84140
hidrolgica
N validos (segn
50
lista)
Fuente: Datos del cuadro 1
4.3.Estandarizacin de la serie histrica

Una vez calculado los estadsticos de la serie anual del rio Coata, se realiz la
estandarizacin de la serie histrica, lo cual sirvi para encontrar los modelos autor
regresivos.

Estos datos estandarizados son los que conformaron la componente estacionaria de la

serie de descargas hidrolgicas medias anuales en el Rio Coata, lo cual se calcul con la
ecuacin (5).

La estandarizacin de los datos se muestra en el siguiente cuadro:

Cuadro 3
Componente estocstica estandarizada de la serie Histrica

Nro Aos Xt Nro Aos Xt Nro Aos Xt

1 1967 -0.705 19 1985 0.408 37 2003 -0.995

2 1968 0.589 20 1986 0.434 38 2004 -1.400

3 1969 1.405 21 1987 0.236 39 2005 -0.113
4 1970 0.793 22 1988 0.570 40 2006 -0.032

5 1971 -1.043 23 1989 -1.035 41 2007 0.129

6 1972 1.120 24 1990 -0.368 42 2008 1.211
7 1973 1.622 25 1991 -1.320 43 2009 1.023

8 1974 1.032 26 1992 0.617 44 2010 -1.403

9 1975 -0.737 27 1993 0.564 45 2011 -0.142
10 1976 1.484 28 1994 0.453 46 2012 1.664

11 1977 0.571 29 1995 0.951 47 2013 0.058

12 1978 0.108 30 1996 -1.435 48 2014 -1.266
13 1979 -0.898 31 1997 -0.578 49 2015 -1.390
14 1980 0.723 32 1998 1.139 50 2016 -1.580
15 1981 -0.969 33 1999 -1.578
16 1982 1.223 34 2000 -1.087

17 1983 -1.101 35 2001 -0.345

18 1984 -0.085 36 2002 1.479
Fuente: Datos del cuadro 1
4.4.Calculo de los coeficientes de autocorrelacin

El clculo de los coeficientes de autocorrelacin, se realiz mediante el anlisis de

desfases de 1,2,3,,12; ya que se trata de una serie anual (0.3*n) aunque pudiendo
realizarse hasta el tamao de muestra, pero esto pierde importancia(Salas 1985). En el
siguiente cuadro se muestran los coeficientes de autocorrelacin, donde k es el nmero
de desfases (). Ello se calcul mediante la ecuacin (6).

Cuadro 4
Coeficientes de autocorrelacin de la componente estocstica

Error Estadstico de Box-Ljung

Retardo Autocorrelacin
estndara Valor gl Sig.b
1 ,033 ,137 ,059 1 ,808
2 -,179 ,136 1,789 2 ,409
3 -,036 ,134 1,859 3 ,602
4 ,231 ,133 4,875 4 ,300
5 -,066 ,132 5,126 5 ,401
6 ,006 ,130 5,129 6 ,527
7 -,032 ,129 5,190 7 ,637
8 ,033 ,127 5,259 8 ,730
9 -,186 ,126 7,464 9 ,589
10 ,207 ,124 10,240 10 ,420
11 -,032 ,122 10,308 11 ,503
12 -,013 ,121 10,320 12 ,588
a. El proceso subyacente asumido es independencia (ruido blanco).
b. Se basa en la aproximacin de chi-cuadrado asinttica.

Los coeficientes de autocorrelacin se emplearon para determinar los coeficientes de

los modelos auto regresivos o Markovianos, segn el orden I, II, III.

De forma similar se puede apreciar el correlograma de la componente estocstica, ellos

en el siguiente grfico:
 Grafico 2
Autocorrelacin de la componente estocstica de descargas medias anuales del Rio
Coata, 1967-2016

Como se puede observar en el grafico 2, las barras de funcin de autocorrelacin se

encuentran dentro de los lmites de confianza garantizando la proximidad a la serie
histrica de los datos, en el cual existen al principio una serie de valores no nulos que
se van amortiguando a lo largo del tiempo

4.5.Coeficientes De Los Modelos Autor regresivos

Con los coeficientes de autocorrelacin, se obtuvieron los coeficientes auto regresivos de

los modelos Markov I, II, III, donde se calcul el coeficiente de Markov I con la ecuacin
(8), los coeficientes de Markov II con las ecuaciones (11) y (12) y los coeficientes de
Markov III con las ecuaciones (15), (16) Y (17) todas ellas fueron descritas en el marco
terico

En el siguiente cuadro, se muestran los coeficientes para los modelos Markov I, Markov
II y Markov III.
 Cuadro 5
Coeficientes de los modelos Markovianos
Coeficientes Markov I Markov II Markov III
1 0.033 0.039 0.035
2 -0.180 -0.217
3 -0.023

4.6.Los modelos Markovianos

Luego de la estimacin de los coeficientes que corresponden a cada modelo

Markoviano, se procedi a escribir los modelos, con los coeficientes calculados, el
modelo de Markov I con la ecuacion (7), el modelo Markov II con la ecuacin (10) y
el modelo de Markov III con la ecuacin (14).

Luego los modelos autorregresivos fueron definidos como se muestra a continuacin

Modelo Markoviano de Primer Orden:

= 0.0331 + 0.999444286

Modelo Markoviano de Segundo Orden:

= 0.0331 + 0.0332 + 0.983119332

Modelo Markoviano de Tercer Orden:

= 0.0331 + 0.0332 + 0.0333 + 0.975270559

4.7.Calculo de errores de los modelos autorregresivos

Una vez obtenido los modelos autorregresivos o Markovianos se procedio a estimas los
errores para cada modelo Markoviano con las formulas (9), (13) y (18).

En el siguiente cuadro se observan los errores de cada Modelo Markoviano

respectivamente.
 Cuadro 6
Coeficientes de los modelos Markovianos

Markov Markov Markov Markov Markov Markov

t t
I II III I II III
1 -0.7050 * * * 26 0.6169 0.6611 0.6130 0.5736
2 0.5887 0.6123 * * 27 0.5637 0.5433 0.3070 0.2537
3 1.4046 1.3854 1.2761 * 28 0.4525 0.4339 0.5507 0.5492
4 0.7928 0.7462 0.8580 0.8762 29 0.9512 0.9363 1.0526 1.0990
5 -1.0433 -1.0700 -0.8357 -0.7721 30 -1.4354 -1.4675 -1.4153 -1.3920
6 1.1203 1.1554 1.3264 1.3960 31 -0.5777 -0.5300 -0.3560 -0.3185
7 1.6222 1.5853 1.4143 1.4102 32 1.1391 1.1587 0.9190 0.8927
8 1.0320 0.9782 1.1899 1.2237 33 -1.5783 -1.6167 -1.7567 -1.8220
9 -0.7367 -0.7713 -0.4936 -0.4053 34 -1.0871 -1.0347 -0.8340 -0.8185
10 1.4841 1.5091 1.7280 1.8164 35 -0.3452 -0.3091 -0.5966 -0.6382
11 0.5711 0.5218 0.3867 0.3932 36 1.4794 1.4913 1.3196 1.2501
12 0.1076 0.0886 0.3583 0.4018 37 -0.9954 -1.0450 -1.1349 -1.1767
13 -0.8977 -0.9016 -0.8129 -0.7620 38 -1.4004 -1.3676 -1.1137 -1.0796
14 0.7234 0.7535 0.7914 0.8117 39 -0.1134 -0.0668 -0.2416 -0.2516
15 -0.9692 -0.9935 -1.1791 -1.2167 40 -0.0319 -0.0281 -0.2843 -0.3636
16 1.2227 1.2553 1.4149 1.4278 41 0.1291 0.1302 0.1118 0.0748
17 -1.1012 -1.1423 -1.3465 -1.3712 42 1.2106 1.2066 1.2203 1.2268
18 -0.0851 -0.0484 0.1813 0.2008 43 1.0232 0.9832 1.0160 1.0335
19 0.4081 0.4110 0.2169 0.2061 44 -1.4031 -1.4376 -1.2465 -1.2035
20 0.4337 0.4202 0.4092 0.3847 45 -0.1417 -0.0950 0.0993 0.1615
21 0.2356 0.2212 0.2970 0.3146 46 1.6640 1.6692 1.4414 1.4241
22 0.5705 0.5628 0.6502 0.6826 47 0.0584 0.0029 -0.0331 -0.0652
23 -1.0345 -1.0538 -1.0320 -1.0186 48 -1.2656 -1.2679 -0.9850 -0.9335
24 -0.3681 -0.3337 -0.2286 -0.2078 49 -1.3896 -1.3478 -1.3521 -1.3265
25 -1.3202 -1.3083 -1.5176 -1.5566 50 -1.5796 -1.5337 -1.7829 -1.8494

4.8. Prueba de los modelos Markovianos

Para Modelo Markoviano se calcul la autocorrelacin , ellos permitio verificar que

la serie fue dependiente o independiente para todos los valores de k. las funciones de
autocorrelacin para los modelos fueron calculado con las ecuaciones (20,21 y 22)
detallados en el marco terico.
En el siguiente cuadro se aprecian las autocorrelaciones para los modelos Markovianos
del orden 1, 2 y 3, as como los lmites de confianza calculados con la ecuacin (23)

Cuadro 7

Autocorrelaciones para los Modelos Markov I, II, III

Lmite de Confianza
MARKOV MARKOV MARKOV 95%
K ( )
I II III
LCS LCI

1 0.0333 0.0333 0.0333 0.0333 0.2642 -0.3154

2 -0.1787 0.0011 -0.1787 -0.1787 0.2674 -0.3201

3 -0.0356 0.0000 -0.0130 -0.0356 0.2708 -0.3249

4 0.2310 0.0000 0.0317 0.0367 0.2743 -0.3299

5 -0.0659 0.0000 0.0036 0.0132 0.2780 -0.3351

6 0.0064 0.0000 -0.0056 -0.0067 0.2818 -0.3406

7 -0.0320 0.0000 -0.0009 -0.0039 0.2857 -0.3463

8 0.0333 0.0000 0.0010 0.0010 0.2898 -0.3523

9 -0.1865 0.0000 0.0002 0.0010 0.2940 -0.3586

10 0.2067 0.0000 -0.0002 -0.0001 0.2985 -0.3652

11 -0.0318 0.0000 0.0000 -0.0003 0.3032 -0.3721

12 -0.0133 0.0000 0.0000 0.0000 0.3080 -0.3794

De forma similar podemos apreciar los correlogramas para cada uno de los modelos y
en forma conjunta
 Grafico 3
Correlograma de la componente estocstica de descargas medias anuales del Rio
Coata, 1967-2016
0.4

Coeficiente de Autocorrelacion
0.3
0.2
0.1
0.0
-0.1 1 2 3 4 5 6 7 8 9 10 11 12
-0.2
-0.3
-0.4
-0.5
Desfase k

pk(Xt) LCS LCI

El grafico 3, muestra el comportamiento de la componente estocstica de descargas

medias anuales del Rio Coata en el periodo 1967-2016, con un desfase de 12, por tratarse
de datos anuales, lo cual sirvi para comparar y analizar frente a la serie histrica.

As mismo, en el grfico 4 y se observa que el modelo markov-I, se encuentra muy

alejado de la componente estocstica

Grafico 4
Correlograma del modelo Markov-1 de descargas medias anuales del Rio Coata, 1967-
2016
0.4
Coeficiente de Autocorrelacion

0.3
0.2
0.1
0.0
-0.1 1 2 3 4 5 6 7 8 9 10 11 12
-0.2
-0.3
-0.4
-0.5
Desfase k

pk(Xt) markov I LCS LCI

 Grafico 5
Correlograma del modelo Markov-2 de descargas medias anuales del Rio Coata, 1967-
2016
0.4

Coeficiente de Autocorrelacion
0.3
0.2
0.1
0.0
-0.1 1 2 3 4 5 6 7 8 9 10 11 12

-0.2
-0.3
-0.4
-0.5
Desfase k

pk(Xt) markov II LCS LCI

En el grafico 5 se observa que el modelo Markov-2, tambin se encuentra alejado de la

componente estocstica.

Grafico 6
Correlograma del modelo Markov-3 de descargas medias anuales del Rio Coata, 1967-
2016
0.4
Coeficiente de Autocorrelacion

0.3
0.2
0.1
0.0
-0.1 1 2 3 4 5 6 7 8 9 10 11 12
-0.2
-0.3
-0.4
-0.5
Desfase k

pk(Xt) markov III LCS LCI

 En el grafico 6 se observa que, a diferencia de los otros modelos, el modelo Markov-3
tuvo mayor aproximacin al correlograma estimado por la componente estocstica ( )

Grafico 7

Correlograma de los modelos Markovianos de descargas medias anuales del Rio Coata,
1967-2016

0.4
Coeficiente de Autocorrelacion

0.3
0.2
0.1
0.0
-0.1 1 2 3 4 5 6 7 8 9 10 11 12

-0.2
-0.3
-0.4
-0.5
Desfase k

pk(Xt) markov I markov II

markov III LCS LCI

Mediante el anlisis de los correlogramas se concluy que el modelo markoviano de

orden 3 es el mejor para pronosticar las descargas hidrolgicas medias anuales del Rio
Coata.

4.9.Calculo de correlogramas del error

Para el clculo de correlogramas del error o residuales se procedi a desfasar en los

errores, y luego se calcul con las ecuaciones citadas en el marco terico, tanto para los
modelos I, II, III, respectivamente.
 Cuadro 8

Autocorrelacin para errores del Modelo Markov I

Error Estadstico de Box-Ljung

Retardo Autocorrelacin a
estndar Valor gl Sig.b
1 ,016 ,139 ,014 1 ,907
2 -,160 ,137 1,370 2 ,504
3 -,026 ,136 1,407 3 ,704
4 ,221 ,134 4,117 4 ,390
5 -,060 ,133 4,321 5 ,504
6 ,033 ,131 4,385 6 ,625
7 -,018 ,130 4,404 7 ,732
8 ,029 ,128 4,455 8 ,814
9 -,175 ,127 6,375 9 ,702
10 ,225 ,125 9,627 10 ,474
11 -,036 ,123 9,714 11 ,556
12 -,024 ,122 9,752 12 ,638
a. El proceso subyacente asumido es independencia (ruido blanco).
b. Se basa en la aproximacin de chi-cuadrado asinttica.

Cuadro 9

Autocorrelacin para errores del Modelo Markov II

Error Estadstico de Box-Ljung

Retardo Autocorrelacin a
estndar Valor gl Sig.b
1 -,020 ,140 ,021 1 ,886
2 ,030 ,138 ,069 2 ,966
3 -,037 ,137 ,141 3 ,986
4 ,188 ,135 2,073 4 ,722
5 -,090 ,134 2,521 5 ,773
6 ,077 ,132 2,861 6 ,826
7 -,065 ,131 3,109 7 ,875
8 ,055 ,129 3,290 8 ,915
9 -,195 ,127 5,624 9 ,777
10 ,251 ,126 9,588 10 ,477
11 -,068 ,124 9,889 11 ,540
12 ,021 ,122 9,918 12 ,623
a. El proceso subyacente asumido es independencia (ruido blanco).
b. Se basa en la aproximacin de chi-cuadrado asinttica.
 Cuadro 10

Autocorrelacin para errores del Modelo Markov III

Error Estadstico de Box-Ljung

Retardo Autocorrelacin a
estndar Valor gl Sig.b
1 -,039 ,141 ,077 1 ,782
2 ,091 ,140 ,496 2 ,780
3 -,056 ,138 ,661 3 ,882
4 ,151 ,137 1,888 4 ,756
5 -,128 ,135 2,793 5 ,732
6 ,096 ,133 3,316 6 ,768
7 -,116 ,132 4,096 7 ,769
8 ,050 ,130 4,242 8 ,835
9 -,213 ,128 7,005 9 ,637
10 ,281 ,127 11,911 10 ,291
11 -,099 ,125 12,532 11 ,325
12 ,058 ,123 12,750 12 ,387
a. El proceso subyacente asumido es independencia (ruido blanco).
b. Se basa en la aproximacin de chi-cuadrado asinttica.

De los correlogramas calculados en los cuadros 8, 9, 10 se observa que el correlograma

del modelo Markov III tuvo mayor aproximacin al correlograma estimado por la
componente estocstica ( ); tambin se observa en el cuadro 13, el correlograma de los
residuos, se encuentran dentro de los lmites de confianza. Siguiendo la metodologa de
la prueba de independencia de la variable residual, descrito a continuacin:

Para la serie residual Markov I

Numero de valores calculados del correlograma = 12

Numero mnimo de valores que caen dentro de los L.C. = 11

Numero de valores que caen dentro de los L.C. = 12

Para la serie residual Markov II

Numero de valores calculados del correlograma = 12

Nmero mnimo de valores que caen dentro de los L.C. = 11

 Numero de valores que caen dentro de los L.C. = 12

Para la serie residual Markov III

Numero de valores calculados del correlograma = 12

Nmero mnimo de valores que caen dentro de los L.C. = 11

Numero de valores que caen dentro de los L.C. = 12

Cuadro 11

Autocorrelaciones Residuales para los Modelos Markovianos

Lmite de Confianza
MARKOV MARKOV MARKOV 95%
K ( )
I II III
LCS LCI

1 0.0333 0,016 -0,020 -0,039 0.2642 -0.3154

2 -0.1787 -0,160 0,030 0,091 0.2674 -0.3201

3 -0.0356 -0,026 -0,037 -0,056 0.2708 -0.3249

4 0.2310 0,221 0,188 0,151 0.2743 -0.3299

5 -0.0659 -0,060 -0,090 -0,128 0.2780 -0.3351

6 0.0064 0,033 0,077 0,096 0.2818 -0.3406

7 -0.0320 -0,018 -0,065 -0,116 0.2857 -0.3463

8 0.0333 0,029 0,055 0,050 0.2898 -0.3523

9 -0.1865 -0,175 -0,195 -0,213 0.2940 -0.3586

10 0.2067 0,225 0,251 0,281 0.2985 -0.3652

11 -0.0318 -0,036 -0,068 -0,099 0.3032 -0.3721

12 -0.0133 -0,024 0,021 0,058 0.3080 -0.3794

En los siguientes grficos se observa estas diferencias y aproximaciones de los correlogramas

para los residuos Markovianos y el correspondiente componente de la Seri anual.
 Grafico 8
Correlograma Residual de Modelo Markov-1 de descargas medias anuales del Rio Coata
1967-2016
0.4
Coeficiente de Autocorrelacion 0.3
0.2
0.1
0
-0.1 1 2 3 4 5 6 7 8 9 10 11 12

-0.2
-0.3
-0.4
-0.5
Desfase k

pk(Xt) MARKOV I LCS LCI

En el grfico N 08, se observa que las auto correlaciones de residuo del Modelo Markov-1,
se encuentran alejados del modelo de la componente estocstica de la serie de datos.

Do forma muy similar es el grfico N 09 as como en el caso anterior las auto correlaciones
del residuo del Modelo Markov-2, se encuentran alejadas del modelo de la componente
estocstica de la serie de datos, esta vez fue mucho mayor que los residuales del Modelo
Markov-1
 Grafico 9

Correlograma Residual del Modelo Markov-2 de descargas medias anuales de Rio Coata
1967-2016

0.4
0.3
Coeficiente de Autocorrelacion

0.2
0.1
0
1 2 3 4 5 6 7 8 9 10 11 12
-0.1
-0.2
-0.3
-0.4
-0.5
Desfase k

pk(Xt) MARKOV II LCS LCI

Grafico 10

Correlograma Residual del Modelo Markov-3 de descargas medias anuales de Rio Coata
1967-2016

0.4
0.3
Coeficiente de Autocorrelacion

0.2
0.1
0
1 2 3 4 5 6 7 8 9 10 11 12
-0.1
-0.2
-0.3
-0.4
-0.5
Desfase k

pk(Xt) MARKOV III LCS LCI

 Como se observa en el grafico anterior las auto correlaciones de los residuos del Modelo

Markov-3, se asemeja bastante y muestra una pequea diferencia frente al modelo de la

componente estocstica de la serie de datos.

4.10. Eleccin del modelo adecuado

En esta seccin de eligi el modelo ms adecuado y el ms ptimo para que represente la

realidad de los caudales de Rio Coata y as realice los futuros pronsticos y para ello se
plante la siguiente hiptesis:

1. Planteamiento de las hiptesis de prueba

0 : () Es independiente
: () No es independiente
2. Nivel de significancia para la prueba
= 0.05 (Nivel significativo)
3. Clculo de los correlogramas para los residuos
4. Clculo de los lmites de confianza.
5. Criterio de decisin

Si el 95% de los valores calculados para el correlograma o ms caen dentro de los lmites de
confianza, entonces ese acepta la hiptesis nula.

Si menos de 95% de los valores calculados para el correlograma caen dentro de los lmites
de confianza, entonces se acepta la hiptesis nula.

Si menos del 95% de los valores calculados para el correlograma caen dentro de los lmites
de confianza, entonces se rechaza la hiptesis nula y se acepta la hiptesis alterna. En esta
situacin se debe optar por otro orden del Modelo Markoviano.

En los grficos 08, 09 y 10 se observ que los errores no salen de los lmites de confianza,
ya que los resultados son similares para lo cual se realiz una prueba de anlisis de varianza
entre los coeficientes encontrados.
 Cuadro 12
Cuadro de Anlisis de Varianza (ANOVA)

Suma de Media
cuadrados Gl cuadrtica F Sig.
Entre grupos 0,001 3 0,000 0,019 0,981
Dentro de grupos 0,542 44 0,016
Total 0,543 47

En el cuadro N 12, se observa que el anlisis de varianza, no existe diferencia

significativa en cuanto al promedio de datos, pero si una ligera diferencia en la varianza
de los coeficientes de auto correlacin.

Para la eleccin del mejor modelo, se realiz la prueba de correlacin para determinar
cul de los modelos es el ms adecuado y ms prximo a la serie de datos.

Cuadro 13
Correlaciones entre las autocorrelaciones de los modelos

Coeficientes de autocorrelacin
Markov 1 Markov 2 Markov 3
Componente Correlacin de Pearson 1 0,856** 0,728**
estocstica Sig. (bilateral) 0,000 0,007
N 12 12 12
**. La correlacin es significativa en el nivel 0,01 (2 colas).

En el cuadro N 13 se observa la correlacin que existe entre los coeficientes de

autocorrelacin para los residuos de los modelos Markovianos y los coeficientes de
autocorrelacin de la componente estocstica de la serie de datos, donde se mostr que
el modelo Markoviano de orden 2 tiene una alta correlacin (r=0.856), el cual indica que
fue el mejor para representar las series sintticas.

4.11. Prueba de bondad de ajuste

En el cuadro 6, se realiz el ajuste mediante la distribucin de frecuencias, en el cual se

probaron la funcin normal y log normal de tres parmetros.
 4.11.1. Estimacin de parmetros en distribucin tericas.

La estimacin de parmetros dela distribucin Normal y Log normal, de la serie

residual independiente se presenta en el siguiente cuadro.

Cuadro 14
Parmetro de la Distribucin Normal

N Mnimo Mximo Media Desv. Tip.

Markov 2 38 -2,148 2,238 -0.06518 1,01022

Cuadro 15
Parmetro de la Distribucin Log-Normal 3 parmetros

C
N Mnimo Mximo Media Desv. tip

Markov 2 38 -1,666 2,441 -,07246 ,983982 -6,48

4.12. Modelamiento del proceso estocstico

Para modelar el proceso estocstico hidrolgico del modelo autorregresivo de tercer orden,
se mantuvieron los paramentos del modelo determinstico matemtico, luego se procedi a
la generacin de numero aleatorios para el modelamiento.

4.12.1. Generacin de nmeros aleatorios

Para la generacin de nmeros aleatorios uniformemente distribuidos con media 0

y varianza 1 (0,1) se obtuvo por medio de la funcin aleatoria que la computadora
lo realizo.

Una vez obtenido el nmero aleatorio normales con parmetros ajustados y ,

para la generacin de nmeros aleatorios log-normales independientes se realiz la
transformacin exponencial con la ecuacin (39).
 Con todo este proceso de generacin de nmeros aleatorios se simulo el proceso
estocstico para el modelo autorregresivos de segundo orden.

El modelo general resultante utilizando para el modelamiento de le generacin de

descargas del Rio Coata fue.

= +

= +
=1

Los componentes de estas ecuaciones estn descritos en el Modelo Markov de tercer

orden, como el siguiente:

= 1 1 + 2 2 + [1 12 22 21 2 1 ]1/2

En dicho modelo, se reemplaz los coeficientes Markovianos, donde se obtuvo:

= 0.0331 + 0.0332 + 0.983119332

4.12.2. Generacin de 10 series sintticas de 41 aos

Las generaciones de series sintticas fueron guiadas aleatoriamente por las

ecuaciones, las cuales mostraron valores que se ajustan a la serie histrica de
descargas hidrolgicas medias anuales del Rio Coata.

En los cuadros siguientes se observ a las series generadas por el Modelos Markov
de segundo orden con la generacin de nmeros aleatorios para una distribucin
Normal y log-normal de 3 Parmetros.

aleatorio Normal Log-normal

-0.847 -0.882 0.429
-1.054 -1.091 0.348
-0.152 -0.180 0.859
-0.821 -0.855 0.440
1.099 1.083 3.001
-0.712 -0.746 0.490
-0.369 -0.399 0.692
 1.229 1.214 3.419
0.582 0.561 1.790
-0.315 -0.344 0.730
1.631 1.619 5.107
0.823 0.803 2.276
1.628 1.616 5.094
1.916 1.907 6.794
1.682 1.671 5.379
-1.017 -1.053 0.362
-0.446 -0.477 0.640
1.380 1.366 3.977
-0.317 -0.346 0.729
-2.086 -2.132 0.124
-0.042 -0.069 0.959
2.256 2.250 9.543
-0.730 -0.764 0.482
2.320 2.315 10.179
-0.217 -0.246 0.805
1.566 1.553 4.785
-0.318 -0.348 0.727
-0.741 -0.775 0.476
-1.817 -1.861 0.162
-0.658 -0.691 0.518
0.317 0.293 1.373
-1.352 -1.391 0.259
-0.086 -0.114 0.918
1.276 1.261 3.580
-2.251 -2.299 0.105
2.330 2.325 10.276
0.482 0.460 1.620
0.265 0.240 1.303

4.12.3. Consolidacin del Modelo Markoviano

Para consolidar el Modelo Markoviano, se procedi con la prueba de hiptesis para

la diferencia de medias y varianzas con el estadstico t de student, cuyo
planteamiento fue el siguiente.
 1 Planteamiento de las hiptesis de prueba
0 : No existe diferencias entre el promedio de la serie histrica y la serie
sinttica
: Existe diferencia entre el promedio de la serie histrica y la serie
sinttica.
2 Nivel de significancia para la prueba

= 0.05 (Nivel significativo)

3 Clculo del comparacin de medias y desviaciones estndar

4 Criterio de decisin
Si la significancia bilateral es menor a 0.05, entonces se rechaza 0 y se acepta ,
caso contrario se acepta 0 y se rechaza la .
Los clculos muestran los siguientes resultados:

Cuadro 15
Prueba de comparacin de medias y desviaciones estndar con la distribucin Normal

Prueba de levene
para la igualdad Prueba t para la igualdad de medias
de varianza

Error tip.
Sig. Diferencia
F Sig T Gl De la
(bilateral) de medias
diferencia

-0,012 98 0,932 -0,054000 3,24662

Normal 0.000 1,000
-0,012 98 0,932 -0,054000 3,24662