Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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.
1.3.1. General
YEVJEVICH, V. (1972). Op. Cit., las secuencias hidrolgicas son de los siguientes tipos:
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
= + ( + )
=
1
2
= ( )
1= =
y () = (, , , )
Donde:
: Media de (parmetro)
() : Densidad de probabilidad de
t : Tiempo en aos
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
= (5)
1
=1 + ( )(
1 + )
() =1
() = 1 1 2 1 2 1
(6)
[ 2 2
=1 () (=1 ) ] 2 [=1 + () (=1 + ) ] 2
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.
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 = 1 (8)
1 1
= (9)
(12 )1/2
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 (12 )
1 = (11)
112
2 12
2 = (12)
112
1 1 2 2
= (13)
[1 12 12 21 2 ]1/2
El cual viene a ser una serie independiente.
= 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 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
=
=1 1 (19)
= 1 (20)
= 1 1
+ 2 2 (21)
= 1 1
+ 2 2
+ 3 3 (22)
Distribucin Normal.
1 1
() = [ ( )2 ] (24)
2 2 2
Dnde:
: 3.14159
1
=
=1 (25)
1 1/2
= [ 2
=1( ) ] (26)
1 1
() = [ 22 ( )2 ] (27)
2
2
1 (() )
() = () [ ] (28)
2 2
Dnde:
() : Funcin de densidad
1 ( ) 2
() = [ ] (29)
2 22
Dnde:
0
: Parmetro de posicin lmite inferior
: Parmetro de forma
1 1 ( ) 2
() = 0 [ ] (30)
2 22
Estimacin de parmetros:
1
=
=1 ( ) (31)
1/2
( ) 2
= [ ( ) ] (32)
1 ( )
=1 ( (2 ) +
=1 = 0 (33)
) ( )
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.
Donde:
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:
= ( ) ( ) + (36)
Donde:
a: Es el lmite inferior.
b: Es el lmite superior.
= + ( ) (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:
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.
= +
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:
Grafico 1
Descargas hidrolgicas medias anuales, Rio Coata 1967-2016
4.2.Modelamiento estocstico:
Cuadro 2
Estadsticos descriptivos de la serie histrica Rio Coata
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.
Cuadro 3
Componente estocstica estandarizada de la serie Histrica
Cuadro 4
Coeficientes de autocorrelacin de la componente estocstica
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
= 0.0331 + 0.999444286
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).
Cuadro 7
Lmite de Confianza
MARKOV MARKOV MARKOV 95%
K ( )
I II III
LCS LCI
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
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
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
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
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
Cuadro 9
Cuadro 11
Lmite de Confianza
MARKOV MARKOV MARKOV 95%
K ( )
I II III
LCS LCI
-0.2
-0.3
-0.4
-0.5
Desfase k
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
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
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
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).
Cuadro 14
Parmetro de la Distribucin Normal
Cuadro 15
Parmetro de la Distribucin Log-Normal 3 parmetros
C
N Mnimo Mximo Media Desv. tip
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.
= +
= +
=1
= 1 1 + 2 2 + [1 12 22 21 2 1 ]1/2
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.
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