HIDROLOGIA ESTOCASTICA

LINSLEY (1975)

ESTADISTICA ALEATORIO

SERIES DE TIEMPO-PARCIALMENTE
HIDROLOGIA
ALEATORIAS
 HIDROLOGIA HIDROLOGIA HIDROLOGIA
DETERMINISTICA PROBABILISTICA ESTOCASTICA

VARIABILIDAD EN EL NO LE INTERESA EL SECUENCIA EN EL

TIEMPO TIEMPO TIEMPO

PROBALIDAD DE UN
OTRAS VARIABLES- EVENTO
MODELO APROPIADO

IGUALADO EXCEDIDO
 PROCESO ESTOCASTICO PROCESO PROBABILISTICO

DEPENDENCIA DEL TIEMPO INDEPENDIENTE

SENTIDO Y BASE PRINCIPAL DE LA HIDROLOGIA ESTOCASTICA

DISEO
SENTIDO

DECISIONES DE TIPO
OPERACIONAL

COMO TRABAJA UNA

DISEO INGENIERO
OBRA

SUPONE QUE LOS EVENTOS EVENTOS

DEL FUTURO MISMAS HIDROLOGICOS
PROPIEDADES ESTOCASTICAS FUTUROS
 BASE PRINCIPAL DE LA HIDROLOGIA
EVENTO EQUIPROBABLES
ESTOCASTICA

PROPIEDADES ESTADISTICAS
SIMILARES

REGISTROS
CICLO ANUAL CONFIABILIDAD
LARGOS
DISEO DE EMBALSES

CAUDALES MINIMOS CICLO MULTIANUAL REGISTROS

CORTOS
 MODELAMIENTO ESTOCASTICO

SALAS (2000)

MODELAMIENTO ESTOCASTICO SAMS STOCHASTIC ANALYSIS

MODELING AND SIMULATION

MODELOS ANUALES MODELOS ESTACIONALES

-Modelo Univariado Autorregresivo de Medias Mviles,
ARMA (p,q);
-Modelo Univariado Autorregresivos Gamma, GAR (1);
-Modelo Multivariado Autorregresivo, MAR (p)
-Modelo Contemporneo Autorregresivo de Medias
Mviles, CARMA
-Modelo Univariado Peridico Autorregresivo de Medias ---
Mviles, PARMA (p,q);
-Modelo Multivariado de Desagregacin Estacional;
-Modelo Multivariado Peridico Autorregresivo, MPAR (p)
-Modelo Multivariado de Desagregacin Estacional.
 MODELAMIENTO ESTOCASTICO

ARMA PARMA

Series tiempo anuales Series tiempo mensuales

Donde la media, varianza, y la estructura de

correlacin no dependen del tiempo. Toma en cuanta correlaciones interestacionales.
Pueden reproducirse por modelo estacionario ARMA. Generalmente se exhiben en series de tiempo
Estandarizando de los promedios de las series hidrolgica como caudales mensuales.
estacionales subyacentes.
 Modelo Estocstico o Modelo de Serie de Tiempo.

PROCESO ESTOCASTICO

Corresponde a una serie en que X1,

Caudales
x2, son variables aleatorias que
Precipitaciones
cambian en el tiempo.

Para el Anlisis Estocstico se Estacionalidad

tienen 2 Hiptesis Heroicidad

Principal finalidad de los Modelos Generacin sinttica

Estocsticos
Distribucin de probabilidad en un instante
La media y la varianza, si existen, no
de tiempo fijo o una posicin fija es la
varan
misma para todos los instantes de tiempo o
a lo largo del tiempo o la posicin.
posiciones

Distribucin de probabilidad

Distribucin de acumulados
Modelo estocstico
 Modelacin estocstica

Estacionareidad: Que las propiedades estadsticas no varen con el tiempo

que el promedio, varianza y covarianza sean iguales para

diferentes subgrupos de la serie histrica.

determinar subconjuntos de la
serie original y comparar
estadsticos
 FASES GENERALES

Segn SALAS ET.AL 1980

De qu manera se har
1. Identificacin de la
la modelacin? modelo
composicin del modelo
Univariado o Multivariado

Analizar las caractersticas

2. Seleccin del Tipo de
estadsticas de la muestra,
Modelo
observar la ACF y la PACF

3. Identificacin de Determinar la cantidad de

la Forma del Modelo parmetros del modelo
 FASES GENERALES

Segn SALAS ET.AL 1980

4. Estimacin de los
> 2Error Estndar
parmetros del modelo.

Verificar Normalidad e Independencia 5. Verificacin de la bondad

de los Residuos de ajuste del modelo.
 FASES GENERALES

Segn BOX ET.AL 1994

1. Realizar transformaciones
a los datos originales.

2. Identificar el Modelo a
utilizar

3. Estimar los parmetros

usando la primera coleccin
de datos o conjunto de
entrenamiento
5. Validar el Modelo usando
una segunda coleccin de
datos o conjunto de
validacin
 FASES GENERALES

En general, la literatura especializada coincide en sugerir 3 etapas bsicas para la modelacin estocstica

1. Identificacin del Modelo

2. Estimacin de Parmetros

3. Verificacin del Modelo

 RESIDUO = RUIDO BLANCO

El residuo corresponde a la diferencia entre el valor

real y el valor estimado:

Se busca que la distribucin de

los residuos siga una

La Incertidumbre de un proceso estocstico

se mide a travs de la varianza del error (o Se busca minimizar
residuo) la varianza del error

CRITERIO DE INFORMACIO AKAIKE

MJOR MODELO MENOR AIC

 PARSIMONIA

Un modelo es parsimonioso, cuando el nmero de parmetros (p+q+d) es el mnimo posible,

que garantiza una baja incertidumbre (varianza del ruido blanco)

Salas et. al, 1980, propone:

Donde: N = tamao muestra

k = nmero de parmetros considerado
 FUNCIN DE AUTOCORRELACIN

En general define la relacin existente entre 2 grupos de variables

Box et. al, 1994, sugiere:

Auto correlacin
de orden k

Box et. al 1994. indica

Para obtener una estimacin til de la funcin de autocorrelacin,

se necesita al menos 50 observaciones de la serie, y las autocorrelaciones
calculadas para k=0,1,2,k, donde k no necesita ser mayor a N/4 para
obtener informacin relevante
Periodicidad en la media y
Desviacin Estndar
Periodicidad: Caractersticas Estadsticas cambian peridicamente por el ao. (Media, Desviacin
Estndar Asimetra)
La atenuacin de la periodicidad debido a factores (almacenamiento de agua, calor de medio
ambiente, etc) producen su dependencia en el tiempo.
Estacin Angasmayo
Caudales Medios Mensuales Histricos Consistenciados
Completados y Extendido
Funcin de AutoCorrelacion
Para representar la estructura de dependencia en el tiempo de la componente
estocstica

La funcin de autocorrelacin es definida como la expresin matemtica que

describe analticamente a las secuencias de valores continuos del coeficiente de
r r
correlacin serial ( t ) valores discretos ( k), y es usada para determinar la
dependencia entre los valores sucesivos de una serie.
 Anlisis de correlacin es definido como la asociacin de dos o ms variables aleatorias en el cual,
solamente una parte de la variacin total de una variable es explicada por la variacin de otras variables
involucradas en la ecuacin de asociacin, a diferencia del anlisis de regresin.

El coeficiente de correlacin (r) como el parmetro que mide el grado de asociacin (o de correlacin)
existente entre las variables consideradas en el modelo, este coeficiente mide la intensidad de asociacin
entre dos caractersticas de un distribucin divariada.
Caractersticas del Coeficiente de
Correlacin
Los coeficientes son nmeros abstractos
El valor de este coeficiente esta -1r1. El signo depende del signo de la suma de productos
Si el coeficiente es positivo, las caracterstica estudiada varia en un mismo sentido, en caso
contrario varan en sentido opuesto.
La relacin es mas estrecha a mas cercano sea a 1, siendo perfecta al alcanzar dichos valores. No
hay relacin si es cero.
r es independiente al tamao de las muestras tomadas.
 El retardo, k, es sinnimo de desfase en el tiempo, pudiendo k ser
igual a 1, 2, 3, etc.
El Correlograma, es una funcion de r y k. El limite de confianza para
un 0.95 de nivel de probabilidad es:

Si r cae dentro de los limites de confianza y es mayor a 0.9 m (m es

el 15% del tamao total de la serie) se considera como independiente
Coeficientes de Correlacin
Correlograma
Retardo 1-3
muestran que la mayora de los 12 puntos
de cada curva se encuentra fuera de las
bandas de los lmites de confianza (menos
de 5 al interior), lo que sera indicativo de
la existencia de la dependencia de la serie
Retardo 4-6
La totalidad de puntos de las curvas se
encuentran al dentro de los lmites de
confianza, y denota la independencia de
la serie, por lo que no es necesario un
modelo de dependencia
Normalidad de las series de caudales
medios mensuales
Consiste en transformar la serie de manera que sea lo mas
simtrica posible, gt 0

Dnde:
Y v,t= Serie de tiempo estacional
= Representa los aos; = 1,,N;
= Estaciones; = 1,,,
= Nmero de estaciones.
Prueba de Normalidad
Si la serie viene de una distribucin normal

N = Tamao muestral
X = La desviacin estndar de la poblacin, y si la
serie es simtrica, implica que X 0, por lo que:

Los lmites de probabilidad en el sesgo estn definidos por la siguiente

expresin
Es el 1-/2 de la distribucin
normal estndar
Transformacin de las Series

Los test de normalidad indiquen que las series observadas no estn normalmente distribuidas, los
datos tienen que ser transformados en normales antes de aplicar los modelos.

Donde a es el coeficiente de transformacin

Estadsticos de las Series
Transformadas
Sean la media, desviacin estndar, coeficientes de asimetra y variacin, mximos y mnimos
Los pasos a seguir para el modelamiento estocstico de las series de caudales
medios mensuales y generacin sinttica con el SAMS, son los siguientes:

1.- Periodicidad en la media y la desviacin estndar;

2.- Funciones de autocorrelacin de las series originales;
3.- Normalidad de las series;
4.- Obtencin de la serie transformada;
5.- Funciones de autocorrelacin;
6.- Modelamiento;
7.- Generacin sinttica.
8.- Prueba de bondad y ajuste.
Modelamiento Aplicacin del modelo PARMA (p, q)

Con esta aplicacin del

SAMS, se obtuvieron por
el Mtodo de Momentos -
los parmetros del modelo
Univariado Peridico
Autorregresivo de Medias
Mviles de orden 1:
PARMA (1,1), para las
estaciones: (1) Chinchi; (2)
Moya; (3) Pachacayo; (4)
Quilln; y (5) Huari.
Se descart la serie
Angasmayo, en tanto la
varianza (por lo menos
una) de los residuos
reporta valores negativos.
La siguiente opcin utilizada de esta aplicacin Fitting del SAMS, fue la Prueba de Bondad de Ajuste (el
modelo ha sido ajustado), la misma que consiste en asegurar como hiptesis la normalidad e
independencia de la serie residual, aplicndose la Prueba de Asimetra para la normalidad, y la Prueba de
Porte Manteau para probar la independencia de los residuales o residuos.
Generacin sinttica
Se generaron con el SAMS - para las cinco estaciones analizadas - series de
caudales sintticos, con el objeto de confirmar la bondad del ajuste al modelo
PARMA (1,1), con la siguiente expresin (5.8):
En base a esta expresin y los parmetros obtenidos se estructuraron las ecuaciones
de generacin para las cinco estaciones, las mismas que se muestran mes a mesen
los, en base a las cuales se generaron, para cada estacin con el SAMS diez series de
caudales medios mensuales, de una longitud de cincuenta aos, cada una.
El procedimiento warm-up puede ser usado nuevamente para generar las secuencias
estacionales de los procesos de v, Y asumiendo que los valores de v, Y antes de la
estacin 1 del ao 1 son iguales a cero y generando secuencias aleatorias no
correlacionadas de v, e como las requeridas de manera similar como en el modelo
ARMA (p, q). El perodo warm-up toma 50 aos.
 Prueba de bondad y ajuste

Prueba de bondad del ajuste del modelo PARMA (1, 1)

Con el objeto de probar la bondad del ajuste de la series sintticas generadas con SAMS - para las
cinco estaciones, y en base al modelo PARMA (1, 1), se efectuaron las
pruebas estadsticas de t de Student y F de Fisher, para los promedios mensuales de la media y la
desviacin estndar de las series histricas y generadas, respectivamente.
Ver Cuadros N 5.69 a 5.73, en los que se aprecia que con excepcin de la serie Chinchi, en la que las
desviaciones estndar para los meses junio, julio y agosto son estadsticamente no homogneas, por la
cual se a descarta.
En las otras cuatro estaciones: Moya, Pachacayo, Quilln y Huari, se prob la bondad de ajuste del
modelo PARMA (1,1), para la generacin sinttica de caudales.