TESIS_GILBER
-
Upload
gilber-gonzales-lizarme -
Category
Documents
-
view
195 -
download
7
Transcript of TESIS_GILBER
I. INTRODUCCIÓN.
1.1 GENERALIDADES.
Uno de los aspectos esénciales en el planeamiento, diseño y operación de los recursos
hidráulicos es el conocimiento de la variabilidad de los eventos hidrológicos, tales como
lluvias, caudales, niveles de embalse, etc., son eventos estocásticos porque, de un lado tienen
un patrón medio (componente determinística) de comportamiento a largo plazo, y por el otro
el pronóstico de sus magnitudes en un momento dado tiene un menor o mayor grado de
incertidumbre (componente aleatoria), Villón [27]. Es así que el modelamiento estocástico
de series hidrológicas trata de lograr una representación matemática para poder expresar su
variabilidad de estos eventos.
El modelamiento estocástico de series hidrológicas tales como caudales, ha logrado
producir series sintéticas que dependen de los parámetros estadísticos de las series originales
o llamadas series históricas. Es así que la generación de series sintéticas, ha logrado
solucionar el problema de la falta y escasez de datos de las series hidrológicas originales.
Las series sintéticas generadas a partir de las series originales antes de ser aplicadas en
el planeamiento, diseño y operación de los recursos hidráulicos; tienen que ser verificadas
con pruebas estadísticas que validen sus parámetros estadísticos. Estas pruebas de validación
consisten en verificar que las series sintéticas generadas de un modelo estocástico, sean
estadísticamente iguales a las series originales; con una probabilidad de confianza
significativa.
1.2 JUSTIFICACION.
Se justifica la realización del presente trabajo porque promueve y profundiza el
conocimiento de la generación sintética de series hidrológicas, en especial de los datos
hidrométricos; con la finalidad de utilizar estas series como alternativa en los diseños de
estructuras hidráulicas y a la vez contribuir a la solución de problemas generados por las
series hidrológicas históricas que algunas veces son incompletas y escasas, lo cual constituye
una de las herramientas básicas para la planificación y operación de sistemas de recursos de
aguas en general.
1
Mayormente en nuestro país se ha aplicado la técnica estocástica empleando modelos
autorregresivos de primer, segundo y tercer orden o también llamados modelos
Markovianos; pero se ha visto que la inclusión de una componente media móvil hace
disminuir notoriamente el número de parámetros, encontrando de esta forma modelos más
parsimoniosos (simplificados), simples y más manejables. La aplicación de esta técnica de
generación estocástica para generar caudales será contrastada con pruebas estadísticas que
validen los resultados sintéticos de caudales generados, con los caudales originales.
1.3 OBJETIVOS.
Los objetivos de la presente tesis son:
Generar caudales sintéticos mensuales mediante el modelo
estocástico ARMA (Autoregressive-Moving Average - Autorregresivo con Media
Móvil).
Generar series de caudales empleando el modelo calibrado,
verificando la bondad de los valores generados en la producción de las
características estadísticas de la serie histórica.
Validar los caudales sintéticos generados por el modelo ARMA
con los caudales históricos de los ríos de la cuenca del Río Santa, a través de
pruebas estadísticas.
2
II. REVISION BIBLIOGRAFICA
2.1 ANALISIS DE CONSISTENCIA DE DATOS HIDROLOGICOS.
La inconsistencia de una serie de tiempo hidrológica, está dada por la producción de
errores sistemáticos (déficit en la toma de datos, cambio de estación de registro o cambio de
ubicación de la estación hidrométrica, etc.); y la no homogeneidad es una serie de tiempo
hidrológica, se debe a factores humanos (tala indiscriminada de una cuenca, construcción de
estructuras hidráulicas, etc.) o a factores naturales de gran significancia como los desastres
naturales. Esta inconsistencia y no homogeneidad se manifiesta con la presencia de saltos y/o
tendencias en las series, afectando las características estadísticas de dichas series, tales como
la media, desviación estándar y correlación serial. Villón [27].
2.1.1 ANALISIS DE SALTOS.
Los saltos son formas determinísticas transitorias que permiten a una serie hidrológica
periódica o no periódica pasar desde un estado a otro, como respuesta a cambios hechos por
el hombre debido al continuo desarrollo de los recursos hídricos en la cuenca o a cambios
naturales que pueden ocurrir. Aliaga [3], ejemplo: deficiencia y error en la toma de datos de
las estaciones hidrométricas, cambio de la ubicación de la estación, cambio en la posición de
la instrumentación de recopilación de datos.
1. IDENTIFICACIÓN.
La identificación del salto tiene por objeto detectar la presencia del mismo y
evaluar la causa que puede ser por errores naturales u ocasionados por la intervención de
la mano del hombre. La identificación se realiza mediante la combinación de los
siguientes criterios:
i. Análisis Visual de la Serie Histórica.
3
Esta fase consiste en analizar visualmente la distribución temporal de toda la
información, mediante el análisis visual de la serie histórica es posible detectar
regularidades como irregularidad de los mismos. Se debe aclarar que este análisis es
únicamente con fines de identificación de las posibles inconsistencias, las mismas que
deberán ser evaluadas estadísticamente mediante el test respectivo. Aguirre [1].
ii. Análisis Doble Masa.
Este análisis se utiliza para tener una cierta confiabilidad en la información, así
como también, para realizar la consistencia en lo relacionado a errores, que pueden
producirse durante la obtención de los mismos; y no para corrección a partir de la recta
doble masa. Villón [27].
Para construir el patrón se convierten los caudales en magnitudes que sean
comparables (gastos por unidad de área, escorrentía en mm o en porcentaje del gasto
medio). Chereque [7].
Un quiebre de la recta de doble masa o un cambio de pendiente, puede o no ser
significativo, ya que si dicho cambio está dentro de los límites de confianza de la
variación de la recta para un nivel de probabilidades dado, entonces el salto no es
significativo, el mismo que se comprobará mediante la prueba estadístico. Chereque [7].
2. EVALUACION Y CUANTIFICACION.
La evaluación y cuantificación de los errores detectados en la forma de saltos, se
realiza mediante un análisis estadístico; vale decir un proceso de inferencia estadística
para las medias y desviación estándar de ambos períodos identificados en la fase
anterior.
i. Consistencia en la Media.
Este análisis consiste en probar, mediante la prueba t (prueba de hipótesis), si los
valores medios de las sub muestras, son estadísticamente iguales y diferentes con una
probabilidad del 95% de confiabilidad o con 5% de nivel de significación. Villón [27].
Media de los períodos 1 y 2 respectivamente.
Desviación estándar de los períodos 1 y 2 respectivamente
, tamaño de la muestra.
Determinación de t calculada según: …(2.1)
Donde:
4
, por hipótesis.
Quedando: … (2.2)
Desviación de las diferencias de los promedios: … (2.3)
Desviación estándar ponderada: …(2.4)
Comparación del t calculado (tc) con el t tabular (tt) con n1 + n2 -2 grados de libertad.
Si , resultara diferente se debe corregir.
ii. Consistencia en la Desviación Estándar.
Consiste en probar, mediante la prueba F (prueba de hipótesis), si los valores de
las desviaciones estándar de la submuestras son estadísticamente iguales o diferentes con
una probabilidad del 95% de confiabilidad o con 5% de nivel de significación. Villón
[27].
Los F calculado (Fc) se calcula de la siguiente forma:
…(2.5)
… (2.6)
Comparación del Fc con el F tabular (Ft) con los siguientes grado de libertad:
Grado de libertad del numerador = (n1-1)
Grado de libertad del denominador = (n2-1)
Si:
Grado de libertad del numerador = (n2-1)
Grado de libertad del denominador = (n1-1)
Si:
3. CORRECCION DE DATOS.
En los casos en que los parámetros media y desviación estándar de las sub
muestras de series de tiempo, resultan estadísticamente iguales, la información no se
5
corrige, por ser consistente; aun cuando se observen quiebres en el doble masa. En caso
contrario, se corrige los valores con la siguiente ecuación: Villón [27].
…(2.7)
…(2.8)
Donde:
= valor corregido de saltos.
Xt = valor a ser corregido.
La ecuación 2.7, se utiliza cuando se deben corregir los valores de la submuestra
de tamaño n1, y la ecuación 2.7, si se deben corregir la submuestra de tamaño n2.
2.1.2 ANALISIS DE TENDENCIA.
Las tendencias son componentes determinísticas transitorias que se definen como un
cambio sistemático y continuo sobre una muestra de información hidrometeorológica en
cualquier parámetro de la misma, que afecta las distribuciones y dependencias de las series.
Aliaga [2]. Ejemplos: deforestación o reforestación de árboles en una cuenca., construcción
de estructuras hidráulicas de regulación en las cabeceras de las cuencas, construcción de
canales, ampliación de áreas de cultivo. Antes de realizar el análisis de tendencia, se realiza
el análisis de saltos con series libres de saltos.
1. IDENTIFICACION.
Tiene por objetivo identificar los períodos que presentan tendencias, para la
identificación se procede con:
i. Análisis Visual de la Serie Histórica.
Obtenido la serie libre de saltos, se procede a identificar los posibles períodos con
tendencias.
2. EVALUACION Y CUANTIFICACION.
La evaluación y cuantificación de los errores detectados en la forma de
tendencia, se realiza mediante un análisis estadístico: vale decir un proceso de inferencia
estadística para las medias y desviación estándar del período identificado en la fase
anterior. Villón [27].
6
i. Tendencia en la Media.
La tendencia en la media Tm, puede ser expresada en forma particular por la ecuación
de regresión lineal simple:
…(2.9)
Donde:
t = tiempo en años, tomado como la variable independiente de la tendencia.
t= 1, 2, 3, …, n
Tm = tendencia en la media
Am, Bm = coeficiente de la ecuación a ser estimados.
Para averiguar si la tendencia es significativa, se analiza el coeficiente de correlación R
con el estadístico tc calculado:
…(2.10)
Donde:
tc= valor del estadístico t calculado.
n= numero total de datos.
R= coeficiente de correlación.
Comparación del tc con el t tabular (tt) con (n-2) grados de libertad.
ii. Tendencia en la Desviación Estándar.
La tendencia en la desviación estándar Ts, se expresa en forma particular por la
ecuación de regresión lineal simple:
…(2.11)
Donde:
t = tiempo en años, tomado como la variable independiente de la tendencia.
t= 1, 2, 3, … , n
Ts = tendencia en la desviación estándar, que es el valor corregido de tendencia en
la media.
As , Bs = coeficiente de la ecuación a ser estimados.
Para calcular y probar si la tendencia en la desviación es significativa se calcula la
desviación estándar de cada año, y luego, se calcula los parámetros de la ecuación de
regresión 2.10; luego se realiza la evaluación de Ts siguiendo el mismo proceso descrito
para Tm. Villón [27].
7
3. CORRECCION DE DATOS.
Si la prueba R resulta significativo, la tendencia en la desviación estándar es
significativa, por lo que se debe eliminar de la serie, aplicando la siguiente ecuación:
…(2.12)
Donde:
Zt = serie sin tendencia en la media ni en la desviación estándar. Las demás
variables han sido definidas anteriormente.
Para que el proceso preservando la media y la desviación estándar constante, la
ecuación toma la forma:
…(2.13)
Donde:
: son los promedios de la tendencia en la desviación y media
respectivamente.
La serie Zt es una serie homogénea y consistente al 95% de probabilidad.
2.2 COMPLETACION DE DATOS.
La extensión de información, es el proceso de transferencia de información desde una
estación con largo registro a otra con corto registro. La completación de datos, es el proceso
por el cual se llenan huecos que existen en un registro de datos. La completación es un caso
particular de la extensión. La extensión de datos, es más importante que la completación, por
cuanto modifican sustancialmente a los estimadores de los parámetros poblacionales.
El proceso de completación y/o extensión de datos se realiza en las series consistentes,
vale decir, después de haber analizado la confiabilidad de los mismos. Aliaga [2].
2.2.1 TECNICAS DE COMPLETACION DE DATOS.
Las técnicas que se utiliza para la completación, en orden de prioridades son:
Regresión lineal simple, entre estas:
o Correlación cruzada entre dos o más estaciones.
o Autocorrelación.
Relleno con criterios prácticos: promedio simple, razones normales,
proporciones)
8
Completación mediante métodos numéricos (generación de números aleatorios).
2.3 MODELOS MATEMÁTICOS DE SERIES DE TIEMPO.
Un modelo de serie de tiempo tiene una estructura matemática y un conjunto de
parámetros, y es representado por una función de distribución de probabilidades única. Salas
de la Cruz et al. [20].
Se tienen diversas definiciones de modelos matemáticos en series de tiempo o de
modelos de simulación hidrológica, tales como:
Según Chow un modelo matemático es una formulación matemática que simula un
fenómeno hidrológico, el cual es considerado como un proceso o como un sistema.
Según Clarke un modelo matemático es una representación simplificada de un
sistema complejo, en el cual, el comportamiento del sistema está representado por
una serie de ecuaciones y sentencias lógicas que expresan relaciones entre variables
y parámetros.
Para Haan la modelación hidrológica es una colección de leyes físicas y
observaciones que están escritas en términos matemáticos y se combinan de forma
tal que producen una serie de resultados (salidas) basadas en una serie de
condiciones asumidas y/o conocidas (entradas).
2.3.1 PROCESOS ESTOCÁSTICOS.
Los procesos estocásticos, representados por modelos, son abstracciones matemáticas
de un proceso físico real, cuyo desarrollo es gobernado por leyes probabilísticas. Los
procesos hidrológicos pueden ser caracterizados como procesos estacionarios o una
combinación de procesos determinísticos y estocásticos. Yevjevich [30].
En los procesos estocásticos se observa una cierta estructura de dependencia en el
tiempo a diferencia de un proceso probabilístico, donde los eventos son independientes. Box
et al [5].
Si la causa de ocurrencia de las variables es tomada en cuenta y el concepto de
probabilidad se introduce en la formulación del modelo, el proceso y su modelo son descritos
como estocásticos. En otras palabras, si es que se toma en cuenta la secuencia cronológica de
las variables y si estas variables están asociadas a una distribución de probabilidad, entonces
su proceso es llamado estocástico. Chow [8].
Según Yevjevich [30], un proceso estocástico aplicado a recursos de agua, tiene tres
componentes fundamentales:
9
Componente periódica o determinística, como la media, la desviación estándar,
y covarianza principalmente.
Componente de estructura dependiente, en donde la dependencia de un dato con
respecto a los datos previos se da en forma sucesiva.
Componente aleatoria, que es descrita en términos de su distribución de
probabilidad.
El proceso estocástico puede ser analizado en el tiempo por la función de
autocorrelación representada por el correlograma. Chereque [7].
2.3.2 PROCESOS ESTACIONARIOS.
Si durante un proceso estocástico al ser removida la componente periódica se observa
que no hay cambio sistemático en la media y varianza; se dice, entonces que esta nueva serie
removida es estacionaria. Chatfield [6].
Para Sadeh [17], la estacionariedad es importante en series hidrológicas por dos
razones principales: una porque las técnicas matemáticas para el análisis de estas series están
bien desarrolladas, y otra porque la mayoría de las componentes estocásticas de las series
hidrológicas pueden ser consideradas estacionarias una vez que la parte determinística ha
sido definida, sus parámetros estimados y removidos desde la serie.
En conclusión, una serie es estacionaria cuando las propiedades de la serie no cambian
en el tiempo (Tiempo invariante), caso contrario son no estacionarias (tiempo variante).
Aliaga [3].
2.4 ANÁLISIS UNIVARIADO DE SERIES DE TIEMPO.
Un modelo de serie de tiempo puede ser escrito como:
…(2.14)
Donde:
xt : es la serie normal con media μ y varianza σ2
zt : es normal estandarizada con media cero y varianza unitaria
z1, z2, … : son independientes.
Si los parámetros μ y σ son constantes, el modelo es estacionario. La estructura del
modelo es simple ya que la variable xt es una función solamente de la variable independiente
zt y así xt es también independiente, este es el caso de algunas series de precipitación y
caudales anuales. Salas de la Cruz et al. [20].
Un modelo de serie de tiempo con estructura puede ser:
10
…(2.15)
Donde:
zt-1 : es una serie independiente
Ø1 : es el parámetro del modelo.
εt : es una serie normal e independiente con media cero y varianza (1-Ø12).
Ejemplo de εt para modelo AR de primer orden, , ξt es la
componente estocástica independiente. Según Aliaga [3].
En la ecuación 2.15 zt es una serie dependiente porque además de ser una función de εt
es una función de la misma variable z en el tiempo t-1. Si zt de la ecuación 2.15 es
representada por el modelo dependiente de la ecuación 2.14 entonces xt resultan en un
modelo dependiente. En este caso los parámetros del modelo de xt serían μ, σ y Ø1 . Esta
forma de representación se emplea para series con intervalos dentro del año como series
trimestrales, mensuales, semanales, diarias. Salas de la Cruz et al. [20].
Desde que los parámetros de la ecuación de serie de tiempo 2.14 son constantes, el
modelo es estacionario, representando series de tiempo estacionarias o procesos estocásticos
estacionarios. Modelos no estacionarios resultan, sí tales parámetros varían con el tiempo.
2.4.1 FUNCIÓN DE AUTOCORRELACIÓN (FA)
La función de autocovarianza mide el grado de autodependencia lineal de una serie de
tiempo. La autocovarianza ck de retardo k entre xt y xt+k puede determinarse por:
,0 ≤ k ≤ N …(2.16)
Donde:
: Media muestral
k : Representa el tiempo de retardo (o distancia) entre el par correlacionado (xt,
xt+k).
N : Es el tamaño muestral.
Para el caso particular de k=0, co resulta ser la varianza s2. La autocovarianza muestral
ck es un estimado de la función de autocovarianza poblacional γk..
Una medida adimensional de dependencia lineal se obtiene dividiendo ck por co. Tal
operación resulta:
11
…(2.17)
Donde:
rk :es llamado coeficiente de autocorrelación de retardo k, coeficiente de correlación serial o función de autocorrelación (FA).
Al ploteo de rk versus k se le denomina correlograma. El coeficiente de autocorrelación
muestral rk es un estimado del coeficiente poblacional ρk. La medida más simple usada para
expresar la dependencia en el tiempo es el primer coeficiente de correlación serial r1 o ρ1
para la muestra o la población respectiva.
Un estimado alternativo de la FA ρk es: según Salas De la Cruz et al. [20]
…(2.18)
Donde:
: Media muestral
k : Representa el tiempo de retardo entre el par correlacionado (xt, xt+k).
N : Es el tamaño muestral.
: Es la media de los primeros N-k valores x1, … xN-k
: Es la media de los últimos N-k valores xk+1, … xN.
Las ecuaciones 2.17 y 2.18 dan rk=1 para k=0, por tanto el correlograma empieza con
la unidad en el origen, y -1≤ rk ≤ 1.
En una serie independiente los valores de los puntos rk en el correlograma poblacional
es igual a cero para k<>0 ; Sin embargo, muestras de series de tiempo independientes tienen
a rk fluctuando alrededor de cero debido a la variabilidad muestral, pero ellos no son
necesariamente iguales a cero. Por tal motivo, es útil determinar límites de probabilidad para
el correlograma de una serie independiente, Anderson da los siguientes límites.
, para 95% …(2.19)
, para 99% …(2.20)
Con N como tamaño muestral.
Un modelo AR de serie de tiempo puede ser representado de la siguiente forma, según
Fiering and Jackson según Salas de la Cruz et al. [20]:
12
…(2.21)
La FA ρk de la variable yt se obtiene multiplicando ambos miembros de la ecuación
(2.21) por yt-k , tomando esperanza matemática término a término. Esto permite plantear la
ecuación:
Que resulta en: , k>0 En general
, k>0 …(2.22)
La cual se debe a Yule (1927) y Walker (1931), según Salas de la Cruz et al. [20]. Esta
ecuación es comúnmente usada para estimar los parámetros del modelo por el método de
momentos, así como para determinar el correlograma ρk para un conjunto dado de
parámetros øj, j=1…p. Es importante conocer la forma que adopta ρk para un modelo dado
porque servirá para identificar su orden en una serie de tiempo, así como para comparar el
correlograma muestral con el correlograma típico del modelo. Salas de la Cruz et al. [20].
En el capitulo III de Materiales y Métodos, se indica la obtención de la función de
autocorrelación con un ejemplo que se aplicó a las series, de las estaciones analizadas.
2.4.2 FUNCIÓN DE AUTOCORRELACIÓN PARCIAL (FAP)
La función de autocorrelación parcial (FAP) o correlograma parcial es otra forma de
representar la estructura de dependencia en el tiempo de una serie o de un modelo dado. Es
útil para ayudar a identificar el tipo y orden del modelo cuando se investiga una serie de
tiempo muestral. Salas de la Cruz et al. [20].
Si se denota por øj(k) el coeficiente autorregresivo de un modelo AR(k), tal que øk(k)
es el último coeficiente, entonces la ecuación 2.22 resulta:
…(2.23)
Para: j=1, …, k
La función de autocorrelación parcial øk(k) se calcula resolviendo sucesivamente la
ecuación 2.22 para cada k=1,2,…
En general, se demuestra que para un modelo AR (p) la ecuación (2.23) da:
øk(k)<>0 , k ≤ p
øk(k)=0 , k > p …(2.24)
13
En el capitulo III de Materiales y Métodos, se indica la obtención de la función de
autocorrelación parcial con un ejemplo que se aplicó a las series de estaciones analizadas.
2.4.3 MODELAMIENTO ESTOCÁSTICO DE SERIES HIDROLÓGICAS
Se denomina modelo estocástico o modelo de serie de tiempo en hidrología al modelo
matemático que representa a un proceso estocástico. Aliaga [4].
Las técnicas y procedimientos para estimar los modelos y sus parámetros desde los
datos disponibles se denominan “modelamiento estocástico” de series hidrológicas o
modelamiento de series de tiempo, lo cual constituye una de las herramientas básicas para la
planificación y operación de sistemas de recursos de aguas en general. Salas de la Cruz [19].
Las series hidrológicas disponibles constituyen sólo una realización finita de todas las
posibles realizaciones de la población, vale decir, solo se dispone de una muestra a partir de
la cual se trata de obtener un conocimiento de la población mediante el proceso de inferencia
estadística. Aliaga [4].
Los modelos estocásticos son construidos para reproducir o semejar las características
estadísticas de las series hidrológicas históricas, en el sentido estadístico. Esto trae consigo la
pregunta ¿cuáles son las características a ser reproducidas por el modelo y cómo deben ser
interpretadas o entendidas?.
Desgraciadamente las características estadísticas de las series poblacionales nunca son
conocidas, porque sólo se estiman las características sobre una muestra finita, y segundo, por
la definición e interpretación de las características estadísticas derivadas de la muestra, que
puede ser: La media, desviación estándar, coeficiente de autocorrelación, simetría,
normalidad.
Una aproximación sistemática del proceso de modelamiento estocástico de series
hidrológicas, presentada según Salas [19], está constituida por 6 fases principales, que son:
Identificación de la Composición del Modelo, esta fase consiste en decidir si el
modelo sería univariado, multivariado o una combinación de ambos, o usar un
modelo de flujos anuales y luego uno de desagregación para obtener descargas
mensuales, lo cual depende del sistema de recursos de agua, de las características de
las series hidrológicas, del modelo empleado, y de la experiencia del modelador.
Selección del tipo de Modelo, una vez identificada la composición, entonces se
puede seleccionar el tipo de modelo a usarse, así pueden aplicarse modelos
autorregresivos AR, con media móvil ARMA, o autorregresivos con media móvil
integrado ARIMA, Broken-line (línea rota) para preservar explícitamente el
14
fenómeno de Hurst o cualquier otro de acuerdo a las características del proceso
físico y de la serie hidrológica.
Identificación de la Forma del Modelo, se refiere a la determinación del orden del
modelo seleccionado, que depende principalmente de las características de las series
hidrológicas en el tiempo. Así por ejemplo para series de descargas no anuales
utilizando modelos autorregresivos, pueden identificarse modelos de primer,
segundo o tercer orden, pudiendo ser de parámetros constantes o periódicos.
Estimación de los Parámetros del Modelo, consiste en estimar los parámetros del
modelo desde la serie de datos históricos utilizando los métodos más comunes y
disponibles como el método de momentos y el de máxima verosimilitud.
Bondad de Ajuste del Modelo, las hipótesis del modelamiento de series
hidrológicas establecen que la componente residual es una serie independiente y
normalmente distribuida. Se efectúa la prueba del correlograma de la serie residual
para probar la independencia y se dispone de otras pruebas para verificar la
normalidad.
Evaluación de la Incertidumbre, establecido el modelo de generación sintética, se
generan series artificiales con la condición de que se mantengan las propiedades de
las series históricas, esta evaluación de incertidumbre del modelo se realiza
probando diferencias significativas entre las características estadísticas de las series
generadas y las características de las series muéstrales históricas.
2.5 MODELO AUTORREGRESIVO MEDIA MÓVIL ARMA.
2.5.1 DESCRIPCIÓN DEL MODELO ARMA.
Los modelos autorregresivos han sido satisfactoriamente aplicados en el modelamiento
de series de tiempo hidrológicas. Los bajos flujos en estaciones secas resultan principalmente
de aporte subterráneo. Estos tienen relativamente poca variación. Durante la recesión, los
flujos en un tiempo particular son una fracción de flujo del tiempo previo, pudiendo ser
representado por un esquema autorregresivo. Los flujos altos están formados principalmente
por grandes precipitaciones o deshielos, o ambos. Este comportamiento mixto puede ser
modelado adicionando una componente media móvil (MA) a una componente autorregresiva
(AR). Más específicamente, considerando la descarga superficial y el aporte subterráneo para
una escala de tiempo anual, y usando la ecuación de balance de masa para el
almacenamiento subterráneo, la descarga anual puede representarse por un proceso mixto
autorregresivo y media móvil (ARMA). Cabe indicar que los modelos ARMA pueden contar
15
con menor número de parámetros que los estimados para un modelo autorregresivo de alto
orden.
2.5.2 FORMULACIÓN MATEMÁTICA DEL MODELO ARMA.
Se asume que la serie hidrológica a ser modelada por un proceso ARMA es
estacionaria y aproximadamente normal. De no ser así, deben realizarse transformaciones
apropiadas a la variable original. Consideremos la serie de tiempo hidrológica yt, yt+1, yt+2, …
igualmente espaciadas en el tiempo t, t+1, t+2, … la desviación desde la media (µt) será:
…(2.25)
La serie puede representarse como la suma infinita de variables aleatorias
independientes εt, εt-1, εt-2, …y coeficientes ψ1 , ψ2 , ψ3 , …
Ut = εt + ψ1εt-1 + ψ2εt-2 + … …(2.26)
Si hacemos Ut dependiente solamente de un número finito “q” de variables aleatorias
previas εt , entonces resulta un “proceso media móvil” (MA) de orden “q”, que puede ser
escrito
como:
Ut = εt - θ1εt-1 - θ2εt-2 - … - θqεt-q …(2.27)
Usualmente llamado modelo MA (q). Este también puede ser escrito como:
…(2.28)
ó
…(2.29)
Con la convención θ0 = -1. Los parámetros del modelo son la media, μ , la varianza σε2
de la variable independiente εt y los coeficientes θ1, θ2, …, θq, para un total de “q+2”
parámetros deben estimarse desde los datos.
Combinando un modelo autorregresivo de orden “p” y un modelo media móvil de
orden “q” obtenemos el modelo autorregresivo-media móvil (ARMA) de orden (p,q),
definido por:
Ut = ø1Ut-1 + … + øp Ut-p + εt - θ1εt-1 - … - θqεt-q …(2.30)
Que puede ser expresado como:
…(2.31)
Con la convención θ0 = -1. Los parámetros del modelo son: μ, σε2, ø1, … øp, θ1, …, θq,
debe evaluarse un total de “p + q + 2” parámetros desde los datos. El modelo autorregresivo
y media móvil de orden “p” y “q” es usualmente llamado el modelo ARMA (p,q).
16
2.5.3 PROPIEDADES GENERALES DEL MODELO ARMA (p,q).
Las propiedades generales del proceso ARMA (p,q) se dan en términos de la
covarianza cruzada entre U y ε:
Diferente de cero para k≤0 y cero en otros casos, por ser U dependiente solo de valores
εt previos. Con la convención θ0 = -1, formulando el producto Ut.Ut-k y tomando esperanza
término por término, la autocovarianza del proceso ARMA (p,q) está dada por:
…(2.32)
Para k = 0, la varianza es:
…(2.33)
y la función de autocorrelación es:
, k ≥ q + 1 …(2.34)
La función de autocorrelación parcial øk(k) se obtiene ajustando a la serie dando
procesos AR de ordenes k = 1, 2, …
Ut = ø1(k) Ut-1 + ø2(k) Ut-2 + … + øj(k) Ut-j + … + øk(k) Ut-k …(2.35)
Donde:
øk(k): función de autocorrelación parcial
El ploteo de øk(k) versus k da la función de autocorrelación parcial muestral (FAP), la
FAP se origina de la ecuación 2.22 de Yule-Walker.
Entonces, para un proceso autorregresivo de orden “p”, la función de autocorrelación
øk(k) se interrumpe en el retardo “p”. Un proceso media móvil es equivalente a un modelo
autorregresivo de orden infinito, teniendo una función de autocorrelación parcial infinita en
extensión y que se atenúa como una combinación de ondas suaves y/o decaimiento
exponencial. Para un proceso combinado de FA y la FAP se atenúa como ondas suaves o
decaimiento exponencial.
2.5.4 MODELAMIENTO ARMA(p,q) DE SERIES DE TIEMPO PERIODICAS
Las series hidrológicas periódicas de tiempo son aquellas para los cuales el intervalo
de tiempo son menores a un año. Por ejemplo series estacionales, mensuales, semanales o
diarias son series periódicas, ya sea con algunas o todas sus características estadísticas que
17
son variantes en tiempos periódicos fijos. La estructura de correlación de las series
periódicas puede ser el resultado de un proceso ARMA (p,q) con algunas constantes o
coeficientes periódicos. Salas De La Cruz et al. [20].
1. MODELO PERIODICO ARMA (p,q).
Consideremos la serie periódica original , donde υ, es denotado por los
años, τ= 1, 2, 3, …, y es el numero de intervalos de los años (12 meses).
Asumiendo esto como una distribución de series sesgadas, una apropiada
transformación debe ser usada para transformar las series a series normales .
Entonces el modelo periódico ARMA (p,q) para puede ser escrito como:
…(2.36)
Donde:
: es la media mensual del mes τ (media periódica).
: es la desviación estándar del mes τ (desviación estándar periódica).
: es representado por un modelo ARMA (p,q) con coeficientes constantes o
con variables en el tiempo (periódico).
El modelo ARMA (p,q) con coeficientes constantes, según Salas de la Cruz et al. [20]; se
representa por.
…(2.37)
Donde:
, y son los coeficientes del modelo
: es la variable normal independiente.
Tao y Delleur (1976), según Salas et al. [20]; usaron el modelo ARMA (p,q) con
coeficientes variables de tiempo como:
…
(2.38)
Donde:
: Parámetros autorregresivos.
: Parámetros media móvil.
: es una variable aleatoria independiente con una distribución normal.
18
Reemplazando la ecuación 2.38 en 2.36, se tiene el modelo periódico ARMA
(p,q) con la media de datos, desviación estándar, componente autorregresiva,
componente media móvil y variable aleatoria independiente.
…(2.39)
2. LA ESTIMACION DE PARAMETROS DE LOS MODELOS PERIODICOS
ARMA(p,q)
Si , representa una serie hidrológica periódica, tal como se ha definido
anteriormente, donde:
υ = 1, …, N
τ = 1, …,
N : es el número total de años.
: es el número total de intervalos dentro del año (12 meses)
Antes de estimarse los parámetros del modelo dados en las ecuaciones 2.36 y
2.37, las series deben ser transformadas a series normales con las siguientes
transformaciones. Salas de la Cruz et al. [20].
i. Normalización de Series Periódicas de Tiempo.
En caso donde las series observadas no están normalmente distribuidas, los datos tienen
que ser transformados en normales antes de ser aplicado el modelamiento.
Para normalizar los datos se disponen de las siguientes transformaciones: según Salas
et al. [21].
La transformación Logarítmica: …(2.39)
La transformación exponencial: …(2.40)
La transformación Box-Cox: …(2.41)
Donde:
Y : es la serie hidrológica normalizada.
19
Modelo Periódico
Media Periódica
Variable aleatoria independiente
Componente Media Móvil
Desviación estándar Periódica
Componente Autorregresiva
X : es la serie hidrológica original observada
a y b : son los coeficientes de la transformación.
Las variables Y e X pueden representar los datos anuales o estacionales. Para los
datos estacionales a y b pueden escogerse para variar con la estación.
En el capitulo III de Materiales y Métodos, se tiene un ejemplo para la
normalización de series analizadas.
ii. Eliminación de la Periodicidad dentro del Año.
Los datos normalizados pueden luego ser estandarizados substrayendo la
media y dividiendo por la desviación estándar (opción). Por ejemplo, para las series
estacionales, la estandarización puede expresarse como:
…(2.42)
Donde:
: es la serie estandarizada.
y : es la media y la desviación estándar de las series transformadas a
normal para el mes dado .
Luego el modelo estocástico puede ser adaptado a las series estandarizadas .
Salas de la Cruz et al. [21].
En el capitulo III de Materiales y Métodos, se tiene un ejemplo para la
estandarización de series analizadas.
3. IDENTIFICACIÓN Y SELECCIÓN DEL MODELO.
Los instrumentos para la identificación del modelo son la muestra visual de la
serie original, el comportamiento de la función de autocorrelación (FA) y la función de
autocorrelación parcial (FAP). La inspección visual de la muestra de la serie original
puede revelar la presencia de una tendencia.
La medida de dependencia lineal entre observaciones separadas por un retardo k
está dada por el estimado rk de la función de autocorrelación ρk. Para usar la FA en la
identificación del modelo se plotea rk versus k para N/4 valores aproximadamente,
donde N es la longitud de la serie. Salas de la Cruz et al. [20].
Es útil mostrar los límites de probabilidad en el ploteo, y como rk es
aproximadamente normal con media cero y varianza 1/N, los límites para el 95% de
probabilidad se dan en la ecuación 2.19. Si los valores de rk caen dentro de los límites
20
más haya de un retardo “q” se podría formar que el proceso puede ser un modelo con
media móvil de orden “q”. Si la FA se atenúa, se podría afirmar que el proceso es
autorregresivo. Cuando no es claro, es decir la FA se trunca, es útil analizar la FAP.
Las características del comportamiento de las funciones FA y FAP se resumen
en el cuadro 2.1 Salas de la Cruz et al. [20].
CUADRO 2.1: Identificación de propiedades para un proceso AR, MA, ARMA:
Proceso Autocorrelación Autocorrelación ParcialAR (p)
MA (q)
ARMA (p,q)
Infinito en extensión, consiste de ondas amortiguadas y/o decaimiento exponencial. Se atenúa como:
Finito en extensión, máximo en retardos de 1 hasta q. Luego se interrumpe.
Infinito en extensión, primeros q - p retardos es irregular, luego decrece exponencialmente con ondas amortiguadas. Luego se atenúa como.
Finito en extensión, máximos retardos de 1 hasta p, luego se interrumpe.
Infinita en extensión, decrece en forma exponencial y/o de ondas amortiguadas.
Infinita en extensión, primeros p-q retardos irregulares, luego decrece de forma exponencial y/o se amortigua en ondas.
4. ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO ARMA (p,q).
Los ajustes del modelo ARMA (p,q), se harán con los siguientes pasos (según
Salas et al. [20]), una vez identificado el orden tentativo del modelo en el paso anterior,
el procedimiento es aplicable para series anuales y estacionales que en este caso es
mensual:
i. Cálculo de las Funciones de Autocorrelación y Autocorrelación Parcial.
Calculo y ploteo de la función de autocorrelación ck, los coeficientes de autocorrelación, rk = ck/s2, y los coeficientes de autocorrelación parcial para un retardo k que va de 1 hasta 0.15* N pero menos N.
Salas et al. [20], indica las siguientes ecuaciones como formas generalizadas para
obtener los coeficientes de las funciones de autocorrelación parcial:
, las ecuaciones siguientes
muestran las formas generalizadas.
21
...
(2.43)
...
(2.44)
Donde:
Гk: Coeficiente autocorrelación
: Coeficiente autocorrelación parcial con retardo k.
ii. Estimación Lineal de los “p” Parámetros Autorregresivos (AR).
Se obtienen los estimados iniciales de los “p” parámetros autorregresivos
, resolviendo las “p” ecuaciones dadas por Yule-Walker y presentadas por
Salas et al. [21], dadas en términos de covarianza a partir de la ecuación 2.22,
obteniéndose la siguiente ecuación generalizada ; en forma
extendida se tiene la siguiente ecuación:
...(2.45)
Donde:
C0, C1, ..., Cq: Función de autocovarianza.
: Parámetros autorregresivos.
Formas generalizadas de las ecuaciones de Yule-Walker, a partir de las ecuaciones
2.43 y 2.44, para una estimación aproximada de Φk, t , y θk, t presentadas por Salas et al.
[21] que son aplicadas en el programa SAMS.
ARMA (1,0) … (2.46)
ARMA (2,0) …
(2.47)
22
ARMA (1,1) …(2.48)
iii. Estimación Inicial de las “q” Parámetros Media Móvil (MA) de la Serie
Modificada:
...(2.49)
Luego se calcula la función de autocovarianza (C’k) de la serie z’t y sus parámetros
residuales con las ecuaciones propuestas por Box y Jenkins:
...(2.50)
Donde:
...(2.51)
Los C’j, los parámetros θ y la Varianza residual σ2ε se obtienen resolviendo
iterativamente las siguientes ecuaciones:
...(2.52)
Esto completa la estimación inicial de los parámetros Φ1, Φ2, …, Φp, θ1, θ2, …, θq,
σ2ε y θ00. Entonces el modelo inicial estimado será:
...(2.53)
iv. Parámetros Estimados por la Suma de Cuadrados.
Los estimados por el método de máxima verosimilitud o probabilidad son
esencialmente los mismos que los estimados por el método de mínimos cuadrados.
...(2.54)
23
Siendo N la extensión de la serie residual. La suma de los cuadrados se calcula
mediante: ...(2.55)
Varianza de las residuales: ...(2.56)
Donde:
: es la suma de cuadrados.
: es la varianza de las residuales.
5. PRUEBA DE BONDAD DE AJUSTE DEL MODELO.
En esta etapa se verifica si el modelo estimado es adecuado o no. Se necesita
verificar dos hipótesis del modelo: La independencia y la normalidad, para lo cual se
dispone de varias pruebas estadísticas.
En el modelamiento de series de tiempo hidrológicas se asume que la
componente estocástica, después de haber eliminado la componente periódica y la
estructura de dependencia en el tiempo, es una serie independiente y distribuida
normalmente. Salas de la Cruz et al. [20].
i. Prueba de Independencia en el Tiempo.
Usualmente se aplican las pruebas del correlograma de Anderson y la Falta de
Ajuste de Porte Monteau para probar la independencia de las serie de tiempo.
Prueba de Anderson:
En una serie independiente el correlograma es igual a cero para k<>0, sin
embargo, si un modelo estocástico ARMA (p,q) es adecuado para presentar la
dependencia de una serie de tiempo, entonces la variable aleatoria del modelo es
independiente y rk =0 para k≠0; pero muestras de series de tiempo
independientes tienen a rk fluctuando alrededor de cero debido a la variabilidad
muestral, pero ellos no son necesariamente iguales a cero. Por tal motivo es útil
determinar límites de probabilidad para el correlograma de una serie
independiente, Anderson da los siguientes límites:
...(2.57)
Donde:
Гk: Limite de probabilidad para el Correlograma.
24
N: Tamaño muestral.
K: Retardo en el tiempo.
Prueba de Falta de Ajuste de Porte Monteau.
En esta prueba también se verifica si ε t es una serie independiente. Para tal
fin se usa el siguiente estadístico:
...(2.58)
Donde:
Q: Estadístico de ajuste de Porte Monteau.
N: Número de años.
L: Máximo retardo.
Гk(ε): Función de autocorrelación de residuales εt con retardo L.
εt: Serie independiente.
El estadístico Q es aproximadamente la distribución Chi-cuadrado con L-
p-q grados de libertad. La bondad del modelo puede verificarse comparando el
estadístico Q con el valor Chi-Cuadrado X2 (L-p-q) para un nivel de significancia de
95 % de probabilidad. Si Q < X2 (L-p-q), εt es una serie independiente.
ii. Prueba de Normalidad.
Se disponen de varias pruebas para probar la hipótesis que una serie de tiempo
dada es normal. Una prueba gráfica consiste en el ploteo de la distribución empírica de la
serie en un papel de probabilidad normal y verificar si los puntos ploteados siguen
aproximadamente una línea recta. Se describen a continuación dos pruebas estadísticas,
las pruebas de normalidad Chi- cuadrado y de asimetría.
Consideremos la serie de tiempo xt, t=1, …, N con media x y desviación estándar
σ, donde N es el tamaño de la muestra. Asumiendo que la distribución de frecuencias de
xt se ajusta a una distribución normal de probabilidades con parámetros x y σ se probara
la bondad del ajuste usando la prueba de Chi-Cuadrado. La serie se ordena en orden
creciente de magnitud y se seleccionan k intervalos de clase con probabilidad 1/k para
cada intervalo. De la función de distribución normal, obtenemos los valores u1, u2, …,
uk-1, correspondientes a las probabilidades acumuladas 1/k, 2/k, …, (k-1)/k, por lo tanto
los valores para los intervalos de clase serán x’1 = x + σ u1, x’2 = x + σ u2, …, x’k-1 = x + σ
uk-1 . La frecuencia absoluta de la serie muestral ordenada que cae dentro del intervalo i
25
se denota por Ni , i = 1, …, k. por lo tanto, el numero esperado de puntos que caen en
cada intervalo será N/k. El estadístico X2 está dado por:
... (2.59)
Donde:
N: tamaño de la serie.
Ni: Frecuencia absoluta.
k: Intervalos de clase.
Tiene una distribución Chi-Cuadrado con k-2 grados de libertad. Por lo tanto,
considerando un nivel de probabilidad el se obtiene de la función Chi-
cuadrado, si se acepta la hipótesis de normalidad de la serie xt. De otro
modo se rechaza la hipótesis.
La Prueba de Asimetría de Normalidad se basa en el hecho que el coeficiente de
asimetría de una variable normal es cero. Un estimado del coeficiente de asimetría de la
serie de tiempo xt, t=1, …, N es:
... (2.60)
Donde:
N: Tamaño de la serie.
x, µ: Media muestral.
xt: Observación mensual.
Si la serie viene de una distribución normal, esta distribuida asintóticamente
normal con media cero y varianza 6/N (Snedecor y Cochran, según Aliaga [3]). Entonces
los limites de probabilidad (1-α) sobre pueden definirse por el siguiente límite:
... (2.61)
Por tanto, si de la ecuación 2.60 cae dentro de los límites de la expresión 2.61 se
acepta la hipótesis de normalidad. De otro modo es rechazada.
iii. Criterio de Información de Akaike (AIC).
Una práctica corriente en la generación de series de tiempo hidrológicas es
preservar exactamente o muy estrechamente los estadísticos de la muestra histórica, aun
26
cuando estos estadísticos puedan estar sujetos a grandes variaciones muestrales. Una vez
que se toma la decisión sobre qué estadísticos preservan como generalmente es la media
y la desviación estándar, entonces el problema del modelamiento es buscar un modelo
con el mínimo número de parámetros que reproduzcan adecuadamente tales estadísticos.
Esto se conoce con el principio de parsimonia de parámetros o se dice que el modelo es
parsimonioso.
Una formulación matemática que considere el principio de parsimonia en la
elaboración del modelo es el Criterio de Información de Akaike (AIC) propuesto por
Akaike (1974) según Salas et al. [20]. Para comparar entre modelos ARMA (p,q) uso:
...(2.62)
Donde:
N: Tamaño de muestra.
σε 2: Máxima verosimilitud de la varianza de la residual.
p,q: Parámetros autorregresivo y media móvil del modelo ARMA.
Bajo este criterio el modelo que da el mínimo AIC es el primero a ser
seleccionado.
2.6 GENERACION DE SERIES SINTÉTICAS.
Luego de realizado los pasos anteriores, con los datos Hidrométricos se realiza la
generación sintética de los datos mediante la siguiente ecuación que se muestra a
continuación.
...(2.63)
ó
...(2.64)
Donde:
Φj: Coeficiente de autocorrelación (AR) de orden p.
θ j: Coeficiente media móvil(AM) de orden q.
εt: Variable aleatoria independiente estocástica.
σε: Varianza de las residuales.
ξt: Variable normal independiente con media cero y varianza uno.
: Modelo ARMA (p,q) con coeficientes constantes o variables.
Luego se realiza la transformación inversa de la estandarización transformada.
27
...(2.65)
Donde:
μτ : media del mes “τ” o media periódica de las series históricas.
στ : desviación estándar del mes “τ” o desviación estándar periódica de las
series históricas.
El modelamiento de series hidrológicas permite obtener una componente estocástica
independiente o una variable normal independiente. Así la generación de una serie de tiempo
sintética comenzaría con la generación de variables normales independientes con media cero
y varianza uno.
Varias técnicas de generación de números aleatorios normales independientes son
presentadas en varias bibliografías de Estadísticas e Hidrología Estadística; y actualmente en
hojas de cálculo como Excel y software de estadística como el Minitab y el SPSS presentan
diferentes técnicas de generación de números aleatorios entre las cuales están los números
aleatorios con distribución definidas. Como una ilustración de generación numérica de
números aleatorios normales Box and Muller (1958) propone las ecuaciones siguientes:
…(2.66)
…(2.67)
Donde:
y : son números aleatorios normales estandarizados.
y : son números aleatorios de distribución uniforme (0,1).
Sí una transformación inicial fue usada como una transformación logarítmica,
potencial, Box-Cox, etc., es necesario obtener la serie en forma original. Por ejemplo, si
ha sido transformado por una transformación logaritmo natural, el proceso se
puede obtener de por aplicación de la siguiente transformación inversa que fueron
aplicadas anteriormente:
… (2.68)
Donde:
: Serie estacional generada con transformación inversa.
: Serie estacional generada con transformación logarítmica, obtenida del programa SAMS.
: Coeficiente de la transformación aplicada (transformación logarítmica)
2.6.1 PROCEDIMIENTO.
28
El procedimiento para la generación de series sintéticas para un período de N años
recomendado por Vito Aliaga es el siguiente: Aliaga [3].
Seleccionar y estimar los parámetros del modelo estocástico para series anuales
o no anuales, según sea el interés.
Definir el orden del modelo autorregresivo para la componente estocástica
dependiente y su respectiva distribución de probabilidad para la componente
independiente.
Generar números aleatorios uniformemente distribuidos según el ajuste de la
componente estocástica independiente con media cero y varianza unitaria.
Generar números aleatorios independientes con la distribución seleccionada y
con sus respectivos parámetros.
Generar números aleatorios dependientes según el modelo autorregresivo
seleccionado anteriormente.
Generar datos de descargas anuales o mensuales sumando las componentes
determinísticas a los valores obtenidos en el punto anterior.
Realizar dos generaciones: La primera para comprobar la bondad del modelo
obteniendo series de la misma longitud que la serie histórica, y la segunda, de
una longitud dada, de acuerdo a los objetivos de la generación, los mismos que
serán utilizados en el análisis y determinación de los parámetros de interés.
2.6.2 VERIFICACIÓN DEL MODELO.
Existen muchas formas y criterios para verificar la bondad del modelo, dependiendo
del interés particular de cada caso.
El criterio principal para determinar la bondad de estos modelos estocásticos consiste
en analizar los resultados generados y comprobar la preservación y reproducción de las
características estadísticas de interés de la serie histórica, en la misma longitud de datos.
Las características estadísticas que se pueden analizar en las series generadas y
comprobarlas con las mismas de la serie histórica, dependen del objetivo del estudio y puede
ser la reproducción y preservación de lo siguiente: (según Aliaga [3]).
La media y desviación estándar de la serie histórica, principalmente.
La estructura de dependencia.
La distribución de probabilidades.
La persistencia de los años húmedos y secos.
29
La longitud, intensidad y duración del run1 negativo, como descriptor de sequías
en general y de la sequía crítica en particular.
El rango como descriptor de la capacidad de almacenamiento entre otras.
2.6.3 GENERACIÓN DE INFORMACIÓN SINTÉTICA PARA SU UTILIZACIÓN.
Una vez verificado la bondad del modelo para preservar las características estadísticas
deseadas con las pruebas de bondad de ajuste del modelo como son la prueba de
independencia en el tiempo, la prueba de normalidad y el criterio de información de Akaike;
entonces se procederá a generar tantas muestras como sea requerido, cada una de una
longitud muestral variable, que puede ser igual a la vida útil de los proyectos, el mismo que
es considerado en la mayoría de los casos igual a 50 años. Aliaga [3].
2.7 VALIDACIÓN DE RESULTADOS.
Al usar la simulación para estudiar un sistema complejo, encontramos varios tipos de
errores como indica R. Azarang et al. [15].
Errores de diseño.
Errores en la programación.
Errores en los datos utilizados.
Errores en el uso del modelo.
Errores en la interpretación de los resultados.
Evaluar un modelo significa desarrollar un nivel aceptable de confianza de modo que
las inferencias obtenidas del comportamiento del modelo sean correctas y aplicables al
sistema del mundo real. La validación y verificación es una de las tareas más importantes y
difíciles que enfrenta la persona que desarrolla un modelo de simulación.
Verificación se refiere a la comparación del modelo conceptual con el código
computacional que se generó, para lo cual es necesario contestar preguntas
como: ¿Esta correcta la codificación?, ¿Es correcta la entrada de datos y la
estructura lógica del programa?
Validación es la demostración de que el modelo es realmente una representación
fiel de la realidad. La validación se lleva a cabo, generalmente, a través de un
proceso comparativo entre ambas partes y usa las diferencias para lograr el
objetivo.
Una vez generadas las series se comparan las características estadísticas de la serie
histórica con las características derivas de las series generadas. Usualmente se considera para
1 Run: sucesión de eventos similares precedidos y sucedidos por eventos diferentes como run negativos que son asociados a sequías y run positivos que son asociados con demasías. Aliaga [3]
30
comparación a la media, desviación estándar, coeficiente de correlación y coeficiente de
asimetría
En el proceso de validación usualmente se emplean las pruebas estadísticas siguientes:
Prueba de estimación de parámetros de la población asumiendo una distribución
de probabilidad (pruebas estadísticas con aplicación de las funciones de
probabilidad de Fisher-Snedecor, t-Student y distribución normal “z”).
Pruebas para determinar la distribución de probabilidad apropiada para la
muestra (pruebas de bondad de ajuste de Kolmogorov-Smirnov (K-S) o Chi
cuadrado χ2).
2.7.1 OPTIMIZACIÓN.
La finalidad de cualquier análisis de sistemas es optimizar la medida de afectividad,
describiendo normas para las variables de decisión a la vista de variables no controlables.
Así pues, el tomador de decisiones desea encontrar ese conjunto de variables de decisión. R.
Azarang et al [15].
Desde el uso generalizado de la computación en la solución de ecuaciones complejas,
estas han mejorado los cálculos y los resultados de diferentes problemas de interpretación de
fenómenos reales en las áreas de hidráulica, hidrológica, estructuras u otras. En hidrológica
Estocástica se ha dejado de lado el uso de tablas estadísticas, formatos como papel
logarítmico, ábacos u otras herramientas que en algún tiempo eran necesarias por no estar al
alcance el uso de programas de computo; ahora todo eso paso a ser obsoleto debido a que
existen programas creados para acciones especificas como la hoja de calculo Excel que tiene
incorporada todas las funciones de probabilidad y otras funciones más, y los programas para
estadística como el SPSS y el Minitab; y programas como el SAMS, los programas Hec
(Hec-Ras, Hec Hms, Hec-Fda) y otros mas, que teniendo en cuenta los principios de cálculos
básicos y aplicando nuevas teorías de cálculos, se obtienen resultados mas acertados a la
realidad. A este proceso de cálculos asistidos por computadora con programas adecuados
según los requerimientos, podemos decir que el proceso de cálculo ha sido optimizado.
2.7.2 SENSIBILIDAD Y EXPERIMENTACIÓN.
Es el último paso dentro del proceso de simulación y puede efectuarse antes o durante
la implantación de las soluciones en el proceso real. Consiste en jugar o experimentar con el
modelo ante situaciones nuevas o imprevistas, que tengan cierta probabilidad de ocurrencia,
con el objeto de encontrar una solución óptima ante ese posible escenario. Esto es útil pues
los sistemas reales son dinámicos y de esta manera podemos adelantarnos y ser capaces de
31
hacerles frente con anticipación. El análisis de sensibilidad se enfoca principalmente a
estudiar las variables no controlables por el tomador de decisiones dentro del proceso real. R.
Azarang et al. [15].
2.7.3 MONITOREO.
Como se acaba de mencionar, los sistemas reales son dinámicos, esto significa que se
debe llevar un estricto control de los cambios ocurridos en ellos y para inmediatamente
implantarlos en el modelo y para que pueda seguir siendo un fiel reflejo de la realidad. R.
Azarang et al. [15].
2.7.4 TÉCNICAS DE COMPROBACIÓN PARA LA VALIDACIÓN.
Para la validación de las series sintéticas generadas, con las series históricas (que son
las originales), es necesario la realización de pruebas estadísticas en los parámetros más
importantes como la media y desviación estándar.
Se realizarán pruebas de hipótesis para dos muestras, pruebas de verificación del
intervalo de confianza y pruebas de bondad de ajuste; de las cuales cada una de estas pruebas
se realizarán la contrastación de hipótesis mediante un estadístico de prueba y regla de
decisión con un nivel de significancia y el estadístico de prueba adecuado, que decidirá si se
acepta o se rechaza la hipótesis. Menendez R. [12] y Mitacc [13].
1. PRUEBA DE HIPOTESIS PARA DOS MUESTRAS.
Existen dos versiones diferentes para este tipo de prueba. Una de estas pruebas
se utiliza cuando una muestra se selecciona independientemente de la otra. En este caso
se habla de una prueba para muestras independientes. Si la selección de una muestra
depende de la selección de la otra, se habla de una prueba para muestras dependientes.
i. Prueba de Hipótesis de las Varianzas de dos Poblaciones Normales.
Para determinar la homogeneidad de varianzas (si las varianzas de las dos
poblaciones son iguales) es necesario hacer la prueba de homogeneidad de varianzas.
En esta prueba se comparan las varianzas de las poblaciones en la hipótesis nula.
H0: (σ1)2 = (σ2)2
H1: (σ1)2 ≠ (σ2)2 …(2.69)
La estadística en que se basa esta prueba de hipótesis es la razón de las varianzas
de las dos muestras: …(2.70)
Donde:
32
Fc : Estadístico F (Fisher Snedecor) calculado.
: Varianzas muestrales.La distribución F depende de dos conjuntos de grados de libertad, uno para el
numerador y otro para el denominador donde (n1 - l) son los grados de libertad del
numerador y (n2 - l) son los grados de libertad del denominador. Por lo tanto,
considerando un nivel de probabilidad 95% en la función de probabilidad se
obtiene de la función F tabular (Fisher Snedecor), si se acepta la
hipótesis de homogeneidad de varianzas. De otro modo se rechaza la hipótesis.
ii. Prueba de “t” para Muestras Independientes
Se presentan dos casos para este tipo de prueba estadística, que son:
1.º.- Prueba de “t” para la Diferencia entre dos Medias Cuando las Varianzas
son Homogéneas.
Cuando las varianzas de las poblaciones son homogéneas (Pooled Variance t-
test).
Las hipótesis no direccionales o prueba de dos colas:
H0: μ l = μ 2 ó μ l - μ 2 = 0
H1: μ l ≠ μ 2 ó μ l - μ 2 ≠ 0 …(2.71)
El error estándar de la diferencia se obtiene con la varianza combinada
(pooled variance). La varianza combinada incorpora las varianzas de las
muestras a través de la siguiente fórmula:
…(2.72)
El error estándar de la diferencia es: …(2.73)
Los grados de libertad: n1 + n2 - 2.
La estadística t se computa de la siguiente forma:
…(2.74)
Donde:
tc : Estadístico t-Student calculado
: Medias de las muestras
μ1 y μ 2 : Medias de las poblaciones
33
: Error estándar de la diferencia
n1 y n2 : Tamaño de las muestras
El estadístico tc es aproximadamente la distribución t-Student con n1 + n2 -
2 grados de libertad. Por lo tanto, considerando un nivel de probabilidad 95% en
la función de probabilidad se obtiene de la función t tabular (Student),
si se acepta la hipótesis de homogeneidad de medias
cuando las varianzas son iguales. De otro modo se rechaza la hipótesis.
2.º.- Prueba de “t” para la Diferencia entre dos Medias cuando las Varianzas no
son Iguales.
Cuando las varianzas de las poblaciones no son iguales (Separate Variance
t-test). Las hipótesis en esta prueba se trabajara con la forma direccional o
de dos colas; y se presentan de la siguiente forma:
H0: μ l = μ 2 ó μ l - μ 2 = 0
H1: μ l ≠ μ 2 ó μ l - μ 2 ≠ 0 …(2.75)
Teniendo los siguientes cálculos como el error estándar de la diferencia es:
…(2.76)
Los grados de libertad para este caso, fueron aproximados por Welch, B-L
según Mitacc [13] dado por la siguiente expresión:
…(2.77)
Donde:
Δ : Grados de libertad.
: Varianzas muestrales.
n1 y n2: tamaño de las muestras
Δ siempre se aproxima a la parte entera del resultado (nunca se redondea).
La estadística tc se computa de la siguiente forma:
…(2.78)
34
Donde:
tc : Estadístico t-Student calculado.
= medias de las muestras.
μ1 y μ 2 = medias de las poblaciones.
= error estándar de la diferencia.
El estadístico tc es aproximadamente la distribución t-Student con Δ grados de
libertad. Por lo tanto, considerando un nivel de probabilidad 95% en la función
de probabilidad se obtiene de la función t tabular, si se
acepta la hipótesis de homogeneidad de medias cuando las varianzas no son
iguales. De otro modo se rechaza la hipótesis.
iii. Pruebas de t para Muestras Dependientes.
En el caso de que un par de observaciones puedan ser relacionadas de alguna
manera, tal como una observación tomada antes de un tratamiento y otra después de un
tratamiento, reciben el nombre de observaciones apareadas. Mitacc [13].
Las hipótesis en esta prueba son no direccional o prueba de dos colas; y se
presentan de la siguiente forma:
H0: μD = 0
H1: μD ≠ 0 …(2.79)
Teniendo los siguientes cálculos como el error estándar de la diferencia es:
…(2.80)
La estadística t se computa de la siguiente forma:
…(2.81)
Donde:
tc: Estadístico t-Student calculado.
SD : Desviación estándar de las diferencias
: Media de las diferencias de los pares en las muestras
μD : Media de las diferencias de los pares en las poblaciones
n : Tamaño de los pares de muestras
El estadístico tc es aproximadamente la distribución t-Student con (n-1) grados de
libertad. Por lo tanto, considerando un nivel de probabilidad 95% en la función de
35
probabilidad se obtiene de la función t tabular, si se acepta la
hipótesis de que las muestras son similares. De otro modo se rechaza la hipótesis.
2. INTERVALO DE CONFIANZA A PARTIR DE LAS SERIES GENERADAS.
Basado en el modelo seleccionado y en los parámetros estimados se generan M
secuencias de serie de la misma longitud de la muestra histórica; se determina las
características estadísticas bajo análisis, denotadas como Ug(i) de cada una de las series
generadas i = 1, 2, 3, …, M. se calcula la media Ug y la desviación estándar S(Ug) de
Ug(i) determinándose el intervalo: Salvatierra R. [22]:
…(2.82)
…(2.83)
…(2.84)
Donde c es la variable estándar histórica Ug cae dentro del intervalo dado por la
expresión 2.79. Si es así, se concluye que el modelo preserva el estadístico Ug. De otra
forma el modelo no preserva Ug y en tal caso se procede a modificar los parámetros del
modelo, cambiar el orden, o el tipo del modelo.
3. PRUEBAS DE BONDAD DE AJUSTE.
Pruebas para determinar la distribución de probabilidad de la cual proviene la
muestra como las series sintéticas generadas por el modelo ARMA (p,q), se utilizan las
siguientes pruebas conocidas:
Prueba de Chi – Cuadrado (χ2)
...(2.85)
Tiene una distribución Chi-cuadrado con g.l. = k-h-1.
Donde:
N: tamaño de la serie.
Ni: Frecuencia absoluta.
k: Intervalos de clase.
g.l.: grados de libertad.
H: número de parámetros a estimarse.
36
Así h=2 para la distribución normal.
h=3 para la distribución log-normal de 3 parámetros, etc.
Tiene una distribución Chi-Cuadrado con k-3 grados de libertad. Por lo
tanto, considerando un nivel de probabilidad de α=5%, el se
obtiene de la función Chi-cuadrado, si se acepta la hipótesis
de que el ajuste es bueno al nivel de significancia seleccionado, ajustándose a
una distribución de normalidad de la serie xt. De otro modo se rechaza la
hipótesis. Según Villón [27].
Prueba de Smirnov – Kolmogorov
∆ = máx │F(x) – P(x)│ ...(2.86)
Donde:
∆ : Estadístico de Smirnov – Kolmogorov, cuyo valor es igual a
la diferencia máxima existente entre la probabilidad ajustada y
la probabilidad empírica.
F(x) : Probabilidad de la distribución teórica a partir de datos
normalizados.
P(x) : Probabilidad experimental o empírica de los datos,
denominados también frecuencia acumulada usando la
formula de Weibull.
Por lo tanto, considerando un nivel de probabilidad el α (0.05 ó 0.01) se
obtiene un valor Δ tabular de la tabla de Kolmogorov, si Δmáx < Δtabla, entonces el
ajuste es bueno, pero si Δmáx < Δtabla, entonces el ajuste no es bueno al nivel de
significancia seleccionado. Según Villón [27].
37
III. MATERIALES Y METODOS
3.1 LUGAR DE REALIZACIÓN.
3.1.1 UBICACIÓN.
El área de ejecución del proyecto es la Cuenca del Río Santa; y con mayor interés las
Sub Cuencas de sus principales ríos, que cuentan con mayor cantidad de registros
hidrométricos históricos.
38
La cuenca del Río Santa abarca partes de los departamentos de Ancash y La Libertad
entre los paralelos 7° 59’ y 10° 12’ de latitud sur, y los meridianos 77° 11’ y 78° 38’ de
longitud Oeste (Anexos M-1); formando parte de la vertiente del pacífico (Fig. Anexos D-1).
Presenta como limites: por el norte las cuencas de los ríos Marañón y Moche, por el
sur las cuencas de los ríos Pativilca y Fortaleza, por el este las cuencas de los ríos Marañón y
Pativilca y por el oeste las cuencas de los ríos Virú, Chao, Moche, Lacramarca, Nepeña,
Casma, Huarmey y Fortaleza. (Fig. Anexos D-2)
La cuenca del río Santa tiene una extensión de 12 200 Km2, de la cual el 83%, es decir
10 200 Km2, corresponden a la cuenca imbrífera o húmeda, denominada seca, a partir de la
cual puede considerarse que la precipitación pluvial es un aporte efectivo al escurrimiento
superficial (Fig. Anexo D–3).
La Cordillera Blanca, que conforma parte del límite oriental de la cuenca, es una de las
fuentes más importantes de los recursos hídricos del río Santa, se extiende en una longitud de
180 Km, desde la laguna de Conococha por el Sur, hasta el nevado de Champará por el
Norte, y sigue una dirección paralela al río. El pico más importante de esta cadena de
nevados, es el Huascarán, que alcanza una altura de 6 768 m.s.n.m., dominando todo este
macizo, además, existen otros importantes nevados, entre los cuales cabe mencionar, de Sur
a Norte: Rajutuna, Caullaraju, Tuco, Huaiyacu, Pongos, Yanamarey, Uruashraju, Cashan,
Rurec, Huantsan, Pucaranra, Oeshpalca, Palcaraju, Hualcan, Huandoy, Aguja Nevada,
Pucahirca, Santa Cruz, Alpamayo, Pilanco, Millua Kocha y Champará. El área total de
nevados cubre una extensión de 616 Km2.
3.1.2 DISPONIBILIDAD DE DATOS DE LA RED HIDROMETRICA.
El escurrimiento superficial del río Santa se origina de las precipitaciones que ocurren
en su cuenca alta, y además con mucha incidencia, de los aportes glaciares de los nevados
(5.3 % de la superficie de la cuenca) del flanco occidental de la Cordillera Blanca, cuyo
aporte contribuyen a mantener una considerable descarga, aún en época de estiaje, lo cual
hace del Río Santa uno de los ríos más regulares de la Costa del Perú (Ver Fig. 3.1).
El río Santa recibe el aporte de numerosos afluentes, la mayoría de los cuales bajan de
la Cordillera Blanca, siendo el más importante el río Tablachaca, el cual tiene una cuenca
colectora total de 3 184 Km2., aproximadamente, el 26% de la cuenca total. Los otros
afluentes importantes, de Sur a Norte son: Tuco, Queullish, Pachacoto, Querococha, Negro,
Pariac, Quillcay, Ishinca, Qda. Honda, Ulta, Llanganuco, Parón, Colcas, Cedros, Quitaracsa,
Corongillo y Manta.
39
CAUDAL PROMEDIO INTER ANUALESTACION PUENTE CARRETERA
0
50
100
150
200
250
300
350
400
450
SET OCT NOV DIC ENE FEB MAR ABR MAY JUN JUL AGO
CAU
DAL
m3/
s
Fig 3.1. Caudal promedio del Río Santa en la estación de Puente Carretera, en la desembocadura del Río Santa (promedio interanual 1931-1999). Los 50 m3/s que llegan al mar en época de estiaje se deben por gran parte al la
fusión de los glaciares de la cuenca alta. Se nota la graduación en año hidrológico, de setiembre (inicio de la temporada de lluvias en la cuenca alta) a agosto.
La característica hidrográfica de la cuenca del río Santa, expresada por la presencia de
la Cordillera Blanca por el Este y la Cordillera Negra por el Oeste, determina que este río
reciba aportes permanentes sólo por la margen derecha, es decir, de los afluentes que se
originan en la Cordillera Blanca como consecuencia del aporte de sus numerosos glaciares.
En cambio, la Cordillera Negra no cuenta normalmente con glaciares, motivo por el cual el
aporte que ella puede brindar depende casi exclusivamente de las precipitaciones pluviales.
Ver Anexos D-4
Debido a la importancia que tienen los tributarios en las descargas del río,
antiguamente la Corporación Peruana del Santa instalo estaciones de aforo tipo limnigráfico,
en los afluentes como en el cauce principal de río santa, siendo las siguientes (ver Anexos D-
4):
Sobre el río Santa, como estaciones permanentes, Condorcerro, La Balsa y
Recreta.
Sobre los tributarios, las estaciones de Chuquicara, Manta, Quitaracsa,
Cedros, Colcas, Parón, Llanganuco, Chancos, Quillcay, Olleros, Querococha y
Pachacoto.
Implantado el gobierno militar la Corporación Peruana del Santa fue desmembrada y
las estaciones de aforo pasaron a manos de Electro Perú, que luego del proceso de
privatización pasaron finalmente a la empresa Duke Energy EGENOR, que actualmente ha
instalado otras estaciones y maneja muy pocas estaciones instaladas, y el resto de las
estaciones están abandonadas. El INRENA esta iniciando la implementación de estaciones
hidrométricas en la parte alta de la cuenca (micro cuencas glaciares). Ver cuadro 3.1.
Actualmente están funcionando solo 6 estaciones hidrométricas de EGENOR (La
Balsa, Condorcerro, Quitaracsa, Los Cedros, Colcas, Parón), más las 4 estaciones de la
Unidad de Glaciología del INRENA instalados en las lagunas de origen glaciar
(Artesoncocha y Yanamarey, Parón y Llanganuco activadas recientemente en el 2003). Ver
cuadro 3.2 y 3.3
40
41
CUADRO N° 3.1 UBICACIÓN EN COORDENADAS GEOGRAFICAS DE LAS ESTACIONES HIDROMÉTRICAS DE LA CUENCA DEL RÍO SANTA
SENAMHI EGENOR GPS BP 07-10/2001
NOMBRE RIO, QUEBRADA O LAGUNA
AREA CUENCA
(Km2)
AREA GLACIAR
(Km2)
% AREA GLACIAR
LATITUD(°Sur)
LONGITUD(°Oeste)
ALTITUD (m.s.n.m.)
LATITUD(°Sur)
LONGITUD(°Oeste)
ALTITUD (m.s.n.m.)
LATITUD(°Sur)
LONGITUD(°Oeste)
ALTITUD (m.s.n.m.)
CONOCOCHA SANTA 10°07’09’’ 77°17’00’’ 4068 10°07’09’’ 77°17’00’’ 4068RECRETA SANTA 295 5.6 0.02 10°01’37’’ 77°19’36’’ 3990 10°02’19’’ 77°19’29’’ 3990 10°02’27’’ 77°19’33’’ 4018MIRAFLORES SANTA 2390 226 0.09 9°29’21’’ 77°32’19’’ 3000 9°29’32’’ 77°32’18’’ 2970 9°29’46’’ 77°32’29’’ 2994LA BALSA SANTA 4840 563 0.12 8°52’55’’ 77°49’50’’ 1880 8°52’27’’ 77°49’47’’ 1880 8°52’39’’ 77°49’38’’ 1861CONDORCERRO SANTA 10353 631 0.06 8°39’14’’ 78°15’29’’ 450 8°39’30’’ 78°15’43’’ 477PUENTE CARRETERA SANTA 11910 631 0.05 8°58’12’’ 78°37’48’’ 18 8°58’12’’ 78°37’48’’ 18HUACAMARCANGA HUACAMARCANGA 8°06’00’’ 78°18’00’’ 4000 8°06’00’’ 78°18’00’’ 4000CHUQUICARA CHUQUICARA 2836 0 0.00 8°38’42’’ 78°13’35’’ 500 8°38’51’’ 78°13’55’’ 532HUILLCA SAFUNA 8°47’29’’ 77°36’29’’ 3970 8°47’29’’ 77°36’29’’ 3970QUITARACSA QUITARACSA 391 35.8 0.09 8°47’50’’ 77°50’46’’ 1480 8°47’52’’ 77°51’08’’ 1480 8°47’52’’ 77°51’08’’ 1480MANTA MANTA 599 5.9 0.01 8°37’34’’ 77°54’03’’ 1920 8°36’31’’ 77°53’03’’ 1920 8°36’31’’ 77°53’03’’ 1920LOS CEDROS LOS CEDROS 117 25.9 0.22 8°51’50’’ 77°49’05’’ 1990 8°51’51’’ 77°49’14’’ 1990 8°52’18’’ 77°49’43’’ 1878COLCAS COLCAS 238 50.8 0.21 8°55’08’’ 77°50’23’’ 2050 8°55’10’’ 77°50’20’’ 2050 8°55’24’’ 77°50’33’’ 2048PARON PARON 45.1 21.6 0.48 8°59’47’’ 77°41’02’’ 4100 8°59’48’’ 77°41’15’’ 4100 8°59’48’’ 77°41’15’’ 4100ARTESONCOCHA ARTESONCOCHA 7.9 6.2 0.78 8°58’26’’ 77°38’36’’ 4300 8°58’26’’ 77°38’36’’ 4300CHACRARAJU CHACRARAJU 5.7 4.2 0.74 8°58’55’’ 77°38’25’’ 4300 8°58’55’’ 77°38’25’’ 4300LLANGANUCO LLANGANUCO 90.2 33.7 0.37 9°04’35’’ 77°39’05’’ 3850 9°04’40’’ 77°38’45’’ 3850 9°04’43’’ 77°39’05’’ 3916CHANCOS QDA. HONDA 266 90.8 0.34 9°18’52’’ 77°34’26’’ 2940 9°19’05’’ 77°33’48’’ 2940 9°19’15’’ 77°34’47’’ 2872QUILLCAY QUILLCAY 250 92.5 0.37 9°31’14’’ 77°31’28’’ 3052 9°31’12’’ 77°31’41’’ 3042 9°31’24’’ 77°31’39’’ 3091OLLEROS NEGRO 176 28.9 0.16 9°39’50’’ 77°28’00’’ 3550 9°40’03’’ 77°27’27’’ 3550 9°40’01’’ 77°27’49’’ 3456URUASHRAJU URUASHRAJU 4.8 3.6 0.75 9°35’41’’ 77°19’28’’ 4610 9°35’41’’ 77°19’28’’ 4610QUEROCOCHA QUEROCOCHA 63.7 4.0 0.06 9°43’31’’ 77°19’53’’ 3980 9°43’18’’ 77°19’40’’ 3980 9°43’35’’ 77°19’55’’ 4037YANAMAREY YANAMAREY 2.2 1.6 0.73 9°39’25’’ 77°16’32’’ 4600 9°39’25’’ 77°16’32’’ 4600PACHACOTO PACHACOTO 204 24.3 0.12 9°50’58’’ 77°23’53’’ 3700 9°50’55’’ 77°24’01’’ 3700 9°50’55’’ 77°24’01’’ 3700Fuente: IRD (Instituto Para Investigación y el Desarrollo de Francia [4])
42
NOMBRE RIO LATITUD(°Sur)
LONGITUD(°Oeste)
ALTITUD(m) INICIO FIN GESTION
RECRETA SANTA 10°02’27’’ 77°19’33’’ 4018 1953 1995 EGENOR
MIRAFLORES SANTA 9°29’46’’ 77°32’29’’ 2994 1987 1997 EGENOR
LA BALSA SANTA 8°52’39’’ 77°49’38’’ 1861 1954 2001 EGENOR
CONDORCERRO SANTA 8°39’30’’ 78°15’43’’ 477 1956 1997 EGENOR
PUENTE CARRETA SANTA 8°58’12’’ 78°37’48’’ 18 1931 1988 SENAMHI
HUACAMARCANGA HUACAMARCANGA 8°06’00’’ 78°18’00’’ 4000 1977 1995 EGENOR
MANTA MANTA 8°36’31’’ 77°53’03’’ 1920 1968 1997 EGENOR
CHUQUICARA CHUQUICARA 8°38’51’’ 78°13’55’’ 532 1954 1997 EGENOR
QUITARACSA QUITARACSA 8°47’52’’ 77°51’08’’ 1480 1953 1999 EGENOR
LOS CEDROS LOS CEDROS 8°52’18’’ 77°49’43’’ 1878 1952 2002 EGENOR
COLCAS COLCAS 8°55’24’’ 77°50’33’’ 2048 1953 1998 EGENOR
ARTESONCOCHA ARTESONCOCHA 8°58’38’’ 77°38’41’’ 4300 1996 2002 UGRH
PARÓN PARÓN 9°00’14’’ 77°41’20’’ 4112 1953 2002 EGENOR
LLANGANUCO LLANGANUCO 9°04’43’’ 77°39’05’’ 3916 1953 1997 EGENOR
CHANCOS QDA. HONDA 9°19’15’’ 77°34’47’’ 2872 1953 1999 EGENOR
QUILLCAY QUILLCAY 9°31’24’’ 77°31’39’’ 3091 1953 1998 EGENOR
YANAMAREY YANAMAREY 9°39’36’’ 77°16’38’’ 4600 2001 2002 UGRH
OLLEROS OLLEROS 9°40’01’’ 77°27’49’’ 3456 1970 1998 EGENOR
QUEROCOCHA QUEROCOCHA 9°43’35’’ 77°19’57’’ 4037 1953 1998 EGENOR
PACHACOTO PACHACOTO 9°51’09’’ 77°24’08’’ 3745 1953 1997 EGENOR
CONOCOCHA SANTA 10°07’09’’ 77°17’00’’ 4068 ? ? EGENOR
HUILLCA SAFUNA 8°47’39’’ 77°36’47’’ 3980 ? ? EGENOR
Estación Hidrométrica operativa, administrada por EGENOR
Estación Hidrométrica operativa, administrada por INRENA
Estación hidrométrica Abandonada
Fuente: Bernard Pouyaud y colaboradores, 2003
CUADRO N° 3.2: ESTACIONES HIDROMETRICAS EN LA CUENCA DEL RIO SANTA
43
CUADRO N° 3.3DISPONIBILIDAD DE DATOS DE CAUDALES MEDIOS MENSUALES EN LA CUENCA DEL RIO SANTA.
NOMBRE19
51-5
219
52-5
319
53-5
419
54-5
519
55-5
619
56-5
719
57-5
819
58-5
919
59-6
019
60-6
119
61-6
219
62-6
319
63-6
419
64-6
519
65-6
619
66-6
719
67-6
819
68-6
919
69-7
019
70-7
119
71-7
219
72-7
319
73-7
419
74-7
519
75-7
619
76-7
719
77-7
819
78-7
919
79-8
019
80-8
119
81-8
219
82-8
319
83-8
419
84-8
519
85-8
619
86-8
719
87-8
819
88-8
919
89-9
019
90-9
119
91-9
219
92-9
319
93-9
419
94-9
519
95-9
619
96-9
719
97-9
819
98-9
919
99-0
020
00-0
120
01-0
2
RECRETA
MIRAFLORES
LA BALSA
CONDORCERRO
PUENTE CARRETERA
HUANCAMARCANGA
MANTA
CHUQUICARA
QUITARACSA
LOS CEDROS
COLCAS
ARTESONCOCHA
PARON
LLANGANUCO
CHANCOS
QUILLCAY
YANAMAREY
OLLEROS
QUEROCOCHA
PACHACOTO
Faltan Datos en Algunos Meses del AñoDatos Completos en Todo el AñoFaltan Datos Durante el Año
44
3.2 MATERIALES.
Los materiales empleados para el presente trabajo de tesis son los siguientes
3.2.1 INFORMACION HIDROMETRICA DE CAUDALES MENSUALES.
La cuenca del Río Santa cuenta con registros históricos de 20 estaciones hidrométricas
distribuidos en la cuenca. En el cuadro 3.3 se muestra la disponibilidad de datos de caudales
medios mensuales para cada año desde su funcionamiento hasta el cierre de algunas
estaciones.
3.2.2 INFORMACION CARTOGRAFICA DE LA CUENCA DEL RIO SANTA.
Base cartográfica para la cuenca del Río Santa del Instituto Geográfico Nacional, en
base a cartas nacionales digitales a escala 1/100 000.
3.2.3 SOPORTE INFORMATICO.
Para el procesamiento rápido de los diferentes cálculos que en la mayoría, son
complicados, y la edición de los mapas y cuadros; se emplearon lo siguiente:
Ordenador con Software: Office XP, SAMS 2000, Minitab 13.1, SPSS 11.0, Auto Cad
Map2000i, Auto Cad 2002, Adobe Photo Shop 6.0, Adobe Acrobat 5.0, Map Scan, Corel
Draw 10.0, SIH, Panorama Maker, Arc View 3.3.
El programa SAMS (Stochastic Analysis, Modeling, and Simulation): Programa para
el Análisis Estocástico, Modelamiento y Simulación; elaborado por el Doctor José D. Salas
de la Cruz et al [21] en la universidad del estado de Colorado, elaborado en lenguaje C y
Fortran y corre bajo sistemas operativos modernos como Windows 98 y NT. El programa,
contiene módulos que consiste en trazado de datos, verificación de la normalidad,
transformación de datos y características estadísticas; en el segundo modulo contiene el
ajuste de modelos estocásticos, incluyendo la estimación de parámetros y comprobación del
modelo para alternativas unitarias y multivariadas de los modelos estocásticos, los siguientes
modelos son incluidos:
Modelo Univariado ARMA (p,q) donde p y q pueden variar de 1 a 10.
Modelo Univariado GAR (1)
Modelo Univariado Periódico ARMA (p,q)
Modelo de Desagregación Estacional Univariada.
Modelo multivariado Autoregresivo MAR (p)
Modelo Multivariado Contemporáneo CARMA (p,q) donde p y q pueden
variar de 1 a 10.
45
Modelo Multivariado Periódico MPAR (p)
Modelo de Desagregación Multivariada Anual (espacial)
Modelo de Desagregación Multivariada (temporal).
El tercer modulo de aplicación es la Generación de Series Sintéticas, los modelos para
la generación pueden ser aquellos que se estiman por el SAMS ellos pueden ser
proporcionados por el usuario.
El programa SIH (Sistema de Información Hidrológica), elaborado por el Mag. Ing.
Mario Aguirre Núñez [1]; es un programa de almacenamiento, gestión, análisis y
modelación de la información relacionada con los recursos hídricos en las cuencas del país.
El programa ha sido creado con la finalidad de brindar una eficiente ayuda a los
profesionales en hidrología y administración de los recursos hídricos. Este programa
conlleva las más modernas técnicas de la ciencia Hidrológica, Estadística e Informática.
En concordancia con los procedimientos de gestión de la información hidrológica el
programa se ha organizado modularmente en:
Sistema de Base de Datos
Análisis de consistencia y corrección de la información
Completación y extensión de la información.
Pruebas de bondad de ajuste
Modelación estocástica
Análisis de frecuencia de máximas avenidas
Complementariamente a los respectivos módulos de programa se ha desarrollado la
conexión con los programas o software de uso estándar en hidrología: HEC4 y SAMS para la
completación y modelación estocástica de las series de tiempo hidrológicas.
3.3 MÉTODOS.
La metodología seguida para la validación de series sintéticas generadas por el modelo
estocástico ARMA (p,q), consistió en los siguientes pasos:
3.3.1 RECOPILACIÓN DE DATOS.
Se recopilaron datos hidrológicos históricos de descargas medias mensuales (de las
estaciones hidrométricas de la cuenca del Río Santa), de las siguientes fuentes:
Estudio de vulnerabilidad y Evaluación de Riesgo de las Lagunas de Cancaraca..
Constructora, Consultora y contratistas Generales J.C. & R.F. S.R.L., Diciembre
2001.
46
Estudio Hidrológico Integral de la Sub Cuenca Pariac Embalse Rajucolta –
Afianzamiento Hídrico Río Santa. Consult Control S. A., Octubre 1995.
Estudio Integral para el Aprovechamiento de la Cuenca del Río Santa 1° etapa,
Informe de Inventario, Anexo G: Hidrológica. Hidroservis, setiembre de 1984.
Tesis: Los Modelos ARIMA y Broken Line Aplicados a las Descargas Mensuales de
los Ríos Santa y Tablacacha, Análisis Critico. [22]
Estos estudios tuvieron como fuente Hidrológica EGENOR, SENAMHI, etc; de los
cuales se seleccionaron las estaciones que cuenten con la mayor cantidad de registros
históricos para trabajar con un período común en las estaciones seleccionadas.
En el cuadro N° 3.3 se muestra la disponibilidad de datos hidrométricos de descargas
medias mensuales, de las cuales se seleccionaron las estaciones que cuentan con mayor
número de años de registros históricos de caudales medios mensuales; estas estaciones
hidrométricas son: Recreta, Pachacoto, Querococha, Cedros, Colcas, Quitaracsa,
Condorcerro, Puente Carretera, La Balsa, Chancos, Llanganuco y Parón; el período común
entre las estaciones seleccionadas es desde 1956 hasta 1995. El cuadro N° 3.4 muestra las
estaciones seleccionadas y la disponibilidad de datos de descarga media mensual.
47
CUADRO N° 3.4DIPONIBILIDAD DE DATOS DE LAS ESTACIONES SELECCIONADAS Y PERÍODOS DE ESTUDIO (1956 A 1995)
Nota: El área achurada corresponde a las estaciones, seleccionadas.
NOMBRE19
51-5
219
52-5
319
53-5
419
54-5
519
55-5
619
56-5
719
57-5
819
58-5
919
59-6
019
60-6
119
61-6
219
62-6
319
63-6
419
64-6
519
65-6
619
66-6
719
67-6
819
68-6
919
69-7
019
70-7
119
71-7
219
72-7
319
73-7
419
74-7
519
75-7
619
76-7
719
77-7
819
78-7
919
79-8
019
80-8
119
81-8
219
82-8
319
83-8
419
84-8
519
85-8
619
86-8
719
87-8
819
88-8
919
89-9
019
90-9
119
91-9
219
92-9
319
93-9
419
94-9
519
95-9
619
96-9
719
97-9
819
98-9
919
99-0
020
00-0
120
01-0
2
RECRETA
PACHACOTO
QUEROCOCHA
COLCAS
LOS CEDROS
QUITARACSA
CONDORCERRO
PUENTE CARRETERA
LA BALSA
CHANCOS
LLANGANUCO
PARON
Faltan Datos Durante el Año Datos Completos en Todo el Año Datos Incompletos en Algunos Meses del Año
48
3.3.2 PROCESAMIENTO DE DATOS.
Se realizó el procesamiento de datos hidrométricos como son: análisis de consistencia
de saltos y tendencias de las series hidrométricas, completación y extensión de datos.
Permitiendo así identificar, estimar y eliminar los saltos y tendencias tanto en la media como
en la desviación estándar.
Para un mejor análisis de consistencia y completación de datos, las series se agruparon
teniendo encuenta la ubicación de sus estaciones y a partir de ella evaluar las características
geomorfológicas, cercanías y semejanzas de pisos altitudinales y semejanzas en el monitoreo
de volúmenes de agua.
Para realizar los cálculos, se elaboraron hojas de cálculo en Excel, que automatizaron
el proceso de cálculo. Estas hojas de cálculo fueron de elaboración propia.
1. ANALISIS DE CONSISTENCIA.
Se realizó el análisis de consistencia de las series, permitiendo así identificar,
cuantificar, evaluar y corregir las inconsistencias en los saltos y tendencias.
i. Identificación de los Saltos.
Agrupadas las series hidrométricas, se realizó el análisis visual para identificar
los posibles saltos. La visualización de las series en los hidrogramas hace posible una
primera identificación de los saltos; a partir del grafico de doble masa se pueden
apreciar e identificar los quiebres que representan inconsistencias y en qué períodos
(años) se han presentado estas inconsistencias.
ii. Evaluación, Cuantificación y Corrección de Saltos.
Identificado los quiebres a partir de los gráficos doble masa, se procedió a
cuantificar si la inconsistencia es significativa, para la cuantificación se utilizaron las
ecuaciones 2.2, 2.5 y 2.6 descritas en la sección 2.1.1 (consistencia en la Media y
Desviación Estándar), obtenido los resultados de los estadísticos de contraste en la
prueba de homogeneidad de varianzas y prueba de “t” para la diferencia de 02 medias
que fueron descritas en la sección 2.1.1; se procedió a corregir las series que presentaran
saltos significativos, según el análisis estadístico con las pruebas antes mencionadas
utilizando las ecuaciones 2.7 y 2.8 descritas en la sección 2.1.1.
iii. Identificación de Tendencias.
Obtenida las series libre de saltos en la media y desviación estándar, se realizaron
49
las identificaciones visuales con los hidrogramas a cada serie; esto sirvió para que las
series sean evaluadas y corregidas las tendencias significativas en la media y desviación
estándar.
iv. Evaluación, Cuantificación y Corrección de Tendencias.
Se realizaron los cálculos para cuantificar la tendencia en la media y
desviación estándar utilizando las ecuaciones 2.9 y 2.11 descritas en la sección 2.1.2,
identificando las series que presentaron tendencias significativas tanto en la media y
desviación estándar de acuerdo a la contrastación de hipótesis de la prueba de R2 . Se
corrigieron las series que presentaron tendencias significativas, utilizando las ecuaciones
2.10 y 2.13 para corregir dichas series, estas ecuaciones fueron descritas en la sección
2.1.2.
2. COMPLETACION Y EXTENCION DE DATOS.
Obtenida las series libre de saltos y tendencias, se tiene una serie homogénea
lista para realizar la completación de datos, se tomo en cuenta la completación de datos
más no la extensión, debido a que en la extensión de datos se pierden características
estadísticas de las series originales.
La completación de datos se realizaron en grupos definidos anteriormente,
asegurando la adecuada completación, tomando las series índices o series que
presentaban menores quiebres en los gráficos de doble masa; estas series sirvieron de
estaciones bases para realizar la completación de las otras series que los acompañan en
sus respectivos grupos.
Para el proceso de completación, se preparo una hoja de cálculo de elaboración propia,
para que complete datos teniendo en cuenta:
1° completar datos de la serie índice o completa, a la serie incompleta con
ecuaciones de regresión lineal, se incorporaron varios modelos de ecuaciones de
regresión como lineal simple, logarítmica, potencial, exponencial e inversa; de las cuales
se evaluaron cada ecuación con la prueba de R2 , la ecuación que presentará el valor
más significativo de la prueba, era la adecuada para realizar la completación.
2° si R2 no es significativo, se completaron los datos con el método de las
proporciones.
50
Análisis del Modelo
Declaración de Parámetros y Variables del Programa
Impresión de Grafico de
Serie Residual
Subrutina de Datos de Descargas Hist. de la
Cuenca del Río Santa.
Transformación Logarítmica
Subrutina calcula FA y FAP
Subrutina Toma Logaritmos de datos y calcula parámetros estadísticos.
Selección identificación del modelo en base a FA y FAP
Desestacionalización Serie Histórica Mediante Transformaciones
Subrutina desestacionalización quitando la media
Impresión de Grafico de
Componente Estacional
Impresión de Grafico Componente Estacional
Transformación Estandarización
Subrutina calcula estadística media, desv. Est. histórica
Subrutina desestacionalización y halla serie residual.
Impresión de Grafico de
Componente Residual.
Impresión de Grafico de FA y FAP, para las series de Transf. Logarítmica y estandarización.
SI
NO
SI
NO
14 3
FIG. N° 3.2 DIAGRAMA DE FLUJO PARA EL ANALISIS ESTOCASTICO ARMA (p,q)
51
Bondad de Ajuste.
Impresión coefs. Autorregresivos y media móvil.
Subrutina entrada de datos p, q, del modelo ARMA.
En base FA y FAP estimar ordenes del Modelo
Estimación de parámetros
Subrutina calcula serie aleatoria Et=f(AR, MA)
Subrutina calcula parámetros mediante método de Momentos
Subrutina calcula ajuste de parámetros por max. Verosimilitud.
Impresión resultados Prueba de Porte Monteau.
Subrutina realiza Prueba de Porte Monteau, selección de los primeros modelos ARMA generados.
Impresión resultados de la prueba de Anderson.
Subrutina realiza Prueba de Anderson.
Subrutina calcula FA de serie residual estocástica.
1
24 3
4 3
52
Impresión resultados de modelos seleccionados.
Subrutina halla modelo parsimonioso según AIC, de los modelos pre seleccionado.
Impresión resultados prueba de ajuste de normalidad.
Subrutina calcula ajuste de distribución de probabilidad Normal de serie residual Estocástica.
Prueba del Modelo
satisfactoria?
Probar otra serie
F I N
2
SI
NO
34
53
3.3.3 DESESTACIONALIZACION.
En esta etapa se inicia los procesos para el análisis estocástico del modelo, como es
descrito en el diagrama de flujo en la figura 3.2.
Las componentes aleatoria y no aleatoria tienen que ser identificada y modelada
previamente. Varias transformaciones son disponibles (estandarización, transformación
logarítmica, etc.), para alcanzar aproximadamente una separación entre la llamada
componente estacional o variación determinística y la componente aleatoria.
En general se considera a la variable hidrológica como normal; si es que la serie es
No-normal, una transformación adecuada es usada para hacerla normal:
...(3.1)
Donde:
q: es la función de transformación siendo Yt la variable normal.
Para convertir las series hidrométricas a series normales, se realizó la transformación
logarítmica que ha sido usada en el modelamiento estocástico de modelos ARIMA [22, 1999
y 23, 1991], dando buenos resultados.
El procesamiento de datos para la transformación y estandarización, se elaboró una
hoja de cálculo en Excel de elaboración propia.
1. TRANSFORMACION LOGARITMICA.
Si la desviación estándar aparenta ser directamente proporcional a la media, es
útil una transformación logarítmica, un modelo multiplicativo estabiliza la desviación
estándar y de esa manera se alcanzará una varianza constante a través del tiempo. Para
realizar la transformación se utilizaron las ecuaciones condicionadas a partir de la
ecuación 2.39 descrita en la sección 2.5.4 (Normalización de series Periódicas de
tiempo).
...(3.2)
o por su equivalente:
Ln xt = mk + yt …(3.3)
, k= 1,2,…,12 …(3.4)
E[yt] = 0
Donde:
xt : Observación mensual.
Ln xt : Logaritmo natural de la observación t.
mk : Media aritmética estimada de Ln xt, histórica mensual k.
54
yt : variable aleatoria.
N : número de años.
2. ESTANDARIZACION.
La varianza estacional en la media y la desviación estándar mensual pueden ser
eliminadas estimando los dos primeros momentos y luego normalizando a un proceso de
media cero y varianza unitaria.
Para la estandarización de la serie transformada se aplicó la formula 2.42
descrita en la sección 2.5.4 (Eliminación de la periodicidad dentro del año)
Ejemplo:
Procedimientos para determinar la componente residual y estacionaria para la
normalización con transformación logarítmica (Cuadro N° 3.5) y estandarización de
datos (cuadro lado derecho). La grafica de las componentes residual y estacional se
muestra en las figuras 4.25 al 4.48.
Cuadro N° 3.5 Ejemplo de cálculo para determinar la Transformación Logarítmica y
la Estandarización.
CAUDAL LOG. NATURAL COMPONENTE COMPONENTE LOG. NATURAL COMPONENTE COMPONENTE
MEDIO CAUDAL ESTACIONAL RESIDUAL CAUDAL ESTACIONAL RESIDUAL
AÑOS QmLn(Qm)
=Q'AÑOS Q'
1956 4.848 1.579 6.1127 -0.2318 1956 1.58 1.8104 -0.62061957 3.673 1.301 6.1127 -0.5094 1957 1.30 1.8104 -1.36371958 6.248 1.832 6.1127 0.0219 1958 1.83 1.8104 0.05861959 4.682 1.544 6.1127 -0.2667 1959 1.54 1.8104 -0.71391960 8.517 2.142 6.1127 0.3317 1960 2.14 1.8104 0.88801961 6.022 1.795 6.1127 -0.0150 1961 1.80 1.8104 -0.04001962 9.657 2.268 6.1127 0.4573 1962 2.27 1.8104 1.22431963 10.161 2.319 6.1127 0.5082 1963 2.32 1.8104 1.36051964 6.286 1.838 6.1127 0.0279 1964 1.84 1.8104 0.07481965 3.891 1.359 6.1127 -0.4517 1965 1.36 1.8104 -1.20931966 9.075 2.206 6.1127 0.3951 1966 2.21 1.8104 1.05791967 4.160 1.426 6.1127 -0.3849 1967 1.43 1.8104 -1.03031968 4.445 1.492 6.1127 -0.3186 1968 1.49 1.8104 -0.85291969 3.549 1.267 6.1127 -0.5437 1969 1.27 1.8104 -1.45561970 11.404 2.434 6.1127 0.6236 1970 2.43 1.8104 1.66951971 7.969 2.076 6.1127 0.2652 1971 2.08 1.8104 0.70991972 5.553 1.714 6.1127 -0.0960 1972 1.71 1.8104 -0.25711973 7.368 1.997 6.1127 0.1868 1973 2.00 1.8104 0.5000
PROMEDIO 6.53 1.81 6.11 0.0000 PROMEDIO 1.81 1.8104 0.0000Zt : variable normalizada con media cedo y varianza uno DESV. EST. 0.37 0.0000 1.0000
Para el modelamiento de los datos de caudales históricos corregidos y
completados en el programa SAMS, este presenta opciones para normalización de datos
con varias trasformaciones e ingreso de coeficientes “a” para el mejor ajuste. En las
55
Fig. N° 3.3-1: Se muestra el ploteo de datos promedio mensuales de la serie de Pachacoto, el ploteo de datos caen fuera de los límites de confianza para que la serie se normal.
siguientes figuras (3.3-1 al 3.3-4) se muestran el proceso de transformación logarítmica
que se realiza en el programa SAMS.
Fig. N° 3.3-2: Se muestras las diferentes opciones para normalizar los datos, entre estas se encuentra la transformación logarítmica.
Fig. N° 3.3: se muestra las diferentes transformaciones para normalizar los datos, en este caso se aplico la transformación logarítmica.
Fig. N° 3.4: después de la transformación, los datos ploteados mejoraron de ajuste que se puede ajustar mejor dando valores al coeficiente “a”
56
Fig. N° 3.3-4: con a=0.25, se tiene mejor ajuste de datos, que los mostrados en la figura anterior, con este parámetro, los datos han quedado normalizados.
Fig. 3.3-3: Después de aplicar transformación logarítmica a los datos, estos han mejorado en el ploteo ajustándose mejor dando valores al coeficiente “a”.
57
3.3.4 IDENTIFICACION O SELECCIÓN DEL MODELO.
Los instrumentos para la identificación del modelo son la muestra visual de la serie
original, el comportamiento de la función de autocorrelación (FA) y la función de
autocorrelación parcial (FAP). La inspección visual de la muestra de la serie original puede
revelar la presencia de una tendencia.
1. FUNCION DE AUTOCORRELACION (F.A.).
El análisis de la estacionariedad de las series aleatorias obtenidas a partir de la
transformación logarítmica, se obtiene de la función de autocorrelación definida en la
sección 2.4.1 con la ecuación 2.17. Para los límites de Anderson se aplicó la ecuación
2.57 de la sección 2.5.4. Para la determinación de la Función de Autocorrelación de las
series con transformación logarítmica y estandarizada se utilizó el programa Minitab
13.1; en los programas de SPSS 11.0 y Statgraf también se encuentra disponible.
Ejemplo: Obtención de la función de autocorrelación, calculando el coeficiente de
correlación entre: Xt, Xt+1; Xt+1,Xt+2, ; … ; Xt+3, Xt+4. Ver cuadro N° 3.6 y Fig N° 3.4.
Cuadro N° 3.6: Ejemplo para el cálculo de la Función de Autocorrelación.
Γk 0.747 0.781 0.747 0.787 0.525 T Xt Xt+1 Xt+2 Xt+3 Xt+4 Xt+5 Retardo Función
CorrelaciónLimite
superiorLimite inferior
58
1 -0.2279 0.0883 -0.1142 0.1610 -0.1502 -0.4971 k Γk
2 0.0883 -0.1142 0.1610 -0.1502 -0.4971 -0.8847 1 0.747 0.507 -0.749
3 -0.1142 0.1610 -0.1502 -0.4971 -0.8847 -1.1074 2 0.781 0.462 -0.706
4 0.1610 -0.1502 -0.4971 -0.8847 -1.1074 -0.7160 3 0.747 0.410 -0.652
5 -0.1502 -0.4971 -0.8847 -1.1074 -0.7160 4 0.787 0.356 -0.599
6 -0.4971 -0.8847 -1.1074 -0.7160 5 0.525 0.283 -0.519
7 -0.8847 -1.1074 -0.7160
8 -1.1074 -0.7160
9 -0.7160
10 -0.6538
2. FUNCION DE AUTOCORRELACION PARCIAL (F.A.P.)
La Función de Autocorrelación Parcial (F.A.P.) es otra forma de representar la
estructura de dependencia en el tiempo, y es útil para identificar el orden del modelo,
esta función se obtiene de la ecuación 2.23 descrita en la sección 2.4.2. Para los límites
de Anderson se aplicó la ecuación 2.56 de la sección 2.5.4. Para la determinación de la
Función de Autocorrelación de las series con transformación logarítmica y estandarizada
se utilizó el programa Minitab 13.1, en los programas de SPSS 11.0 y Statgraf también
se encuentran disponibles.
Ejemplo: Para la obtención de la función de autocorrelación parcial, se resuelve el
sistema de ecuaciones, donde son las funciones de autocorrelación
parcial y , son las funciones de autocorrelación obtenidas anteriormente.
Función de Autocorrelación
-1.00-0.80-0.60-0.40-0.200.000.200.400.600.801.00
1 2 3 4 5
Retardos
Γk
Limite superior
Limite inferior
Fig. N° 3.4: Ploteo de la Función de Autocorrelación y los límites de confianza.
59
3.3.5 ESTIMACION DE LOS PARAMETROS DEL MODELO ARMA (p,q).
El propósito es estimar los parámetros de los modelos seleccionados en la sección
anterior. La estimación de estos parámetros se realiza inicialmente por el método de los
momentos, para luego continuar con el método de la máxima verosimilitud. Para la
determinación de los parámetros autorregresivos y media móvil del modelo ARMA (p,q) se
utilizó el programa SAMS 2000 (Simulación y Análisis de Modelos Estocásticos).
Para obtener los parámetros del modelo ARMA (p,q), se siguen los siguientes pasos:
Paso 1: Se obtienen los estimados iniciales de los “p” parámetros autorregresivos ø1, ø2, …,
øp, resolviendo las “p” ecuaciones de Yule-Walker.
Paso 2: Obtener los estimados iniciales de los “q” parámetros de media móvil θ1, θ2, …, θq,
de la serie modificada.
Luego la función de autocovarianza C’k de la serie z’k. Alternativamente Box y Jenkins
(1976) dan la formula siguiente para los C’k de la serie zt utilizando los ø disponibles del
paso 1:
Donde:
dj = Cj+1 + Cj-1 , j= 0, 1, …, q , ø0= -1
Los C’j, los parámetros θ y la Varianza residual σ2ε se obtienen resolviendo
iterativamente las siguientes ecuaciones:
60
Esto completa la estimación inicial de los parámetros , , …, , , , …, , .
Entonces el modelo inicial estimado será:
Paso 3: Se fija el estimado por el principio de máxima verosimilitud. Se calculan las
residuales:
Siendo N la extensión de la serie residual. La suma de los cuadrados se calcula
mediante:
Para varias combinaciones de θ y ø se fijan aquellos en los cuáles S es mínimo. Para
obtener los parámetros autorregresivos y media móvil se usó del software SAMS
(Simulación y Análisis de Modelos estocásticos), que modela series con el método ARMA
de Box y Jenkins, el SAMS tiene 02 presentaciones del modelo ARMA, para series anuales y
para series estacionales, que en este caso se denomina PARMA (Periódico ARMA).
Se aplicó el modelamiento ARMA periódico (en el SAMS esta definido como
PARMA) que es para series estacionales. Inicialmente el software presenta opciones para
realizar transformaciones para aproximar a una serie normal (transformación logarítmica,
potencia y Box-cox), para luego elegir la opción de realizar la estandarización de las series;
luego determina los parámetros estadísticos, seguidamente calcula los “p” parámetros
autorregresivos y luego los “q” parámetros de media móvil; los parámetros de los modelos
son calculados por el método de los momentos y de la suma de cuadrados.
3.3.6 PRUEBA DE BONDAD DE AJUSTE DEL MODELO ARMA (p,q).
Después de remover las componentes periódicas y la estructura dependiente en el
tiempo, el modelo aplicado debe probarse para determinar sí el modelo obedece las
asunciones ejemplares y si el modelo es capaz de reproducir las propiedades estadísticas
históricas de los datos, esencialmente las asunciones importantes de los modelos se refieren a
las características subyacentes de los residuos como normalidad e independencia.
El programa SAMS presenta entre sus bondades, las pruebas de Residuales: como las
pruebas de Normalidad de Residuales y la prueba de Independencia de residuales. Para la
verificación de la bondad de ajuste del modelo se realizaron las siguientes pruebas:
61
1. PRUEBA DE INDEPENDENCIA EN EL TIEMPO.
Se aplican las pruebas de falta de ajuste de porte Monteau con juntamente con el
correlograma de Anderson, para probar la independencia de las series de tiempo.
i. Prueba de Ajuste de Porte Monteau.
Esta prueba es para verificar si la variable residual εt es normal e independiente.
Con el estadístico propuesto, en la sección 2.5.4 (Prueba de Bondad de ajuste del
Modelo) aplicando la ecuación 2.58, comparamos el valor de el Q-estadístico con el
valor Chi-cuadrado de (L-p-q) grados de libertad, con un nivel de significación 0.05, y si
es que Q < χ(L-p-q)2 entonces εt es independiente normal y el modelo seleccionado es
adecuado.
ii. Prueba de Anderson.
La hipótesis de que las residuales no se correlacionan, es decir que constituyen
series independientes, se comprueba por la prueba del correlograma de Anderson. El
correlograma rk (ε) de los residuales εt se determina por la ecuación 2.17 y los límites de
95% para el correlograma de serie independiente se calcula con la ecuación 2.57.
2. PRUEBA DE NORMALIDAD.
El programa SAMS realiza el Test de Residuales para el modelo ARMA (p,q),
de tal manera que realiza la Prueba de Chi-cuadrado y Asimetría de Normalidad
(Skewness Test of Normaliti) realizando una prueba gráfica consistente en el ploteo de
la distribución empírica de la serie en un papel de probabilidad normal y verificar si los
puntos ploteados siguen aproximadamente una línea recta, se utilizan las ecuaciones
2.59 y 2.60 respectivamente.
3. PARSIMONIA DE PARAMETROS.
Una regla para seleccionar entre modelos ARMA (p,q) competentes es aplicando el
criterio de Información Akaike (ver ecuación 2.61) se selecciona el modelo que tiene el
menor valor del AIC(p,q).
3.3.7 GENERACION SINTETICA DE SERIES HIDROLOGICAS CON EL
MODELO ARMA (p,q).
62
Teniendo los modelos seleccionados según el criterio de Información Akaike, que
toma en cuenta la parsimonia de parámetros, se procede a la generación de series sintéticas
mensuales, para ver si el modelo reproduce series con características estadísticas similares a
la serie histórica muestral, puesto que se supone que ellas derivan de una misma población, y
de esta forma poder seleccionar un modelo entre los modelos competentes hallados para cada
serie.
La generación de series es hecha para cada modelo a través de sus respectivos
parámetros autorregresivos (AR) y medias móviles presentes (MA), para la generación de
series se ha empleado la ecuación 2.63; luego si la serie fue estandarizada una
transformación inversa será necesario utilizando la ecuación 2.65, como las series fueron
normalizadas con la transformación logarítmica, una transformación inversa será necesaria
aplicando la ecuación 2.68
El programa SAMS genera las series sintéticas en función a los parámetros del modelo
ARMA (p,q) establecido en el capitulo II de la siguiente manera:
Generar datos con el modelo ARMA (p,q) que tiene la siguiente estructura
,
Si se realizó la estandarización, una transformación inversa es aplicada con:
.
Se obtiene los caudales generados de la siguiente formula
, que depende de la media y desviación estándar histórica
de los datos transformados (transformación logarítmica), y el parámetro
estocástico estandarizado.
Si una transformación a sido aplicada, como la logarítmica, una
transformación inversa es aplicada con: ; a partir de esta
se obtiene los caudales sintéticos medios mensuales generados.
Según recomendación del manual del usuario del SAMS 2000 [14], que recomienda
realizar 100 generaciones de series de caudales; se realizaron esta cantidad de series
generadas para realizar las pruebas estadísticas de validación. Ejemplo la aplicación del
modelo ARMA (2,1) es mostrado en el cuadro N° 3.7.
63
Cuadro N° 3.7: modelo periodico ARMA (p,q)υ: años τ: mes cualquiera de 1 a 12 (Ene a Dic)
1
2
3
4… …υ
1. ANALISIS COMPARATIVO DE SERIES HISTORICAS Y GENERADAS.
Seleccionado los modelos de la serie por transformación logarítmica y
estandarización según el Criterio de Información de Akaike, son generados 100 series
mensuales de longitud igual a los tramos establecidos, el programa SAMS determina la
Media, Desviación Estándar, Coeficiente De Asimetría, Coeficiente De Variación,
Máximos y Mínimos mensuales respectivamente; de las series generadas e históricas,
de esta manera tomamos los estadísticos mas representativo como la media y desviación
estar para realizar las pruebas de validación.
3.3.8 VALIDACION DE RESULTADOS Y CONTRASTACION DE HIPOTESIS.
Para la validación de las series sintéticas generadas por el programa SAMS 2000, a
partir de las series históricas que son las originales, será necesaria la realización de pruebas
estadísticas descritas en la sección 2.7.4 utilizando las ecuaciones 2.74 y 2.78 para muestras
independientes y la ecuación 2.81 para muestras dependientes; con la finalidad de verificar la
semejanza estadística que tiene los estadísticos más significantes como la media y desviación
estándar. Los cálculos se realizaron en una hoja automática de cálculo Excel de elaboración
propia. Para la validación de series, se realizaron las siguientes pruebas:
1. PRUEBA DE HIPOTESIS REFERENTE A 02 MUESTRAS.
Esta prueba consistente en evaluar la semejanza estadística de dos muestras, realizando
las siguientes pruebas:
i. Prueba de Hipótesis de las Varianzas de 02 Poblaciones.
Prueba necesaria para determinar si las varianzas de dos poblaciones son
homogéneas, para esto se aplicó la ecuación 2.70 descritas en la sección 2.7.4, esta
prueba se realizó estación por estación (mes por mes), teniendo en cuenta el numero de
datos de cada serie (estación hidrométrica), tanto para el promedio mensual de las 100
series generadas, como para cada serie generada.
64
Esta prueba es necesaria para identificar si las varianzas, son iguales o no,
teniendo la evaluación de esta prueba se procede a la siguiente prueba estadística.
ii. Prueba de “T” para Muestras Independientes.
Identificado si las varianzas son homogéneas o no, se realiza la prueba de la
diferencia de dos medias con los estadísticos de prueba de la distribución t student, esta
prueba tiene dos formas, la primera es cuando las varianzas resulten iguales y la
segunda, para cuando las varianzas resulten diferentes. Para la cuantificación y
evaluación de estas pruebas se utilizaron las ecuaciones 2.73 y 2.77 descritas en la
sección 2.7.4.
iii. Prueba de “T” para Muestras Dependientes.
Relacionando las medias y varianzas de las series históricas y generadas, para la
relación se determinó la diferencia, se realizaron las pruebas estadísticas para series
dependientes; consistentes en pruebas de media y pruebas de varianza para cada serie
(estación hidrométrica) aplicando la ecuación 2.81 para la media y desviación estándar
de la diferencia de la serie histórica y la generada.
2. INTERVALO DE CONFIANZA A PARTIR DE LAS SERIES GENERADAS.
Otra prueba es la cuantificación y evaluación de la serie histórica, en el intervalo
de confianza calculado a partir de las series generadas, para esto se aplicaron las
formulas descritas en la sección 2.7.4 (Intervalo de Confianza a partir de las Series
Generadas), ecuaciones 2.82, 2.83 y 2.84.
3. PRUEBAS DE BONDAD DE AJUSTE.
Para verificar si las series históricas y las generadas se ajustan a una distribución
de probabilidad normal, se cuantificaron y evaluaron con las pruebas de Chi- Cuadrado
y Kolmogorov Smirnov descritas en la sección 2.7.4 (Pruebas de bondad de Ajuste) y
utilizando las ecuaciones 2.85 y 2.86 respectivamente.
Para la realización de estas pruebas se determina una serie generada optima
teniendo en cuenta como criterio, las pruebas de de hipótesis para dos muestras, se
evaluaron cada una de las 100 series sintéticas generadas con las series históricas
respectivamente, de las cuales se simulo con varios valores de nivel de significancia (α
probabilidad de error) para que de esta manera quede una sola serie que es la mas
representativa.
65
IV. RESULTADOS
66
4.1 INFORMACIÓN HIDROMÉTRICA.
De los registros históricos se seleccionaron 12 estaciones que cuentan con mayor
cantidad y continuidad de datos hidrométricos; las estaciones seleccionadas se agruparon
para un mejor análisis de consistencia y completación de datos. Los grupos de estaciones
seleccionadas fueron agrupadas teniendo en cuenta características geomorfológicas,
cercanías y semejanzas de pisos altitudinales, semejanza en el monitoreo de volúmenes de
agua.
A continuación se muestra en el cuadro 4.1, las estaciones seleccionadas en grupos
para los análisis posteriores y el período de registro que se ha considerado para realizar el
análisis.
GRUPO Estaciones Hidrométricas Seleccionadas
Datos disponibles en años
GRUPO IRecreta 1956 – 1995Pachacoto 1956 – 1995Querococha 1956 – 1995
GRUPO IIColcas 1956 – 1995Cedros 1956 – 1995Quitaracsa 1956 – 1995
GRUPO IIICondorcerro 1956 – 1995Puente carretera 1956 – 1995La Balsa 1956 – 1995
GRUPO IVChancos 1956 – 1995Llanganuco 1956 – 1995Parón 1956 – 1995
Los datos de descargas medias mensuales históricas de las estaciones
seleccionadas se muestran en el anexo B-1.
4.2 ANALISIS DE CONSISTENCIA.
4.2.1 IDENTIFICACION VISUAL.
1. ANÁLISIS DE HIDROGRAMAS.
Cuadro N° 4.1. Estaciones hidrométricas seleccionadas y ordenadas por grupos
67
Se plotearon los valores de caudales medios mensuales versus tiempo, para las
estaciones hidrométricas en estudio, dichos gráficos se muestran en las figuras 4.13 al
424.
2. ANALISIS DOBLE MASA.
Para el análisis de doble masa, se tomo en cuenta las agrupación de estaciones,
mostradas en el cuadro 4.1, en las figuras 4.1 al 4.4 muestran las rectas de doble masa de
las series históricas seleccionadas por grupos, de las cuales para cada grupo se identifico
las estaciones que tienen menos puntos de quiebre, determinando las estaciones índices
en cada grupo (ver cuadro 4.2):
Cuadro N° 4.2: Estaciones Índices en los grupos de estaciones Hidrométricas
GRUPO DE ESTACIONES HIDROMÉTRICAS ESTACION INDICE
GRUPO I PACHACOTO
GRUPO II CEDROS
GRUPO III LA BALSA
GRUPO IV LLANGANUCO
En las figuras 4.5 al 4.8 muestran las rectas doble masa, ploteadas con las
estaciones índices e identificando los puntos de quiebre y los períodos confiables y
dudosos mostrados en el cuadro 4.3.
4.2.2 ANALISIS DE CONSISTENCIA EN SALTOS.
Tomando en cuenta las consideraciones de análisis visual de los datos originales
(análisis de hidrogramas y análisis doble masa), e identificado los períodos dudosos y
confiables de las series de estaciones analizadas teniendo en cuenta que los períodos
confiables son los que tienen mayor longitud y realizando el análisis estadístico en la media
y desviación estándar según las pruebas estadísticas t de Student y F de Fisher Snedecor
indicadas en al sección 2.1 (análisis de consistencia de datos hidrológicos), permitiendo
identificar, cuantificar, evaluar y corregir los períodos dudosos a partir de los períodos
confiables; aumentando así, la bondad de ajuste. Los resultados se muestran en el cuadro N°
4.5, donde la parte resaltada indica los períodos donde el análisis estadístico de tendencia en
la media resulto no significativo.
68
Cuadro N° 4.3 períodos confiables y dudosos en las series de estaciones seleccionadas.
SERIE ESTACION
PERÍODOS
CONFIABLE LONGITUD (AÑOS) DUDOSO LONGITUD
(AÑOS)
RECRETA 1956-1976 21
1977-19801981-19841985-19891990-1993
4454
QUEROCOCHA 1956-1968 13
1969-19741975-19811982-19851986-1993
6748
COLCAS 1956-1976 21 1977-19831984-1992
79
QUITARACSA 1956-1992 37 1993-1995 3
LA BALSA 1956-1978 23 1979-1995 17
PUENTE CARRETERA 1956-1971 16
1972-19791980-19851986-1989
864
CHANCOS 1956-1977 22 1978-1986 9
LLANGANUCO 1956-1976 21 1977-1995 19
PARON 1956-1976 211977-19841985-19891990-1995
856
4.2.3 ANALISIS DE CONSISTENCIA EN TENDENCIAS
Las tendencias se analizan tanto en la media como en la desviación estándar utilizando
la prueba de R2, siendo evaluada con el estadístico t de Student para el ajuste, teniendo como
resultado final una muestra de datos homogéneos, consistentes y libres de tendencias. Se
analizaron las series libres de saltos, realizando el análisis de tendencia en toda la longitud de
la serie y en algunos períodos donde presentaron visualmente tendencias, de las cuales estos
períodos fueron evaluados y corregidos mostrando los resultados, ver cuadro N° 4.6. Las
filas resaltadas indican los períodos donde el análisis estadístico en tendencias, resulto
significativo.
4.3 COMPLETACION DE DATOS.
Obtenida series homogéneas libres de saltos y tendencias, se completaron datos
faltantes en algunos meses de las estaciones en estudio. La completación se realizo con un
programa de elaboración propia en hoja de calculo Excel XP, donde el programa realiza la
verificación de los coeficientes de correlación “R2” en 7 diferentes modelos de ecuaciones
lineales, de donde se selecciona el mejor valor de R2 con la prueba de t de Student; si los
69
coeficientes “R2” no cumplen con la prueba de t Student, se realiza la completación con el
método de proporciones. Las series hidrológicas de caudales medios mensuales corregidos
y completados se presentan en el anexo B-2. En las figuras 4.9 al 4.12 se muestran las rectas
doble masa de los caudales corregidos y completados, y en las figuras 4.13 al 4.24 se
muestran hidrogramas comparativos de caudales históricos y corregidos.
Cuadro N° 4.4: Modelos de ecuación de regresión para la completación de datos.
N° Ecuaciones de Completación
1 Y = a*X + b
2 Y = a*LnX + b
3 Y = b*exp(a*X)
4 Y = b*X^a
5 Y = a/X + b
6 Y = X/(a + b*X)
7 Y = exp(b+X*Lna)
Donde:
Y : valor completado de la estación incompleta correspondiente al mes
y año que se quiere completar.
X : datos de la estación completa correspondiente al mes y año que se
quiere completar.
a,b : coeficientes de la ecuación obtenidas por regresión lineal.
70
CUADRO N° 4.5RESULTADO DE LOS ANALISIS DE CONSISTENCIA EN LOS SALTOS
CUADRO N° 4.5RESULTADO DE LOS ANALISIS DE CONSISTENCIA EN LOS SALTOS
PERIODOS
N1 X1 S1 N2 X2 S2 Tcal T95% Comp Dif.Sig. Fcal F95% COMP. D.SIG. COEF. A COEF. B
1956 1976 1977 1980 252 3.174 3.774 48 1.651 1.897 2.729 1.968 Tc>Tt SI 3.959 1.492 Tc>Tt Si 1.98977 -0.11091
1956 1980 1981 1984 300 3.174 3.768 48 3.348 4.317 0.291 1.967 Tc>Tt NO 1.313 1.404 Tc>Tt NO 0.87284 0.25174
1956 1984 1985 1989 348 3.198 3.842 60 2.427 2.510 1.499 1.966 Tc>Tt NO 2.344 1.422 Tc>Tt Si 1.53097 -0.51788
1956 1989 1990 1993 408 3.198 3.837 48 1.605 2.086 2.825 1.965 Tc>Tt SI 3.383 1.479 Tc>Tt Si 1.83926 0.24551
1956 1968 1969 1974 155 1.607 1.157 72 1.864 1.388 1.456 1.971 Tc>Tt NO 1.439 1.382 Tc>Tt Si 0.83375 0.05359
1956 1974 1975 1981 227 1.607 1.154 84 1.777 1.298 1.113 1.968 Tc>Tt NO 1.265 1.334 Tc>Tt NO 0.88914 0.02725
1956 1981 1982 1985 311 1.653 1.195 48 2.072 1.407 2.204 1.967 Tc>Tt SI 1.386 1.403 Tc>Tt NO 0.84954 -0.10697
1956 1985 1986 1993 359 1.653 1.194 95 1.466 1.106 1.380 1.965 Tc>Tt NO 1.164 1.327 Tc>Tt NO 1.07878 0.07173
1956 1976 1977 1983 243 5.739 2.921 84 6.885 2.863 3.113 1.967 Tc>Tt SI 1.041 1.363 Tc>Tt NO 1.02036 -1.28539
1956 1983 1984 1992 327 5.739 2.916 91 5.014 2.890 2.104 1.966 Tc>Tt SI 1.018 1.338 Tc>Tt NO 1.00905 0.68031
QUITARACSA 1956 1992 1993 1995 419 10.672 5.541 36 14.823 14.985 3.536 1.965 Tc>Tt SI 7.314 1.451 Tc>Tt Si 0.36977 5.19102
CONDORRCERRO 1956 1984 1985 1993 348 146.631 120.996 108 118.396 111.371 2.158 1.965 Tc>Tt SI 1.180 1.308 Fc>Ft NO 1.08642 18.00241
1956 1971 1972 1979 192 148.12 137.89 96 158.70 163.91 0.576 1.968 Tc>Tt NO 1.413 1.330 Tc>Tt Si 0.84128 14.61128
1956 1979 1980 1985 288 148.12 137.65 70 259.94 255.96 5.017 1.967 Tc>Tt SI 3.457 1.345 Tc>Tt Si 0.53780 8.32615
1956 1985 1986 1989 358 148.12 137.46 46 281.70 242.25 5.581 1.966 Tc>Tt SI 3.106 1.406 Tc>Tt Si 0.56744 -11.72550
CHANCOS 1956 1977 1978 1986 257 7.885 3.781 108 9.771 4.710 4.034 1.967 Tc>Tt SI 1.552 1.297 Tc>Tt Si 0.80277 0.04103
1956 1976 1977 1984 245 1.590 0.602 96 2.127 0.779 6.792 1.967 Tc>Tt SI 1.675 1.313 Tc>Tt Si 0.77255 -0.05272
1956 1984 1985 1989 341 1.590 0.601 60 2.476 0.714 10.225 1.966 Tc>Tt SI 1.413 1.361 Tc>Tt Si 0.84120 -0.49247
1956 1989 1990 1995 401 1.590 0.600 57 2.253 1.940 5.310 1.965 Tc>Tt SI 10.459 1.363 Tc>Tt Si 0.30921 0.89356
NOTA: X1: PROMEDIO DEL GRUPO 1 T cal: ESTADISTICO T DE STUDENT CALCULADO COEF. A: COEFICIENTE DE REGRESION A
X2: PROMEDIO DEL GRUPO 2 T 95%: ESTADISTICO T DE STUDENT TABULAR CONST. B: TERMINO CONSTANTE DE REGRESION B
S(X1): DESVIACION ESTANDAR DEL GRUPO 1 Fcal: ESTADITICO F DE SNEDECOR CALCULADO N1: NUMERO DE DATOS DEL GRUPO 1
S(X2): DESVIACION ESTANDAR DEL GRUPO 2 F 95%: ESTADISTICO F DE SNEDECOR TABULAR N2: NUMERO DE DATOS DEL GRUPO 2
CONFIABLES DUDOSOS
PERIODO CONFIABLE CONSISTENCIA EN LA DESV. ESTANDAR ECUACIONPERIODO DUDOSO CONSISTENCIA EN LA MEDIA
COLCAS
PUENTE CARRETERA
PARON
ESTACION
RECRETA
QUEROCOCHA
71
CUADRO N° 4.6RESULTADO DE ANALISIS DE TENDENCIA EN LA MEDIA Y DESVIACION ESTANDAR
INICIO FINAL Am Bm Tc Tt (95%)1956 1995 MEDIA -0.00014 3.22604 -0.10951 1.96494 Tc>=Tt NO
1956 1995 DES. ESTANDAR 0.00060 3.57067 0.02970 2.02439 Tc>=Tt NO
1956 1961 MEDIA 0.01913 3.78773 1.21243 1.99444 Tc>=Tt NO
1956 1961 DES. ESTANDAR 0.04643 2.61614 0.40912 2.77645 Tc>=Tt NO
1962 1964 MEDIA -0.10357 7.08711 -1.86075 2.03224 Tc>=Tt NO
1962 1964 DES. ESTANDAR -0.46582 4.51212 -0.88294 12.70615 Tc>=Tt NO
1968 1970 MEDIA 0.06189 2.79202 1.57983 2.03224 Tc>=Tt NO
1968 1970 DES. ESTANDAR 0.52418 1.27766 4.00999 12.70615 Tc>=Tt NO
1956 1995 MEDIA -0.00218 4.76769 -2.22823 1.96496 Tc>=Tt SI
1956 1995 DES. ESTANDAR -0.01352 3.12928 -1.18879 2.02439 Tc>=Tt NO
1956 1995 MEDIA -0.00002 1.63241 -0.04819 1.96496 Tc>=Tt NO
1956 1995 DES. ESTANDAR 0.00536 1.07724 1.03447 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.00134 5.57188 1.32129 1.96523 Tc>=Tt NO
1993 1994 MEDIA -0.24745 10.21818 -2.73613 2.07388 Tc>=Tt SI
1956 1995 DES. ESTANDAR -0.00206 2.86858 -0.16052 2.02439 Tc>=Tt NO
1956 1995 MEDIA -0.00327 11.47305 -1.77735 1.96521 Tc>=Tt NO
1956 1995 DES. ESTANDAR -0.03707 5.87665 -1.47932 2.02439 Tc>=Tt NO
1956 1995 MEDIA -0.00055 3.61762 -1.21782 1.96510 Tc>=Tt NO
1956 1995 DES. ESTANDAR 0.00902 1.04094 1.31683 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.01218 143.45298 0.30510 1.96494 Tc>=Tt NO
1956 1995 DES. ESTANDAR 0.05814 109.76259 0.08421 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.03430 141.49410 0.72666 1.96521 Tc>=Tt NO
1956 1965 MEDIA -0.80793 204.78879 -2.29287 1.98027 Tc>=Tt SI
1956 1995 DES. ESTANDAR -0.13978 126.48320 -0.19539 2.02439 Tc>=Tt NO
1956 1995 MEDIA -0.03950 94.58298 -1.92749 1.96494 Tc>=Tt NO
1956 1995 DES. ESTANDAR -0.37616 67.30793 -1.28253 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.00013 7.86623 0.10168 1.96501 Tc>=Tt NO
1978 1992 MEDIA -0.01437 9.01481 -2.48362 1.97346 Tc>=Tt SI
1956 1995 DES. ESTANDAR 0.02491 3.28282 1.81144 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.00089 2.79873 2.43804 1.96505 Tc>=Tt SI
1956 1995 DES. ESTANDAR 0.00667 0.91028 2.30245 2.02439 Tc>=Tt SI
1956 1995 MEDIA -0.00014 1.62258 -0.66393 1.96518 Tc>=Tt NO
1956 1995 DES. ESTANDAR -0.00485 0.63333 -1.82622 2.02439 Tc>=Tt NO
Tc: ESTADISTICO T DE STUDENT CALCULADO Am COEFICIENTE DE CORRELACION LINEAL SIMPLETt (95%): ESTADITICO T DE STUDENT TABULAR Bm COEFICIENTE CONSTANTE DE CORRELACION SIMPLE
LA BALSA
CHANCOS
LLANGANUCO
PARON
QUITARACSA
CEDROS
CONDORCERRO
PUENTE CARRETERA
RECRETA
QUEROCOCHA
COLCAS
PACHACOTO
ESTACION COMPROVACION TENDENCIA SIGNIFICATIVAPERIODO
TENDENCIACOEFICIENTE ESTADISTICO T
72
CUADRO N° 4.7: ECUACIONES DE COMPLETACION DE DATOS FALTANTES ENTRE ESTACIONES
ESTACION DE COLCAS COMPLETA CON LA ESTACION LA BALSA
MES FORMA DE ECUACIÓN SIGNIFICATIVO PRUEBA R2 R2 a b
ENE Y = a*X + b SI 0.2139 0.0300 4.4842
FEB Y = a*X + b SI 0.2314 0.0184 6.4364
MAR Y = a*X + b SI 0.3280 0.0235 5.1236
ABR Y = b*X^a SI 0.2290 0.3729 1.1168
MAY Y = b*X^a SI 0.1368 0.3518 1.0607
JUN completado con el método de proporciones
JUL completado con el método de proporciones
AGO completado con el método de proporciones
SET Y = X/(a + b*X) SI 0.1781 6.9124 0.1383
OCT Y = X/(a + b*X) SI 0.2317 7.5656 0.1151
NOV Y = b*X^a SI 0.1719 0.4784 0.6727
DIC Y = X/(a + b*X) SI 0.1945 4.4012 0.1072
ESTACION DE QUITARACSA COMPLETADA CON LA ESTACION LA BALSA
MES FORMA DE ECUACIÓN SIGNIFICATIVO PRUEBA R2 R2 a b
ENE Y = a/X + b SI 0.5233 -1125.3084 23.6419
FEB Y = a*X + b SI 0.4947 0.0626 7.6528
MAR Y = b*X^a SI 0.5499 0.5653 1.0165
ABR Y = X/(a + b*X) SI 0.6451 5.0618 0.0270
MAY Y = b*X^a SI 0.5978 0.6762 0.5680
JUN Y = X/(a + b*X) SI 0.2804 3.2516 0.0556
JUL Y = X/(a + b*X) SI 0.0907 2.1006 0.1020
AGO Y = X/(a + b*X) SI 0.0874 1.7645 0.1224
SET Y = X/(a + b*X) SI 0.1604 1.8996 0.1157
OCT Y = X/(a + b*X) SI 0.2254 3.1223 0.0656
NOV Y = b*X^a SI 0.1789 0.3014 2.5275
DIC Y = b*exp(a*X) SI 0.3692 0.0054 6.1012
ESTACION DE LOS CEDROS COMPLETADA CON LA ESTACION DE LA BALSA
MES FORMA DE ECUACIÓN SIGNIFICATIVO PRUEBA R2 R2 a b
ENE Y = exp(b+X*Lna) SI 0.1776 1.0028 1.0743
FEB Y = a*X + b SI 0.2718 0.0124 2.7872
MAR Y = a*X + b SI 0.2895 0.0114 3.0248
ABR Y = a*X + b SI 0.3042 0.0154 2.4233
MAY Y = a/X + b SI 0.2680 -70.3681 4.3370
JUN Y = a/X + b SI 0.2391 -61.1357 4.1631
JUL Y = a*X + b SI 0.2247 0.0554 0.6423
AGO Y = X/(a + b*X) SI 0.2448 8.6535 0.1357
SET Y = a/X + b SI 0.2257 -43.3563 3.7416
OCT Y = a*X + b SI 0.3780 0.0320 1.1976
NOV no presento datos faltantes
DIC no presento datos faltantes
ESTACION DE PUENTE CARRETARA COMPLETADA CON LA ESTACION DE LA BALSA
73
MES FORMA DE ECUACIÓN SIGNIFICATIVO PRUEBA R2 R2 a b
ENE Y = a*X + b SI 0.48713 1.81351 -29.27953
FEB Y = a*X + b SI 0.19642 0.79455 170.50581
MAR Y = b*X^a SI 0.38900 0.69950 9.14637
ABR Y = b*exp(a*X) SI 0.19421 0.00389 156.94583
MAY completado con el método de proporciones
JUN Y = a/X + b SI 0.10286 4497.06107 -25.76121
JUL Y = a/X + b SI 0.08185 2215.82631 -8.64677
AGO completado con el método de proporciones
SET completado con el método de proporciones
OCT completado con el método de proporciones
NOV Y = a*X + b SI 0.24097 0.98324 7.63934
DIC Y = a*X + b SI 0.59513 2.21077 -68.89471
ESTACION DE LLANGANUCO COMPLETADA CON LA ESTACION DE CHANCOS
MES FORMA DE ECUACIÓN SIGNIFICATIVO PRUEBA R2 R2 a b
ENE Y = exp(b+X*Lna) SI 0.322176916 1.036344466 0.960952534
FEB Y = a*LnX + b SI 0.204788014 1.518250905 0.546333839
MAR no presento datos faltantes
ABR Y = X/(a + b*X) SI 0.241533605 0.922911865 0.182740579
MAY Y = a*X + b SI 0.155135376 0.103892208 2.05057354
JUN completado con el método de proporciones
JUL Y = a*LnX + b SI 0.244706166 1.021244853 0.632261426
AGO no presento datos faltantes
SET Y = b*exp(a*X) SI 0.304720155 0.138302023 1.016054011
OCT Y = a*LnX + b SI 0.357029773 1.129907275 0.159818493
NOV completado con el metodo de proporciones
DIC no presento datos faltantes
ESTACION DE PARON COMPLETADA CON LA ESTACION DE LLANGANUCO
MES FORMA DE ECUACIÓN SIGNIFICATIVO PRUEBA R2 R2 a b
ENE no presento datos faltantes
FEB no presento datos faltantes
MAR Y = a*X + b SI 0.119536969 0.225814785 1.153181206
ABR Y = a/X + b SI 0.09488374 -3.22315229 2.894830779
MAY Y = b*exp(a*X) SI 0.125719344 0.15577521 1.088293008
JUN Y = b*exp(a*X) SI 0.084470884 0.150854022 0.945756356
JUL completado con el método de proporciones
AGO completado con el método de proporciones
SET Y = b*X^a SI 0.10180336 0.440871607 0.813895089
OCT Y = a*X + b SI 0.107857095 0.173320085 0.741665637
NOV completado con el método de proporciones
DIC Y = b*X^a SI 0.118135859 0.455020161 0.884847988
4.4 PROCESO DE DESESTACIONALIZACIÓN.
74
4.4.1 ANÁLISIS PRELIMINAR DE LAS SERIES DE TIEMPO.
De las series de descargas mensuales de las estaciones hidrométricas de la Cuenca del
Río Santa que fueron seleccionadas y estas, cuentan con registro histórico de 40 años (1956
– 1995), tal como se indica en el cuadro 4.1. Estas series de caudales, han sido tratadas y
homogenizadas para luego ser transformadas a series normales como se indica, a
continuación.
4.4.2 TRANSFORMACIÓN LOGARÍTMICA.
La componente residual para las series fueron normalizadas con la transformación
logarítmica utilizando la ecuación 2.38 descrita en la sección 2.5.4 y las ecuaciones 3.2 al 3.4
descrita en la sección 3.3.3, los resultados se presentan en las figuras 4.25 al 4.36.
4.4.3 STANDARIZACIÓN.
La componente residual para las series con transformación logarítmica fueron
estandarizadas con las formulas de la sección 2.5.4, los resultados se presentan en las figuras
4.37 al 4.48.
4.4.4 FUNCIÓN DE AUTOCORRELACIÓN (FA).
Los gráficos de retardos de las residuales de las funciones de autocorrelación para las
series normalizadas con transformaciones logarítmicas y estandarizadas fueron calculados
con la ecuación 2.17 de la sección 2.4.1 y utilizando el programa Minitab, los resultados se
presentan en las figuras 4.49 al 4.60 y 4.61 al 4.72.
Los cuadros 4.8 y 4.9 muestran en resumen los retardos que caen fuera de los limites
del correlograma de Anderson para un 95 % de nivel de probabilidad, tanto para las series
con transformación logarítmica (Cuadro N° 4.8) y estandarización (Cuadro N° 4.9).
4.4.5 FUNCIÓN DE AUTOCORRELACIÓN PARCIAL (FAP).
Los resultados de los retardos de las residuales de las series con transformación
logarítmica y estandarizada fueron calculados con la ecuación 2.22 de la sección 2.4.2 y
utilizando el programa Minitab, los resultados se muestran en los gráficos 4.73 al 4.84 y 4.85
al 4.96.
Los cuadros 4.10 y 4.11 muestran en resumen los retardos que caen fuera de los
límites del correlograma de Anderson para un 95 % de nivel de probabilidad, tanto para las
series
con transformación logarítmica (Cuadro N° 4.10) y estandarización (Cuadro N° 4.11).
75
CUADRO N° 4.10
CUADRO N° 4.9
Numero de retardos que caen fuera de la banda de confianza para la Función de Autocorrelación de las Series Históricas Corregidas y completadas, con
transformación Logarítmica Fig. Serie Pts. Fuera del Limite4.49 Recreta-Ln 284.50 Pachacoto-Ln 144.51 Querococha-Ln 64.52 Colcas-Ln 274.53 Cedros-Ln 114.54 Quitaracsa-Ln 234.55 Condorcerro-Ln 194.56 Puente carretera-Ln 264.57 La Balsa-Ln 84.58 Chancos-Ln 254.59 Llanganuco-Ln 394.60 Parón-Ln 25Nota: Ln, corresponde a series con transformación logarítmica
Numero de retardos que caen fuera de la banda de confianza para la Función de Autocorrelación de las Series Históricas Corregidas y completadas, con
transformación Logarítmica y EstandarizadasFig. Serie Pts. Fuera del Limite4.61 Recreta-Stand 324.62 Pachacoto-Stand 164.63 Querococha-Stand 74.64 Colcas-Stand 284.65 Cedros-Stand 134.66 Quitaracsa-Stand 264.67 Condorcerro-Stand 174.68 Puente Carretera-Stand 304.69 La Balsa-Stand 84.70 Chancos-Stand 254.71 Llanganuco-Stand 374.60 Parón-Ln 25Nota: Stand, corresponde a series estandarizadas
Numero de retardos que caen fuera de la banda de confianza para la Función de
CUADRO N° 4.8
76
Autocorrelación Parcial de las Series Históricas Corregidas y completadas, con transformación Logarítmica
Fig. Serie Pts. Fuera del Limite4.73 Recreta-Ln 54.74 Pachacoto-Ln 54.75 Querococha-Ln 24.77 Colcas-Ln 44.76 Cedros-Ln 64.78 Quitaracsa-Ln 54.79 Condorcerro-Ln 24.80 Puente Carretera-Ln 74.81 La Balsa-Ln 44.82 Chancos-Ln 24.83 Llanganuco-Ln 34.84 Parón-Ln 7
Nota: Ln, corresponde a series normalizadas
Numero de retardos que caen fuera de la banda de confianza para la Función de Autocorrelación Parcial de las Series Históricas Corregidas y completadas, con
transformación Logarítmica y Estandarizadas.Fig. Serie Pts. Fuera del Limite4.85 Recreta-Stand 44.86 Pachacoto-Stand 64.87 Querococha-Stand 24.89 Colcas-Stand 44.88 Cedros-Stand 64.90 Quitaracsa-Stand 64.91 Condorcerro-Stand 54.92 Puente Carretera-Stand 54.93 La Balsa-Stand 34.94 Chancos-Stand 34.95 Llanganuco-Stand 34.96 Parón-Stand 10
Nota: Ln, corresponde a series normalizadas
4.5 IDENTIFICACIÓN DEL MODELO.
De las Funciones de Autocorrelación y Funciones de Autocorrelación Parcial
obtenidas con el programa Minitab y del cuadro 2.1 de la sección 2.5.4, fueron seleccionados
CUADRO N° 4.11
77
como modelos tentativos ARMA (1,0), ARMA (2,0), ARMA (1,1) y ARMA (2,1); que serán
modelados en el programa SAMS.
Podemos resumir en el cuadro siguiente los modelos seleccionados para las series que
se modelaran.
Cuadro N° 4.12
Modelos seleccionados para las series desestacionalizadas de las estaciones hidrométricas de la cuenca del Río Santa.
Serie Residual N = w*N (w = 12) Modelo ARMARecreta-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Pachacoto-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Querococha-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Colcas-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Cedros-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Quitaracsa-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Condorcerro-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Puente carretera-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
La Balsa-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Chancos-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Llanganuco-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Parón-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
4.6 ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO ARMA (p,q).
Para las diferentes series normalizadas con transformación logarítmica y después
estandarizadas, se han simulado modelos ARMA (1,0), ARMA (2,0), ARMA (1,1) y ARMA
(2,1) con el programa SAMS.
A continuación se presentan los resultados de los parámetros estimados de los modelos
establecidos, para las componentes autorregresivas (AR) y las componentes media móvil
(MA) tanto para las series normalizadas con transformación logarítmica (cuadros 4.13, 4.14
y 4.15) y estandarizadas (cuadros 4.17, 4.18 y 4.19); además se muestra la varianza de las
residuales para las series estandarizadas y con transformación logarítmica (cuadros 4.16 y
4.20 respectivamente).
CUADRO N° 4.13
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,0) 0.7867 0.5974 0.6674 0.5868 0.4807 0.4211 0.6704 0.7291 0.9215 1.3000 0.4895 1.1236
ARMA (2,0) 0.9745 0.4661 0.6744 0.5934 0.4719 0.4070 0.7346 1.0207 0.7156 1.1382 0.6103 1.1648
ARMA (1,1) 0.5668 0.7524 0.6468 0.5806 0.4910 0.4290 0.6393 0.6683 0.9705 1.3855 0.2415 0.9386
ARMA (2,1) 1.2752 0.6395 1.3563 1.0658 1.2659 0.3053 2.3936 0.8003 0.8775 3.5412 0.7544 1.0619
ARMA (1,0) 0.7082 0.4357 0.4179 0.6150 0.5005 0.7733 0.7904 0.6309 0.7090 0.4044 0.7475 0.6866
ARMA (2,0) 0.8114 0.1959 0.4288 0.5171 0.4870 0.8273 0.9185 0.3679 0.6415 0.2859 0.5089 0.6846
ARMA (1,1) 0.6149 0.7589 0.3761 0.9915 0.5341 0.7168 0.6361 0.9137 0.7645 0.4967 1.8999 0.6906
ARMA (2,1) -14.2598 -1.0155 0.0006 1.6646 0.0386 0.6605 3.9683 1.1195 0.2649 -0.2524 -1.1928 0.6950
ARMA (1,0) 0.6024 0.5603 0.4472 0.4681 0.2360 0.4657 0.7412 0.6756 0.6850 0.3664 0.7975 0.8423
ARMA (2,0) 0.6286 0.2814 0.4534 0.4310 0.3144 0.4872 0.5972 0.8151 0.5879 0.1981 0.7650 0.8390
ARMA (1,1) 0.5739 0.8288 0.4237 0.5782 0.1223 0.2661 0.8614 0.5943 0.7484 0.9241 1.3344 0.8497
ARMA (2,1) 0.3504 -2.4500 0.4025 -4.9039 0.7353 1.0303 0.7811 0.8880 0.4753 2.4916 0.3166 1.7682
ARMA (1,0) 0.6374 0.7198 0.3726 0.5897 0.4033 0.7138 0.7557 0.8633 0.7004 0.6882 0.8157 0.6849
ARMA (2,0) 0.4632 0.7714 0.5090 0.6485 0.4391 0.9337 0.6180 0.8554 0.5705 0.8114 0.5927 0.7897
ARMA (1,1) 0.8599 0.5669 0.1804 0.2422 0.3529 0.4609 0.8984 0.8707 0.7932 0.5741 1.0241 0.5833
ARMA (2,1) 0.3413 -0.1211 -0.0664 0.8883 -0.0985 0.8530 1.2348 0.5701 -1.0353 0.3475 -0.0250 2.0750
ARMA (1,0) 0.6832 0.3959 0.4377 0.2816 0.5670 0.5173 0.8470 0.8808 0.7105 0.7302 0.6221 0.4645
ARMA (2,0) 0.7113 0.3432 0.5983 0.2958 0.5548 0.6685 0.7629 0.8407 0.8590 0.7731 0.8474 0.3303
ARMA (1,1) 0.5955 0.4891 -0.2741 0.1837 0.6649 0.3316 1.2476 0.9018 0.6715 0.6847 0.4774 0.6353
ARMA (2,1) 1.4732 -5.1465 0.6859 -0.0050 0.0540 -3.8483 0.7756 0.6348 8.2700 1.5663 1.7721 0.5099
ARMA (1,0) 0.5990 0.4534 0.4083 0.5796 0.6283 0.6781 1.0387 0.9645 0.6646 0.3507 0.1612 0.5999
ARMA (2,0) 0.5748 0.4349 0.4003 0.5282 0.6391 0.7015 1.1865 1.0525 0.7276 0.4126 0.2090 0.6534
ARMA (1,1) 0.7066 0.5103 0.4306 0.8522 0.6120 0.6533 0.9228 0.9061 0.6435 0.3047 -0.1761 -0.2724
ARMA (2,1) 0.7754 -0.3473 -1.0654 -0.6671 0.9178 0.2549 0.6543 1.0108 0.6688 -2.3013 -0.1984 1.3411
ARMA (1,0) 0.4923 0.5121 0.5233 0.5826 0.4266 0.5870 0.6706 0.7474 0.4947 0.2530 0.7003 1.1782
ARMA (2,0) 0.4101 0.3875 0.5182 0.6013 0.3320 0.5798 0.3833 0.8005 0.6991 0.1736 0.6454 1.2078
ARMA (1,1) 0.5237 0.6988 0.5470 0.5202 0.5595 0.5971 0.8235 0.6985 0.4263 0.5635 2.0876 1.0869
ARMA (2,1) -0.8800 -2.5136 0.4987 4.3883 -1.3123 0.0912 1.1528 0.7794 -0.3603 -0.3671 -0.1057 1.2032
ARMA (1,0) 0.7069 0.4519 0.5789 0.3282 0.6099 0.7361 0.6874 0.5778 0.7672 0.7812 1.0107 0.9534
ARMA (2,0) 0.7328 0.3685 0.4097 0.5026 0.6901 0.8135 0.9668 0.7955 1.0413 1.1649 1.0752 1.2657
ARMA (1,1) 0.6674 0.5373 1.0595 -0.0573 0.1805 0.5340 0.5104 0.4612 0.5596 0.5989 0.9664 0.7621
ARMA (2,1) 0.4484 0.9743 -0.1976 0.6253 0.3551 0.6430 -0.1914 0.8533 1.0663 1.3962 0.9287 5.9342
ARMA (1,0) 0.4998 0.5622 0.5601 0.4840 0.4744 0.3585 0.7265 0.9861 0.4403 0.3794 0.5423 0.8111
ARMA (2,0) 0.3726 0.5182 0.6266 0.4362 0.4736 0.2822 0.8358 1.0879 0.8567 0.4320 0.4528 0.8487
ARMA (1,1) 0.7035 0.6931 0.3302 0.6156 0.4762 0.4415 0.5596 0.9220 0.2162 -0.1483 1.0508 0.7020
ARMA (2,1) -2.1618 0.9478 -0.2642 -0.6234 0.5417 1.5151 0.6745 2.0393 0.8254 0.3885 1.0824 0.3290
ARMA (1,0) 0.6216 0.4791 0.4297 0.3192 0.6626 0.7323 0.7854 0.8722 0.3655 0.5984 0.7535 0.5474
ARMA (2,0) 0.5287 0.5267 0.4139 0.2877 0.6139 0.8488 0.7640 0.8291 0.3727 0.4827 0.8236 0.4592
ARMA (1,1) 0.7719 0.4282 0.4643 0.4841 1.2029 0.5006 0.8027 0.8932 0.3646 1.2730 0.6037 0.6916
ARMA (2,1) 0.6360 0.9033 2.6994 0.7237 1.5226 0.9858 1.6400 0.8041 2.2055 5.2955 1.3491 0.9783
ARMA (1,0) 0.6710 0.4183 0.5727 0.4543 0.5977 1.0190 0.4146 0.8473 0.8342 0.7444 0.6800 0.3658
ARMA (2,0) 0.7036 0.3007 0.6093 0.4846 0.6938 0.9854 0.0140 0.8452 1.2186 0.7229 0.7882 -0.1188
ARMA (1,1) 0.5114 0.6537 0.4415 0.3842 0.3044 1.0711 1.0029 0.8541 0.7452 0.7602 0.6146 0.7131
ARMA (2,1) 0.2823 0.3934 -0.4684 -0.6715 1.8798 0.8203 -1.0411 0.8844 1.6265 0.9027 1.9451 -0.7189
ARMA (1,0) 0.9540 0.7014 0.6666 0.8622 0.5168 0.4238 0.8739 1.0437 0.7040 0.6249 0.7623 0.7770
ARMA (2,0) 1.2765 0.9216 0.6642 0.8880 0.7062 0.8166 0.9600 1.1791 0.7621 0.8589 1.1283 1.1390
ARMA (1,1) 0.5604 0.4950 0.6696 0.8363 0.4735 0.0752 0.3160 0.8707 0.6888 0.5676 0.6363 0.5943
ARMA (2,1) 1.4577 2.4944 0.6342 -0.7128 3.4004 -0.6933 1.6983 2.0215 0.6212 1.1304 1.5879 2.5179
CHANCOS - Ln
LLANGANUCO - Ln
PARON - Ln
SERIE
QUITARACSA - Ln
CONDORCERRO - Ln
PUENTE CARRETERA - Ln
PACHACOTO - Ln
QUEROCOCHA - Ln
CEDROS - Ln
COLCAS - Ln
PARAMETROS AUTORREGRESIVOS (AR) DE ORDEN 1 - Ø 1
RECRETA - Ln
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES CON TRANSFORMACION LOGARITMICA
LA BALSA - Ln
78
CUADRO N° 4.14
CUADRO N° 4.15
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (2,0) -0.4581 0.2252 -0.0165 -0.0085 0.0112 0.0106 -0.0401 -0.2363 0.1859 0.2278 -0.4794 -0.1107
ARMA (2,1) -0.7953 0.0888 -0.4238 -0.3238 -0.4547 0.0594 -0.7387 -0.0885 0.0679 -1.9865 -0.6668 -0.0603
ARMA (2,0) -0.1349 0.3987 -0.0229 0.1982 0.0290 -0.0553 -0.2184 0.4314 0.0776 0.1495 0.5626 0.0045
ARMA (2,1) 10.2160 1.2633 0.1636 -0.2812 0.3047 0.0282 -2.5769 -0.1626 0.3152 0.5311 1.2508 -0.0033
ARMA (2,0) -0.0461 0.3297 -0.0166 0.0658 -0.0899 -0.0522 0.1230 -0.1637 0.1085 0.4973 0.2086 0.0085
ARMA (2,1) 0.1872 1.9797 0.0119 2.4515 -0.2871 -0.1803 0.0374 -0.2177 0.1845 -1.0737 0.3729 -0.7325
ARMA (2,0) 0.2717 -0.1303 -0.2365 -0.1514 -0.0509 -0.1907 0.2001 0.0115 0.1922 -0.1662 0.2968 -0.1683
ARMA (2,1) 0.3661 0.4396 0.1777 -0.2408 0.2661 -0.1582 -0.2401 0.2272 1.5786 0.1587 0.7219 -1.2167
ARMA (2,0) -0.0538 0.0996 -0.3454 -0.0491 0.0310 -0.1910 0.2508 0.0517 -0.1651 -0.0628 -0.2702 0.1898
ARMA (2,1) -0.4077 3.8503 -0.3800 0.0826 0.1720 2.3701 0.2442 0.2261 -6.6930 -0.6263 -0.9453 0.0780
ARMA (2,0) 0.0791 0.0452 0.0137 0.1323 -0.0157 -0.0303 -0.1788 -0.1521 -0.0811 -0.0717 -0.1351 -0.1492
ARMA (2,1) -0.0360 0.5148 0.6782 0.6203 -0.1772 0.2503 0.1820 -0.1088 -0.0244 1.7320 0.0078 -0.2600
ARMA (2,0) 0.1338 0.1533 0.0148 -0.0424 0.1326 0.0074 0.2584 -0.0684 -0.2039 0.1929 0.3649 -0.0847
ARMA (2,1) 1.6539 1.5816 0.0248 -2.0243 1.0906 0.2158 -0.1933 -0.0542 0.5879 0.4603 0.5550 -0.0814
ARMA (2,0) -0.0624 0.1193 0.2936 -0.3242 -0.1672 -0.1704 -0.3359 -0.2299 -0.2783 -0.4342 -0.0850 -0.5090
ARMA (2,1) 0.2087 -0.3089 0.5680 -0.3952 -0.0573 -0.0665 0.5166 -0.2696 -0.2928 -0.6117 0.0294 -5.2273
ARMA (2,0) 0.2684 0.0874 -0.1666 0.1005 0.0012 0.0756 -0.0990 -0.1206 -0.6316 -0.2555 0.2269 -0.0796
ARMA (2,1) 2.3266 -0.1287 0.3342 0.6939 -0.0317 -0.5093 -0.0412 -0.8118 -0.6008 -0.2363 -0.0120 0.2022
ARMA (2,0) 0.1331 -0.0612 0.0241 0.0844 0.1880 -0.2307 0.0283 0.0503 -0.0071 0.2889 -0.1316 0.1751
ARMA (2,1) 0.0745 -0.2954 -1.0709 -0.1029 -0.1020 -0.3214 -0.6132 0.0700 -1.6057 -1.4701 -0.4460 -0.2160
ARMA (2,0) -0.0703 0.2368 -0.0702 -0.0575 -0.1769 0.0512 1.0076 0.0037 -0.4011 0.0311 -0.1292 0.5657
ARMA (2,1) 0.0841 0.1751 0.3806 0.6046 -0.7157 0.1499 2.0828 -0.0126 -0.7468 -0.1189 -0.9904 0.9737
ARMA (2,0) -0.5564 -0.4070 0.0038 -0.0345 -0.2006 -0.3831 -0.2729 -0.2696 -0.0765 -0.2050 -0.3075 -0.4153
ARMA (2,1) -0.7042 -1.9079 0.0249 1.0325 -2.5235 0.3971 -0.5858 -1.0058 0.0706 -0.3962 -0.5947 -1.4665
RECRETA - Ln
PACHACOTO - Ln
LLANGANUCO - Ln
PARON - Ln
PARA "PARON - Ln" Y EL RESTO DE LAS SERIES, INDICA QUE LA SERIE HA SIDO NORMALIZADA CON TRANSFORMACION LOGARITMICA
CONDORCERRO - Ln
PUENTE CARRETERA - Ln
LA BALSA - Ln
CHANCOS - Ln
QUEROCOCHA - Ln
CEDROS - Ln
COLCAS - Ln
QUITARACSA - Ln
SERIEPARAMETROS AUTORREGRESIVOS (AR) DE ORDEN 2 - Ø 2
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES CON TRANSFORMACION LOGARITMICA
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,1) -0.4101 0.3036 -0.0283 -0.0128 0.0191 0.0220 -0.0955 -0.3601 0.2978 0.2542 -0.3703 -0.2327
ARMA (2,1) 0.3029 0.1840 0.6960 0.4809 0.7980 -0.1031 1.6622 -0.2294 0.1889 2.4630 0.1468 -0.1058
ARMA (1,1) -0.1965 0.5712 -0.0592 0.4749 0.0490 -0.1107 -0.2836 0.5625 0.1622 0.2141 1.4111 0.0082
ARMA (2,1) -15.0753 -1.2313 -0.4915 1.1863 -0.4855 -0.1750 3.0657 0.8072 -0.5331 -0.5835 -1.7496 0.0149
ARMA (1,1) -0.0547 0.5486 -0.0317 0.1472 -0.1946 -0.2252 0.2719 -0.2342 0.1675 0.7291 0.5951 0.0110
ARMA (2,1) -0.3025 -2.7602 -0.0564 -5.3383 0.4449 0.5589 0.1974 0.0773 -0.1171 2.3030 -0.4719 0.9471
ARMA (1,1) 0.4051 -0.2116 -0.3327 -0.4201 -0.0909 -0.4780 0.3142 0.0160 0.2227 -0.2437 0.4462 -0.2235
ARMA (2,1) -0.1338 -0.9264 -0.6005 0.2504 -0.5636 -0.0852 0.6897 -0.3102 -1.6163 -0.4842 -0.6448 1.4040
ARMA (1,1) -0.1206 0.1464 -0.8787 -0.1233 0.1105 -0.3379 0.4958 0.0680 -0.1883 -0.0893 -0.3722 0.3269
ARMA (2,1) 0.8032 -5.6698 1.0535 -0.3495 -0.5123 -4.5898 0.0153 -0.2264 7.4950 1.0611 1.3701 0.2960
ARMA (1,1) 0.1387 0.0756 0.0303 0.3241 -0.0279 -0.0482 -0.2641 -0.1500 -0.0856 -0.1084 -0.3864 -0.9634
ARMA (2,1) 0.2093 -0.7853 -1.4731 -1.2064 0.2934 -0.4494 -0.5339 -0.0427 -0.0598 -2.7251 -0.4150 0.7197
ARMA (1,1) 0.1143 0.3135 0.0294 -0.0811 0.2281 0.0182 0.4405 -0.1141 -0.2776 0.3959 1.4662 -0.1304
ARMA (2,1) -1.2977 -2.9444 -0.0213 3.7876 -1.6546 -0.5354 0.8306 -0.0248 -1.0745 -0.5510 -0.7649 -0.0049
ARMA (1,1) -0.0684 0.1692 0.6579 -0.6328 -0.6107 -0.3038 -0.4854 -0.4262 -0.5620 -0.7681 -0.1460 -0.5072
ARMA (2,1) -0.3119 0.6127 -0.6170 0.1387 -0.3804 -0.1792 -1.2174 0.0825 0.0278 0.2905 -0.1781 4.7042
ARMA (1,1) 0.3326 0.1813 -0.2982 0.1827 0.0026 0.1593 -0.2854 -0.1765 -0.6494 -0.6102 0.6315 -0.1584
ARMA (2,1) -2.5842 0.4951 -0.9130 -1.0986 0.0730 1.2341 -0.1674 1.0086 -0.0331 -0.0457 0.6517 -0.5571
ARMA (1,1) 0.2501 -0.1022 0.0506 0.1966 0.5918 -0.3596 0.0415 0.0641 -0.0082 0.7903 -0.2450 0.2360
ARMA (2,1) 0.1133 0.3901 2.3087 0.4533 0.9181 0.1425 0.9354 -0.0272 1.8503 4.8354 0.6767 0.5579
ARMA (1,1) -0.2620 0.3595 -0.1761 -0.1012 -0.3908 0.0904 0.9902 0.0153 -0.4736 0.0400 -0.1738 0.8501
ARMA (2,1) -0.5734 0.0996 -1.1286 -1.2338 1.3220 -0.2261 -1.0606 0.0681 0.4101 0.1928 1.1614 -0.6170
ARMA (1,1) -0.8134 -0.5290 0.0061 -0.0517 -0.2336 -0.7680 -0.7364 -0.3435 -0.0817 -0.2937 -0.5471 -0.6651
ARMA (2,1) 0.2421 1.8701 -0.0519 -1.6022 2.7226 -1.6672 0.9389 1.0280 -0.2305 0.2796 0.5123 1.6783
LA BALSA - Ln
CHANCOS - Ln
LLANGANUCO - Ln
PARON - Ln
PARA "PARON - Ln" Y EL RESTO DE LAS SERIES, INDICA QUE LA SERIE HA SIDO NORMALIZADA CON TRANSFORMACION LOGARITMICA
COLCAS - Ln
QUITARACSA - Ln
CONDORCERRO - Ln
PUENTE CARRETERA - Ln
RECRETA - Ln
PACHACOTO - Ln
QUEROCOCHA - Ln
CEDROS - Ln
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES CON TRANSFORMACION LOGARITMICA
SERIEPARAMETROS MEDIA MOVIL(Movie Averag - MA) DE ORDEN 1 - θ 1
79
CUADRO N° 4.16
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,0) 0.1093 0.2106 0.1175 0.0992 0.0235 0.0056 0.0016 0.0012 0.0028 0.0279 0.0446 0.0807
ARMA (2,0) 0.1031 0.2065 0.1174 0.0992 0.0235 0.0056 0.0016 0.0010 0.0027 0.0278 0.0434 0.0803
ARMA (1,1) 0.1030 0.2059 0.1174 0.0992 0.0235 0.0056 0.0016 0.0010 0.0027 0.0278 0.0434 0.0802
ARMA (2,1) 0.1026 0.2065 0.1154 0.0987 0.0232 0.0056 0.0016 0.0010 0.0027 0.0274 0.0434 0.0802
ARMA (1,0) 0.0625 0.0791 0.0670 0.0797 0.0293 0.0412 0.0507 0.0320 0.0278 0.0501 0.0693 0.0439
ARMA (2,0) 0.0616 0.0706 0.0669 0.0766 0.0292 0.0411 0.0492 0.0247 0.0275 0.0494 0.0526 0.0439
ARMA (1,1) 0.0616 0.0703 0.0669 0.0766 0.0292 0.0410 0.0492 0.0243 0.0273 0.0494 0.0512 0.0439
ARMA (2,1) 0.0625 0.0627 0.0648 0.0759 0.0277 0.0412 0.0474 0.0225 0.0256 0.0488 0.0484 0.0439
ARMA (1,0) 0.0270 0.0655 0.0492 0.0209 0.0182 0.0037 0.0026 0.0021 0.0082 0.0236 0.0364 0.0401
ARMA (2,0) 0.0269 0.0614 0.0491 0.0206 0.0179 0.0036 0.0024 0.0020 0.0082 0.0226 0.0359 0.0401
ARMA (1,1) 0.0269 0.0614 0.0491 0.0206 0.0179 0.0035 0.0024 0.0020 0.0081 0.0226 0.0356 0.0401
ARMA (2,1) 0.0266 0.0596 0.0489 0.0198 0.0177 0.0033 0.0024 0.0020 0.0082 0.0224 0.0357 0.0395
ARMA (1,0) 0.0321 0.0313 0.0440 0.0252 0.0081 0.0080 0.0083 0.0092 0.0100 0.0092 0.0123 0.0150
ARMA (2,0) 0.0311 0.0310 0.0426 0.0242 0.0080 0.0071 0.0080 0.0092 0.0097 0.0089 0.0114 0.0147
ARMA (1,1) 0.0310 0.0310 0.0425 0.0239 0.0080 0.0071 0.0079 0.0092 0.0097 0.0089 0.0114 0.0147
ARMA (2,1) 0.0309 0.0300 0.0421 0.0240 0.0076 0.0071 0.0076 0.0091 0.0096 0.0088 0.0113 0.0128
ARMA (1,0) 0.0413 0.0449 0.0725 0.0527 0.0234 0.0542 0.0245 0.0146 0.0375 0.0249 0.0314 0.0378
ARMA (2,0) 0.0412 0.0446 0.0663 0.0526 0.0234 0.0530 0.0223 0.0145 0.0371 0.0248 0.0293 0.0365
ARMA (1,1) 0.0412 0.0446 0.0660 0.0525 0.0234 0.0530 0.0220 0.0145 0.0371 0.0248 0.0293 0.0363
ARMA (2,1) 0.0400 0.0037 0.0625 0.0516 0.0231 0.0453 0.0223 0.0144 0.0280 0.0168 0.0191 0.0359
ARMA (1,0) 0.1278 0.0962 0.1158 0.0694 0.0483 0.0339 0.0553 0.0431 0.0564 0.1146 0.0555 0.0940
ARMA (2,0) 0.1275 0.0960 0.1157 0.0674 0.0483 0.0338 0.0539 0.0424 0.0562 0.1142 0.0534 0.0913
ARMA (1,1) 0.1275 0.0960 0.1157 0.0674 0.0483 0.0338 0.0539 0.0424 0.0562 0.1142 0.0533 0.0894
ARMA (2,1) 0.1273 0.0956 0.1148 0.0657 0.0480 0.0338 0.0539 0.0424 0.0562 0.1125 0.0530 0.0901
ARMA (1,0) 0.0730 0.1472 0.1640 0.1017 0.0447 0.0140 0.0167 0.0065 0.0248 0.0504 0.0792 0.0554
ARMA (2,0) 0.0725 0.1443 0.1640 0.1014 0.0425 0.0140 0.0149 0.0064 0.0244 0.0496 0.0752 0.0552
ARMA (1,1) 0.0725 0.1443 0.1640 0.1014 0.0425 0.0140 0.0149 0.0064 0.0244 0.0496 0.0734 0.0551
ARMA (2,1) 0.0718 0.1317 0.1641 0.1011 0.0412 0.0130 0.0143 0.0064 0.0243 0.0495 0.0746 0.0552
ARMA (1,0) 0.1006 0.1152 0.1153 0.0965 0.1113 0.0529 0.0345 0.0250 0.0162 0.0211 0.0324 0.1187
ARMA (2,0) 0.1004 0.1138 0.1027 0.0852 0.1074 0.0504 0.0278 0.0225 0.0129 0.0176 0.0323 0.1136
ARMA (1,1) 0.1003 0.1138 0.1021 0.0805 0.1024 0.0497 0.0271 0.0214 0.0120 0.0157 0.0322 0.1136
ARMA (2,1) 0.0994 0.1134 0.1020 0.0850 0.1059 0.0503 0.0241 0.0224 0.0129 0.0174 0.0322 0.1082
ARMA (1,0) 0.0707 0.1033 0.1150 0.0836 0.0294 0.0111 0.0061 0.0083 0.0459 0.0413 0.0414 0.0587
ARMA (2,0) 0.0682 0.1028 0.1130 0.0826 0.0294 0.0107 0.0058 0.0082 0.0437 0.0399 0.0392 0.0584
ARMA (1,1) 0.0682 0.1027 0.1129 0.0825 0.0294 0.0107 0.0057 0.0081 0.0436 0.0391 0.0384 0.0584
ARMA (2,1) 0.0612 0.1008 0.1109 0.0778 0.0294 0.0107 0.0057 0.0078 0.0437 0.0399 0.0387 0.0576
ARMA (1,0) 0.0434 0.0422 0.0595 0.0801 0.0763 0.0496 0.0334 0.0100 0.0682 0.0610 0.0833 0.0650
ARMA (2,0) 0.0420 0.0420 0.0595 0.0798 0.0740 0.0465 0.0333 0.0099 0.0682 0.0548 0.0823 0.0633
ARMA (1,1) 0.0419 0.0420 0.0595 0.0798 0.0738 0.0462 0.0333 0.0099 0.0682 0.0548 0.0820 0.0632
ARMA (2,1) 0.0419 0.0418 0.0572 0.0793 0.0733 0.0465 0.0308 0.0099 0.0678 0.0474 0.0775 0.0616
ARMA (1,0) 0.0266 0.0250 0.0242 0.0218 0.0161 0.0403 0.0382 0.0083 0.0225 0.0178 0.0156 0.0245
ARMA (2,0) 0.0265 0.0239 0.0240 0.0218 0.0153 0.0403 0.0222 0.0083 0.0210 0.0177 0.0153 0.0182
ARMA (1,1) 0.0261 0.0238 0.0240 0.0218 0.0153 0.0403 0.0222 0.0083 0.0210 0.0177 0.0153 0.0180
ARMA (2,1) 0.0249 0.0239 0.0227 0.0196 0.0118 0.0401 0.0220 0.0082 0.0210 0.0177 0.0152 0.0181
ARMA (1,0) 0.0221 0.0294 0.0230 0.0078 0.0100 0.0247 0.0278 0.0142 0.0083 0.0057 0.0065 0.0142
ARMA (2,0) 0.0188 0.0273 0.0230 0.0078 0.0096 0.0218 0.0265 0.0130 0.0082 0.0051 0.0055 0.0130
ARMA (1,1) 0.0178 0.0264 0.0230 0.0078 0.0096 0.0216 0.0250 0.0127 0.0082 0.0051 0.0053 0.0125
ARMA (2,1) 0.0186 0.0170 0.0230 0.0077 0.0090 0.0194 0.0228 0.0087 0.0080 0.0051 0.0053 0.0103
LLANGANUCO - Ln
PARON - Ln
CONDORCERRO - Ln
PUENTE CARRETERA - Ln
LA BALSA - Ln
CHANCOS - Ln
QUEROCOCHA - Ln
CEDROS - Ln
COLCAS - Ln
QUITARACSA - Ln
SERIE VARIANZA DE LAS RESIDUALES
RECRETA - Ln
PACHACOTO - Ln
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES CON TRANSFORMACION LOGARITMICA
PARA "PARON - Ln" Y EL RESTO DE LAS SERIES, INDICA QUE LA SERIE HA SIDO NORMALIZADA CON TRANSFORMACION LOGARITMICA
80
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,0) 0.6772 0.5048 0.7192 0.6766 0.8016 0.8209 0.9095 0.8986 0.8088 0.5723 0.4268 0.6787
ARMA (2,0) 0.8389 0.3939 0.7268 0.6842 0.7870 0.7933 0.9967 1.2580 0.6281 0.5011 0.5320 0.7036
ARMA (1,1) 0.4879 0.6358 0.6970 0.6695 0.8188 0.8362 0.8673 0.8236 0.8519 0.6099 0.2105 0.5670
ARMA (2,1) 2.6010 0.3482 1.3023 0.6157 -2.1801 9.0476 1.3349 1.5335 0.2992 -0.0266 -2.3971 0.8271
ARMA (1,0) 0.6526 0.4553 0.4543 0.5347 0.6988 0.6736 0.6941 0.7409 0.7499 0.4141 0.5727 0.7247
ARMA (2,0) 0.7478 0.2047 0.4661 0.4496 0.6800 0.7206 0.8067 0.4320 0.6785 0.2927 0.3899 0.7226
ARMA (1,1) 0.5666 0.7930 0.4089 0.8621 0.7458 0.6244 0.5587 1.0730 0.8086 0.5086 1.4556 0.7290
ARMA (2,1) -12.9887 -1.0344 0.0015 1.4379 0.0450 0.5755 3.4813 1.3141 0.2801 -0.2588 -0.9130 0.7336
ARMA (1,0) 0.7137 0.4568 0.5019 0.6389 0.3122 0.7382 0.7950 0.7776 0.4815 0.2390 0.5518 0.6930
ARMA (2,0) 0.7449 0.2294 0.5089 0.5883 0.4159 0.7723 0.6406 0.9383 0.4132 0.1292 0.5293 0.6904
ARMA (1,1) 0.6800 0.6758 0.4756 0.7892 0.1618 0.4217 0.9239 0.6840 0.5261 0.6028 0.9233 0.6992
ARMA (2,1) 0.4152 -1.9972 0.4516 -6.6801 0.9725 1.6337 0.8376 1.0221 0.3341 1.6256 0.2191 1.4550
ARMA (1,0) 0.5024 0.6443 0.3805 0.6441 0.6820 0.7007 0.7199 0.7637 0.7206 0.7189 0.7125 0.6627
ARMA (2,0) 0.3651 0.6905 0.5197 0.7083 0.7425 0.9166 0.5888 0.7568 0.5870 0.8476 0.5178 0.7640
ARMA (1,1) 0.6778 0.5075 0.1842 0.2645 0.5967 0.4524 0.8558 0.7702 0.8161 0.5997 0.8946 0.5644
ARMA (2,1) 0.2705 -0.1096 -0.0712 0.9678 -0.1632 0.8370 1.1763 0.5043 -1.0649 0.3630 -0.0217 2.0077
ARMA (1,0) 0.6006 0.4291 0.3561 0.3333 0.6699 0.4166 0.8108 0.8901 0.6967 0.7804 0.6633 0.4923
ARMA (2,0) 0.6253 0.3720 0.4868 0.3501 0.6554 0.5383 0.7303 0.8496 0.8423 0.8263 0.9036 0.3500
ARMA (1,1) 0.5235 0.5301 -0.2231 0.2174 0.7855 0.2670 1.1943 0.9112 0.6585 0.7318 0.5091 0.6733
ARMA (2,1) 1.2951 -5.5784 0.5581 -0.0060 0.0638 -3.0986 0.7425 0.6415 8.1097 1.6741 1.8896 0.5404
ARMA (1,0) 0.4944 0.5154 0.3983 0.6323 0.6969 0.7486 0.7751 0.8656 0.7575 0.3526 0.2403 0.4289
ARMA (2,0) 0.4744 0.4944 0.3905 0.5762 0.7089 0.7744 0.8854 0.9445 0.8293 0.4149 0.3116 0.4671
ARMA (1,1) 0.5832 0.5802 0.4200 0.9298 0.6789 0.7212 0.6886 0.8131 0.7335 0.3064 -0.2625 -0.1947
ARMA (2,1) 0.9008 0.0490 -1.3185 -0.4369 1.2306 0.8220 2.4735 0.9756 0.5754 -1.0451 -1.1044 0.8528
ARMA (1,0) 0.6326 0.4222 0.4798 0.6447 0.6440 0.8078 0.7218 0.8657 0.4514 0.1950 0.4951 0.8510
ARMA (2,0) 0.5269 0.3195 0.4751 0.6654 0.5012 0.7980 0.4125 0.9272 0.6380 0.1338 0.4563 0.8724
ARMA (1,1) 0.6728 0.5761 0.5015 0.5757 0.8448 0.8218 0.8864 0.8091 0.3890 0.4343 1.4759 0.7850
ARMA (2,1) -1.2543 -2.0517 0.4817 19.7099 0.2240 -0.0016 1.2134 0.6795 0.7638 -0.6863 0.0088 0.7893
ARMA (1,0) 0.7037 0.5140 0.5612 0.3956 0.5256 0.7834 0.8049 0.7582 0.8221 0.7703 0.7870 0.6317
ARMA (2,0) 0.7314 0.4214 0.3956 0.6090 0.5946 0.8646 1.1373 1.0366 1.1212 1.1432 0.8388 0.8387
ARMA (1,1) 0.6620 0.6084 1.0223 -0.0686 0.1538 0.5707 0.5958 0.6070 0.6009 0.5914 0.7515 0.5045
ARMA (2,1) 0.4495 1.0530 -0.1974 0.7559 0.3053 0.6750 -0.2383 1.1152 1.1481 1.3711 0.7203 3.7548
ARMA (1,0) 0.4972 0.4736 0.5138 0.5533 0.6949 0.6306 0.7846 0.8050 0.3108 0.3879 0.5033 0.6156
ARMA (2,0) 0.3690 0.4378 0.5741 0.4978 0.6928 0.4966 0.9012 0.8881 0.5929 0.4453 0.4194 0.6444
ARMA (1,1) 0.7073 0.5824 0.3050 0.7081 0.6996 0.7742 0.6079 0.7532 0.1577 -0.1493 0.9769 0.5309
ARMA (2,1) -2.2391 0.8103 -0.2740 -0.6273 0.8218 2.4630 0.7745 1.6397 0.6193 0.3905 0.9775 0.2619
ARMA (1,0) 0.6953 0.5600 0.4004 0.2875 0.5785 0.7438 0.8201 0.9413 0.3826 0.5648 0.6159 0.6182
ARMA (2,0) 0.5913 0.6157 0.3857 0.2591 0.5360 0.8621 0.7977 0.8949 0.3901 0.4556 0.6732 0.5186
ARMA (1,1) 0.8634 0.5006 0.4326 0.4360 1.0502 0.5085 0.8381 0.9640 0.3816 1.2015 0.4934 0.7811
ARMA (2,1) 0.7121 1.0559 2.5170 0.6511 1.3291 1.0007 1.7127 0.8680 2.3060 5.0025 1.1028 1.1041
ARMA (1,0) 0.5771 0.4674 0.5499 0.4969 0.6258 0.6365 0.4834 0.9011 0.7597 0.7898 0.7632 0.4120
ARMA (2,0) 0.6052 0.3360 0.5851 0.5301 0.7264 0.6155 0.0163 0.8989 1.1098 0.7670 0.8848 -0.1338
ARMA (1,1) 0.4399 0.7304 0.4239 0.4203 0.3187 0.6690 1.1694 0.9084 0.6786 0.8065 0.6899 0.8031
ARMA (2,1) 0.2429 0.4394 -0.4497 -0.7348 1.9680 0.5124 -1.2147 0.9406 1.4818 0.9577 2.1831 -0.8099
ARMA (1,0) 0.7162 0.6473 0.6942 0.8838 0.7326 0.4337 0.6154 0.8813 0.8962 0.8471 0.7948 0.6426
ARMA (2,0) 0.9446 0.8445 0.6828 0.9086 0.9207 0.7979 0.6955 0.9798 0.9929 1.2122 1.1462 0.9025
ARMA (1,1) 0.3913 0.4602 0.7100 0.8572 0.6799 0.1193 0.2697 0.7196 0.8684 0.7577 0.6566 0.4910
ARMA (2,1) 1.0581 2.1789 0.6446 0.5622 6.5545 -1.3689 0.8982 2.3417 0.9800 -1.6116 0.8018 2.2585
CHANCOS - Estand
LLANGANUCO - Estand
PARON - Estand
Para "PARON - Estand" y el resto de las series, indica que las serie ha sido primeramente normalizada con transformación logarítmica y luego estandarizada
QUITARACSA - Estand
CONDORCERRO - Estand
PUENTE CARRETERA - Estand
QUEROCOCHA - Estand
CEDROS - Estand
COLCAS - Estand
SERIEPARAMETROS AUTORREGRESIVOS (AR) DE ORDEN 1 - Ø 1
RECRETA - Estand
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES ESTANDARIZADAS
LA BALSA - Estand
PACHACOTO - Estand
CUADRO N° 4.17
81
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (2,0) -0.238 0.164 -0.015 -0.011 0.022 0.034 -0.106 -0.395 0.201 0.088 -0.184 -0.058
ARMA (2,1) -1.434 0.195 -0.306 0.039 2.029 -6.582 -0.384 -0.646 0.497 0.515 1.492 -0.111
ARMA (2,0) -0.131 0.384 -0.026 0.187 0.035 -0.067 -0.167 0.445 0.096 0.162 0.441 0.004
ARMA (2,1) 9.826 1.199 0.185 -0.262 0.375 0.034 -1.969 -0.167 0.392 0.576 0.981 -0.003
ARMA (2,0) -0.045 0.319 -0.015 0.101 -0.162 -0.109 0.209 -0.202 0.088 0.228 0.094 0.005
ARMA (2,1) 0.182 1.912 0.011 3.749 -0.518 -0.378 0.064 -0.269 0.149 -0.492 0.168 -0.417
ARMA (2,0) 0.207 -0.092 -0.216 -0.169 -0.094 -0.317 0.187 0.010 0.175 -0.179 0.271 -0.142
ARMA (2,1) 0.278 0.311 0.165 -0.268 0.489 -0.262 -0.225 0.191 1.437 0.171 0.659 -1.028
ARMA (2,0) -0.050 0.095 -0.305 -0.047 0.043 -0.182 0.193 0.050 -0.164 -0.066 -0.308 0.214
ARMA (2,1) -0.380 3.669 -0.335 0.080 0.241 2.255 0.188 0.219 -6.632 -0.656 -1.077 0.088
ARMA (2,0) 0.047 0.042 0.015 0.141 -0.019 -0.037 -0.147 -0.102 -0.083 -0.082 -0.202 -0.159
ARMA (2,1) 0.114 0.086 0.030 0.354 -0.031 -0.053 -0.197 -0.135 -0.098 -0.109 -0.576 -0.689
ARMA (2,0) 0.124 0.162 0.011 -0.043 0.222 0.015 0.383 -0.085 -0.216 0.136 0.199 -0.043
ARMA (2,1) 1.640 1.662 0.008 -9.181 0.400 0.530 -0.264 0.093 -0.324 0.506 0.286 -0.002
ARMA (2,0) -0.044 0.132 0.322 -0.380 -0.174 -0.154 -0.424 -0.346 -0.394 -0.454 -0.067 -0.263
ARMA (2,1) 0.134 -0.313 0.627 -0.463 -0.060 -0.055 0.653 -0.409 -0.415 -0.641 0.024 -2.558
ARMA (2,0) 0.208 0.072 -0.127 0.108 0.004 0.193 -0.185 -0.106 -0.350 -0.185 0.216 -0.057
ARMA (2,1) 1.816 -0.115 0.274 0.686 -0.068 -1.174 -0.105 -0.696 -0.372 -0.168 0.000 0.135
ARMA (2,0) 0.168 -0.080 0.026 0.071 0.148 -0.205 0.030 0.057 -0.008 0.285 -0.102 0.162
ARMA (2,1) -0.134 0.263 0.896 0.544 -0.349 -0.070 -1.336 -0.126 0.137 1.024 0.297 -0.252
ARMA (2,0) -0.068 0.228 -0.075 -0.060 -0.203 0.034 0.734 0.005 -0.388 0.030 -0.154 0.715
ARMA (2,1) 0.081 0.168 0.408 0.635 -0.820 0.098 1.517 -0.016 -0.724 -0.115 -1.179 1.231
ARMA (2,0) -0.356 -0.275 0.018 -0.036 -0.213 -0.497 -0.185 -0.160 -0.110 -0.407 -0.415 -0.327
ARMA (2,1) -0.434 -1.231 0.042 0.205 -5.192 1.090 -0.273 -0.998 -0.098 2.123 -0.123 -1.405
RECRETA - Estand
PACHACOTO - Estand
LLANGANUCO - Estand
PARON - Estand
Para "PARON - Estand" y el resto de las series, indica que las serie ha sido primeramente normalizada con transformación logarítmica y luego estandarizada
CONDORCERRO - Estand
PUENTE CARRETERA -
Estand
LA BALSA - Estand
CHANCOS - Estand
QUEROCOCHA - Estand
CEDROS - Estand
COLCAS - Estand
QUITARACSA - Estand
PARAMETROS AUTORREGRESIVOS (AR) DE ORDEN 2 - Ø 2SERIE
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES ESTANDARIZADAS
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,1) -0.353 0.257 -0.030 -0.015 0.032 0.043 -0.130 -0.444 0.261 0.112 -0.323 -0.141
ARMA (2,1) 1.771 -0.049 0.587 -0.069 -2.968 8.276 0.422 0.298 -0.385 -0.545 -2.955 0.136
ARMA (1,1) -0.181 0.597 -0.064 0.413 0.068 -0.096 -0.249 0.661 0.172 0.219 1.081 0.009
ARMA (2,1) -13.740 -1.259 -0.533 1.021 -0.687 -0.152 2.689 0.947 -0.564 -0.598 -1.340 0.016
ARMA (1,1) -0.065 0.447 -0.036 0.201 -0.257 -0.357 0.292 -0.270 0.118 0.476 0.412 0.009
ARMA (2,1) -0.358 -2.250 -0.063 -7.273 0.588 0.887 0.211 0.089 -0.082 1.503 -0.326 0.779
ARMA (1,1) 0.319 -0.189 -0.340 -0.459 -0.154 -0.469 0.299 0.014 0.229 -0.255 0.390 -0.216
ARMA (2,1) -0.104 -0.831 -0.617 0.271 -0.949 -0.084 0.657 -0.274 -1.663 -0.506 -0.563 1.359
ARMA (1,1) -0.106 0.159 -0.715 -0.146 0.131 -0.272 0.475 0.069 -0.185 -0.095 -0.397 0.346
ARMA (2,1) 0.706 -6.146 0.857 -0.414 -0.605 -3.696 0.015 -0.229 7.350 1.134 1.461 0.314
ARMA (1,1) 0.114 0.086 0.030 0.354 -0.031 -0.053 -0.197 -0.135 -0.098 -0.109 -0.576 -0.689
ARMA (2,1) 0.442 -0.450 -1.716 -1.023 0.545 0.048 1.591 0.032 -0.258 -1.467 -1.428 0.407
ARMA (1,1) 0.147 0.258 0.027 -0.090 0.344 0.025 0.474 -0.132 -0.253 0.305 1.037 -0.094
ARMA (2,1) -1.791 -2.409 0.007 19.047 -0.297 -0.846 0.854 -0.287 0.130 -0.832 -0.458 -0.088
ARMA (1,1) -0.073 0.188 0.634 -0.767 -0.529 -0.320 -0.575 -0.549 -0.606 -0.748 -0.117 -0.337
ARMA (2,1) -0.309 0.639 -0.602 0.166 -0.329 -0.199 -1.445 0.113 0.030 0.286 -0.144 2.940
ARMA (1,1) 0.340 0.150 -0.271 0.214 0.007 0.278 -0.303 -0.143 -0.441 -0.625 0.590 -0.123
ARMA (2,1) -2.656 0.429 -0.870 -1.168 0.138 1.969 -0.132 0.795 0.028 -0.058 0.579 -0.410
ARMA (1,1) 0.280 -0.119 0.047 0.177 0.517 -0.365 0.043 0.069 -0.009 0.746 -0.200 0.267
ARMA (2,1) 0.128 0.456 2.153 0.408 0.801 0.144 0.977 -0.029 1.934 4.568 0.553 0.629
ARMA (1,1) -0.225 0.402 -0.169 -0.111 -0.409 0.056 1.155 0.016 -0.431 0.042 -0.195 0.957
ARMA (2,1) -0.493 0.111 -1.084 -1.350 1.384 -0.141 -1.237 0.072 0.374 0.205 1.303 -0.695
ARMA (1,1) -0.606 -0.473 0.030 -0.051 -0.242 -0.693 -0.499 -0.284 -0.137 -0.462 -0.555 -0.488
ARMA (2,1) 0.153 1.592 -0.059 -0.347 5.653 -2.335 0.311 1.470 -0.025 -2.863 -0.427 1.602
Para "PARON - Estand" y el resto de las series, indica que las serie ha sido primeramente normalizada con transformación logarítmica y luego estandarizada
COLCAS - Estand
QUITARACSA - Estand
CONDORCERRO - Estand
PUENTE CARRETERA -
Estand
LA BALSA - Estand
CHANCOS - Estand
LLANGANUCO - Estand
PARON - Estand
RECRETA - Estand
PACHACOTO - Estand
QUEROCOCHA - Estand
CEDROS - Estand
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES ESTANDARIZADAS
SERIEPARAMETROS MEDIA MOVIL(Movie Averag - MA) DE ORDEN 1 - θ 1
CUADRO N° 4.18
CUADRO N° 4.19
82
CUADRO N° 4.20
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,0) 0.5414 0.7452 0.4827 0.5422 0.3575 0.3261 0.1728 0.1925 0.3458 0.6725 0.8179 0.5393
ARMA (2,0) 0.5108 0.7306 0.4826 0.5421 0.3572 0.3257 0.1691 0.1655 0.3380 0.6698 0.7951 0.5366
ARMA (1,1) 0.5104 0.7287 0.4825 0.5421 0.3572 0.3257 0.1691 0.1648 0.3364 0.6697 0.7948 0.5361
ARMA (2,1) 0.5191 0.7320 0.4777 0.5422 0.3566 0.2613 0.1595 0.1644 0.3345 0.6666 0.7438 0.5353
ARMA (1,0) 0.5741 0.7927 0.7936 0.7141 0.5116 0.5462 0.5182 0.4511 0.4376 0.8285 0.6721 0.4748
ARMA (2,0) 0.5659 0.7081 0.7931 0.6862 0.5108 0.5439 0.5029 0.3486 0.4335 0.8170 0.5107 0.4748
ARMA (1,1) 0.5659 0.7052 0.7928 0.6861 0.5106 0.5439 0.5028 0.3420 0.4310 0.8167 0.4971 0.4748
ARMA (2,1) 0.5738 0.6296 0.7679 0.6802 0.4835 0.5458 0.4843 0.3171 0.4043 0.8072 0.4701 0.4748
ARMA (1,0) 0.4906 0.7913 0.7481 0.5918 0.9025 0.4551 0.3681 0.3953 0.7682 0.9429 0.6955 0.5197
ARMA (2,0) 0.4895 0.7415 0.7479 0.5842 0.8869 0.4443 0.3481 0.3803 0.7651 0.9029 0.6872 0.5197
ARMA (1,1) 0.4895 0.7413 0.7478 0.5842 0.8864 0.4423 0.3471 0.3789 0.7649 0.9022 0.6806 0.5197
ARMA (2,1) 0.4841 0.7202 0.7437 0.5611 0.8791 0.4169 0.3470 0.3801 0.7650 0.8959 0.6824 0.5119
ARMA (1,0) 0.7476 0.5848 0.8553 0.5851 0.5349 0.5090 0.4818 0.4167 0.4807 0.4832 0.4924 0.5608
ARMA (2,0) 0.723504 0.578526 0.827927 0.560744 0.529748 0.455387 0.463927 0.416673 0.467961 0.46786 0.456901 0.550877
ARMA (1,1) 0.7223 0.5777 0.8271 0.5550 0.5291 0.4541 0.4595 0.4167 0.4680 0.4671 0.4545 0.5492
ARMA (2,1) 0.7197 0.5604 0.8190 0.5582 0.5066 0.4552 0.4432 0.4140 0.4605 0.4629 0.4507 0.4806
ARMA (1,0) 0.639284 0.815901 0.873163 0.888927 0.551251 0.826485 0.342609 0.207697 0.514607 0.390955 0.559994 0.757661
ARMA (2,0) 0.6374 0.8101 0.7975 0.8870 0.5496 0.8083 0.3117 0.2068 0.5090 0.3887 0.5229 0.7319
ARMA (1,1) 0.6371 0.8101 0.7945 0.8855 0.5495 0.8082 0.3077 0.2067 0.5090 0.3887 0.5226 0.7277
ARMA (2,1) 0.6190 0.0678 0.7518 0.8691 0.5425 0.6904 0.3117 0.2054 0.3847 0.2638 0.3398 0.7188
ARMA (1,0) 0.7556 0.7344 0.8413 0.6001 0.5143 0.4396 0.3992 0.2508 0.4262 0.8757 0.9423 0.8161
ARMA (2,0) 0.7538 0.7330 0.8412 0.5835 0.5141 0.4389 0.3896 0.2467 0.4244 0.8728 0.9064 0.7923
ARMA (1,1) 0.7533 0.7330 0.8412 0.5834 0.5141 0.4389 0.3896 0.2465 0.4244 0.8728 0.9054 0.7755
ARMA (2,1) 0.7534 0.7251 0.8360 0.5721 0.5074 0.4388 0.3879 0.2467 0.4242 0.8685 0.8919 0.7843
ARMA (1,0) 0.5998 0.8218 0.7698 0.5843 0.5852 0.3474 0.4790 0.2506 0.7962 0.9620 0.7549 0.2759
ARMA (2,0) 0.5956 0.8060 0.7697 0.5829 0.5565 0.3472 0.4281 0.2472 0.7846 0.9473 0.7168 0.2744
ARMA (1,1) 0.5955 0.8057 0.7697 0.5829 0.5564 0.3472 0.4281 0.2464 0.7843 0.9462 0.7002 0.2740
ARMA (2,1) 0.5913 0.7575 0.7697 0.5448 0.5535 0.3257 0.4133 0.2425 0.7845 0.9393 0.7122 0.2741
ARMA (1,0) 0.5048 0.7358 0.6851 0.8435 0.7237 0.3863 0.3521 0.4251 0.3242 0.4066 0.3806 0.6010
ARMA (2,0) 0.5036 0.7271 0.6088 0.7444 0.6980 0.3690 0.2826 0.3830 0.2581 0.3399 0.3788 0.5746
ARMA (1,1) 0.5035 0.7270 0.6053 0.7030 0.6653 0.3635 0.2755 0.3649 0.2391 0.3048 0.3777 0.5743
ARMA (2,1) 0.4990 0.7247 0.6048 0.7425 0.6884 0.3676 0.2456 0.3820 0.2580 0.3356 0.3776 0.5485
ARMA (1,0) 0.7528 0.7758 0.7360 0.6938 0.5172 0.6024 0.3845 0.3519 0.9034 0.8496 0.7467 0.6210
ARMA (2,0) 0.7258 0.7719 0.7234 0.6852 0.5171 0.5831 0.3639 0.3476 0.8602 0.8187 0.7070 0.6186
ARMA (1,1) 0.7255 0.7713 0.7231 0.6847 0.5171 0.5831 0.3622 0.3472 0.8593 0.8023 0.6914 0.6178
ARMA (2,1) 0.6525 0.7562 0.7090 0.6497 0.5163 0.5800 0.3635 0.3351 0.8602 0.8186 0.6970 0.6108
ARMA (1,0) 0.5166 0.6863 0.8396 0.9174 0.6654 0.4468 0.3275 0.1139 0.8536 0.6810 0.6207 0.6178
ARMA (2,0) 0.4991 0.6830 0.8392 0.9131 0.6453 0.4190 0.3271 0.1128 0.8536 0.6115 0.6137 0.6016
ARMA (1,1) 0.4978 0.6828 0.8392 0.9131 0.6442 0.4162 0.3270 0.1128 0.8536 0.6115 0.6112 0.6010
ARMA (2,1) 0.4986 0.6794 0.8075 0.9080 0.6394 0.4185 0.3017 0.1128 0.8496 0.5289 0.5775 0.5857
ARMA (1,0) 0.6669 0.7816 0.6976 0.7531 0.6084 0.5949 0.7663 0.1880 0.4229 0.3762 0.4175 0.8303
ARMA (2,0) 0.6631 0.7470 0.6932 0.7506 0.5775 0.5942 0.4459 0.1880 0.3945 0.3759 0.4085 0.6168
ARMA (1,1) 0.6549 0.7451 0.6922 0.7505 0.5771 0.5941 0.4449 0.1879 0.3945 0.3758 0.4085 0.6088
ARMA (2,1) 0.6232 0.7464 0.6537 0.6756 0.4444 0.5918 0.4412 0.1870 0.3943 0.3747 0.4060 0.6114
ARMA (1,0) 0.4871 0.5809 0.5181 0.2189 0.4633 0.8119 0.6213 0.2234 0.1968 0.2824 0.3683 0.5871
ARMA (2,0) 0.4129 0.5440 0.5179 0.2182 0.4534 0.6974 0.5936 0.2075 0.1941 0.2497 0.3197 0.5477
ARMA (1,1) 0.3958 0.5275 0.5179 0.2182 0.4533 0.6927 0.5682 0.2035 0.1938 0.2491 0.3106 0.5361
ARMA (2,1) 0.4152 0.3859 0.5169 0.2182 0.4295 0.5284 0.5786 0.1159 0.1940 0.2276 0.3117 0.4249
Para "PARON - Estand" y el resto de las series, indica que las serie ha sido primeramente normalizada con transformación logarítmica y luego estandarizada
LLANGANUCO - Estand
PARON - Estand
CONDORCERRO - Estand
PUENTE CARRETERA - Estand
LA BALSA - Estand
CHANCOS - Estand
QUEROCOCHA - Estand
CEDROS - Estand
COLCAS - Estand
QUITARACSA - Estand
SERIE VARIANZA DE LAS RESIDUALES
RECRETA - Estand
PACHACOTO - Estand
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES ESTANDARIZADAS
83
4.7 BONDAD DE AJUSTE DEL MODELO.
84
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12
ARMA (p,q) Valor Tab. Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.654
ARMA (2,0) 0.654
ARMA (1,1) 0.654
ARMA (2,1) 0.654
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
NO SE AJUSTA A UNA DISTRIBUCION NORMAL SE AJUSTA A UNA DISTRIBUCION NORMAL
LLANGANUCO-Ln
PARON-Ln
CONDORCERRO-Ln
PUENTE CARRETERA-Ln
LA BALSA-Ln
CHANCOS-Ln
QUEROCOCHA-Ln
CEDROS-Ln
COLCAS-Ln
QUITARACSA-Ln
RECRETA-Ln
PACHACOTO-Ln
EstaciónGrado del Modelo
CUADRO N° 4.21TEST DE RESIDUALES – PRUEBA DE ASIMETRIA DE NORMALIDAD PARA LAS SERIES
NORMALIZADAS CON TRANSFORMACION LOGARITMICA
Realizado la corrida del programa SAMS para la simulación de los diferentes modelos
ARMA (p,q) y calculado las pruebas de ajuste de los modelos, los resultados se indican en
los cuadros que se presentan a continuación.
4.7.1 PRUEBA DE INDEPENDENCIA EN EL TIEMPO.
El programa SAMS realiza la prueba de Porte Monteau cuyos resultados se muestran
en los cuadros 4.22 y 4.24 correspondientes para las series con transformación logarítmica y
series estandarizadas respectivamente; estos cuadros son el resumen de los resultados que
presenta el SAMS para todos los meses de cada modelo ARMA (p,q) de las series
transformadas (normalizadas y estandarizadas).
El programa determina los valores de los estadísticos tabular y calculado de la prueba
de Porte Monteau y con el correlograma de Anderson; se determinan si la residual de las
series es independiente y se ajustan a una distribución normal.
4.7.2 PRUEBA DE NORMALIDAD.
El programa SAMS realiza el Test de Residuales para el modelo ARMA (p,q), de tal
manera que realiza la Prueba de Asimetría de Normalidad (Skewness Test of Normality)
cuyos resultados se muestran en los cuadros 4.21 y 4.23 que es un resumen del ploteo que
realiza el SAMS para esta prueba.
85
86
CUADRO N° 4.22TEST DE RESIDUALES – PRUEBA DE PORTE MONTEAU PARA LAS SERIES NORMALIZADAS CON
TRANSFORMACION LOGARITMICA
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12
ARMA (p,q) Valor Tab. Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
NO SE AJUSTA A UNA DISTRIBUCION NORMAL SE AJUSTA A UNA DISTRIBUCION NORMAL
EstacionGrado del Modelo
RECRETA-Ln
PACHACOTO-Ln
QUEROCOCHA-Ln
CEDROS-Ln
COLCAS-Ln
QUITARACSA-Ln
CONDORCERRO-Ln
PARON-Ln
PUENTE CARRETERA-Ln
LA BALSA-Ln
CHANCOS-Ln
LLANGANUCO-Ln
87
CUADRO N° 4.23TEST DE RESIDUALES – PRUEBA DE ASIMETRIA DE NORMALIDAD PARA SERIES NORMALIZADAS
Y ESTANDARIZADAS
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12
ARMA (p,q) Valor Tab. Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.654
ARMA (2,0) 0.654
ARMA (1,1) 0.654
ARMA (2,1) 0.654
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
NO SE AJUSTA A UNA DISTRIBUCION NORMAL SE AJUSTA A UNA DISTRIBUCION NORMAL
LLANGANUCO-Stan
PARON-Stan
RECRETA-Stan
Estacion
COLCAS-stan
QUITARACSA-Stan
CONDORCERRO-Stan
PUENTE CARRETERA-Stan
LA BALSA-Stan
CHANCOS-Stan
Grado del Modelo
PACHACOTO-Stan
QUEROCOCHA-Stan
CEDROS-Stan
88
CUADRO N° 4.24TEST DE RESIDUALES – PRUEBA DE PORTE MONTEAU PARA LAS SERIES NORMALIZADAS Y
ESTANDARIZADAS
Grado del Modelo Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12
ARMA (p,q) Valor Tab. Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
NO SE AJUSTA A UNA DISTRIBUCION NORMAL SE AJUSTA A UNA DISTRIBUCION NORMAL
Estacion
RECRETA-Stan
PACHACOTO-Stan
QUEROCOCHA-Stan
CEDROS-Stan
COLCAS-stan
QUITARACSA-Stan
CONDORCERRO-Stan
PARON-Stan
PUENTE CARRETERA-Stan
LA BALSA-Stan
CHANCOS-Stan
LLANGANUCO-Stan
89
4.7.3 AJUSTE DE LA DISTRIBUCIÓN EMPÍRICA DE LA COMPONENTE
RESIDUAL ESTOCÁSTICA.
En los cuadros 4.21 y 4.23 se muestran los resultados de las pruebas de ajuste de
normalidad, y es la comprobación de las residuales que se ajustan a una distribución normal.
4.7.4 PARSIMONIA DE PARÁMETROS.
Una regla para seleccionar entre modelos ARMA (p,q) competentes es aplicando el
criterio de Información Akaike (AIC(p,q)), la aplicación de esta regla de decisión con la
varianza de las residuales de cada mes y de c/u de las series modeladas, se selecciona el
modelo que tiene el menor valor del AIC(p,q). Los cuadros 4.25 y 4.26 muestran los
resultados de los valores de AIC (p,q) tanto para las series normalizadas con transformación
logarítmica y estandarizadas. El cuadro 4.27 muestra el resultado del AIC (p,q) que es el
menor valor calculado para cada serie modelada tomados de los cuadros 4.25 y 4.26, donde
se han seleccionados los modelos ARMA(p,q) adecuados y calibrados para realizar la
generación de descargas medias mensuales sintéticas.
El cuadro 4.28 muestra los modelos estocásticos ARMA (p,q) adecuados para la
generación de caudales sintéticos en cada estación hidrométrica que se ha estudiado, en el
anexo C-1 se muestra el reporte del programa SAMS de los parámetros determinados para
las series seleccionadas.
90
CUADRO N° 4.25VALORES DE AIC (Criterio de Información de Akaike) PARA LAS SERIES QUE HAN SIDO NORMALIZADOS CON TRANSFORMACION LOGARITMICA
La serie resaltada indica que es el menor valor del AIC de los modelos tentativos ARMA (p,q)
91
CUADRO N° 4.26VALORES DE AIC (Criterio de Información de Akaike) PARA LAS SERIES QUE HAN SIDO NORMALIZADOS CON TRANSFORMACION LOGARITMICA Y
ESTANDARIZADASLa serie resaltada indica que es el menor valor del AIC de los modelos tentativos ARMA (p,q)
92
CUADRO N° 4.27SERIES SELECCIONADAS CON EL AIC (Criterio de Información de Akaike) PARA LAS SERIES NORMALIZADAS CON TRANSFORMACION LOGARITMICA Y
ESTANDARIZADAS
93
GRUPO ESTACION HIDROMETRICA
SERIE NORMALIZADA CON TRANSFORMACION
LOGARITMICA
MODELO ESTOCASTICO Y
ORDEN
LONGITUD DE LA SERIE
GRUPO I
RECERTA RECRETA - Ln ARMA ( 2 1 ) 480
PACHACOTO PACHACOTO - Ln ARMA ( 2 1 ) 480
QUEROCOCHA QUEROCOCHA - Ln ARMA ( 2 1 ) 480
GRUPO II
LOS CEDROS CEDROS - Ln ARMA ( 2 1 ) 480
COLCAS COLCAS - Ln ARMA ( 2 1 ) 480
QUITARACSA QUITARACSA - Ln ARMA ( 2 1 ) 480
GRUPO III
CONDORCERRO CONDORCERRO - Ln ARMA ( 2 1 ) 480
PUENTE CARRETERA PUENTE CARRETERA – Ln ARMA ( 2 1 ) 480
LA BALSA LA BALSA - Ln ARMA ( 2 1 ) 480
GRUPO IV
CHANCOS CHANCOS - Ln ARMA ( 2 1 ) 480
LLANGANUCO LLANGANUCO - Ln ARMA ( 2 1 ) 480
PARON PARON - Ln ARMA ( 2 1 ) 480
Los modelos estacionales obtenidos para la generación son los siguientes:
Formula General (Ecuación 2.64, Sección 2.6):
Donde: Los valores de U1,0 ,U1,-1 ,ξ1,0 , son iguales a cero
Modelos correspondientes a la Estación Recreta:
Enero : U1,1 = 1.275231U1,0 - 0.795323U1,-1 - 0.302897*0.102567ξ1,0 + 0.102567ξ1,1
Febrero : U1,2 = 0.639511U1,1 + 0.088803U1,0 - 0.183988*0.206473ξ1,1 + 0.206473ξ1,2
Marzo : U1,3 = 1.356250U1,2 - 0.423804U1,1 - 0.696041*0.115398ξ1,2 + 0.115398ξ1,3
Abril : U1,4 = 1.065753U1,3 - 0.323782U1,2 - 0.480911*0.098704ξ1,3 + 0.098704ξ1,4
Mayo : U1,5 = 1.265946U1,4 - 0.454749U1,3 - 0.797988*0.023199ξ1,4 + 0.023199ξ1,5
Junio : U1,6 = 0.305337U1,5 + 0.059410U1,4 + 0.103050*0.005636ξ1,5 + 0.005636ξ1,6
Julio : U1,7 = 2.393603U1,6 - 0.738725U1,5 - 1.662154*0.001562ξ1,6 + 0.001562ξ1,7
Agosto : U1,8 = 0.800330U1,7 - 0.088542U1,6 + 0.229447*0.001022ξ1,7 + 0.001022ξ1,8
Setiembre : U1,9 = 0.877491U1,8 + 0.067852U1,7 - 0.188918*0.002712ξ1,8 + 0.002712ξ1,9
Octubre : U1,10 = 3.541234U1,9 - 1.986462U1,8 - 2.463045*0.027387ξ1,9 + 0.027387ξ1,10
Noviembre : U1,11 = 0.754409U1,10 - 0.666787U1,9 - 0.146821*0.043389ξ1,10 + 0.043389ξ1,11
Diciembre : U1,12 = 1.005339U1,11 - 0.187302U1,10 - 0.111579*0.279153ξ1,11 + 0.279153ξ1,12
Modelos correspondientes a la Estación Querococha:
Enero : U1,1 = 0.350435U1,0 + 0.187155U1,-1 + 0.302454*0.026639ξ1,0 + 0.026639ξ1,1
Febrero : U1,2 = -2.449985U1,1 + 1.979661U1,0 + 2.760159*0.059609ξ1,1 + 0.059609ξ1,2
CUADRO N° 4.28Resultados de la bondad de Ajuste de la Simulación Estocástica de Modelos ARMA (p,q)
con la Prueba de Akaike AIC (p,q), estos modelos están aptos para la generación sintética
94
Marzo : U1,3 = 0.402457U1,2 + 0.011914U1,1 + 0.056422*0.04887ξ1,2 + 0.04887ξ1,3
Abril : U1,4 = -4.903899U1,3 + 2.451504U1,2 + 5.338287*0.019788ξ1,3 + 0.019788ξ1,4
Mayo : U1,5 = 0.735263U1,4 - 0.287139U1,3 - 0.444853*0.017721ξ1,4 + 0.017721ξ1,5
Junio : U1,6 = 1.030299U1,5 - 0.180263U1,4 - 0.558947*0.003345ξ1,5 + 0.003345ξ1,6
Julio : U1,7 = 0.781067U1,6 + 0.037382U1,5 - 0.197354*0.00242ξ1,6 + 0.00242ξ1,7
Agosto : U1,8 = 0.887997U1,7 - 0.217707U1,6 - 0.077347*0.002001ξ1,7 + 0.002001ξ1,8
Setiembre : U1,9 = 0.475321U1,8 + 0.184505U1,7 + 0.117082*0.008151ξ1,8 + 0.008151ξ1,9
Octubre : U1,10 = 2.491649U1,9 - 1.073709U1,8 - 2.302979*0.022433ξ1,9 + 0.022433ξ1,10
Noviembre : U1,11 = 0.316634U1,10 + 0.372911U1,9 + 0.471879*0.035694ξ1,10 + 0.035694ξ1,11
Diciembre : U1,12 = 1.768222U1,11 - 0.732520U1,10 - 0.947080*0.039544ξ1,11 + 0.039544ξ1,12
Modelos correspondientes a la Estación Pachacoto:
Enero : U1,1 = -14.259809U1,0 + 10.216033U1,-1 + 15.075256*0.062516ξ1,0 + 0.062516ξ1,1
Febrero : U1,2 = -1.015503U1,1 + 1.263260U1,0 + 1.231293*0.062673ξ1,1 + 0.062673ξ1,2
Marzo : U1,3 = 0.000559U1,2 + 0.163641U1,1 + 0.491547*0.064801ξ1,2 + 0.064801ξ1,3
Abril : U1,4 = 1.664556U1,3 - 0.281217U1,2 - 1.186298*0.075939ξ1,3 + 0.075939ξ1,4
Mayo : U1,5 = 0.038643U1,4 + 0.304687U1,3 + 0.48548*0.027705ξ1,4 + 0.027705ξ1,5
Junio : U1,6 = 0.660521U1,5 + 0.028189U1,4 + 0.174985*0.041199ξ1,5 + 0.041199ξ1,6
Julio : U1,7 = 3.968258U1,6 - 2.57686U1,5 - 3.065717*0.047387ξ1,6 + 0.047387ξ1,7
Agosto : U1,8 = 1.119457U1,7 - 0.162633U1,6 - 0.807247*0.022495ξ1,7 + 0.022495ξ1,8
Setiembre : U1,9 = 0.264935U1,8 + 0.315171U1,7 + 0.533141*0.025647ξ1,8 + 0.025647ξ1,9
Octubre : U1,10 = -0.252367U1,9 + 0.531097U1,8 + 0.583504*0.048836ξ1,9 + 0.048836ξ1,10
Noviembre : U1,11 = -1.192815U1,10 + 1.250792U1,9 + 1.749567*0.048439ξ1,10 + 0.048439ξ1,11
Diciembre : U1,12 = 0.695028U1,11 - 0.003279U1,10 - 0.014882*0.043922ξ1,11 + 0.043922ξ1,12
Modelos correspondientes a la Estación Los Cedros:
Enero : U1,1 = 0.341340U1,0 + 0.366061U1,-1 + 0.133840*0.030906ξ1,0 + 0.030906ξ1,1
Febrero : U1,2 = -0.121092U1,1 + 0.439605U1,0 + 0.926421*0.030034ξ1,1 + 0.030034ξ1,2
Marzo : U1,3 = -0.066416U1,2 + 0.177682U1,1 + 0.600489*0.042107ξ1,2 + 0.042107ξ1,3
Abril : U1,4 = 0.888301U1,3 - 0.240751U1,2 - 0.250379*0.024049ξ1,3 + 0.024049ξ1,4
Mayo : U1,5 = -0.098452U1,4 + 0.266145U1,3 + 0.563552*0.007632ξ1,4 + 0.007632ξ1,5
Junio : U1,6 = 0.853000U1,5 - 0.158172U1,4 + 0.085213*0.007118ξ1,5 + 0.007118ξ1,6
Julio : U1,7 = 1.234795U1,6 - 0.240132U1,5 - 0.689653*0.007636ξ1,6 + 0.007636ξ1,7
Agosto : U1,8 = 0.570067U1,7 + 0.227151U1,6 + 0.310231*0.009115ξ1,7 + 0.009115ξ1,8
Setiembre : U1,9 = -1.035296U1,8 + 1.578571U1,7 + 1.61633*0.009577ξ1,8 + 0.009577ξ1,9
Octubre : U1,10 = 0.347533U1,9 + 0.158692U1,8 + 0.484230*0.008822ξ1,9 + 0.008822ξ1,10
Noviembre : U1,11 = -0.024999U1,10 + 0.721949U1,9 + 0.644816*0.011258ξ1,10 + 0.011258ξ1,11
Diciembre : U1,12 = 2.074982U1,11 - 1.216691U1,10 - 1.404008*0.012821ξ1,11 + 0.012821ξ1,12
95
Modelos correspondientes a la Estación Los Colcas:
Enero : U1,1 = 1.473188U1,0 - 0.407716U1,-1 - 0.803156*0.039998ξ1,0 + 0.039998ξ1,1
Febrero : U1,2 = -5.146542U1,1 + 3.850284U1,0 + 5.669818*0.003729ξ1,1 + 0.003729ξ1,2
Marzo : U1,3 = 0.685881U1,2 - 0.380029U1,1 - 1.053483*0.062457ξ1,2 + 0.062457ξ1,3
Abril : U1,4 = -0.005046U1,3 + 0.082598U1,2 + 0.349470*0.051554ξ1,3 + 0.051554ξ1,4
Mayo : U1,5 = 0.053970U1,4 + 0.172036U1,3 + 0.512260*0.023056ξ1,4 + 0.023056ξ1,5
Junio : U1,6 = -3.84829U1,5 + 2.370136U1,4 + 4.589796*0.045260ξ1,5 + 0.04526ξ1,6
Julio : U1,7 = 0.775642U1,6 + 0.244175U1,5 - 0.015284*0.022298ξ1,6 + 0.022298ξ1,7
Agosto : U1,8 = 0.634774U1,7 + 0.226125U1,6 + 0.226366*0.014387ξ1,7 + 0.014387ξ1,8
Setiembre : U1,9 = 8.269968U1,8 - 6.693006U1,7 - 7.494999*0.028026ξ1,8 + 0.028026ξ1,9
Octubre : U1,10 = 1.566293U1,9 - 0.626341U1,8 - 1.061067*0.016825ξ1,9 + 0.016825ξ1,10
Noviembre : U1,11 = 1.77205U1,10 - 0.945320U1,9 - 1.370130*0.019058ξ1,10 + 0.019058ξ1,11
Diciembre : U1,12 = 0.509892U1,11 + 0.07804U1,10 - 0.295991*0.035893ξ1,11 + 0.035893ξ1,12
Modelos correspondientes a la Estación Quitaracsa:
Enero : U1,1 = 0.775367U1,0 - 0.036030U1,-1 - 0.209321*0.127277ξ1,0 + 0.127277ξ1,1
Febrero : U1,2 = -0.347329U1,1 + 0.514801U1,0 + 0.785297*0.095612ξ1,1 + 0.095612ξ1,2
Marzo : U1,3 = -1.065385U1,2 + 0.678215U1,1 + 1.473110*0.114761ξ1,2 + 0.114761ξ1,3
Abril : U1,4 = -0.667054U1,3 + 0.620337U1,2 + 1.206380*0.065729ξ1,3 + 0.065729ξ1,4
Mayo : U1,5 = 0.917815U1,4 - 0.177214U1,3 - 0.293361*0.047974ξ1,4 + 0.047974ξ1,5
Junio : U1,6 = 0.254893U1,5 + 0.250317U1,4 + 0.449447*0.03378ξ1,5 + 0.03378ξ1,6
Julio : U1,7 = 0.654330U1,6 + 0.182033U1,5 + 0.533949*0.053904ξ1,6 + 0.053904ξ1,7
Agosto : U1,8 = 1.010816U1,7 - 0.108758U1,6 + 0.042728*0.042398ξ1,7 + 0.042398ξ1,8
Setiembre : U1,9 = 0.668791U1,8 - 0.024356U1,7 + 0.059837*0.056158ξ1,8 + 0.056158ξ1,9
Octubre : U1,10 = -2.301311U1,9 + 1.732041U1,8 + 2.725095*0.112537ξ1,9 + 0.112537ξ1,10
Noviembre : U1,11 = -0.198447U1,10 + 0.007845U1,9 + 0.415036*0.053027ξ1,10 + 0.053027ξ1,11
Diciembre : U1,12 = 1.341076U1,11 - 0.260029U1,10 - 0.719701*0.09008ξ1,11 + 0.09008ξ1,12
Modelos correspondientes a la Estación Condorcerro:
Enero : U1,1 = -0.880032U1,0 + 1.653935U1,-1 + 1.297747*0.071843ξ1,0 + 0.071843ξ1,1
Febrero : U1,2 = -2.513644U1,1 + 1.581582U1,0 + 2.944449*0.131667ξ1,1 + 0.131667ξ1,2
Marzo : U1,3 = 0.498656U1,2 + 0.024764U1,1 + 0.021283*0.164072ξ1,2 + 0.164072ξ1,3
Abril : U1,4 = 4.388260U1,3 - 2.024282U1,2 - 3.787577*0.101061ξ1,3 + 0.101061ξ1,4
Mayo : U1,5 = -1.312318U1,4 + 1.090613U1,3 + 1.654560*0.041173ξ1,4 + 0.041173ξ1,5
Junio : U1,6 = 0.091230U1,5 + 0.215781U1,4 + 0.535437*0.013007ξ1,5 + 0.013007ξ1,6
Julio : U1,7 = 1.152786U1,6 - 0.193265U1,5 - 0.830559*0.014297ξ1,6 + 0.014297ξ1,7
Agosto : U1,8 = 0.779400U1,7 - 0.054245U1,6 + 0.024753*0.006406ξ1,7 + 0.006406ξ1,8
96
Setiembre : U1,9 = -0.360302U1,8 + 0.587908U1,7 + 1.074540*0.024325ξ1,8 + 0.024325ξ1,9
Octubre : U1,10 = -0.36706U1,9 + 0.460349U1,8 + 0.550992*0.049513ξ1,9 + 0.049513ξ1,10
Noviembre : U1,11 = -0.105687U1,10 + 0.554963U1,9 + 0.764866*0.074644ξ1,10 + 0.074644ξ1,11
Diciembre : U1,12 = 1.203173U1,11 - 0.081433U1,10 + 0.004895*0.055159ξ1,11 + 0.055159ξ1,12
Modelos correspondientes a la Estación Puente Carretera:
Enero :U1,1 = 0.448426U1,0 + 0.208747U1,-1 + 0.311946*0.099424ξ1,0 + 0.099424ξ1,1
Febrero :U1,2 = 0.974287U1,1 - 0.308908U1,0 - 0.612668*0.113370ξ1,1 + 0.113370ξ1,2
Marzo :U1,3 = -0.197558U1,2 + 0.568035U1,1 + 0.617048*0.101972ξ1,2 + 0.101972ξ1,3
Abril :U1,4 = 0.625297U1,3 - 0.395175U1,2 - 0.138715*0.085012ξ1,3 + 0.085012ξ1,4
Mayo :U1,5 = 0.355067U1,4 - 0.057292U1,3 + 0.380365*0.105896ξ1,4 + 0.105896ξ1,5
Junio :U1,6 = 0.643019U1,5 - 0.066487U1,4 + 0.179177*0.050281ξ1,5 + 0.050281ξ1,6
Julio :U1,7 = -0.191391U1,6 + 0.516615U1,5 + 1.217389*0.024144ξ1,6 + 0.024144ξ1,7
Agosto :U1,8 = 0.853274U1,7 - 0.269551U1,6 - 0.082536*0.022442ξ1,7 + 0.022442ξ1,8
Setiembre :U1,9 = 1.066282U1,8 - 0.292775U1,7 - 0.027832*0.012920ξ1,8 + 0.012920ξ1,9
Octubre :U1,10 = 1.396230U1,9 - 0.611719U1,8 - 0.290506*0.017350ξ1,9 + 0.017350ξ1,10
Noviembre :U1,11 = 0.928732U1,10 + 0.029424U1,9 + 0.178089*0.032195ξ1,10 + 0.032195ξ1,11
Diciembre :U1,12 = 5.934198U1,11 - 5.22733U1,10 - 4.704155*0.108239ξ1,11 + 0.108239ξ1,12
Modelos correspondientes a la Estación La Balsa:
Enero : U1,1 = -2.161793U1,0 + 2.326589U1,-1 + 2.584195*0.061221ξ1,0 + 0.061221ξ1,1
Febrero : U1,2 = 0.947828U1,1 - 0.128701U1,0 - 0.495127*0.100792ξ1,1 + 0.100792ξ1,2
Marzo : U1,3 = -0.264165U1,2 + 0.334172U1,1 + 0.912974*0.110929ξ1,2 + 0.110929ξ1,3
Abril : U1,4 = -0.623404U1,3 + 0.693918U1,2 + 1.098608*0.077827ξ1,3 + 0.077827ξ1,4
Mayo : U1,5 = 0.541660U1,4 - 0.031676U1,3 - 0.073043*0.029371ξ1,4 + 0.029371ξ1,5
Junio : U1,6 = 1.515051U1,5 - 0.509324U1,4 - 1.234077*0.010687ξ1,5 + 0.010687ξ1,6
Julio : U1,7 = 0.674542U1,6 - 0.041213U1,5 + 0.167376*0.005744ξ1,6 + 0.005744ξ1,7
Agosto : U1,8 = 2.039335U1,7 - 0.811803U1,6 - 1.008556*0.00782ξ1,7 + 0.007820ξ1,8
Setiembre : U1,9 = 0.825438U1,8 - 0.600774U1,7 + 0.033084*0.043682ξ1,8 + 0.043682ξ1,9
Octubre : U1,10 = 0.388525U1,9 - 0.236349U1,8 + 0.045695*0.039901ξ1,9 + 0.039901ξ1,10
Noviembre : U1,11 = 1.08236U1,10 - 0.011976U1,9 - 0.651675*0.038659ξ1,10 + 0.038659ξ1,11
Diciembre : U1,12 = 0.329027U1,11 + 0.202242U1,10 + 0.557148*0.057644ξ1,11 + 0.057644ξ1,12
Modelos correspondientes a la Estación Chancos:
Enero : U1,1 = 0.635961U1,0 + 0.074506U1,-1 - 0.113307*0.041927ξ1,0 + 0.041927ξ1,1
Febrero : U1,2 = 0.903291U1,1 - 0.295369U1,0 - 0.390052*0.041813ξ1,1 + 0.041813ξ1,2
Marzo : U1,3 = 2.699411U1,2 - 1.070878U1,1 - 2.308711*0.057222ξ1,2 + 0.057222ξ1,3
Abril : U1,4 = 0.723701U1,3 - 0.10294U1,2 - 0.453326*0.079324ξ1,3 + 0.079324ξ1,4
97
Mayo : U1,5 = 1.522611U1,4 - 0.102041U1,3 - 0.918065*0.073279ξ1,4 + 0.073279ξ1,5
Junio : U1,6 = 0.985752U1,5 - 0.321437U1,4 - 0.142525*0.046491ξ1,5 + 0.046491ξ1,6
Julio : U1,7 = 1.640028U1,6 - 0.613171U1,5 - 0.935373*0.030752ξ1,6 + 0.030752ξ1,7
Agosto : U1,8 = 0.804080U1,7 + 0.069961U1,6 + 0.027187*0.009871ξ1,7 + 0.009871ξ1,8
Setiembre : U1,9 = 2.205526U1,8 - 1.605662U1,7 - 1.850287*0.067838ξ1,8 + 0.067838ξ1,9
Octubre : U1,10 = 5.295460U1,9 - 1.470138U1,8 - 4.835355*0.047400ξ1,9 + 0.047400ξ1,10
Noviembre : U1,11 = 1.349062U1,10 - 0.446040U1,9 - 0.676700*0.077479ξ1,10 + 0.077479ξ1,11
Diciembre : U1,12 = 0.978273U1,11 - 0.215973U1,10 - 0.557869*0.061607ξ1,11 + 0.061607ξ1,12
Modelos correspondientes a la Estación Llanganuco:
Enero : U1,1 = 0.282289U1,0 + 0.084115U1,-1 + 0.573378*0.024882ξ1,0 + 0.024882ξ1,1
Febrero : U1,2 = 0.393441U1,1 + 0.175072U1,0 - 0.099570*0.023868ξ1,1 + 0.023868ξ1,2
Marzo : U1,3 = -0.468441U1,2 + 0.380604U1,1 + 1.128575*0.022671ξ1,2 + 0.022671ξ1,3
Abril : U1,4 = -0.671531U1,3 + 0.604592U1,2 + 1.233791*0.019585ξ1,3 + 0.019585ξ1,4
Mayo : U1,5 = 1.879793U1,4 - 0.715654U1,3 - 1.321960*0.011750ξ1,4 + 0.011750ξ1,5
Junio : U1,6 = 0.820286U1,5 + 0.149920U1,4 + 0.226076*0.040110ξ1,5 + 0.040110ξ1,6
Julio : U1,7 = -1.041144U1,6 + 2.082803U1,5 + 1.060618*0.021995ξ1,6 + 0.021995ξ1,7
Agosto : U1,8 = 0.884448U1,7 - 0.012575U1,6 - 0.068140*0.008242ξ1,7 + 0.008242ξ1,8
Setiembre : U1,9 = 1.626528U1,8 - 0.746773U1,7 - 0.410148*0.020954ξ1,8 + 0.020954ξ1,9
Octubre : U1,10 = 0.902745U1,9 - 0.118930U1,8 - 0.192847*0.017690ξ1,9 + 0.017690ξ1,10
Noviembre : U1,11 = 1.945081U1,10 - 0.990405U1,9 - 1.161448*0.015211ξ1,10 + 0.015211ξ1,11
Diciembre : U1,12 = -0.718941U1,11 + 0.973711U1,10 + 0.617043*0.018061ξ1,11 + 0.018061ξ1,12
Modelos correspondientes a la Estación Parón:
Enero : U1,1 = 1.457650U1,0 - 0.704197U1,-1 - 0.242105*0.018595ξ1,0 + 0.018595ξ1,1
Febrero : U1,2 = 2.494381U1,1 - 1.907901U1,0 - 1.870081*0.016984ξ1,1 + 0.016984ξ1,2
Marzo : U1,3 = 0.634205U1,2 + 0.024858U1,1 + 0.051895*0.023022ξ1,2 + 0.023022ξ1,3
Abril : U1,4 = -0.712753U1,3 + 1.032537U1,2 + 1.602161*0.007737ξ1,3 + 0.007737ξ1,4
Mayo : U1,5 = 3.400401U1,4 - 2.523458U1,3 - 2.722571*0.009030ξ1,4 + 0.009030ξ1,5
Junio : U1,6 = -0.693262U1,5 + 0.397127U1,4 + 1.667248*0.019420ξ1,5 + 0.019420ξ1,6
Julio : U1,7 = 1.698345U1,6 - 0.585800U1,5 - 0.938861*0.022811ξ1,6 + 0.022811ξ1,7
Agosto : U1,8 = 2.021529U1,7 - 1.005772U1,6 - 1.027956*0.008672ξ1,7 + 0.008672ξ1,8
Setiembre : U1,9 = 0.621159U1,8 + 0.070606U1,7 + 0.230483*0.008038ξ1,8 + 0.008038ξ1,9
Octubre : U1,10 = 1.130424U1,9 - 0.396217U1,8 - 0.279647*0.005082ξ1,9 + 0.005082ξ1,10
Noviembre : U1,11 = 1.587948U1,10 - 0.594719U1,9 - 0.512312*0.005327ξ1,10 + 0.005327ξ1,11
Diciembre : U1,12 = 2.517921U1,11 - 1.466479U1,10 - 1.678349*0.010291ξ1,11 + 0.010291ξ1,12
4.8 GENERACIÓN DE SERIES.
98
Terminada la parte de modelamiento estocástico de los diferentes modelos ARMA
(p,q) y obteniendo los parámetros adecuados según las pruebas de ajuste del modelo que
realizó previamente el programa SAMS y mostrando en los cuadros anteriores de donde se
obtuvieron los mejores modelos parsimoniosos; el programa SAMS realiza la generación de
series sintéticas en funciona a los parámetros calculados por el programa para los modelos
ARMA (p,q) adecuados, según el cuadro 4.28 y con los modelos correspondientes a cada
estación; luego, el programa realiza las transformaciones inversas, a las realizadas
inicialmente como es la transformación logarítmica.
4.8.1 ANALISIS COMPARATIVO ENTRE SERIES HISTORICAS Y
GENERADAS.
Seleccionado los modelos de la serie por transformación logarítmica y estandarización
según el Criterio de Información de Akaike (mostrados en el cuadro 4.28), se generaron 100
series mensuales de longitud igual a los tramos establecidos (40 años para todas las series
con transformación logarítmica y estandarización), el programa SAMS calcula la Media,
Desviación Estándar, Coeficiente De Asimetría, Coeficiente De Variación, Máximos y
Mínimos mensuales respectivamente; las series generadas e históricas se presenta en el
anexo C-2.
4.9 VALIDACIÓN DE RESULTADOS.
Obtenido los resultados de las medias y desviaciones estándar de cada serie generada,
para cada mes con el programa SAMS; se realizaron las pruebas estadísticas para verificar si
las series generadas con el modelo estocástico ARMA (p,q) para cada serie hidrológica,
reproducen valores de caudales medios mensuales que sean estadísticamente iguales a las
series hidrológicas históricas.
4.9.1 PRUEBA DE HIPOTESIS PARA DOS MUESTRAS.
La verificación estadística de las dos muestras, como son las series históricas y las
series generadas, se realizaron con las siguientes pruebas:
1. PRUBA DE HIPOTESIS DE LAS VARIANZAS DE 02 POBLACIONES.
La hipótesis de verificación si las varianzas son iguales o diferentes se evaluaron
con el estadístico de F (Fisher Snedecor), los resultados de esta prueba se muestra en el
anexo C-3 y en el cuadro 4.29 se muestra en resumen cada una de las pruebas incluida
esta prueba.
99
2. PRUEBA DE “t” PARA MUESTRAS INDEPENDIENTES.
Evaluado si las varianzas son homogéneas o no, se realiza la prueba de “t” para
muestras independientes, consistente en la prueba de diferencia de dos medias que
presenta dos casos: para vainazas homogéneas y no homogéneas. Los resultados se
muestran en el anexo C-3 y en el cuadro 4.29 se muestra en resumen esta prueba.
3. PRUEBA DE “t” PARA MUESTRAS DEPENDIENTES.
La diferencia entre las muestras históricas y generadas, para cada serie
hidrológica de una estación, fueron evaluadas tanto en la media como en la desviación
estándar; en el anexo C-3 se muestran los resultados y en el cuadro 4.29 se presenta un
resumen de esta prueba.
4.9.2 INTERVALO DE CONFIANZA A PARTIR DE LAS SERIES GENERADAS.
La verificación del intervalo de confianza de las series históricas a partir de las series
generadas se muestran en el anexo C-3, y en el cuadro 4.29 se muestra un resumen de esta
prueba.
4.9.3 PRUEBAS DE BONDAD DE AJUSTE.
Para determinar la distribución de probabilidad de la cual provienen las muestras
históricas y generadas, estas fueron evaluadas con las pruebas de bondad de ajuste de Chi
Cuadrado y Kolmogorov Smirnov; para determinar una serie adecuada, de las 100 que se han
generado, se realizaron las pruebas de comprobación de las medias y la varianza con
respecto a la serie original; simulando con varios valores del nivel de significancia (“α”
probabilidad de error) para que quede una sola serie. El cuadro 4.30 se muestran los
diferentes valores de α que se utilizaron para simular el comportamiento de la media y
desviación estándar y así determinar la serie más óptima. En el anexo B-3, se muestra las
series sintéticas generadas de caudales medios mensuales en cada una de las estaciones
hidrométricas seleccionadas.
Definida la serie optima, se realizaron las pruebas de Chi cuadrado y Kolmogorov
Smirnov para evaluar si las series generadas ajustan a una distribución de probabilidad
normal, en el cuadro 4.31 se muestran los resultados.
100
CUADRO N° 4.29RESUMEN DE LAS PRUEBAS ESTADISTICAS DE VALIDACION Y CONSTRASTACION DE HIPOTESIS
1. Prueba de Varianzas: Verificación si las varianzas son iguales o diferentes.2. Prueba de t para la diferencia entre dos medias, prueba para muestras independientes.3. Prueba de t para la diferencia de dos medias apareadas, prueba para muestras dependientes. 4. Intervalo de Confianza Obtenidos a partir de los datos Generados.
SERIES SINTETICAS GENERADAS. Según
Cuadro N° 4.24
ORDEN DEL MODELO
ARMA (p,q)
LONGITUD DE LA SERIE
PRUEBAS ESTADISTICAS1 2 3 4
RECRETA-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media en los 12 meses, y 11 meses en la Desviación Estándar.
PACHACOTO-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presenta relación en la media mas no en la varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media y desv. Estándar para los 12 meses.
QUEROCOCHA-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media y desv. Estándar para los 12 meses.
CEDROS-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presenta relación en la media mas no en la varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media y desv. estándar para los 12 meses.
COLCAS-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media en los 12 meses, y 10 meses en la Desviación Estándar.
QUITARACSA-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media en los 12 meses; y 11 meses en la Desviación Estándar.
CONDORCERRO-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media y desv. Estándar para los 12 meses.
PUENTE CARRETERA-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media y desv. Estándar para los 12 meses.
LA BALSA-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media y desv. Estándar para los 12 meses.
CHANCOS-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original no presentan relación en la media y en la varianza si tiene relación.
La serie sintética se encuentra dentro del intervalo de confianza para la media y desv. Estándar para los 12 meses.
LLANGANUCO-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media y desv. Estándar para los 12 meses.
PARON-Ln ARMA (2,1) 480 La serie presentó tener varianzas iguales en los 12 meses
La serie tiene medias iguales en los 12 meses
La serie sintética y original presentan relación en la media y varianza.
La serie sintética se encuentra dentro del intervalo de confianza para la media en los 12 meses; y 11 meses en la Desviación Estándar.
Aceptación absoluta de las pruebasRechazo parcial de las pruebas
101
CUADRO N° 4.30SELECCIÓN DE LA SERIE GENERADA MÁS ADECUADA
SERIES SINTETICAS GENERADAS. Según Cuadro
N° 4.24
ORDEN DEL MODELO ARMA
(p,q)
LONGITUD DE LA SERIE
CANTIDAD DE SERIES ADECUADAS SEGÚN NIVEL DE SIGNIFICANCIA “α”
0.05 0.1 0.25 0.50 “α” optimo para selección de una serie
RECRETA-Ln ARMA (2,1) 480 53 47 30 19 0.930
PACHACOTO-Ln ARMA (2,1) 480 72 59 42 20 0.967
QUEROCOCHA-Ln ARMA (2,1) 480 89 79 61 39 0.982
CEDROS-Ln ARMA (2,1) 480 81 73 57 29 0.965
COLCAS-Ln ARMA (2,1) 480 86 78 64 40 0.878
QUITARACSA-Ln ARMA (2,1) 480 79 68 51 34 0.965
CONDORCERRO-Ln ARMA (2,1) 480 64 60 49 18 0.883
PUENTE CARRETERA-Ln ARMA (2,1) 480 74 66 52 35 0.973
LA BALSA-Ln ARMA (2,1) 480 82 73 58 40 0.970
CHANCOS-Ln ARMA (2,1) 480 93 85 62 36 0.983
LLANGANUCO-Ln ARMA (2,1) 480 23 11 2 0 0.400
PARON-Ln ARMA (2,1) 480 75 68 42 20 0.958
102
ESTACION SELECCIONADA POR EL AIC (p,q). Según Cuadro
N° 4.18
ORDEN DEL
MODELO ARMA (p,q)
LONGITUD ANUAL
DE LA SERIE
RESUMEN PRUEBA AJUSTE DE NORMALIDAD
Serie Generada
Prueba Chi -Cuadrado Prueba Smirnov-KolmogorovAjuste
Valor Tabular Valor Calculado Valor Tabular Valor Calculado
RECRETA-Ln ARMA (2,1) 40 52.1923 39.55 0.21 0.1023 si se ajusta
PACHACOTO-Ln ARMA (2,1) 40 52.1923 39.64 0.21 0.1536 si se ajusta
QUEROCOCHA-Ln ARMA (2,1) 40 52.1923 39.59 0.21 0.0899 si se ajusta
COLCAS-Ln ARMA (2,1) 40 52.1923 39.25 0.21 0.0608 si se ajusta
QUITARACSA-Ln ARMA (2,1) 40 52.1923 32.86 0.21 0.1197 si se ajusta
CEDROS-Ln ARMA (2,1) 40 52.1923 39.22 0.21 0.0717 si se ajusta
CONDORCERRO-Ln ARMA (2,1) 40 52.1923 38.10 0.21 0.1086 si se ajusta
PUENTE CARRETERA-Ln ARMA (2,1) 40 52.1923 39.63 0.21 0.1222 si se ajusta
LA BALSA-Ln ARMA (2,1) 40 52.1923 38.14 0.21 0.1171 si se ajusta
CHANCOS-Ln ARMA (2,1) 40 52.1923 38.54 0.21 0.1256 si se ajusta
LLANGANUCO-Ln ARMA (2,1) 40 52.1923 39.80 0.21 0.1721 si se ajusta
PARON-Ln ARMA (2,1) 40 52.1923 39.68 0.21 0.0882 si se ajusta
CUADRO N° 4.31RESUMEN DE LAS PRUEBAS ESTADISTICAS DE VALIDACION Y CONTRASTACION DE HIPOTESIS
PRUEBA DE AJUSTE DE NORMALIDAD PARA LAS SERIES GENERADAS
103
V. DISCUSION DE RESULTADOS
5.1 INFORMACION HIDROMETRICA.
De las estaciones hidrométricas de la cuenca del río Santa, se seleccionaron 12
estaciones, las cuales han sido agrupadas en 4 grupos para el análisis respectivo, esta
agrupación simplifico e identifico rápidamente las inconsistencias.
5.2 ANALISIS VISUAL.
Para la identificación de inconsistencias se plotearon las series de caudales en
hidrogramas y rectas doble masa; las rectas doble masa, se obtuvieron del ploteo que se
realizó utilizando lamina escurrida para series de caudales en las estaciones analizadas,
resultando una rápida identificación de los quiebres. Los quiebres en la recta doble masa
probablemente, representan las inconsistencias de los datos y la identificación del tipo de
inconsistencia se tuvo en cuenta observando las rectas doble masa de cada grupo, y también
de los hidrogramas.
De los gráficos de rectas doble masa (figuras 4.1 al 4.4) se seleccionaron las estaciones
índices aquellas que presentan menores puntos de quiebre en las rectas doble masa, y en las
figuras 4.5 al 4.8 se identificaron los períodos confiables y dudosos, que con el análisis
estadístico se comprobaron si estos son significativos o no, teniendo lo siguiente en cada
grupo:
Para el Grupo I: de la figura 4.1 se identificó que la serie de Pachacoto tiene menos
puntos de quiebre, definiendo a esta serie como estación índice; en la figura 4.5 se
muestra el ploteo de la estación índice en el eje de las abcisas y las estaciones de
Recreta y Querococha en el eje de las ordenadas; de esta grafica se identificaron los
períodos dudosos y confiables (cuadro 4.3), considerando como período confiable
aquella que tiene un período mayor de años con respecto a los períodos dudosos; los
períodos dudosos serán evaluados estadísticamente. Las series de Recreta y
Querococha se identificaron 4 períodos dudosos.
Para el Grupo II: de la figura 4.2 se identificó que la serie de Cedros tiene muy
pocos puntos de quiebre, definiendo a esta serie como estación índice, en la figura
104
4.6 se muestra el ploteo de la estación índice en el eje de las abcisas y las estaciones
de Colcas y Quitaracsa en el eje de las ordenadas; de esta gráfica se identificaron los
períodos dudosos y confiables (cuadro 4.3), considerando como período confiable
aquella que tiene un mayor período de años con respecto a los períodos dudosos; los
períodos dudosos serán evaluados estadísticamente. Las series de Colcas se
identificaron dos períodos dudosos y en la serie de Quitaracsa se identifico un
período dudoso.
Para el Grupo III: de la figura 4.3 se identifico que la serie de la Balsa tiene pocos
puntos de quiebre definiendo a esta serie como estación índice. De la figura 4.7 se
muestra el ploteo de la estación índice en el eje de las abcisas y las estaciones de
Condorcerro y Puente Carretera en el eje de las ordenadas, de esta gráfica se
identificaron los períodos dudosos y confiables (cuadro 4.3), considerando como
período confiable aquella que tiene un mayor período de años con respecto a los
períodos dudosos; los períodos dudoso serán evaluados estadísticamente. La serie de
Condorcerro presento un período dudoso y otro confiable, y la serie de Puente
Carretera presento 3 períodos dudosos y 1 confiable.
Para el Grupo IV: de la figura 4.4 se identificó que la serie de Llanganuco tiene
pocos puntos de quiebre, definiendo a esta serie como estación índice, de la figura
4.8 se muestra el ploteo de la estación índice en el eje de las abcisas y las estaciones
de Chancos y Parón en el eje de las ordenadas; de esta gráfica se identificaron los
períodos dudosos y confiables (cuadro 4.3), considerando como período confiable
aquella que tiene un mayor período de años con respecto a los períodos dudosos; los
períodos dudosos serán evaluados. La serie de Chancos presento 1 punto de quiebre
y la serie de Parón presento 3 puntos de quiebre.
5.3 ANALISIS DE CONSISTENCIA
5.3.1 ANALISIS DE CONSISTENCIA EN SALTOS.
Identificado el período confiable aquellos períodos que tiene mayor longitud de años y
los períodos dudosos, se realizaron las pruebas estadísticas para identificar salto en la
media y desviación estándar para corregir los períodos dudosos que resultaran
significativos según las pruebas estadísticas de “t-Student” y “F-Fisher Snedecor”. De
los grupos de estaciones hidrométricas seleccionadas resultaron corregidos los períodos
dudosos como son:
105
Del Grupo I: las estaciones de Recreta y Querococha presentaron los siguientes
periodos confiables y dudosos, siendo evaluados y cuantificados para que resulte
una ecuación lineal de corrección de periodos dudosos que resultaron
significativos en una de las pruebas estadísticas de “t” y “F” para la media y
desviación estándar; de esta evaluación, resultaron significativos 3 periodos de los
4 identificados en la estación Recreta y 2 periodos de los 4 identificados en la
estación de Querococha. En el siguiente cuadro se muestra los periodos
significativos con las ecuaciones de corrección.
CUADRO N° 5.1: Periodos que resultaron significativos y las ecuaciones de corrección.
ESTACIONPERIODOS Y LONGITUD EN AÑOS Diferencia
SignificativaDiferencia
Significativa ECUACION DE CORRECCION
CONFIABLES LONGITUD DUDOSOS LONGITUD MEDIA DESV. EST.
RECRETA
1956 1976 21 1977 1980 4 SI Si X't = 1.99 * X - 0.111
1956 1980 25 1981 1984 4 NO NO
1956 1984 29 1985 1989 5 NO Si X't = 1.531 * X - 0.518
1956 1989 34 1990 1993 4 SI Si X't = 1.839 * X + 0.246
QUEROCOCHA
1956 1968 13 1969 1974 6 NO Si X't = 0.834 * X + 0.054
1956 1974 19 1975 1981 7 NO NO
1956 1981 26 1982 1985 4 SI NO X't = 0.85 * X - 0.107
1956 1985 30 1986 1993 8 NO NO
Del Grupo II: las estaciones de Colcas y Quitaracsa presentaron los siguientes
periodos confiables y dudosos, siendo evaluados y cuantificados para que resulte
una ecuación lineal de corrección de periodos dudosos que resultaron
significativos en una de las pruebas estadísticas de “t” y “F” para la media y
desviación estándar; de esta evaluación, todos los periodos dudosos identificados
resultaron significativos. En el siguiente cuadro se muestra los periodos
significativos con las ecuaciones de corrección.
CUADRO N° 5.2: Periodos que resultaron significativos y las ecuaciones de corrección.
ESTACIONPERIODOS Y LONGITUD EN AÑOS Diferencia
SignificativaDiferencia
Significativa ECUACION DE CORRECCION
CONFIABLES LONGITUD DUDOSOS LONGITUD MEDIA DESV. EST.
COLCAS1956 1976 21 1977 1983 7 SI NO X't = 1.02 * X - 1.285
1956 1983 28 1984 1992 9 SI NO X't = 1.009 * X + 0.68
QUITARACSA 1956 1992 37 1993 1995 3 SI Si X't = 0.37 * X + 5.191
Del Grupo III: las estaciones de Condorcerro y Puente Carretera presentaron los
siguientes periodos confiables y dudosos, siendo evaluados y cuantificados para
que resulte una ecuación lineal de corrección de periodos dudosos que resultaron
significativos en una de las pruebas estadísticas de “t” y “F” para la media y
106
desviación estándar; de esta evaluación, todos los periodos dudosos identificados
resultaron significativos. En el siguiente cuadro se muestra los periodos
significativos con las ecuaciones de corrección.
CUADRO N° 5.3: Periodos que resultaron significativos y las ecuaciones de corrección.
ESTACIONPERIODOS Y LONGITUD EN AÑOS Diferencia
SignificativaDiferencia
Significativa ECUACION DE CORRECCION
CONFIABLES LONGITUD DUDOSOS LONGITUD MEDIA DESV. EST.
CONDORRCERRO 1956 1984 29 1985 1993 9 SI NO X't = 1.086 * X + 18.002
PUENTE CARRETERA
1956 1971 16 1972 1979 8 NO Si X't = 0.841 * X + 14.611
1956 1979 24 1980 1985 6 SI Si X't = 0.538 * X + 8.326
1956 1985 30 1986 1989 4 SI Si X't = 0.567 * X - 11.726
Del Grupo IV: las estaciones de Chancos y Parón presentaron los siguientes
periodos confiables y dudosos, siendo evaluados y cuantificados para que resulte
una ecuación lineal de corrección de periodos dudosos que resultaron
significativos en una de las pruebas estadísticas de “t” y “F” para la media y
desviación estándar; de esta evaluación, todos los periodos dudosos identificados
resultaron significativos. En el siguiente cuadro se muestra los periodos
significativos con las ecuaciones de corrección.
CUADRO N° 5.4: Periodos que resultaron significativos y las ecuaciones de corrección.
ESTACIONPERIODOS Y LONGITUD EN AÑOS Dif.Sig. D.SIG. ECUACION DE
CORRECCIONCONFIABLES LONGITUD DUDOSOS LONGITUD MEDIA DESV. EST.
CHANCOS 1956 1977 22 1978 1986 9 SI Si X't = 0.803 * X + 0.041
PARON
1956 1976 21 1977 1984 8 SI Si X't = 0.773 * X - 0.053
1956 1984 29 1985 1989 5 SI Si X't = 0.841 * X - 0.492
1956 1989 34 1990 1995 6 SI Si X't = 0.309 * X + 0.894
5.3.2 ANALISIS DE CONSISTENCIA EN TENDENCIAS.
Corregido la inconsistencia en los saltos de períodos dudosos, se identificaron las
tendencias en los hidrogramas, teniendo la serie de Pachacoto con el mayor numero de
períodos de posibles tendencias, y el resto de las series presentan entre 2 y 3 períodos de
posibles tendencias; de estos períodos se evaluaron y cuantificaron, resultando las series de
Pachacoto, Colcas, Puente Carretera, Chancos y Llanganuco con un período (cada uno) de
presencia de Tendencias; la presencia de inconsistencias en tendencia para las series
evaluadas resultó significativa en la media, en su mayoría, y en la desviación estándar.
Todas las series fueron analizadas en los posibles períodos que presentaran tendencias
y en la totalidad de la longitud de la serie, no encontrándose tendencias significativas. La
serie de Puente Carretera presenta tendencias notorias y significativas en los períodos de
107
1956 a 1965 la que resulto notoria y fue corregida, el período de 1990 a 1995 no resulto
significativa pese a que en el hidrograma de esta serie, se puede identificar la presencia de
tendencia en este período. En el siguiente cuadro se muestra los periodos de las series
analizadas que presentaron tendencias significativas según el cuadro 4.5 con las
ecuaciones de corrección.
CUADRO N° 5.5: Periodos que resultaron significativos y las ecuaciones de corrección.
ESTACIONPERIODO
TENDENCIACOEFICIENTE TENDENCIA
SGINIFICATIVA ECUACION DE CORRECCIONINICIO FINAL Am Bm
PACHACOTO 1956 1995 MEDIA -0.00218 4.76769 SI X't = -0.002175 * X + 4.767694
COLCAS 1993 1994 MEDIA -0.24745 10.21818 SI X't = -0.247455 * X + 10.218185
PUENTE CARRETERA 1956 1965 MEDIA -0.8079 204.7888 SI X't = -0.80793 * X + 204.788791
CHANCOS 1978 1992 MEDIA -0.0144 9.0148 SI X't = -0.014367 * X + 9.014807
LLANGANUCO1956 1995 MEDIA 0.0009 2.7987 SI X't = 0.000893 * X + 2.798725
1956 1995 DES. ESTANDAR 0.0067 0.9103 SI X't = 0.006667 * X + 0.910276
5.4 COMPLETACION DE DATOS.
La completación se realizó con un programa de elaboración propia, y en otros casos de
forma manual; la completación de datos en las series analizadas y agrupadas se realizó con
los siguientes criterios.
Para el Grupo I, la estación Recreta no presenta datos faltantes y las estaciones de
Pachacoto y Querococha presentan datos faltantes en dos meses, esto llevo a
completar los datos faltantes con el promedio simple de toda la serie.
Para el Grupo II, las estaciones agrupadas presentan algunos datos faltantes por lo
que se completaron con una estación cercana que es la estación de la Balsa, este
criterio se tuvo en cuenta por que las estaciones a completar y la estación índice
completa, se encuentran en la parte media y baja; además la estación de la Balsa
presento mejor significancia en la prueba de R2 a comparación con la estación de
Parón que es la mas cercana, los meses faltantes fueron completados con ecuaciones
de regresión adecuadas para cada mes.
Para el Grupo III, la estación de la Balsa y Condorcerro tiene datos completos y la
estación de Puente Carretera tiene algunos datos incompletos por lo que se
completaron, teniendo en cuenta la estación de la Balsa que es una estación que
registra datos de la parte media y alta de la cuenca y esta ubicada en el río santa y
también se comparada con la estación de Condorcerro, teniendo mejores resultados
con la estación de la Balsa en la prueba de R2, de la completación algunos meses
(mayo, agosto, setiembre y octubre) no resultaron significativos según la prueba
108
estadística de R2, por lo que se completaron esos datos con el método de
proporciones..
Para el Grupo IV, la estación de Llanganuco presentaron algunos datos faltantes con
lo que fueron completados con la estación de Chancos y la estación de Parón fue
completada con la estación de Llanganuco por presentar mejores resultados que la
estación de Chancos según la prueba estadística de R2; la estación de Chancos se
completaron los datos con el promedio simple de toda la serie por presentar
menores datos faltantes. En la estación de Llanganuco solo se completo con el
método de proporciones en los meses de junio y noviembre, el resto de meses
fueron completados con ecuaciones de regresión; y en la estación de Parón se
completo con el método de proporciones en los meses de julio, agosto y noviembre,
en el resto de meses la completación se realizo con ecuaciones de regresión.
5.5 PROCESO DE DESESTACIONALIZACIÓN.
5.5.1 ANALISIS PRELIMINAR DE SERIES DE TIEMPO.
En las series libres de saltos y tendencias de Recreta, Querococha, Quitaracsa,
Condorcerro, Puente Carretera y la Balsa, se aprecia claramente que presentan una
importante característica de estacionalidad, de tal forma que las componentes aleatorias
parecieran ser pequeñas, a diferencia que las series de Pachacoto, Cedros, Colcas, Chancos,
Llanganuco y Parón que presenta una característica casi aleatoria donde la periodicidad es
difícil de ajustar.
5.5.2 TRANSFORMACIÓN LOGARÍTMICA.
Los gráficos de componentes residuales para series normalizadas con transformación
logarítmica, son los más representativos para realizar las últimas verificaciones de
periodicidad, estacionalidad y tendencias, preservando comportamientos de estacionalidad y
periodicidad que son característicos con el comportamiento del régimen de descarga de esta
cuenca y no mostrando tendencias significativas que no sean confundidas con el
comportamiento de las residuales. Los gráficos de componentes estacionales solamente
representan el comportamiento constante de la componente estacional, por lo que no ha sido
considerado en la presentación.
Para el modelamiento se consideran todos los datos de las series de descargas
mensuales de las estaciones hidrométricas seleccionadas.
109
CUADRO N°5.6: SERIES NORMALIZADAS CON TRANSFORMACION LOGARITMICA
Fig. Serie Comportamiento
4.25 Recreta-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.26 Pachacoto-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.27 Querococha-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.28 Colcas-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.29 Cedros-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.30 Quitaracsa-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.31 Condorcerro-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.32 Puente carretera-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.33 La Balsa-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.34 Chancos-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.35 Llanganuco-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.36 Parón-Ln No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
5.5.3 ESTANDARIZACIÓN.
Los gráficos de componentes residuales, para series normalizadas y después
estandarizadas, no presentaron comportamientos de fuerte periodicidad y el
comportamiento estacional que son característicos de esta cuenca se manifestaron,
considerando para el modelamiento, a todas las series de descargas mensuales de las
estaciones hidrométricas. Los gráficos de componentes estacionales solamente representan
el comportamiento constante de esta componente, por lo que no se ha considerado en los
resultados.
CUADRO N°5.7: SERIES NORMALIZADAS CON TRANSFORMACION LOGARITMICA Y ESTANDARIZADAS
Fig. Serie Comportamiento
4.37 Recreta-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.38 Pachacoto-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.39 Querococha-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
110
4.40 Colcas-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.41 Cedros-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.42 Quitaracsa-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.43 Condorcerro-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.44 Puente Carretera-Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.45 La Balsa-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.46 Chancos-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.47 Llanganuco-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
4.48 Parón-Stand No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos, la influencia del comportamiento residual no es notoria.
5.5.4 FUNCIÓN DE AUTOCORRELACIÓN (F.A.).
1. F.A. PARA SERIES NORMALIZADAS CON TRANSFORMACION
LOGARITMICA.
Las Funciones de Autocorrelación para series normalizadas con transformación
logarítmica presentan primeros retardos positivos con lento decaimiento exponencial e
incompleto comportamiento sinusoidal y ondas amortiguadas, interrumpiéndose después
con retardos negativos perdiéndose dentro de la banda de confianza; solo la serie de
Parón presenta primeros retardos positivos con decaimiento y comportamiento
sinusoidal en un tramo luego se interrumpe.
Las series aleatorias de residuales normalizadas con transformación logarítmica
no presentan una función de autocorrelación totalmente periódica, aun que las series no
se han desestacionalizado aun y que es no estacionaria. Esto demuestra que la corrección
que se hizo para homogenizar los datos influencia en las series residuales obtenidas en
las transformaciones. En el cuadro 5.1 se muestra las características de cada serie
analizada.
Prueba de Anderson para la Función de Autocorrelación de las Series Históricas Corregidas y Completada, con Transformación Logarítmica.
Fig. Serie Comportamiento
4.49 Recreta-Ln Primeros retardos positivos con lento decaimiento exponencial y comportamiento sinusoidal de ondas amortiguadas, interrumpiéndose después con retardos negativos.
CUADRO N° 5.8
111
CUADRO N° 5.9
4.50 Pachacoto-Ln Primeros retardos positivos con lento decaimiento exponencial y ondas amortiguadas, luego interrumpiéndose con retardos negativos y comportamiento sinusoidal no definido.
4.51 Querococha-Ln Primeros retardos positivos con lento decaimiento exponencial y luego se interrumpe con retardos negativos y comportamiento sinusoidal no definido.
4.52 Colcas-Ln Primeros retardos positivos con decaimiento exponencial y luego se interrumpe con retardos negativos y comportamiento sinusoidal no definido.
4.53 Cedros-Ln Primeros retardos positivos con decaimiento exponencial y ondas amortiguadas, luego interrumpiéndose con retardos negativos y positivos y comportamiento sinusoidal no definido.
4.54 Quitaracsa-Ln Primeros retardos positivos con decaimiento exponencial y ondas amortiguadas, luego interrumpiéndose con retardos negativos y positivos y comportamiento sinusoidal no definido.
4.55 Condorcerro-Ln Primeros retardos positivos con decaimiento exponencial y comportamiento sinusoidal interrumpiéndose con ondas amortiguadas de retardos negativos.
4.56 Puente carretera-Ln Primeros retardos positivos con decaimiento y comportamiento sinusoidal interrumpiéndose con ondas amortiguadas de retardos negativos.
4.57 La Balsa-Ln Primeros retardos positivos con decaimiento exponencial y se interrumpe con retardos positivos y negativos con comportamiento sinusoidal no definido y ondas amortiguadas.
4.58 Chancos-Ln Primeros retardos positivos con decaimiento exponencial y ondas amortiguadas interrumpiéndose con retardos negativos de ondas amortiguadas.
4.59 Llanganuco-Ln Primeros retardos positivos con decaimiento exponencial y comportamiento sinusoidal y luego interrumpido con algunas ondas amortiguadas.
4.60 Parón-Ln Primeros retardos positivos con decaimiento y comportamiento sinusoidal definido que es notorio a otras series.
2. F.A. PARA SERIES NORMALIZADAS Y LUEGO ESTANDARIZADAS.
Las Funciones de autocorrelación para series normalizadas y después
estandarizadas presentan lo primeros retardos positivos, decrece en forma exponencial y
con ondas amortiguadas interrumpiéndose con retardos negativos de ondas
amortiguadas; la serie de Parón presenta primeros retardos positivos con decaimientos y
comportamiento sinusoidal en un tramo que luego es interrumpido.
Las series aleatorias de residuales normalizadas y luego estandarizadas no
presentan funciones de autocorrelación totalmente periódicas, presentando
comportamientos semejantes a las funciones de autocorrelación normalizadas con
transformación logarítmica mostrando las series no se han desestacionalizado aun y que
es no estacionaria. Esto demuestra que la corrección que se hizo para homogenizar los
datos influencia en las series residuales obtenidas en las transformaciones. En el cuadro
4.2 se muestra las características de las series.
Prueba de Anderson para la Función de Autocorrelación de las Series Históricas Corregidas y completadas, con transformación Logarítmica y Estandarizadas
Fig. Serie Comportamiento4.61 Recreta-Stand Primeros retardos positivos, decrece en forma exponencial y ondas amortiguadas interrumpiéndose con
retardos negativos de ondas amortiguadas.
4.62 Pachacoto-Stand Primeros retardos positivos con decaimiento exponencial y ondas amortiguadas seguidos de comportamiento sinusoidal irregular de retardos positivos y negativos.
112
CUADRO N° 5.10
4.63 Querococha-Stand Primeros retardos positivos con decaimiento y luego se interrumpe con retardos positivos y negativos de comportamiento sinusoidal irregular no definido.
4.64 Colcas-Stand Primeros retardos positivos con decaimiento y luego interrumpida con retardos positivos negativos y positivos de comportamiento sinusoidal no definido.
4.65 Cedros-Stand Primeros retardos positivos con decaimiento exponencial y pequeños amortiguamientos seguido de irregular comportamiento sinusoidal.
4.66 Quitaracsa-Stand Primeros retardos positivos con decaimiento exponencial y amortiguamientos interrumpidos con retardos negativos y positivos de comportamiento amortiguado.
4.67 Condorcerro-Stand Primeros retardos positivos con decaimiento exponencial y pequeños amortiguamientos interrumpidos con retardos negativos de comportamiento amortiguado.
4.68 Puente Carretera-Stand
Primeros retardos positivos con decaimiento exponencial y ondas amortiguadas interrumpidos con retardos negativos.
4.69 La Balsa-Stand Primeros retardos positivos y decaimiento con pequeños amortiguamientos interrumpiéndose con retardos negativos y positivos de comportamiento irregular.
4.70 Chancos-Stand Primeros retardos positivos y decaimiento exponencial considerable seguido de pequeños amortiguamientos de comportamiento sinusoidal.
4.71 Llanganuco-Stand Primeros retardos positivos y decaimiento exponencial considerable y comportamiento sinusoidal seguido de pequeños amortiguamientos.
4.72 Parón-Stand Primeros retardos positivos con decaimiento y comportamiento sinusoidal definido que es notorio a otras series.
5.5.5 FUNCIÓN DE AUTOCORRELACIÓN PARCIAL (FAP).
1. FUNCIÓN DE AUTOCORRELACIÓN PARCIAL PARA LAS SERIES
NORMALIZADAS CON TRANSFORMACIÓN LOGARÍTMICA.
Las F.A.P. para las series con transformación Logarítmica presentan el primer
retardo positivo y significativamente alto, interrumpido por retardos positivos y
negativos que se pierden dentro de la banda de confianza. Los retardos no presentan
patrones definidos en su comportamiento para los 4 grupos y sus respectivas series, esto
hace marcar un comportamiento no estacionario en los retardos con marcada
aleatoriedad entre los grupos de series para el análisis. En el cuadro 5.3 se muestra las
características de las series.
Prueba de Anderson para las Funciones de Autocorrelación Parcial de las Series Históricas Corregidas y completadas, con Transformación Logarítmica.
Fig. Serie Comportamiento
4.73 Recreta-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.74 Pachacoto-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
113
CUADRO N° 5.11
4.75 Querococha-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.77 Colcas-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.76 Cedros-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.78 Quitaracsa-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.79 Condorcerro-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.80 Puente Carretera-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.81 La Balsa-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.82 Chancos-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.83 Llanganuco-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.84 Parón-Ln Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
2. FUNCIÓN DE AUTOCORRELACIÓN PARCIAL PARA LAS SERIES
ESTANDARIZADAS.
Las F.A.P. de las series estandarizadas, el primer retardo es positivo y altamente
significativo seguido de retardos positivos y negativos que se pierden dentro de la banda
de confianza. Al igual que las series de función de autocorrelación parcial de series
normalizadas, presentan comportamientos semejantes marcando comportamiento no
estacionario en los retados con marcada aleatoriedad entre los grupos de series. En el
cuadro 5.4 se muestra las características de la serie.
Prueba de Anderson para las Funciones de Autocorrelación Parcial de las Series Históricas Corregidas y completadas, con Transformación Logarítmica y Estandarizadas.
Fig. Serie Comportamiento
4.85 Recreta-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.86 Pachacoto-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.87 Querococha-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
114
4.89 Colcas-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.88 Cedros-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.90 Quitaracsa-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.91 Condorcerro-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.92 Puente Carretera-Stand
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.93 La Balsa-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.94 Chancos-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.95 Llanganuco-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
4.96 Parón-Stand Primer retardo positivo luego se interrumpe con retardos negativos y positivos de comportamiento irregular perdiéndose dentro de la banda de confianza.
5.6 IDENTIFICACIÓN DEL MODELO.
De acuerdo al análisis realizados de los cuadros 4.4 al 4.7 en las Funciones de
Autocorrelación y Funciones de Autocorrelación Parcial y de acuerdo al cuadro 2.1 para las
series normalizadas con transformación logarítmica y estandarizadas es evidente la presencia
de que los primeros o primer retardo es significativo, seguido de decaimiento exponencial
consistente de ondas amortiguadas y retardos que se pierden dentro de la banda de confianza,
estas características se presentan con mayor énfasis en las Funciones de Autocorrelación,
mostrando comportamiento típico de modelos autorregresivos AR. De las Funciones de
Autocorrelación Parcial, presentan un máximo retardo luego se interrumpe y en otras series
(Chancos y Llanganuco) decrecen, y luego se pierden en la banda de confianza mostrando
una marca presencia de la componente media móvil en todas las series.
Del análisis de las Funciones de Autocorrelación y Funciones de Autocorrelación
Parcial indicados en 4.4.4 y 4.4.5 seleccionamos como modelos a ARMA (1,0), ARMA
(2,0), ARMA (1,1) y ARMA (2,1); que serán modelados en el programa SAMS.
5.7 ESTIMACIÓN DE PARÁMETROS DEL MODELO ARMA (p,q).
Para obtener los parámetros autorregresivos y media móvil se usó del software SAMS
(Simulación y Análisis de Modelos estocásticos), que modela series con el método ARMA
de Box y Jenkins, el SAMS tiene 02 presentaciones del modelo ARMA, para series anuales y
para series estacionales, que en este caso se denomina PARMA (Periódico ARMA).
Se aplicó el modelamiento ARMA periódico (en el SAMS esta definido como
PARMA) que es para series estacionales. Inicialmente el software presenta opciones para
realizar transformaciones para aproximar a una serie normal (transformación logarítmica,
potencia y Box-Cox), para luego elegir la opción de realizar la estandarización de las series;
luego determina los parámetros estadísticos, seguidamente calcula los “p” parámetros
autorregresivos y luego los “q” parámetros de media móvil; los parámetros de los modelos
115
son calculados por el método de los momentos y de la suma de cuadrados que da
aproximaciones.
En la estimación de parámetros se tuvo en cuenta que la varianza de residuales de los
modelos, sean positivos; esto implicaba que si los valores resultan negativos, el programa no
generaba valores. En estos casos se determinó los parámetros con el método de la suma de
cuadrados que presentaba valores adecuados para realizar la generación.
5.8 BONDAD DE AJUSTE DEL MODELO.
5.8.1 PRUEBA DE INDEPENDENCIA EN EL TIEMPO.
1. DE LA SERIES
CON TRANSFORMACIÓN LOGARÍTMICA
De la prueba de porte Monteau mostrada en el cuadro 4.22 se observa que
presenta pocos recuadros resaltados con color verde indicando estos el rechazo de la
prueba. Esto hacer notar que la mayoría de las series con transformación logarítmica
mantienen la independencia de las residuales de cada una de las series generadas por el
modelo ARMA (p,q), la prueba de Porte Monteau es evaluada con los limites de
Anderson, las series preservaron mantenerse dentro del rango de confianza sin presentar
inconvenientes en momentos que el programa realizaba la generación de datos, el
programa SAMS no realiza la generación de datos si es que no cumple con estas
pruebas.
2. DE LA SERIES ESTANDARIZADAS.
De la prueba de Porte Monteau mostrada en el cuadro 4.24 se observa que al
igual que para las series transformadas, presenta pocos recuadros resaltados con color
verde, indicando rechazo de la prueba. Esto hace notar que las series estandarizadas
mantiene la independencia de las residuales de cada serie generada con el modelo
ARMA (p,q), en la prueba de Anderson, las series preservaron mantenerse dentro del
rango de confianza, razón por la cual el programa SAMS ha generados los caudales
sintéticos normalmente.
5.8.2 PRUEBA DE NORMALIDAD.
1. DE LAS SERIES CON TRANSFORMACIÓN LOGARÍTMICA.
116
De la prueba de asimetría de normalidad para las diferentes series estocásticas
ARMA (p,q) mostrado en el cuadro 4.21 se observa que presenta pocos recuadros
resaltados con color verde, indicando los meses de rechazo de esta prueba, y el resto de
meses preserva las características de ajuste de normalidad. Esto hace definir que las
residuales de las series normalizadas con transformación logarítmica se ajustan a una
distribución normal en la mayoría de los meses.
2. DE LAS SERIES ESTANDARIZADAS.
De la prueba de asimetría de normalidad mostrada en el cuadro 4.23 para las
diferentes series estocásticas ARMA (p,q), se observa que las series presentan pocos
recuadros resaltados con color verde, indicando rechazo de la prueba a excepción de la
serie de Parón que presenta en la mayoría de los meses rechazos; al igual que en series
normalizadas con transformación logarítmica, la mayoría de meses preserva las
características de ajuste de normalidad; haciendo definir que las residuales en las series
normalizadas y luego estandarizadas se ajustan una distribución normal en la mayoría de
los meses.
5.8.3 AJUSTE DE LA DISTRIBUCIÓN EMPÍRICA DE LA COMPONENTE
RESIDUAL ESTOCÁSTICA.
Una vez probada la independencia de la serie residual εt, se ajusta la distribución
empírica a la función de distribución simétrica normal. El programa SAMS verifica en forma
general que la función de distribución acumulada empírica de la serie residual tiende a seguir
aproximadamente una normal, llegando así a la conclusión de aceptar la hipótesis de que los
registros residuales se aproximan o distribuyen probabilísticamente a la función de
distribución normal, si una serie no cumple con los limites de confianza de Porte Monteau, el
programa no realiza la generación de datos; indicando así que no ha cumplido con una de las
pruebas y automáticamente no realiza la generación de datos.
5.8.4 PARSIMONIA DE PARÁMETROS.
Se puede notar claramente que los valores del criterio de información de Akaike
para todas las residuales de los modelos ARMA (p,q) generados para cada serie hidrológica
con las transformaciones logarítmicas y estandarizadas, presentan pocas diferencias en los
mismos tipos de series; determinando así que los modelos ARMA (2,1) para todas las series
tiene un mejor valor de esta prueba y comparando entre series normalizadas con
117
transformación logarítmica y estandarizadas las series con transformadas logarítmica
presentan mejores valores.
Se aceptará entonces estos modelos para la generación de series, y se vera en las
pruebas de validación, que es el motivo de la tesis, qué modelo reproduce mejor las
características estadísticas de la serie original
5.9 GENERACIÓN DE SERIES.
De los modelos estocásticos ARMA (p,q) que son los más competentes según la
prueba de Akaike y son presentados en el cuadro 4.28, se generaron 100 series de caudales
medios mensuales, de longitudes iguales a 40 años, para realizar las pruebas de validación de
resultados.
5.9.1 ANALISIS COMPARATIVO ENTRE SERIES HISTORICAS Y
GENERADAS.
El programa SAMS, presenta el reporte de la comparación de estadísticos como la
Media, Desviación Estándar, Coeficiente De Asimetría, Coeficiente De Variación, Máximos
y Mínimos mensuales, para series históricas y generadas; de las cuales se evaluaron los
parámetros mas importantes que son la media y desviación estándar, mostrando visualmente
semejanzas entre si. De estos resultados obtenidos por el SAMS, se analizaran los
estadísticos más representativos como son la Media y Desviación Estándar.
Del Grupo I, de las series seleccionadas (Recreta, Pachacoto y
Querococha) muestran apreciable semejanza en la media para todas las series, y en
la desviación estándar las series en análisis presentan 2 puntos de alejamientos
pequeños que no son tan notorias pero si mantiene el comportamiento del
estadístico; esto indica que los dos parámetros conserva el mismo comportamiento
a del régimen de descarga. Estas series mantienen un comportamiento estacional
definido, mostrando así que las series generadas con sus respectivos modelos
ARMA (p,q) preservan las características estadísticas de las series originales.
Del Grupo II de las series seleccionadas (Cedros, Colcas y Quitaracsa)
muestran apreciable semejanza en la media y mantiene el mismo régimen, en la
desviación estándar las series presentan pequeños saltos en 3 puntos, manteniendo
un comportamiento definido; mostrando así que las series generadas con sus
respectivos modelos ARMA (p,q) preservan las características estadísticas de las
series originales.
118
Del Grupo III de las series seleccionadas (Condorcerro, Puente Carretera
y La Balsa) muestran apreciable semejanza en la media, manteniendo el mismo
régimen de descarga, en la desviación estándar las series presentan pequeños
alejamientos en 2 puntos que no son notorios porque siguen preservando el
comportamiento del estadístico. Estos estadísticos mantienen un comportamiento
estacional definido; mostrando así que las series generadas con sus respectivos
modelos ARMA (p,q) preservan las características estadísticas de las series
originales.
Del Grupo IV de las series seleccionadas (Chancos, Llanganuco y
Parón) muestran apreciable semejanza en la media, manteniendo el mismo
régimen de descarga; y en la desviación estándar la serie de Parón presenta un
salto significativo, y en las demás tiene saltos no significativos. Los valores de la
serie generada e histórica mantienen un comportamiento estacional definido;
mostrando así que las series generadas con sus respectivos modelos ARMA (p,q)
preservan la característica estadística de la media y la desviación estándar con
algunos saltos.
Por lo tanto las series generadas a partir de las series históricas, en su mayoría,
preservan las características estadísticas tanto en la media y la desviación estándar, con
mayor énfasis en la media, como ha sido mostrado en el anexo C-2; se realizara las pruebas
estadísticas para la verificar si los estadísticos calculados de las series generadas son
estadísticamente iguales con la serie histórica.
5.10 VALIDACIÓN DE RESULTADOS.
5.10.1 PRUEBA DE HIPOTESIS DE 02 MUESTRAS.
1. PRUBA DE HIPOTESIS DE LAS VARIANZAS DE 02 POBLACIONES.
Según el cuadro 4.29, las series sintéticas generadas preservan absoluta
aceptación en la mayoría de los meses de cada serie generada, indicando que las
varianzas entre las series históricas y generadas son estadísticamente iguales.
2. PRUEBA DE “t” PARA MUESTRAS INDEPENDIENTES.
Según el cuadro 4.29, las series sintéticas generadas presentan absoluta
aceptación de esta prueba, indicando que las medias son estadísticamente iguales entre
los dos grupos de muestra que son las series históricas y generadas.
119
3. PRUEBA DE “t” PARA
MUESTRAS DEPENDIENTES.
Según el cuadro 4.29, las series sintéticas generadas presentan aceptación en las
pruebas de hipótesis en la media y desviación estándar en muestras apareadas, en las
series de Pachacoto y Cedros no presenta relación en la prueba de varianzas y en la serie
de Chancos no tiene aceptación en la prueba de medias; de esta manera las series
históricas y generadas presentan relación de dependencia.
5.10.2 INTERVALO DE CONFIANZA A PARTIR DE LAS SERIES GENERADAS.
Según el cuadro 4.29, las series sintéticas generadas presentan aceptación en la
prueba de verificación del intervalo de confianza en la media y desviación estándar para la
mayoría de los meses de cada serie generada, indicando así que las series generadas se
encuentran dentro del intervalo de aceptación.
5.10.3 PRUEBAS DE BONDAD DE AJUSTE.
La verificación de que las series generadas se ajustan a una distribución de
probabilidad normal ha sido evaluada, resultando aceptable en la totalidad de las series
generadas según los resultados obtenidos en el cuadro N° 4.31.
120
VI. CONCLUSIONES Y RECOMENDACIONES
6.1 CONCLUSIONES
a) Para el modelamiento estocástico de las series, con el modelo ARMA, se
emplearon registros históricos de caudales medios mensuales de las estaciones
hidrométricas de Recreta, Pachacoto, Querococha, Cedros, Colcas, Quitaracsa,
Condorcerro, Puente Carretera, La Balsa, Chancos, Llanganuco y Parón; con un
periodo de registro histórico común de 40 años (1956 – 1995)
b) Los modelos estocásticos ARMA que han sido seleccionados para la generación
de descargas medias mensuales sintéticas son de orden (2,1), que previamente han
sido normalizados mediante transformación logarítmica. Los modelos
seleccionados para la generación son:
ESTACION HIDROMETRICA
SERIE CON TRANSFORMACION LOGARITMICA
ORDEN DEL MODELO ARMA (p,q)
RECRETA RECRETA-Ln ARMA (2,1)
PACHACOTO PACHACOTO-Ln ARMA (2,1)
QUEROCOCHA QUEROCOCHA-Ln ARMA (2,1)
CEDROS CEDROS-Ln ARMA (2,1)
COLCAS COLCAS-Ln ARMA (2,1)
QUITARACSA QUITARACSA-Ln ARMA (2,1)
CONDORCERRO CONDORCERRO-Ln ARMA (2,1)
PUENTE CARRETERA PUENTE CARRETERA-Ln ARMA (2,1)
LA BALSA LA BALSA-Ln ARMA (2,1)
CHANCOS CHANCOS-Ln ARMA (2,1)
Llanganuco LLANGANUCO-Ln ARMA (2,1)
PARON PARON-Ln ARMA (2,1)
c) Los modelos estocásticos para generar caudales medios mensuales seleccionados,
correspondientes a series de caudales para las estaciones hidrométricas
seleccionadas son:
121
Donde:Xν,1: caudal medio mensual generadoUν,1: componente estocástica normalizadaξ1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,ξ1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Recreta:Enero : Xν,1= exp (1.5872 + 0.4493(1.275231U1,0 - 0.795323U1,-1 - 0.302897*0.102567ξ1,0 + 0.102567ξ1,1)) - 1.5Febrero : Xν,2= exp (1.9850 + 0.5316(0.639511U1,1 + 0.088803U1,0 - 0.183988*0.206473ξ1,1 + 0.206473ξ1,2)) - 1.5Marzo : Xν,3= exp (2.2292 + 0.4933(1.356250U1,2 - 0.423804U1,1 - 0.696041*0.115398ξ1,2 + 0.115398ξ1,3)) - 1.5Abril : Xν,4= exp (1.7740 + 0.4278(1.065753U1,3 - 0.323782U1,2 - 0.480911*0.098704ξ1,3 + 0.098704ξ1,4)) - 1.5Mayo : Xν,5= exp (1.1672 + 0.2565(1.265946U1,4 - 0.454749U1,3 - 0.797988*0.023199ξ1,4 + 0.023199ξ1,5)) - 1.5Junio : Xν,6= exp (0.8743 + 0.1316(0.305337U1,5 + 0.059410U1,4 + 0.103050*0.005636ξ1,5 + 0.005636ξ1,6)) - 1.5Julio : Xν,7= exp (0.7822 + 0.097(2.393603U1,6 - 0.738725U1,5 + 1.662154*0.001562ξ1,6 + 0.001562ξ1,7)) - 1.5Agosto : Xν,8= exp (0.7210 + 0.0787(0.800330U1,7 - 0.088542U1,6 + 0.229447*0.001022ξ1,7 + 0.001022ξ1,8)) - 1.5Setiembre : Xν,9= exp (0.7047 + 0.0897(0.877491U1,8 + 0.067852U1,7 - 0.188918*0.002712ξ1,8 + 0.002712ξ1,9)) - 1.5Octubre : Xν,10= exp(0.8296 + 0.2037(3.541234U1,9 - 1.986462U1,8 - 2.463045*0.027387ξ1,9 + 0.027387ξ1,10 )) -1.5Noviembre : Xν,11= exp(0.9675 + 0.2336(0.754409U1,10 - 0.666787U1,9 - 0.146821*0.043389ξ1,10 + 0.043389ξ1,11)) – 1.5Diciembre : Xν,12= exp (1.2469 + 0.3868(1.005339U1,11 - 0.187302U1,10 - 0.111579*0.279153ξ1,11 + 0.279153ξ1,12)) - 1.5
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Querococha:Enero :Xν,1= exp (1.1442 + 0.2346(0.350435U1,0 + 0.187155U1,-1 +0.302454*0.026639ξ1,0 + 0.026639ξ1,1)) – 0.8Febrero :X ν,2 =exp (1.3180 + 0.2877(-2.449985U1,1 + 1.979661U1,0 +2.760159*0.059609ξ1,1 + 0.059609ξ1,2)) – 0.8Marzo :X ν,3= exp (1.3900 + 0.2563(0.402457U1,2 + 0.011914U1,1 +0.056422*0.04887ξ1,2 + 0.04887ξ1,3)) – 0.8Abril :X ν,4= exp (1.1200 + 0.1878(-4.903899U1,3 + 2.451504U1,2 + 5.338287*0.019788ξ1,3 + 0.019788ξ1,4)) – 0.8Mayo :X ν,5= exp (0.6850 + 0.1420(0.735263U1,4 – 0.287139U1,3 - 0.444853*0.017721ξ1,4 + 0.017721ξ1,5)) – 0.8Junio :X ν,6= exp (0.3902 + 0.0896(1.030299U1,5 – 0.180263U1,4 - 0.558947*0.003345ξ1,5 + 0.003345ξ1,6)) – 0.8Julio :X ν,7= exp (0.2504 + 0.0835(0.781067U1,6 + 0.037382U1,5 - 0.197354*0.00242ξ1,6 + 0.00242ξ1,7)) – 0.8Agosto :X ν,8= exp (0.2483 + 0.0726(0.887997U1,7 – 0.217707U1,6 - 0.077347*0.002001ξ1,7 + 0.002001ξ1,8)) – 0.8Setiembre :X ν,9= exp (0.3549 + 0.1032(0.475321U1,8 + 0.184505U1,7 + 0.117082*0.008151ξ1,8 + 0.008151ξ1,9)) – 0.8Octubre :X ν,10= exp (0.6281 + 0.1582(2.491649U1,9 – 1.073709U1,8 - 2.302979*0.022433ξ1,9 + 0.022433ξ1,10)) – 0.8Noviembre :X ν,11= exp (0.8080 + 0.2287(0.316634U1,10 + 0.372911U1,9 + 0.471879*0.035694ξ1,10 + 0.035694ξ1,11)) – 0.8Diciembre :X ν,12= exp (0.9910 + 0.2779(1.768222U1,11 – 0.732520U1,10 - 0.947080*0.039544ξ1,11 + 0.039544ξ1,12)) – 0.8
122
Donde:Xν,1: caudal medio mensual generadoUν,1: componente estocástica normalizadaξ1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,ξ1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Pachacoto:Enero :Xν,1= exp (1.8490 + 0.3300(-14.259809U1,0 + 10.216033U1,-1 + 15.075256*0.062516ξ1,0 + 0.062516ξ1,1)) - 0.25Febrero :Xν,2= exp (2.0479 + 0.3158(-1.015503U1,1 + 1.263260U1,0 + 1.231293*0.062673ξ1,1 + 0.062673ξ1,2)) - 0.25Marzo :Xν,3= exp (2.1666 + 0.2905(0.000559U1,2 + 0.163641U1,1 + 0.491547*0.064801ξ1,2 + 0.064801ξ1,3)) - 0.25Abril :Xν,4= exp (1.7801 + 0.3341(1.664556U1,3 - 0.281217U1,2 - 1.186298*0.075939ξ1,3 + 0.075939ξ1,4)) - 0.25Mayo :Xν,5= exp (1.1394 + 0.2393(0.038643U1,4 + 0.304687U1,3 + 0.48548*0.027705ξ1,4 + 0.027705ξ1,5)) - 0.25Junio :Xν,6= exp (0.7105 + 0.2747(0.660521U1,5 + 0.028189U1,4 + 0.174985*0.041199ξ1,5 + 0.041199ξ1,6)) - 0.25Julio :Xν,7= exp (0.5138 + 0.3128(3.968258U1,6 - 2.57686U1,5 - 3.065717*0.047387ξ1,6 + 0.047387ξ1,7)) - 0.25Agosto :Xν,8= exp (0.5267 + 0.2664(1.119457U1,7 - 0.162633U1,6 - 0.807247*0.022495ξ1,7 + 0.022495ξ1,8)) - 0.25Setiembre :Xν,9= exp (0.7079 + 0.2518(0.264935U1,8 + 0.315171U1,7 + 0.533141*0.025647ξ1,8 + 0.025647ξ1,9)) - 0.25Octubre :Xν,10= exp (1.1370 + 0.2460(-0.252367U1,9 + 0.531097U1,8 + 0.583504*0.048836ξ1,9 + 0.048836ξ1,10)) - 0.25Noviembre :Xν,11= exp (1.3813 + 0.3210(-1.192815U1,10 + 1.250792U1,9 + 1.749567*0.048439ξ1,10 + 0.048439ξ1,11)) - 0.25Diciembre :Xν,12= exp (1.6338 + 0.3042(0.695028U1,11 - 0.003279U1,10 - 0.014882*0.043922ξ1,11 + 0.043922ξ1,12)) - 0.25
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Los Cedros:Enero :Xν,1= exp (1.714 + 0.2072(0.341340U1,0 + 0.366061U1,-1 + 0.133840*0.030906ξ1,0 + 0.030906ξ1,1)) – 1.3Febrero :Xν,2= exp (1.7647 + 0.2315(-0.121092U1,1 + 0.439605U1,0 + 0.926421*0.030034ξ1,1 + 0.030034ξ1,2)) – 1.3Marzo :Xν,3= exp (1.8506 + 0.2267(-0.066416U1,2 + 0.177682U1,1 + 0.600489*0.042107ξ1,2 + 0.042107ξ1,3)) – 1.3Abril :Xν,4= exp (1.7343 + 0.2076(0.888301U1,3 – 0.240751U1,2 - 0.250379*0.024049ξ1,3 + 0.024049ξ1,4)) – 1.3Mayo :Xν,5= exp (1.4946 + 0.1228(-0.098452U1,4 + 0.266145U1,3 + 0.563552*0.007632ξ1,4 + 0.007632ξ1,5)) – 1.3Junio :Xν,6= exp (1.3404 + 0.1250(0.853000U1,5 – 0.158172U1,4 + 0.085213*0.007118ξ1,5 + 0.007118ξ1,6)) – 1.3Julio :Xν,7= exp (1.2786 + 0.1313(1.234795U1,6 – 0.240132U1,5 - 0.689653*0.007636ξ1,6 + 0.007636ξ1,7)) – 1.3Agosto :Xν,8= exp (1.3065 + 0.1484(0.570067U1,7 + 0.227151U1,6 + 0.310231*0.009115ξ1,7 + 0.009115ξ1,8)) – 1.3Setiembre :Xν,9= exp (1.3176 + 0.1442(-1.035296U1,8 + 1.578571U1,7 + 1.61633*0.009577ξ1,8 + 0.009577ξ1,9)) – 1.3Octubre :Xν,10= exp (1.4312 + 0.1381(0.347533U1,9 + 0.158692U1,8 + 0.484230*0.008822ξ1,9 + 0.008822ξ1,10)) – 1.3Noviembre :Xν,11= exp (1.5144 + 0.1580(-0.024999U1,10 + 0.721949U1,9 + 0.644816*0.011258ξ1,10 + 0.011258ξ1,11)) – 1.3Diciembre :Xν,12= exp (1.6259 + 0.1633(2.074982U1,11 – 1.216691U1,10 - 1.404008*0.012821ξ1,11 + 0.012821ξ1,12)) – 1.3
123
Donde:Xν,1: caudal medio mensual generadoUν,1: componente estocástica normalizadaξ1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,ξ1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Colcas:Enero :Xν,1= exp (2.1249 + 0.2542(1.473188U1,0 - 0.407716U1,-1 - 0.803156*0.039998ξ1,0 + 0.039998ξ1,1)) – 0.5Febrero :Xν,2= exp (2.2545 + 0.2345(-5.146542U1,1 + 3.850284U1,0 + 5.669818*0.003729ξ1,1 + 0.003729ξ1,2)) – 0.5Marzo :Xν,3= exp (2.2776 + 0.2882(0.685881U1,2 - 0.380029U1,1 - 1.053483*0.062457ξ1,2 + 0.062457ξ1,3)) – 0.5Abril :Xν,4= exp (1.9883 + 0.2436(-0.005046U1,3 + 0.082598U1,2 + 0.349470*0.051554ξ1,3 + 0.051554ξ1,4)) – 0.5Mayo :Xν,5= exp (1.6242 + 0.2062(0.053970U1,4 + 0.172036U1,3 + 0.512260*0.023056ξ1,4 + 0.023056ξ1,5)) – 0.5Junio :Xν,6= exp (1.3870 + 0.2560(-3.84829U1,5 + 2.370136U1,4 + 4.589796*0.045260ξ1,5 + 0.04526ξ1,6)) – 0.5Julio :Xν,7= exp (1.2381 + 0.2675(0.775642U1,6 + 0.244175U1,5 - 0.015284*0.022298ξ1,6 + 0.022298ξ1,7)) – 0.5Agosto :Xν,8= exp (1.2237 + 0.2647(0.634774U1,7 + 0.226125U1,6 + 0.226366*0.014387ξ1,7 + 0.014387ξ1,8)) – 0.5Setiembre :Xν,9= exp (1.2786 + 0.2699(8.269968U1,8 - 6.693006U1,7 - 7.494999*0.028026ξ1,8 + 0.028026ξ1,9)) – 0.5Octubre :Xν,10= exp (1.4983 + 0.2525(1.566293U1,9 - 0.626341U1,8 - 1.061067*0.016825ξ1,9 + 0.016825ξ1,10)) – 0.5Noviembre :Xν,11= exp (1.7368 + 0.2368(1.77205U1,10 - 0.945320U1,9 - 1.370130*0.019058ξ1,10 + 0.019058ξ1,11)) – 0.5Diciembre :Xν,12= exp (1.9323 + 0.2235(0.509892U1,11 + 0.07804U1,10 - 0.295991*0.035893ξ1,11 + 0.035893ξ1,12)) – 0.5
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Quitaracsa:Enero : Xν,1= exp (0.2766 + 0.4113(0.775367U1,0 - 0.036030U1,-1 - 0.209321*0.127277ξ1,0 + 0.127277ξ1,1)) + 3Febrero : Xν,2= exp (2.5986 + 0.3618(-0.347329U1,1 + 0.514801U1,0 + 0.785297*0.095612ξ1,1 + 0.095612ξ1,2)) + 3Marzo : Xν,3= exp (2.7648 + 0.3709(-1.065385U1,2 + 0.678215U1,1 + 1.473110*0.114761ξ1,2 + 0.114761ξ1,3)) + 3Abril : Xν,4= exp (2.4617 + 0.3400(-0.667054U1,3 + 0.620337U1,2 + 1.206380*0.065729ξ1,3 + 0.065729ξ1,4)) + 3Mayo : Xν,5= exp (1.8375 + 0.3065(0.917815U1,4 - 0.177214U1,3 - 0.293361*0.047974ξ1,4 + 0.047974ξ1,5)) + 3Junio : Xν,6= exp (1.4112 + 0.2776(0.254893U1,5 + 0.250317U1,4 + 0.449447*0.03378ξ1,5 + 0.03378ξ1,6)) + 3Julio : Xν,7= exp (1.0264 + 0.3720(0.654330U1,6 + 0.182033U1,5 + 0.533949*0.053904ξ1,6 + 0.053904ξ1,7)) + 3Agosto : Xν,8= exp (0.8978 + 0.4146(1.010816U1,7 - 0.108758U1,6 + 0.042728*0.042398ξ1,7 + 0.042398ξ1,8)) + 3Setiembre : Xν,9= exp (1.0424 + 0.3638(0.668791U1,8 - 0.024356U1,7 + 0.059837*0.056158ξ1,8 + 0.056158ξ1,9)) + 3Octubre : Xν,10= exp (1.6098 + 0.3618(-2.301311U1,9 + 1.732041U1,8 + 2.725095*0.112537ξ1,9 + 0.112537ξ1,10)) + 3Noviembre : Xν,11= exp (1.8033 + 0.2427(-0.198447U1,10 + 0.007845U1,9 + 0.415036*0.053027ξ1,10 + 0.053027ξ1,11)) + 3Diciembre : Xν,12= exp (1.9140 + 0.3395(1.341076U1,11 - 0.260029U1,10 - 0.719701*0.09008ξ1,11 + 0.09008ξ1,12)) + 3
124
Donde:Xν,1: caudal medio mensual generadoUν,1: componente estocástica normalizadaξ1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,ξ1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Condorcerro:Enero : Xν,1= exp (5.2073 + 0.3489(-0.880032U1,0 + 1.653935U1,-1 + 1.297747*0.071843ξ1,0 + 0.071843ξ1,1))Febrero : Xν,2= exp (5.4378 + 0.4232(-2.513644U1,1 + 1.581582U1,0 + 2.944449*0.131667ξ1,1 + 0.131667ξ1,2))Marzo : Xν,3= exp (5.7450 + 0.4616(0.498656U1,2 + 0.024764U1,1 + 0.021283*0.164072ξ1,2 + 0.164072ξ1,3))Abril : Xν,4= exp (5.4786 + 0.4171(4.388260U1,3 - 2.024282U1,2 - 3.787577*0.101061ξ1,3 + 0.101061ξ1,4))Mayo : Xν,5= exp (4.6386 + 0.2763(-1.312318U1,4 + 1.090613U1,3 + 1.654560*0.041173ξ1,4 + 0.041173ξ1,5))Junio : Xν,6= exp (4.2079 + 0.2007(0.091230U1,5 + 0.215781U1,4 + 0.535437*0.013007ξ1,5 + 0.013007ξ1,6))Julio : Xν,7= exp (3.9724 + 0.1865(1.152786U1,6 - 0.193265U1,5 - 0.830559*0.014297ξ1,6 + 0.014297ξ1,7))Agosto : Xν,8= exp (3.9231 + 0.1610(0.779400U1,7 - 0.054245U1,6 + 0.024753*0.006406ξ1,7 + 0.006406ξ1,8))Setiembre : Xν,9= exp (4.0407 + 0.1764(-0.360302U1,8 + 0.587908U1,7 + 1.074540*0.024325ξ1,8 + 0.024325ξ1,9))Octubre : Xν,10= exp (4.4253 + 0.2289(-0.36706U1,9 + 0.460349U1,8 + 0.550992*0.049513ξ1,9 + 0.049513ξ1,10))Noviembre : Xν,11= exp (4.6997 + 0.3238(-0.105687U1,10 + 0.554963U1,9 + 0.764866*0.074644ξ1,10 + 0.074644ξ1,11))Diciembre : Xν,12= exp (4.9673 + 0.4483(1.203173U1,11 - 0.081433U1,10 + 0.004895*0.055159ξ1,11 + 0.055159ξ1,12))
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Puente Carretera:Enero : Xν,1= exp (5.3234 + 0.4457(0.448426U1,0 + 0.208747U1,-1 + 0.311946*0.099424ξ1,0 + 0.099424ξ1,1)) – 33Febrero : Xν,2= exp (5.7218 + 0.3947(0.974287U1,1 - 0.308908U1,0 - 0.612668*0.113370ξ1,1 + 0.113370ξ1,2)) – 33Marzo : Xν,3= exp (5.9414 + 0.4093(-0.197558U1,2 + 0.568035U1,1 + 0.617048*0.101972ξ1,2 + 0.101972ξ1,3)) – 33Abril : Xν,4= exp (5.7027 + 0.3385(0.625297U1,3 - 0.395175U1,2 - 0.138715*0.085012ξ1,3 + 0.085012ξ1,4)) – 33Mayo : Xν,5= exp (5.0899 + 0.3923(0.355067U1,4 - 0.057292U1,3 + 0.380365*0.105896ξ1,4 + 0.105896ξ1,5)) – 33Junio : Xν,6= exp (4.7623 + 0.3691(0.643019U1,5 - 0.066487U1,4 + 0.179177*0.050281ξ1,5 + 0.050281ξ1,6)) – 33Julio : Xν,7= exp (4.5408 + 0.3145(-0.191391U1,6 + 0.516615U1,5 + 1.217389*0.024144ξ1,6 + 0.024144ξ1,7)) – 33Agosto : Xν,8= exp (4.4045 + 0.2409(0.853274U1,7 - 0.269551U1,6 - 0.082536*0.022442ξ1,7 + 0.022442ξ1,8)) – 33Setiembre : Xν,9= exp (4.4041 + 0.2244(1.066282U1,8 - 0.292775U1,7 - 0.027832*0.012920ξ1,8 + 0.012920ξ1,9)) – 33Octubre : Xν,10= exp (4.5363 + 0.2277(1.396230U1,9 - 0.611719U1,8 - 0.290506*0.017350ξ1,9 + 0.017350ξ1,10)) – 33Noviembre : Xν,11= exp (4.6762 + 0.2922(0.928732U1,10 + 0.029424U1,9 + 0.178089*0.032195ξ1,10 + 0.032195ξ1,11)) – 33Diciembre : Xν,12= exp (4.9876 + 0.4431(5.934198U1,11 - 5.22733U1,10 - 4.704155*0.108239ξ1,11 + 0.108239ξ1,12)) – 33
125
Donde:Xν,1: caudal medio mensual generadoUν,1: componente estocástica normalizadaξ1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,ξ1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica La Balsa:Enero : Xν,1= exp (4.8176 + 0.3074(-2.161793U1,0 + 2.326589U1,-1 + 2.584195*0.061221ξ1,0 + 0.061221ξ1,1))Febrero : Xν,2= exp (5.0311 + 0.3650(0.947828U1,1 - 0.128701U1,0 - 0.495127*0.100792ξ1,1 + 0.100792ξ1,2))Marzo : Xν,3= exp (5.2431 + 0.3960(-0.264165U1,2 + 0.334172U1,1 + 0.912974*0.110929ξ1,2 + 0.110929ξ1,3))Abril : Xν,4= exp (4.8957 + 0.3468(-0.623404U1,3 + 0.693918U1,2 + 1.098608*0.077827ξ1,3 + 0.077827ξ1,4))Mayo : Xν,5= exp (4.1960 + 0.2376(0.541660U1,4 - 0.031676U1,3 - 0.073043*0.029371ξ1,4 + 0.029371ξ1,5))Junio : Xν,6= exp (3.6854 + 0.1355(1.515051U1,5 - 0.509324U1,4 - 1.234077*0.010687ξ1,5 + 0.010687ξ1,6))Julio : Xν,7= exp (3.4354 + 0.1256(0.674542U1,6 - 0.041213U1,5 + 0.167376*0.005744ξ1,6 + 0.005744ξ1,7))Agosto : Xν,8= exp (3.4188 + 0.1536(2.039335U1,7 - 0.811803U1,6 - 1.008556*0.00782ξ1,7 + 0.007820ξ1,8))Setiembre : Xν,9= exp (3.5931 + 0.2246(0.825438U1,8 - 0.600774U1,7 + 0.033084*0.043682ξ1,8 + 0.043682ξ1,9))Octubre : Xν,10= exp (4.0123 + 0.2204(0.388525U1,9 - 0.236349U1,8 + 0.045695*0.039901ξ1,9 + 0.039901ξ1,10))Noviembre : Xν,11= exp (4.3122 + 0.2361(1.08236U1,10 - 0.011976U1,9 – 0.651675*0.038659ξ1,10 + 0.038659ξ1,11))Diciembre : Xν,12= exp (4.5037 + 0.3088(0.329027U1,11 + 0.202242U1,10 + 0.557148*0.057644ξ1,11 + 0.057644ξ1,12))
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Chancos:Enero : Xν,1= exp (2.2483 + 0.2900(0.635961U1,0 + 0.074506U1,-1 - 0.113307*0.041927ξ1,0 + 0.041927ξ1,1)) + 1Febrero : Xν,2= exp (2.4075 + 0.2481(0.903291U1,1 - 0.295369U1,0 - 0.390052*0.041813ξ1,1 + 0.041813ξ1,2)) + 1Marzo : Xν,3= exp (2.4809 + 0.2662(2.699411U1,2 - 1.070878U1,1 - 2.308711*0.057222ξ1,2 + 0.057222ξ1,3)) + 1Abril : Xν,4= exp (2.2058 + 0.2956(0.723701U1,3 - 0.10294U1,2 - 0.453326*0.079324ξ1,3 + 0.079324ξ1,4)) + 1Mayo : Xν,5= exp (1.6417 + 0.3385(1.522611U1,4 - 0.102041U1,3 - 0.918065*0.073279ξ1,4 + 0.073279ξ1,5)) + 1Junio : Xν,6= exp (1.1932 + 0.3333(0.985752U1,5 - 0.321437U1,4 - 0.142525*0.046491ξ1,5 + 0.046491ξ1,6)) + 1Julio : Xν,7= exp (1.0648 + 0.3192(1.640028U1,6 - 0.613171U1,5 - 0.935373*0.030752ξ1,6 + 0.030752ξ1,7)) + 1Agosto : Xν,8= exp (1.1194 + 0.2958(0.804080U1,7 + 0.069961U1,6 + 0.027187*0.009871ξ1,7 + 0.009871ξ1,8)) + 1Setiembre : Xν,9= exp (1.2151 + 0.2826(2.205526U1,8 - 1.605662U1,7 - 1.850287*0.067838ξ1,8 + 0.067838ξ1,9)) + 1Octubre : Xν,10 =exp (1.6638 + 0.2994(5.295460U1,9 - 1.470138U1,8 - 4.835355*0.047400ξ1,9 + 0.047400ξ1,10)) + 1Noviembre : Xν,11 =exp (1.8797 + 0.3663(1.349062U1,10 - 0.446040U1,9 - 0.676700*0.077479ξ1,10 + 0.077479ξ1,11)) + 1Diciembre : Xν,12 =exp (2.0731 + 0.3243(0.978273U1,11 - 0.215973U1,10 - 0.557869*0.061607ξ1,11 + 0.061607ξ1,12)) + 1
126
Donde:Xν,1: caudal medio mensual generadoUν,1: componente estocástica normalizadaξ1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,ξ1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Llanganuco:Enero : Xν,1= exp (1.3496 + 0.1998(0.282289U1,0 + 0.084115U1,-1 + 0.573378*0.024882ξ1,0 + 0.024882ξ1,1))Febrero : Xν,2= exp (1.4514 + 0.1788(0.393441U1,1 + 0.175072U1,0 - 0.099570*0.023868ξ1,1 + 0.023868ξ1,2))Marzo : Xν,3= exp (1.4755 + 0.1862(-0.468441U1,2 + 0.380604U1,1 + 1.128575*0.022671ξ1,2 + 0.022671ξ1,3))Abril : Xν,4= exp (1.2977 + 0.1703(-0.671531U1,3 + 0.604592U1,2 + 1.233791*0.019585ξ1,3 + 0.019585ξ1,4))Mayo : Xν,5= exp (0.9876 + 0.1626(1.879793U1,4 - 0.715654U1,3 - 1.321960*0.011750ξ1,4 + 0.011750ξ1,5))Junio : Xν,6= exp (0.7582 + 0.2603(0.820286U1,5 + 0.149920U1,4 + 0.226076*0.040110ξ1,5 + 0.040110ξ1,6))Julio : Xν,7= exp (0.6830 + 0.2233(-1.041144U1,6 + 2.082803U1,5 + 1.060618*0.021995ξ1,6 + 0.021995ξ1,7))Agosto : Xν,8= exp (0.6581 + 0.2099(0.884448U1,7 - 0.012575U1,6 - 0.068140*0.008242ξ1,7 + 0.008242ξ1,8))Setiembre : Xν,9= exp (0.6387 + 0.2305(1.626528U1,8 - 0.746773U1,7 - 0.410148*0.020954ξ1,8 + 0.020954ξ1,9))Octubre : Xν,10= exp (0.7851 + 0.2173(0.902745U1,9 - 0.118930U1,8 - 0.192847*0.017690ξ1,9 + 0.017690ξ1,10))Noviembre : Xν,11= exp (1.0635 + 0.1936(1.945081U1,10 - 0.990405U1,9 - 1.161448*0.015211ξ1,10 + 0.015211ξ1,11))Diciembre : Xν,12= exp (1.2419 + 0.1719(-0.718941U1,11 + 0.973711U1,10 + 0.617043*0.018061ξ1,11 + 0.018061ξ1,12))
Modelos ARMA (2,1) Estacionales Correspondientes a la Estación Hidrométrica Parón:Enero : Xν,1= exp (0.9073 + 0.2138(1.457650U1,0 - 0.704197U1,-1 - 0.242105*0.018595ξ1,0 + 0.018595ξ1,1)) – 1.5Febrero : Xν,2= exp (1.0102 + 0.2278(2.494381U1,1 - 1.907901U1,0 - 1.870081*0.016984ξ1,1 + 0.016984ξ1,2)) – 1.5Marzo : Xν,3= exp (0.9930 + 0.2147(0.634205U1,2 + 0.024858U1,1 + 0.051895*0.023022ξ1,2 + 0.023022ξ1,3)) – 1.5Abril : Xν,4= exp (0.9360 + 0.2051(-0.712753U1,3 + 1.032537U1,2 + 1.602161*0.007737ξ1,3 + 0.007737ξ1,4)) – 1.5Mayo : Xν,5= exp (0.8204 + 0.1456(3.400401U1,4 - 2.523458U1,3 - 2.722571*0.009030ξ1,4 + 0.009030ξ1,5)) – 1.5Junio : Xν,6= exp (0.6598 + 0.1688(-0.693262U1,5 + 0.397127U1,4 + 1.667248*0.019420ξ1,5 + 0.019420ξ1,6)) – 1.5Julio : Xν,7= exp (0.5749 + 0.2227(1.698345U1,6 - 0.585800U1,5 - 0.938861*0.022811ξ1,6 + 0.022811ξ1,7)) – 1.5Agosto : Xν,8= exp (0.5428 + 0.2612(2.021529U1,7 - 1.005772U1,6 - 1.027956*0.008672ξ1,7 + 0.008672ξ1,8)) – 1.5Setiembre : Xν,9= exp (0.5292 + 0.2052(0.621159U1,8 + 0.070606U1,7 + 0.230483*0.008038ξ1,8 + 0.008038ξ1,9)) – 1.5Octubre : Xν,10= exp (0.5378 + 0.1487(1.130424U1,9 - 0.396217U1,8 - 0.279647*0.005082ξ1,9 + 0.005082ξ1,10)) – 1.5Noviembre : Xν,11= exp (0.6473 + 0.1390(1.587948U1,10 - 0.594719U1,9 - 0.512312*0.005327ξ1,10 + 0.005327ξ1,11)) – 1.5Diciembre : Xν,12= exp (0.7741 + 0.1610(2.517921U1,11 - 1.466479U1,10 - 1.678349*0.010291ξ1,11 + 0.010291ξ1,12)) – 1.5
127
d) Para las estaciones modeladas, se generaron 100 series de longitudes iguales al
periodo de registró de 40 años.
e) Las series sintéticas generadas preservan las características de igualdad en la
media y varianzas con respecto a las series históricas, esta igualdad se manifiesta
en los 12 meses.
f) De las 12 estaciones hidrométricas modeladas, 9 de ellas presentan que las pruebas
de medias y varianzas, para muestras dependientes, fueron aceptadas; en el resto
de las estaciones, presentaron aceptación relativa tanto en la media y/o varianza.
g) Se verificó el intervalo de confianza a partir de las series generadas, para evaluar si
las series históricas están en el rango de confianza que condicionan las series
generadas, se tiene aceptación en 8 estaciones para los 12 meses en la verificación
de intervalos para la media y desviación estándar; en el resto de las estaciones la
verificación de los intervalos en la media es aceptable en los 12 meses y para la
desviación estándar esta entre 11 y 10 meses.
h) De la prueba de ajuste de normalidad que se realizó mediante las pruebas de Chi-
Cuadrado y Kolmogorov Smirnov, para las series sintéticas generadas, resultaron
significativas en ambas pruebas, por lo que las series sintéticas se ajustan a una
distribución de probabilidad normal.
i) Las pruebas estadísticas de validación cumplen satisfactoriamente las expectativas,
corroborando así que los modelos ARMA (2,1) para las sub cuencas seleccionadas
de la cuenca del río Santa, preservan las características estadísticas de las series
históricas cumpliendo satisfactoriamente los objetivos específicos de la tesis.
6.2 RECOMENDACIONES.
a) Para el análisis estocástico de series de tiempo se recomienda realizar el análisis de
consistencia en saltos y tendencias, realizar la completación y extensión de la
información, luego realizar la normalización de datos con transformación
logarítmica, otras transformaciones son presentadas en el programa SAMS como
transformación potencial, Box Cox y estandarización; las cuales deben ser
aplicadas y evaluadas en otros trabajos.
b) Para la generación de descargas medias mensuales en las estaciones hidrométricas
de la cuenca del río Santa, se recomienda emplear los modelos estocásticos
ARMA (2,1) obtenidas en la presente tesis.
128
c) Se recomienda emplear la metodología utilizada en la presente tesis para
determinar los parámetros estocásticos del modelo y la calibración de los mismos;
se sugiere utilizar el programa SAMS como herramienta de trabajo para el análisis
estocástico y generación de series.
d) Para la validación de las series generadas, se recomienda emplear las pruebas de
hipótesis para la varianza de dos poblaciones como son la prueba de
homogeneidad de varianzas, prueba de “t” para muestras independientes y la
prueba de “t” para muestras dependientes; intervalo de confianza a partir de las
series generadas y las pruebas de bondad de ajuste de Chi-Cuadrado y Smirnov
Kolmogorov.
e) Impulsar las investigaciones en la escuela de Ingeniería Agrícola referente a
modelos hidrológicos funcionales para la cuenca del río Santa, que es la cuenca
tropical que cuenta con características muy particulares a otras cuencas del Perú y
además es la cuenca con más área glaciar en el mundo.
129
VII. BIBLIOGRAFIA
1. Aguirre Núñez, Mario. “Sistema De Información Hidrológica-Manual Del Usuario”
Publicación Ministerio de Agricultura, ATDR Huaura, Abril, 1999.
2. Aliaga Araujo, S. Vito. “Tratamientos de Datos Hidrometeorológicos”. Lima – Perú,
1983.
3. Aliaga Araujo, Segundo Vito. “Hidrológica Estadística”, Lima Perú, febrero de 1985.
4. Aliaga Araujo, Segundo Vito. “Notas del Curso de Hidrológica Avanzada para Post
Grado” San José, Costa Rica, Marzo 1982.
5. Box, G., Jenkins, G., “Time Series Analysis Forecasting And Control” San Francisco,
Holden – Day, 1976.
6. Chatfield, C. “Time Analysis of Time Series: And Introduction” Chapman & Hall
Ltda., 1975.
7. Chereque Morán, Wendor. “Hidrológica” 2da Edición, CONCYTEC, Lima-Perú, 1989.
8. Chow, Ven Te. “Handbook of applied Hydrology” Mc. Graw Hill Book Co. USA,
1964.
9. Chow, Ven Te; R. Maidment, David; W. Mays Larry. Hidrología Aplicada. Editorial
Mc Graw Hill, Colombia, 1998.
10. Instituto Nacional de Recursos Naturales (INRENA) “M apas Ambientales del Perú ”,
Lima Perú, 2002.
11. Mejía M., J. Abel “Curso De Hidrometeorología Para el Personal Técnico de Electro
Perú", Huaraz, 1981.
12. Menéndez Raymat, A. “Prueba de Hipótesis de dos Muestras” www. Prueba de
medias.html, conf639015, 2003.
13. Mitacc Meza, Máximo. “Inferencia Estadística” 2da Edición. Editorial Thales S.R.L.
Agosto de 1999, Lima – Perú.
14. Pouyaud, Bernard “Glaciares y Recursos Hídricos en la Cuenca del Río Santa”
Reporte de los estudios realizados por el IRD Francia, INRENA, EGENOR y
SENAMHI, Huaraz Perú, febrero del 2003.
15. R. Azarang, Mohammad; García Dunna, Eduardo. “Simulación y Análisis de Modelos
Estocásticos” Mc Graw Hill, México 1996.
130
16. RAY K. LINSLEY, JR. et al. “Hidrología para Ingenieros” 2º Edición. Mc Graw-Hill,
México, 1986.
17. Sadhe, W. Z. “Data Collection Analysis and Instrumentation” Stochastic Approaches
to Water Resources, Vol I. For Collins Colorados, USA, 1976.
18. Salas De la Cruz, José. “Modelamiento Estocástico de Series Hidrológicas”.
Publicación Nº 67. Publidrat, Lima Perú. 1979.
19. Salas De la Cruz, José. “Técnicas para el Análisis de Problemas Hidrológicos”
Seminario de Actualización en Hidrológica, Pn – PMI. Lima Perú, 1980.
20. Salas De la Cruz, Jose; Delleur, J. W.; Yevjevich, V. y Lane, W. L.“Applied Modeling
of Hydrologic Time Series” Water Resources Publications, Fort Collins, Colorado,
USA, 1980.
21. Salas De la Cruz, Jose; N. Saada, C. H. Cheng, W.L. Lane, y D. K. Frevert “Stochastic
Analysis, Modeling, And Simulation (SAMS) Version 2000-User’s Manual”.
22. Salvatierra Romero, Alberto “Los Modelos Arima y Broken Line Aplicados a las
Descargas Mensuales de los Ríos Santa y Tablacacha, Análisis Critico”. Tesis para
Optar el Titulo de Ingeniero Civil, F.I.C. U.NA.S.A.M., Huaraz Perú, 1999.
23. Saturnino Sánchez, Héctor “Simulación de Series Hidrológicas Mensuales Mediante
Modelos ARIMA, aplicados en dos Ríos Típicos del Perú; Pisco – Chicama”. Tesis
para Optar el Título de Ingeniero Civil, F.I.C., U.N.I., Lima Perú, 1991.
24. Silva, Gustavo A: “Hidrológica Estocástica” www. ESTOCÁSTICA _ G_ SILVA
M.html, Bogota Colombia, 2001
25. UNALM. Simulación Hidrológica Para La Gestión Integral de Cuencas. Apoyo de
la Fundación Polar, Lima - Perú.
26. Vignon, Francois “Glaciares y Recursos Hídricos en el Valle Alto del Río Santa”
Tesis: Diploma del Estudio Doctoral de la Universidad Paris VII, Noviembre del 2002.
27. Villón Bejar, Máximo. “Hidrología Estadística” 2ª Edición. Instituto Tecnológico de
Costa Rica, Enero del 2002, Lima-Perú.
28. Villón Bejar, Máximo. “Hidrología” 2ª Edición. Instituto Tecnológico de Costa Rica,
Febrero del 2002, Lima-Perú.
29. Yevjevich, V. “Structure of Natural Hydrology Time Processes Stochastic
Approach’s to Water Resources” Vol I, Fort Collins, Colorado, USA, 1976.
30. Yevjevich, V., “Stochastic Processes in Hydrology” Water Resources
Publications, Fort Collins, Colorado, USA, 1972.
131