MODELOS ESTOCÁ STICOS

Ing. M. Sc. Helmer Rodrí

guez Soriano

I INTRODUCCIÓ N

La generació n sinté tica de valores, asícomo tambié n el pronó stico son utilizados
en diversas ramas: desde el planeamiento de la elaboració n de cierto producto, la
determinació n de la cantidad de pasajes aé reos previstos para la pró xima
temporada, la demanda futura de cierto producto, o el volumen de agua que se
espera ingresará en un embalse el pró ximo mes. En base a la informació n
histó rica de una variable medida cronoló gicamente se puede identificar su patró n
de comportamiento y utilizar é ste para reproducir la variable en forma sinté tica, es
decir, producir una serie de datos de la variable estadísticamente indistinguible de
la serie histó rica que le dio origen. La serie de datos generada a futuro tiene la
misma probabilidad de ocurrir y es utilizada para mejorar la toma de decisiones.

A continuació n se presenta una introducció n al análisis de series de tiempo con

miras a la generació n sinté tica de valores y tambié n a la determinació n de
pronó sticos. Si bien se describe la aplicació n a Hidrologí
a, el mé todo es aplicable
tambié n a otras variables.

II DEFINICIONES

Un PROCESO ESTOCASTICO es la observació n secuencial de un fenó meno

caracterizado por propiedades estadí sticas que involucran aleatoriedad. Casi
todos los procesos hidroló gicos pueden ser tratados como estocásticos o como
una combinació n estocástico - determiní stica debido a la complejidad de los
factores que lo producen. Asípor ejemplo, el caudal de un rí o es el resultado de
un proceso complejo de precipitació n-infiltració n-escurrimiento. Los valores de
este proceso ordenados secuencialmente (por ejemplo caudal mensual de un r í o)
pueden ser tratados mediante modelos estocásticos.

Estos modelos tienen por finalidad:

1) la generació n sinté tica de datos

2) el efectuar pronó sticos.

En el presente texto se tratará solamente el caso UNIVARIADO, con tiempo

discreto: t ∈ Ζ, es decir, valores de una só la serie observados a inté rvalos
definidos de tiempo (un mes, un añ o, etc.). El caso de procesos multivariados
forma parte de los asídenominados modelos de “funció n de transferencia”.

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 1
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
Los modelos desarrollados aquíson aplicados al caso de series estacionarias, por
lo que primero se dará una definició n de ESTACIONARIEDAD.

Un proceso aleatorio { X t } será considerado estacionario débil, o simplemente

estacionario cuando:

(1) E { X t } = m x

(2) Var { X t } = σ x
2

(3) Cov { Xt , X t + k } = λ k

Las ecuaciones (1) y (2) significan que el valor esperado y la varianza de las
variables aleatorias (VA) del proceso son independientes del tiempo.

La ecuació n (3) significa que la covarianza entre dos VA del proceso depende
solamente del rezago del tiempo (k) entre las dos VA y no del tiempo en si
mismo.

La covarianza entre dos VA de un proceso aleatorio se llama autocovarianza. La

FUNCION DE AUTOCOVARIANZA en la ecuació n (3) del proceso X t es λ en
funció n del rezago de tiempo k. Se tiene evidentemente que:

λ k= λ -k

El coeficiente de correlació n entre dos VA de un proceso aleatorio se denomina

coeficiente de autocorrelació n.

La FUNCION DE AUTOCORRELACION O CORRELOGRAMA del proceso es el

coeficiente de autocorrelació n del proceso en funció n del rezago de tiempo k :

ρ k = λ k / σ x2
ρ k = ρ -k , ρ 0 = 1

Si la traslació n en el tiempo no afecta al momento de 1er orden y 2do orden de

las VA del proceso, se dice que el mismo es estacionario de 2do orden o
simplemente estacionario. Análogamente, se puede definir estacionaridad de
tercer, cuarto orden, etc.

Se tiene un proceso estrictamente estacionario cuando la distribució n de { X t }

no depende del tiempo y cuando todas las distribuciones simultáneas de las VA
del proceso dependen solamente del rezago (lapso de tiempo k ) entre ellas. Un
proceso estrictamente estacionario puede ser considerado estacionario de orden
infinito.

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 2
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
Un PROCESO NORMAL O GAUSSIANO es un proceso no necesariamente
estacionario en el cual todas las VA del proceso están distribuidas segú n la ley
Normal y del cual todas las distribuciones simultáneas de VA del proceso son
normales. Cuando un proceso aleatorio Gaussiano es estacionario d é bil, esto
implica que es tambié n estrictamente estacionario puesto que la distribució n
Normal está completamente caracterizada por el 1er y 2do momento.

Uno de los procesos estacionarios más simples es el PROCESO ESTACIONARIO

NO CORRELACIONADO Z t. Donde las correlaciones (y por consiguiente las
covarianzas) entre diferentes VA del proceso son cero:

E{Z t}=0
Var { Z t } = σz
2

Cov { Z t , Z t + k } = 0 para k ≠ 0
{ Z t } ~ N ( 0, σz2 )

La ú ltima expresió n significa que Z t está normalmente distribuí

do, con media cero
y varianza σz2

Su funció n de autocovarianza será:

σz2 para k = 0 λk = E [(Z t - E Z t)( Z t + k - E Z t + k )]

λk= λk = E [( Z t )( Z t + k )]
0 para k ≠ 0 λ0 = E [ Z t * Z t ] = σ z2
λ0 = σ z2

Corr : (Z t , Z t + k ) = λ k /σz σz = λk / σz 2 = ρ k

y la funció n de autocorrelació n:

1 para k = 0
ρk =
0 para k ≠ 0

Este proceso recibe la denominació n de RUIDO BLANCO. El té rmino esta

restringido a veces al caso de un proceso estrictamente estacionario de variables
aleatorias estocásticamente independientes. Este proceso estacionario no
correlacionado es utilizado como el elemento bá sico para otros procesos como
se verá luego.

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 3
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 F.A.C.V. F.A.C.

λ k ρk

σz2 - - 1

2 -1 0 1 2 ...k -2 -1 0 1 2 .........k

Fig. 1 Funció n de autocovarianza y funció n de autocorrelació n del

proceso no correlacionado { Z t } ; ( t ∈ Z )

Para lograr (o mejorar) la estacionariedad del proceso original, en algunos casos

se aplica previamente el FILTRO LOGARITMICO a la serie, en un intento de
satisfacer la condició n (2). Esto se aplica a los fenó menos donde la “variabilidad”
(el componente aleatorio) se incrementa con el “nivel” (tendencia).

Este fenó meno se basa en el hecho que aproximadamente:

Std ln X t ≅ Std { X t } / E { X t }

Entonces, si en funció n del tiempo, Std { X t } es proporcional al valor medio de X t

: E { X t } , entonces Std ln X t será aproximadamente constante, lo que tiende a
satisfacer la condició n (2).

III PROCESOS DE MEDIAS MÓ VILES O PROCESOS MA

Sea un proceso X t definido como:

(1) X t = Z t + b1 * Z t - 1 + b 2 * Z t - 2 +.......+ b q *Z t - q

donde{ Z t } es un proceso estacionario no correlacionado. Este proceso es

denominado PROCESO DE MEDIAS MOVILES DE ORDEN q: MA(q)

Utilizando el operador “hacia atrás” B, la formula (1) puede ser escrita de la

siguiente manera :

X t = Z t + b 1 * B * Z t + b 2 * B 2 * Z t +.......+ b q * B q * Z t

= (1 + b 1 * B + b 2 * B 2 +.....+ b q * B q ) * Z t = Σ b i B i Z t

o tambié n

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 4
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 (2) X t = b [B] Z t ; con b0 = 1 b [B] = Σ b i B i

Este ú ltimo es un polinomio de orden q en B. La expresió n (2) muestra que { X t }

puede ser considerado como la salida de un filtro b[B] con { Z t } como entrada.
Este filtro es denominado filtro de medias mó viles o filtro MA. Claramente, é ste
es un filtro de convolució n con funció n de transferencia b[B] . La representació n
gráfica se presenta a continuació n:

{ Z t } → b[B] → { X t }

Filtro de medias mó viles o Filtro MA.

De (1) se deduce :

(3 ) E { Xt} = 0
(4) Var { X t } = σ2x = [ 1 + b12 + b22 + ......... + bq2 ] σz2

y tambien: a) Para k > q:

Cov ( X t , X t+ k ) = 0

puesto que en este caso las variables aleatorias Z t que construyen a X t

son diferentes de las VA con las cuales está construido X t + k ( ver Fig. 2 )

tiempo
t - q .................. t - 1 t t + k - q .......... t + k - 1 t+k

Z t - q .....................Z t - 1 Zt Z t+k-q .......... Z t + k - 1 Z t+k

{ Zt}

{ Xt}
Xt X t+k

Fig. 2 Construcció n del proceso X t a partir de Z t

b) Para 0 < k < q se tiene:

(5 λk = Cov (X t , X t + k ) = E [ (X t - E x t ) (X t+ k - E x t+k ) ] = E [ X t . X t+ k ]

= E [ ( z t + b 1 z t -1 + ..... + b q z t - q ) . ( z t+k + b 1 z t+k+1 +......+ b q z t+k+q ) ]

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 5
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 q-k
= E [ b k z t + b 1b +........+ bq - k bq z t + k - q ] = σ z ∑ b i b k + i
2 2 2 2
k+1 z t-1
i=0

De (3), (4) y (5) se concluye que el proceso MA (q) es de por síestacionario.

El hecho que todas las covarianzas y por consiguiente tambié n todas las
autocorrelaciones son cero para rezagos mayores que q, es traducido
expresando que la FAC está cortada cuando k = q. Este hecho es importante
cuando se está en la fase de selecció n del modelo .

Para un PROCESO MA(1) (q=1) se tiene:

(6) X t = Z t + b 1 Z t-1

E { X t }= 0
Var X t = σ x 2 = ( 1+ b12 ) σ z 2
Cov ( x t , x t + k ) = λ k = 0 ; para k  > 1
Cov ( x t , x t +1 ) = λ1 = λ -1 = b1σz2
Cor ( x t , x t + k ) = ρ k = 0 para k  > 1
Cor ( x t , x t +1 ) = ρ1 = ρ-1 = b1 / (1+b12)

Esto implica que :

ρk
1 x

x… … … … … . x
. .
x x x x x k
… … .. -3 -2 -1 0 1 2 3 … … … … …

Fig. 3 Funcion de autocorrelació n de un proceso MA (1)

De (6) se tiene :

X t -1 = Z t -1 + b1 Z t -2 por tanto Z t -1 = X t - 1 – b1 Z t - 2
X t -2 = Z t -2 + b1 Z t -3 por tanto Z t - 2 = X t - 2 – b1 Z t - 3
Etc.

Sustituyendo:

(7) X t = Z t + b1 X t - 1 – b12 X t - 2 + b13 X t - 3 - etc .............

Suponga que t es el momento “ahora” o el “momento presente”. Entonces de (7)

se deduce que el estado presente X t del sistema es la suma de una

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 6
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
combinació n lineal de estados pasados X t - 1 , X t - 2 , ............. y un término Z
t el cual no está correlacionado con el pasado. Por esta razó n el ú ltimo té rmino (Z t
) es denominado la INNOVACION en el momento t (ú nico té rmino desconocido en
el momento presente).

El proceso { Z t } es llamado el PROCESO DE INNOVACION.

El estado presente está siendo de alguna manera, “regresionado” al pasado. Por

lo tanto é sto se llama la DESCOMPOSICION AUTOREGRESIVA del proceso MA.
Esta descomposició n existe tambié n para procesos MA de orden mayor.

Se ve que para |b 1| < 1 , el pasado lejano practicamente no influye en el estado

presente. Es bajo esta condició n que este proceso es utilizado en la práctica. A
esta condició n se la llama: INVERTIBILIDAD DEL PROCESO MA.

Generalizando, se puede probar que el proceso MA (q) es invertible seg ú n la

ces) de la ECUACION CARACTERISTICA:
fó rmula (1), si las soluciones (raí

b [B] = 0
ó

1 + b1 B + b2 B2 + b3 B3 + .....................+ b q Bq = 0

caen todas fuera del cí rculo unitario en el plano complejo. Nó tese que B es
considerada, en este caso, como variable compleja (y no como operador “ hacia
atrá s” como era originalmente el caso).

Otro instrumento importante en la fase de selecció n del modelo es la FUNCION

DE AUTOCORRELACION PARCIAL. El coeficiente de correlació n parcial entre 2
variables, con respecto a otras variables, mide la relació n entre ambas dejando sin
influencia a las otras.

El coeficiente de autocorrelació n parcial Π k de 2 VA X t y X t - k de un

proceso aleatorio { X t } deja sin influencia a los valores intermedios X t-1 , X t-2,
............... X t - k +1.

En el caso de un proceso estacionario, Π k no depende de t, sino del rezago k. La

funció n de Autocorrelació n Parcial es la gráfica obtenida al plotear Π en funcion de
k.

El coeficiente de correlació n parcial entre la variable r y la variable s puede ser

calculado como sigue:

Π r,s = - [ (-1) r + s det Pr s ] / [ √ det Pr r * det Ps s ]

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 7
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
Donde P es la matriz de correlació n de todas las VA consideradas y Pij es la
submatriz de P, donde se ha eliminado la fila i y la columna j.

El coeficiente de autocorrelació n parcial (de un proceso univariado) puede ser

entonces calculado como sigue:

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 8
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 ρ1 1 ρ1.......... ρ k - 2
ρ2 ρ1 1......ρ k - 3

(-1) k+1 det ..........

ρk ρk -1 ρk - 2 ...... ρ1
(8) Π k=

1 ρ1 ............ρk -1
det ρ1 1 ...........ρk - 2
.............
ρk - 1 ρk - 2 ........1

Lo que que da:

(9) Π1 = ρ1

ρ1 1
det
ρ2 ρ1 ρ2 - ρ12
(10) Π2 = - =

1 ρ1 1 - ρ12
det
ρ1 1

ρ1 1 ρ1

det ρ2 ρ1 1

ρ3 ρ2 ρ1
(11) Π3 = -
1 ρ1 ρ2

det ρ1 1 ρ1

ρ2 ρ1 1

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 9
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
Fó rmulas (8) a (11) son válidas para todo proceso estacionario (no só lo para
procesos MA o AR).

Para un PROCESO MA (1) se tiene:

∏ 1 = ρ 1, ∏ 2 = - ρ 12/(1 - ρ 12), Π 3 = ρ 13/(1 - 2 ρ 12) , .....

Ningun ∏k es cero. Por ejemplo para b 1 = ½ se tiene ρ1 = 2/5 , por lo tanto:

∏ 1 = 2/5, ∏ 2 = − 4/21, ∏ 3 = 8/85, … … .

Πk

X 2/5 X

x 8/85 x
k
-3 -2 -1 0 1 2 3
X 4/21 X

Fig. 4 FACP de un proceso MA (1) con b1 = ½

EL PROCESO MA(2) { X t} se define como:

X t = Z t + b1 Z t-1 + b2 Z t-2

De acuerdo a la formula (4), la varianza sera:

σ x 2 = σ z 2 (1 + b12 + b22)

y de acuerdo a (4) y (5), la funció n de autocorrelació n:

ρ1 = b1( 1+ b2) / 1+b12+b22, ρ2 = b2 / 1+b12+b22, ρk= 0 para k ≥ 3

La ecuació n caracterí
stica será:

1 + b1B + b2B2 = 0

Con las raices:

B1 = - b1+√ (b12 – 4b2) / 2b2 , B2 = - b1 - √ ( b12 – 4b2 ) / 2b2

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 10
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 Las cuales son reales si:
b12 – 4b2 ≥ 0

e imaginarias si:
b12 – 4 b2 < 0

La condició n de invertibilidad de la ecuació n MA(q) requiere que las raí ces

(soluciones) esté n localizadas fuera del cí
rculo unitario. En el caso del MA(2):

|B1| > 1 y |B2| > 1

Luego de algunos cálculos se encuentra que estas condiciones se cumplen si las

siguientes igualdades son válidas:

b1 + b2 > -1 , b 1 – b2 < +1 , -1 < b2 < 1

Estas desigualdades forman una regió n triangular en el plano (b 1, b2) (ver Fig. 5).
Estas condiciones de invertibilidad en b 1 y b2 pueden ser expresadas en té rminos
de ρ1 y ρ2 :

ρ1 + ρ2 > - ½ , ρ1 - ρ2 < ½ , 4ρ2 < 1+ √ ( 1- 2ρ12 )

Las mismas que forman una regió n en el plano ( ρ1 , ρ2) de la Fig. 6.

b2

Raices Imaginarias

Raices Reales
-2 -1 1 2 b1

Fig. 5 Combinaciones de ( b 1 , b2 ) conducentes a un proceso invertible

MA (2) (regió n achurada).

Cuando b2 = 0 , se encuentra nuevamente las condiciones para MA (1).

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 11
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
La selecció n de un proceso MA (q) como posible modelo , requiere la estimació n
de (q + 1) parámetros:

b1 , b2,............, b q , σz2

ρ2

1/2

1/4

-1 -1 / √2 -1/2 1/2 1 / √2 1 ρ1

-1/2

-1

Fig. 6 Combinaciones de ( ρ1 , ρ2) conducentes a un proceso invertible

MA(2) (regió n achurada).

IV PROCESOS AUTOREGRESIVOS O PROCESOS AR

Se denomina proceso autoregresivo de orden p al proceso estacionario { X t }

definido como sigue:

(1) X t = Z t - a1 * X t - 1 - a2 * X t - 2 - ....... - a p *X t - p

donde { Z t } es un proceso estacionario no correlacionado.

Utilizando el operador “hacia atrás” B, la expresió n (1) puede ser escrita de la

siguiente manera :

X t = Z t - a1 * B * X t - a2 * B2 * X t -.......- ap * Bp * X t

(2) a [B] X t = Z t ; con a0 = 1 a[B] = Σ ai Bi

Esta ú ltima expresió n es un polinimio de orden p en B. De esta expresió n se

puede establecer que { Z t } constituye el output (salida) del filtro a [B] al introducir

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 12
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
{ X t } en dicho filtro. Se puede probar que este filtro es invertible; su inverso se
expresa: { a [B] } – 1 el cual es denominado Filtro Autoregresivo o Filtro AR.
–1
Este es un filtro de convolució n cuya funció n de transferencia es { a [B] }

-1
{ Z t } → { a[B] } → {X t}

Filtro autoregresivo o Filtro AR.

Consideremos ahora el PROCESO AR(1) (p = 1):

X t = Z t - a1 * X t – 1

Este proceso significa que el valor actual de la variable analizada, caudal anual de
un río por ejemplo, depende del caudal observado un a ñ o antes. En la práctica se
aplica este modelo a las desviaciones de la variable respecto a su media.

V MODELOS AUTOREGRESIVOS APLICADOS A HIDROLOGIA

Las series hidroló gicas, en particular secuencias de caudales observados,

muestran un cierto grado de PERSISTENCIA. Ello significa que el valor del caudal
en el perí
odo t podrí a estar fuertemente influenciado por los valores de períodos
precedentes t - 1, t - 2, etc. Este tipo de comportamiento puede ser representado
por PROCESOS MARKOVIANOS.

Para una serie particular, se podría evidenciar que el valor del perí
odo presente
está influenciado por el valor del perí
odo inmediatamente anterior, entonces se
tiene un proceso markoviano de primer orden: AUTOREGRESIVO DE PRIMER
ORDEN: AR(1).

V. 1 MODELO AUTOREGRESIVO ANUAL AR(1)

Sea { X t } una serie estacionaria que puede ser modelada con un proceso AR(1)
(las condiciones necesarias para aplicar un AR(1) se define en el curso), por
ejemplo caudales anuales observados, la representació n comú nmente utilizada
para este modelo es la siguiente:

X t - µ = a1 (X t-1 - µ ) + Z t .......... (1)

Donde:
Xt : do normalmente, con media µ y
proceso estacionario distribuí
varianza σx2 : X t ∞ N ( µ , σx2 ), por ejemplo: caudales
anuales

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 13
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 a1 : parámetro autoregresivo de primer orden

Zt : proceso estacionario no correlacionado, independiente de X t,

con media cero y varianza σz2 : Zt ~ N (0 , σz2 )

Los parámetros de esta presentació n del modelo AR(1) son entonces:

a1 , µ , σ z2

V. 2 ESTIMACION DE PARAMETROS

En el caso del modelo AR(1) se puede demostrar que:

a1 = ρ1 ............... (2)

Donde ρ1 es el coeficiente de autocorrelació n de rezago 1.

La varianza de Z t reproducirá la VARIABILIDAD DEL PROCESO ORIGINAL (los

caudales). Para ello, en el caso del modelo AR(1), é sta se calcula a partir de la
varianza de X t a travé s de la relació n:

σz2 = σx2 ( 1 - a12 ) ............. (3)

Los parámetros µ , σx2 son calculados a partir de la serie histó rica.

V. 3 GENERACION DEL PROCESO Z t

Para la simulació n del proceso original { X t } mediante la expresió n (1) se necesita

previamente generar valores de { Z t }.

La variable aleatoria Z t debe cumplir con tres condiciones: primero debe tener un
valor esperado cero, segundo debe estar normalmente distribu í da y tercero debe
reproducir la variabilidad del proceso original (condiciones de estacionaridad
inherentes al proceso Z t ).

Para generar valores de { Z t } se cuenta con varios algoritmos. Uno de ellos es

presentado de acuerdo a la siguiente secuencia:

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 14
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
1) Generació n de números aleatorios uniformemente distribuídos U i :

Utilizando el METODO LINEAL CONGRUENCIAL, aplicar la expresió n:

u i = ( a*u i-1 + c ) mó dulo m ........ (4)

Que significa que u i es el resí duo que queda al dividir a*u i-1 + c entre m. El
valor de m es definido por el diseñ o de la computadora (una potencia grande con
base 2 ó 10); a, c y el valor inicial de u i -1 son nú meros í
ntegros entre 0 y m -1.

El resultado formado por la serie {U i } = u i / m formará una secuencia de nú meros

DISTRIBUIDOS RECTANGULARMENTE en el rango 0 a 1: Z t ~ U ( 0, 1 ).

Puesto que el algoritmo que los genera tiene una estructura determiní
stica, estos
nú meros son PSEUDO-ALEATORIOS, pues se repiten con un perí odo
relativamente grande, en el orden de 2 32 = 4.294’967.896.

Se necesita una elecció n cuidadosa de los valores a, c y m. La secuencia {u 1, u 2,

u3,....} se repetirá eventualmente, de modo de constituir una secuencia de
nú meros pseudo-aleatorios. Si la secuencia se repite despué s del valor u p (es
decir, luego que se han generado p nú meros), el valor p dependerá de la elecció n
de a, c y m. Por consiguiente, es imprescindible elegir estos valores de modo de
lograr p lo más grande posible. Reglas que definen esta elecció n han sido
estudiadas por Hammersley y Handscomb (1965).

Por ejemplo, supongamos a = 3, c = 5, m = 16, tomando u 0 = 4 como valor inicial

(seed), con la expresió n (3) tendremos:

u0 = 4
u1 = 17 mod 16 = 1
u2 = 8 mod 16 = 8
u3 = 29 mod 16 = 13
u4 = 44 mod 16 = 12
u5 = 41 mod 16 = 9
u6 = 32 mod 16 = 0
u7 = 5 mod 16 = 5
u8 = 20 mod 16 = 4
u9 = 17 mod 16 = 1
u10 = 8 mod 16 = 8 .... etc.

De modo que para esa elecció n de a, c, m, la secuencia se repite despué s del

octavo valor y es la siguiente:

{ Ui } = {4/16 1/16 8/16 13/16 12/16 9/16 0 5/16}

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 15
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
2) Generació n de números aleatorios normalmente distribuídos t i :

Aplicando el TEOREMA DEL LIMITE CENTRAL se pueden obtener valores

NORMALMENTE DISTRIBUIDOS a partir de los nú meros Ui previamente
calculados, de la siguiente manera:

t 1 = U 0 + U 1 + U 2 + ... + U 11 - 6
t 2 = U 12 + U 13 + U 14 + ... + U 23 - 6
t 3 = U 24 + ...
t 4 = ..... etc.

Los nú meros t I asígenerados, tendrán una distribució n normal con media cero y
varianza 12:

t i ~ N ( 0 , 12 )

3) Generació n de números aleatorios normalmente distribuídos Z t:

Los valores ti pueden ser convertidos a valores con media µo y varianza diferente
de cero σz2, al aplicar la relació n:

Zt = µ o + t i σz ........... (5)

Con µo = 0

y en el caso de AR(1): σ z2 = σ x2 ( 1 - ρ 12 )

V. 4 GENERACION SINTETICA DE CAUDALES

Una vez estimados los parámetros del modelo, se procede a aplicar la

ecuació n (1) secuencialmente, con un valor de inicio para X t-1. Los
primeros valores asígenerados son descartados para evitar el sesgo
resultante.

VI. MODELOS MULTIPLICATIVOS

Estos modelos son utilizados para series estacionales tales como series
semanales y mensuales. Una serie estacional es por definició n no
estacionaria.

Para dar una descripció n general de estos modelos, es preciso diferenciar

entre la parte estacional y la parte no estacional presente en los modelos
multiplicativos.

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 16
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 La parte no estacional ha sido ya tratada al inicio, por ejemplo una serie de
30 valores de caudales anuales puede ser modelada por u n AR(1). Para
modelar este proceso previamente fue necesario controlar que la serie
presentara estacionariedad (ya sea de por si misma o modificando la serie
para lograr é sto).

Para modelar una serie de caudales mensuales, tambié n es preciso

modificarla previamente a travé s de diferenciaciones. Los modelos
multiplicativos presentarán entonces ambas partes : una estacional y otra
no estacional.

Previamente es necesario definir los operadores siguientes:

NO ESTACIONAL:

B: operador hacia atrá s (Backwards)

B x t = x t-1
B n x t = x t - n operador B aplicado n veces consecutivas

∆: operador diferencia

∆ x t = (1-B) x t = x t - x t-1 primera diferencia

∆2 x t = (1-B) 2 x t = x t - 2x t-1 + x t-2 segunda diferencia
∆d x t = (1-B) d x t ava
d diferencia

ESTACIONAL:

∆ 12 x t = (1-B 12) x t = x t - x t-12 1 a diferenc. estac. de periodo 12

∆ 122 x t = (1-B 12) 2 x t = x t - 2x t -12 + x t -24 2 a dif. estac. de per. 12
∆ sD x t= (1-B s) D x t = D ava dif. estac. de periodo s

Estos operadores son ú tiles para describir los modelos.

VI.1 OPERADORES DE LOS MODELOS MULTIPLICATIVOS

Los siguientes sí
mbolos son utilizados en la nomenclatura:

ϕ "phi minú scula" No estacional ARIMA(p,d,q)

υ "teta minú scula"

φ "phi mayú scula" Estacional ARIMA (p,d,q,) x (P,D,Q) s

Υ "teta mayú scula"

Operador Autoregresivo (no estacional):

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 17
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 p
ϕ (B) x t = (1 - ϕ 1 B - ϕ 2 B - … … . - ϕ p B ) x t = - Σ ϕ i x t - i con ϕ 0 = -1
2 p
i=0

Operador de Medias Mó viles (no estacional):

q
υ (B) z t = (1 - υ 1 B - υ 2 B 2 - … … . - υ qB q ) z t = - Σ υ i z t - i con υ 0 = -1
i=0

Operador Autoregresivo estacional:

P
φ (B ) x t = (1 - φ
s
1 B s
-φ 2 B 2s
- ... - φ P B
Ps
)xt = -Σφ i x t - si con φ 0 = -1
i=0

Operador de Medias Mó viles estacional:

Q
Υ (B ) z t = (1 - Υ1 B
s s
- Υ2 B 2s
- … - ΥQ B
Qs
) z t = - Σ Υi z t - si con Υ0 = -1
i=0

Estos operadores servirán mas adelante para determinar la expresió n relativa a

cualquier modelo multiplicativo.

VI.2 DESARROLLO DE UN MODELO MULTIPLICATIVO

• Apliquemos por ejemplo un modelo ESTACIONAL MA(Q) con Q = 1 a una serie

estacionalmente diferenciada una vez, con periodo s = 12 (por ejemplo caudal
mensual):

u t = ∆ 121 x t = (1 - B 12) 1 x t = x t - x t -12 x t : proceso analizado

u t = ∆ 121 x t = (1 - B 12) 1 x t = x t - x t -12 u t : proceso diferenciado
α t : residuo

MA(1) : u t = α t - Υ1 α t - 12 … … … … .... (1)

O sea : x t - x t - 12 = α t - Υ1 α t - 12

x t = x t - 12 + α t - Υ1 α t - 12 … … … ....... (2)

Ecuació n 2 significa por ejemplo que si x t es el caudal del mes de Mayo de un

cierto añ o, el mismo está relacionado al caudal del mismo mes pero del añ o
anterior, más un té rmino residual. El mismo tipo de relació n puede establecerse
para los restantes meses. Por ejemplo para el mes de Abril :

u t-1 = α t -1 - Υ1 α t - 13

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 18
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 o sea :
x t -1 = x t - 13 + α t -1 - Υ1 α t - 13

Ahora, el té rmino residual de Mayo α t seguramente podrí a no ser

independiente del residuo de Abril α t - 1 . Por consiguiente podemos relacionar
los residuos mediante un proceso autoregresivo u otro :

• En consecuencia, apliquemos seguidamente un proceso NO ESTACIONAL

AR(p) con p = 1 a los residuos α t de la ecuació n 2 para representar su patró n
mensual :

α t = ϕ 1 α t -1 + z t ...… … … ... (3) z t : proceso aleatorio

Reemplazando ec. 3 en 1 :

u t = ϕ 1 α t -1 + z t - Υ1 ϕ 1 α t - 13 - Υ1 z t - 12

= ϕ 1 ( α t -1 - Υ1 α t - 13 ) + z t - Υ1 z t-12
= ϕ 1 u t -1 + z t - Υ1 z t - 12
o sea :
x t - x t - 12 = ϕ 1 ( x t -1 - x t -13 ) + z t - Υ1 z t - 12

xt=ϕ1x t-1 + x t - 12 - ϕ1xt - 13 + z t - Υ1 z t -

12

El modelo resultante es denominado multiplicativo ARIMA (1,0,0) x (0,1,1)

12 Esto significa que se ha ajustado un modelo estacional MA(1) a la
primera 12ava. diferencia de los datos y sus residuos han sido modelados
por un modelo AR(1).

ARIMA (p,d,q) x (P,D,Q) 12

parámetros parámetros periodo

estacionales no estacionales

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 19
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
 Box & Jenkins (1976) generalizaron este mé todo como la representació n a
travé s de un modelo estacional ARMA(P,Q) de las D avas. diferencias de los
datos originales acoplado a un modelo ARMA(p,q,) que es ajustado a las
davas. diferencias de los residuos del primero.

La expresió n general de estos procesos es como sigue:

φ (B s) ϕ (B) ∆ sD ∆d x t = Υ (B s) υ (B) z t

Aplicando esta expresió n se puede deducir la expresió n relativa a cualquier

modelo, por ejemplo:

AR(p): ϕ (B) x t = z t

AR(2): (1 - ϕ 1 B - ϕ 2 B2 ) x t = z t

x t= ϕ 1 x t-1 + ϕ 2 x t-2 + z t

ARIMA(2,1,2): ϕ (B) ∆d x t = υ (B) z t

(1 - ϕ 1 B - ϕ 2 B 2) (1 - B) 1 x t = (1 - υ 1 B - υ 2 B 2 ) z t

x t= x t-1 + ϕ 1 x t-1 - ϕ 1 x t-2 + ϕ 2 x t-2 - ϕ 2 x t-3 + z t - υ 1 z t-1 - υ 2 z t-2

REFERENCIAS

1. Walter Vandaele. "Applied Time Series and Box - Jenkins

Models". Academic Press, Inc.

2. Prof. G. L. Vandewiele. "Time Series Analysis". Texto

de curso. V.U.B. Bruselas, 1987.

3. Vujica Yevjevich. "Stochastic Processes in Hydrology"

W.R.P. Fort Collins, Colorado. 1972.

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 20
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)
4. J. W. Delleur. "Les processus du type ARIMA pour la
prevision et la simulation en hydrometeorologie".
La Houille Blanche / No 6 - 1978.

5. P. van der Kloet, F.C. van Geer. "Toepassing van ARIMA

modellen". Dictado del "Technische Hogeschool Delft".
Afdeling der Civiele Techniek. Feb. 1983.

6. Prof. J. W. Delleur. "Hydrologie Stochastique". Texto

de curso. E.P.F.L. Lausanne, 1980.

7. Salas, Delleur, et al. "Stochastic Processes applied to Hydrology".

Water Resources Publication. Fort Collins, Colorado, 1980.

Mé todos Estocásticos aplicados a Hidrolog í

a – Carrera de Ingenierí
a Civil - UMSS 21
Ing. Helmer Rodríguez Soriano – Tel. 4 29 39 04 (dom), 4 23 57 00 (ofic)