VERIFICACIN DE LA HIPTESIS DE INTENSIDADES DE RUIDO INVARIANTES

EN LA FORMULACIN DE ESCENARIOS HIDROLGICOS UTILIZANDO LA

SOLUCIN PSEUDO-ESTACIONARIA DE LA ECUACIN DE FOKKER PLANCK
KOLMOGOROV

ALEXANDER HASSIDOFF MART

Ingeniero Civil

Trabajo de Grado presentado como requisito para optar al ttulo de Magister en

Hidrosistemas

DIRECTOR:
EFRAN ANTONIO DOMNGUEZ CALLE
Ing. Hidrlogo, MSc. Ecologa Hidrometeorolgica
PhD. En Ciencias Tcnicas

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERA
BOGOT D.C.
2008

TABLA DE CONTENIDO
INTRODUCCIN

1. CARACTERIZACIN DEL RGIMEN HIDROLGICO ACTUAL EN COLOMBIA

1.1 INFORMACIN DISPONIBLE

1.2 PROCEDIMIENTO DE CARACTERIZACIN

1.3 EVALUACIN DE BONDAD DE AJUSTE

2. MODELAMIENTO DEL RGIMEN HIDROLGICO BAJO CONDICIONES DE

CAMBIO CLIMTICO HACIENDO USO DE LA ECUACIN DE FOKKER

PLANCK KOLMOGOROV EN SU VERSIN PSEUDO-ESTACIONARIA

12

2.1 MARCO DE REFERENCIA / OTROS MTODOS DE MODELACIN DEL RGIMEN

HIDROLGICO

12

2.2 PRESENTACIN DEL MTODO DE MODELACIN

13

3. DESARROLLO DEL MODELO EN 10 CUENCAS DE COLOMBIA

25

3.1 SELECCIN DE CUENCAS DE TRABAJO

25

3.2 IMPLEMENTACIN DEL MODELO

30

4. ANLISIS DE RESULTADOS DEL MODELO

42

4.1 EVALUACIN DE DESEMPEO DEL MODELO

42

4.2 ANLISIS DE SENSIBILIDAD

50

5. CONCLUSIONES

57

5.1 CONCLUSIONES GENERALES SOBRE EL MODELO EMPLEADO

57

5.2 CONCLUSIONES SOBRE LA VALIDACIN

57

5.3 VENTAJAS SOBRE OTROS ESQUEMAS DE FORMULACIN DE ESCENARIOS

HIDROLOGICOS

58

5.4 DIRECCIONES EN LAS QUE PODRA CONTINUARSE LA INVESTIGACIN

59

BIBLIOGRAFA
ANEXOS

ii

iii

LISTA DE ECUACIONES
Ec. 1 Estadstico de la Prueba de Kolmogorov
Ec. 2 Estadstico de la Prueba Chi Cuadrado
Ec. 3 Estadstico de la Prueba Omega Cuadrado
Ec. 4 Ecuacin general que relaciona las entradas y las salidas en un sistema hidrolgico
Ec. 5 Ecuacin del Modelo estocstico generalizado del proceso lluvia escorrenta en forma
diferencial
Ec. 6 Integracin de la Ecuacin del Modelo estocstico generalizado del proceso lluvia
escorrenta en forma diferencial
Ec. 7 Ecuacin de Fokker Planck Kolmogorov
Ec. 8 Expresin de los coeficientes de traslacin y de difusin
Ec. 9 Ecuacin de Pearson
Ec. 10 Expresin de los parmetros de Pearson en funcin de los parmetros C y N (6)
Ec. 11 Relacin entre los parmetro de Pearson y los momentos de la distribucin (7)
Ec. 12 Expresin de los parmetros de Pearson en funcin de los estadsticos de la distribucin
Ec. 13 Expresin de los parmetros estocsticos en funcin de los parmetros de Pearson y de los
estadsticos de la distribucin
Ec. 14 Expresin de los parmetros k y b
Ec. 15 Expresin de los estadsticos del rgimen final
Ec. 16 Ecuacin general que relaciona las entradas y las salidas en un sistema hidrolgico, versin
discreta planteada como un esquema implcito iterativo
Ec. 17 Coeficiente de correlacin
Ec. 18 Covarianza de dos variables X e Y
Ec. 19 Parmetros empleados en el clculo de las CDI
Ec. 20 Valor Esperado del Caudal Medio Anual
Ec. 21 Coeficiente de Variacin del Caudal Medio Anual
Ec. 22 Coeficiente de Asimetra del Caudal Medio Anual
Ec. 23 Expresin del parmetro S del indicador de desempeoS/
Ec. 24 Expresin del parmetro del indicador de desempeoS/
Ec. 25 Expresin del parmetro Cpr
Ec. 26 Expresin del parmetro kpr

iv

LISTA DE TABLAS
Tabla 1. Estaciones Limnigrficas Preseleccionadas para la Implementacin del Modelo
Tabla 2. Estaciones Limnigrficas Seleccionadas
Tabla 3. Intervalos Asociados a cada Rgimen Identificado para las 10 Estaciones Seleccionadas
Tabla 4. Estadsticos y Parmetro de Pearson de las Series Iniciales
y
Tabla 5. Parmetros del Sistema ,
Tabla 6. Estaciones Pluviomtricas Predictoras
Tabla 7. Resultados del Proceso de Calibracin del Modelo Determinista para el Pronstico
Preliminar de la Norma de Caudales del Rgimen Final
Tabla 8. Resultados del Modelo Determinista para el Pronstico Preliminar de la Norma de
Caudales del Rgimen Final
,
y
Tabla 9. Parmetros
Tabla 10. Parmetros de Pearson, Momentos Estadsticos, Estadsticos Pronosticados para el
Rgimen Final
y Identificados en la Serie de Caudales del Rgimen Final
Tabla 11. Parmetros ,
Tabla 12. Resultados Finales del Procedimiento de Verificacin
Tabla 13. Evaluacin de Desempeo en el Pronstico de la Norma de Caudales
Tabla 14. Evaluacin de Desempeo en el Pronstico del Coeficiente de Variacin
Tabla 15. Evaluacin de Desempeo en el Pronstico del Coeficiente de Asimetra
Tabla 16. Clasificacin de los Errores Obtenidos en las Predicciones
Tabla 17. Anlisis Comparativo de la Calidad de los Resultados Obtenidos para los Diferentes
Estadsticos Pronosticados
Tabla 18. Resultados de las Pruebas de Bondad de Ajuste entre Curvas Elaboradas con Datos
Observados y Curvas Resultantes de las Simulaciones (nivel de confianza de 0.1)

LISTA DE FIGURAS
Figura 1. Resultados de la Prueba de Bondad de Ajuste de Kolmogorov
Figura 2. Resultados de la Prueba de Bondad de Ajuste Chi Cuadrado
Figura 3. Resultados de la Prueba de Bondad de Ajuste Omega Cuadrado
Figura 4 Estructura General de un Modelo Matemtico
Figura 5. Curvas de Diferencias Integrales Tpicas
Figura 6. Diagrama de Flujo para la Implementacin de la Solucin Pseudo-estacionaria de la
Ecuacin FPK
Figura 7. Curvas de Diferencias Integrales de las 10 Estaciones Seleccionadas
Figura 8. Configuracin de la Herramienta Utilizada en el Proceso de Pronstico Preliminar
Determinista de la Norma de Caudales
Figura 9. Funciones de Distribucin de Probabilidad de las 10 Cuencas Modeladas
Figura 10. Efecto sobre el Pronstico de la Norma de Caudales del error en la Estimacin de los
y
Parmetros ,
Figura 11. Efecto sobre el Pronstico de Cv del error en la Estimacin de los Parmetros

Figura 12. Efecto sobre el Pronstico de Cs del error en la Estimacin de los Parmetros

y
,

Figura 13. Efecto sobre el Pronstico de E(Q) del error en la Estimacin de los Parmetros
y
Figura 14. Efecto sobre el Pronstico de Cv del error en la Estimacin de los Parmetros

Figura 15. Efecto sobre el Pronstico de Cs del error en la Estimacin de los Parmetros

Figura 16 Efecto sobre el Pronstico de Cv del error en la Estimacin de los Parmetros

vi

LISTA DE ANEXOS

Anexo 1. Caracterizacin del Rgimen Hidrolgico Colombiano - Hojas de Clculo

Anexo 2. Bsqueda de Predictores - Matriz de Correlacin
Anexo 3. Curvas de Diferencias Integrales Hojas de Clculo
Anexo 4. Prediccin Preliminar de la Norma de Caudal Medio Anual por Mtodos Deterministas
Hojas de Clculo

vii

INTRODUCCIN
Desde mediados de la dcada de 1980, cuando se empez a hablar en el mundo de calentamiento
global, el inters del pblico en general, de las entidades gubernamentales y de la comunidad
cientfica en particular por el tema del Cambio Climtico Global ha venido en aumento. Esto, en
conjunto con el incremento de recursos dedicados a la investigacin sobre este tema, ha llevado a
la creacin de organismos orientados a monitorear el fenmeno, a evaluar sus posibles efectos
sobre los ecosistemas y/o a definir medidas de control y de mitigacin del problema. El Panel
Internacional de Expertos sobre el Cambio Climtico (IPCC), auspiciado por la Organizacin de las
Naciones Unidas, es probablemente el organismo ms importante trabajando sobre el tema.
Las evidencias de cambio climtico que han detectado durante las ltimas dcadas este tipo de
organizaciones parecen ser cada vez ms concluyentes. El incremento de la temperatura media del
planeta debido a la emisin de gases de efecto invernadero es hoy da difcilmente cuestionable.
Reportes del IPCC (IPCC, 1995) sealan que la temperatura de la superficie de la Tierra se ha
incrementado entre 0.3 y 0.6C, y que el incremento que puede esperarse para los prximos 100
aos podra estar entre 1 y 3.5C (IPCC, 1995).
Dado que la atmsfera es un sistema complejo con una serie de procesos interrelacionados,
cambios climticos como los incrementos de temperatura recin mencionados tienen, y tendrn
en el futuro, efectos importantes sobre los regmenes hidrolgicos tanto de amplias regiones
como de pequeas cuencas.
Los Modelos de Clima Global (GCM) que han desarrollado organizaciones como el IPCC permiten
simular el clima de manera acertada y realizar pronsticos ms o menos confiables del mismo para
diversos escenarios. Sin embargo la escala de trabajo de estos modelos es muy gruesa por lo que
no estn en capacidad de simular el rgimen hidrolgico de una cuenca.
Para simular el efecto de los cambios climticos globales en los regmenes hidrolgicos es
necesario plantear modelos en una escala detallada que se alimenten de los datos de mayor escala
que pueden proveer los GCM pero que trabajen con los procesos y parmetros especficos de
cuencas particulares.
Un mtodo para desarrollar este tipo de modelos consiste en aplicar la ecuacin de Fokker
Planck Kolmogorov en su versin pseudo-estacionaria para pronosticar las caractersticas del
rgimen hidrolgico una vez ocurrido el cambio climtico.
Este mtodo est orientado a predecir estadsticos descriptivos de la distribucin de caudales
asociada al rgimen hidrolgico resultante del cambio climtico, partiendo de los estadsticos
equivalentes para el rgimen hidrolgico anterior al cambio climtico y de los valores de la norma
de precipitacin para cada uno de los regmenes. La informacin asociada al rgimen inicial se
obtiene de un procesamiento estadstico convencional de las series histricas de caudal y de
precipitacin, mientras que el valor de la norma de precipitacin correspondiente al rgimen final
puede obtenerse a partir de los escenarios oficiales correspondientes a la regin en la que se
viii

encuentra la cuenca de estudio en el caso en que stos existan-, los cuales deben provenir a su
vez de los resultados de GCM que trabajan a gran escala.
Durante la ltima dcada se han realizado en Colombia varios trabajos de modelacin siguiendo
este mtodo (Alarcn, 2001; Dominguez E., 2005; Ivanova, 2006; Ivanova Yulia, 2006; Domnguez
Calle, 2007). Esta investigacin complementa aquellos estudios en dos aspectos principales. El
primero es el anlisis de la sensibilidad de los resultados a los parmetros del modelo; el segundo
es la evaluacin del desempeo del modelo. Para desarrollar este aspecto se proceder a plantear
el modelo en 10 cuencas distribuidas en el territorio nacional en las que los datos histricos
muestren dos regmenes hidrolgicos distintos de por lo menos 10 aos de duracin cada uno. De
esta manera se espera poder comparar los resultados de las simulaciones contra datos reales y
sacar conclusiones sobre su desempeo efectivo.
Estructura del Estudio
La estructura del estudio sigue el proceso conceptual empleado para representar el sistema lluvia
escorrenta en el enfoque deseado.
La primera pregunta que surge de los planteamientos hasta ahora realizados es qu debe
entenderse por rgimen hidrolgico y cmo se representa ste en el mtodo utilizado? En el
Captulo 1 se da respuesta a esta pregunta. El tema de la caracterizacin hidrolgica se desarrolla
en detalle, explicando los conceptos estadsticos y probabilsticos indispensables para entender
cules son las variables de entrada y de salida del modelo y por qu son precisamente stas las
que se utilizan. Adems de explicarse estos conceptos esenciales, se describe de una vez el
procedimiento empleado para realizar la caracterizacin hidrolgica en Colombia, la cual es
determinante a la hora de realizar la evaluacin del desempeo del modelo.
Una vez explicados los conceptos estadsticos / probabilsticos asociados al concepto de rgimen
hidrolgico, se procede a explicar el mtodo de simulacin empleado. Esto se realiza en el
Captulo 2, haciendo hincapi en el sustento terico del mtodo. En este captulo se presentan
tambin, de manera general y a manera de referencia, otros mtodos empleados comnmente
para desarrollar este tipo de modelos.
El Captulo 3 del estudio corresponde a la descripcin del proceso de implementacin. En l se
explica en detalle cada uno de los pasos emprendidos para desarrollar el modelo desde la
seleccin de las cuencas de trabajo hasta la obtencin de resultados.
En el Captulo 4 se procede a realizar el anlisis de resultados que incluye una comparacin de los
pronsticos obtenidos con los datos histricos observados en las cuencas de trabajo y un anlisis
de sensibilidad que relaciona los errores en la definicin de parmetros con los errores finalmente
obtenidos en los pronsticos.
Finalmente, las conclusiones del estudio se presentan en el Captulo 5.
Objetivos
ix

Los objetivos podrn entenderse a cabalidad a medida que se avanza en el documento, sin
embargo, se relacionan a continuacin para mostrar la direccin del estudio.

Objetivo General: Validar la formulacin de escenarios hidrolgicos haciendo uso de la

ecuacin de FPK bajo la suposicin de intensidades de ruido invariantes, en 10 cuencas
colombianas

Objetivos Especficos
o
o
o
o
o
o
o

Evaluar el rgimen hidrolgico en Colombia para el clima actual

Identificar 10 cuencas en Colombia en las que las series histricas de caudal
evidencien un cambio de rgimen hidrolgico
Determinar los estadsticos que representan tanto el rgimen inicial como el
rgimen final para las 10 cuencas
Identificar las caractersticas de los ruidos para las 10 cuencas, tanto para el
rgimen inicial como para el rgimen final
Aplicar el mtodo de la ecuacin de FPK para pronosticar los estadsticos
correspondientes al rgimen final de las 10 cuencas
Comparar los resultados obtenidos mediante la aplicacin del mtodo con los
estadsticos calculados a partir de los datos histricos
Evaluar el desempeo del modelo y analizar la sensibilidad de los resultados a la
definicin de parmetros

Adicionalmente a los aspectos recin mencionados, se espera que al desarrollar el modelo en 10

cuencas de nuestro territorio este trabajo permita evaluar la versatilidad del mtodo en las
condiciones especficas de nuestro pas, identificando las dificultades que puedan presentarse en
los datos histricos requeridos y en aquellos asociados a los pronsticos de los GCM.

1. CARACTERIZACIN DEL RGIMEN HIDROLGICO ACTUAL EN COLOMBIA

El proceso lluvia escorrenta es un fenmeno complejo en el que participan la lluvia, las

caractersticas de la superficie de la cuenca, la escorrenta sub-superficial, as como procesos
atmosfricos como la evaporacin y la evapotranspiracin, entre otros. Un camino para estudiar el
fenmeno consiste en analizar cada una de estas variables y sus respectivas interrelaciones. Este
camino busca representar en detalle las diversas partes del sistema lluvia escorrenta, dando
lugar a modelos distribuidos. Sin embargo, la escorrenta superficial puede estudiarse tambin por
medio de variables estadsticas que describan el comportamiento del sistema lluvia escorrenta.
Este segundo enfoque lleva al planteamiento de modelos aglutinados, en los que comnmente se
estudia el comportamiento del caudal producido por una cuenca en una determinada seccin de
flujo, considerndose que esta variable incluye en s misma, el resultado de todos los sub-procesos
que ocurren en cada una de las partes del sistema.
El enfoque estadstico del estudio del proceso lluvia escorrenta, que es aqul que se emplear
en la presente investigacin, requiere de series de datos histricos tan largas como sea posible,
que permitan evaluar la forma en que se distribuyen los valores de variables como los caudales
extremos anuales o los caudales medios anuales. Para describir esta forma de distribucin se
emplean funciones de distribucin de probabilidad de las variables en cuestin, las cuales son a su
vez una forma de caracterizar el rgimen hidrolgico de la cuenca en estudio.
De manera general, con el concepto de rgimen hidrolgico se hace referencia al modo regular o
habitual de producirse el proceso lluvia escorrenta en una cuenca especfica (REAL ACADEMIA
ESPAOLA, 2001). Como es natural, este concepto se aplica a intervalos de tiempo en los que las
caractersticas estadsticas del proceso permanecen constantes, es decir, periodos en los que
puede afirmarse que el proceso lluvia escorrenta es estacionario.
Segn el glosario hidrolgico internacional, el rgimen hidrolgico se refiere a las variaciones del
estado y caractersticas de una masa de agua, que se repiten en el tiempo y en el espacio y que
son cclicas (UNESCO, 1992).
1.1

INFORMACIN DISPONIBLE

Las primeras mediciones de parmetros hidrolgicos en Colombia datan de principios del siglo XX,
cuando se empezaron a realizar mediciones rigurosas de caudales y precipitaciones a lo largo del
ro Magdalena, en particular en su cuenca baja. Sin embargo, no fue sino hasta principios de la
dcada de 1960 que se inici un proceso sistemtico de medicin de variables climticas. La
entidad responsable de este proceso fue en un principio el Servicio Colombiano de Meteorologa e
Hidrologa, que a partir de 1976 se denomin Instituto Colombiano de Hidrologa, Meteorologa y
Adecuacin de Tierras (HIMAT). Posteriormente, en 1995 se cre el Instituto de Meteorologa y

Estudios Ambientales (IDEAM), el cual ha sido, desde entonces, responsable de las mediciones
hidrolgicas (IDEAM, 2007).
La informacin disponible para caracterizar el rgimen hidrolgico en Colombia, facilitada por el
IDEAM, consisti en las series histricas de caudales medios diarios de 418 estaciones limnigrficas
distribuidas por todo el pas. Estas series presentan, en su mayora, registros de caudal desde 1970
hasta el ao 2000, aunque, vale la pena mencionarlo, algunas de las series presentan intervalos de
medicin ms cortos; el intervalo ms corto va desde 1984 hasta 1998.
1.2

PROCEDIMIENTO DE CARACTERIZACIN

1.2.1

El caudal medio anual: una variable aleatoria

En su calidad de promedio de un conjunto de datos asociado a un intervalo de tiempo largo, el

caudal medio anual es una variable aleatoria. En efecto, el valor que toma el caudal medio anual
para una observacin especfica no est correlacionado con el valor que toma esta misma variable
para una observacin adyacente en la serie de caudales anuales (Ven Te Chow, 1994).
En estas condiciones, la variable puede ser estudiada sin tener en consideracin el orden de
ocurrencia de sus valores, por medio de mtodos estadsticos que no tienen en cuenta los
procesos fsicos involucrados en el fenmeno sino solamente las observaciones resultantes del
proceso de monitoreo. Estos mtodos se aplican tradicionalmente en el diseo hidrotcnico de
obras civiles expuestas al riesgo hidrolgico (Chevotariov, 1974; C. Haan, 1977).
Vale la pena precisar que el caudal medio anual puede tomar cualquier valor positivo y es por lo
tanto una variable aleatoria continua.
1.2.2

Caracterizacin del caudal medio anual por medio de curvas de densidad de

probabilidad

Para describir el comportamiento de una variable aleatoria es til evaluar medidas de su tendencia
central as como medidas de su dispersin. Para ello se calculan una serie de parmetros a partir
de una muestra de datos: el promedio (o primer momento no centrado), la mediana y la moda
permiten evaluar la tendencia central, y la desviacin estndar y la varianza (o segundo momento
centrado) permiten evaluar la dispersin de los datos. Un siguiente paso para caracterizar el
comportamiento de una variable aleatoria consiste en calcular otros momentos estadsticos que
den informacin adicional acerca de la forma de la distribucin: el coeficiente de asimetra (o
tercer momento centrado) da una medida de la tendencia de los datos a distribuirse a la izquierda
(valores inferiores a la media) o a su derecha (valores superiores a la media) o si stos se
distribuyen de igual forma a ambos lados, en cuyo caso se habla de una distribucin simtrica; el
coeficiente de curtosis indica qu tan pronunciado es el pico de la distribucin, que viene
asociado a su respectiva moda.
2

Para obtener una descripcin ms detallada de la forma de la distribucin de una variable

aleatoria, el siguiente paso consiste en estudiar su distribucin de frecuencias, dividiendo su rango
en intervalos de clase y contando el nmero de ocurrencias que se presentan en cada clase.
El grupo de parmetros que pueden obtenerse a partir del mtodo de descripcin recin expuesto
es til en la toma de decisiones relacionadas con la variable. Por ejemplo, el caudal medio anual
de un ro calculado a partir de series histricas es informacin valiosa para una entidad
responsable de administrar el recurso que est interesada en solucionar problemas de
abastecimiento de una poblacin cercana ya que este parmetro da una idea del caudal que
podra utilizarse para este fin. De la misma forma, la desviacin estndar de la serie histrica dar
informacin importante sobre la dispersin de los caudales alrededor de la media y, por lo tanto,
ser un indicativo del tamao requerido en la infraestructura de almacenamiento que pueda
requerirse (Hazen, 1914; Kartvelishvili, 1958).
Sin embargo, este procedimiento de caracterizacin lleva a una descripcin parcial del
comportamiento de la variable. Para una descripcin ms detallada y til de la variable se utilizan
funciones de distribucin de probabilidad (fdp) o funciones de distribucin acumulada (fda) de la
variable. Estas funciones permiten establecer fcilmente la probabilidad de que el valor que tome
la variable est en un rango determinado. Afortunadamente, la experiencia ha demostrado que no
es necesario construir una nueva funcin para cada serie de datos y que, en vez de ello, es ms
adecuado ajustar funciones existentes y bien conocidas a los datos.
El procedimiento de ajuste de una funcin a una serie de datos consiste en encontrar la
combinacin de parmetros de la funcin que hace que sta represente los datos de la mejor
manera posible.
Los mtodos ms comnmente utilizados para el ajuste son el mtodo de la mxima verosimilitud
y el mtodo de los momentos, sin embargo, un mtodo alternativo que permite llegar a mejores
ajustes consiste en emplear un algoritmo de optimizacin que permita encontrar la combinacin
de parmetros que minimiza una medida de la diferencia entre la funcin de distribucin terica y
la funcin de distribucin emprica. ste fue el mtodo empleado en este estudio, y el algoritmo
empleado fue el mtodo de optimizacin por gradiente conjugado implementado mediante la
herramienta Solver del programa Microsoft Excel. Vale mencionar que, para empezar el proceso
iterativo que lleva a encontrar la mejor combinacin de parmetros de la funcin, se parti de la
combinacin de parmetros que puede obtenerse por medio del mtodo de los momentos.
Una vez ajustadas las funciones tericas a los datos empricos, es indispensable realizar pruebas de
bondad de ajuste que permitan decidir si la hiptesis de que los datos se distribuyen de acuerdo a
la funcin terica en cuestin es aceptable o no lo es (C. Haan, 1977).
Las funciones de distribucin de probabilidades o, lo que es equivalente, las funciones de
probabilidad acumulada, permiten tomar decisiones asociadas al comportamiento de la variable
en cuestin tomando en consideracin una medida del riesgo, que viene a ser la probabilidad de
que la variable tom valores no deseados. As, siguiendo con el ejemplo citado ms arriba, si la
3

autoridad responsable de la administracin del recurso agua de una corriente determinada

dispone de su curva correspondiente de distribucin de caudales, sta estar en capacidad de
decidir qu valor de caudal de abastecimiento puede garantizar a una poblacin y con qu riesgo
asociado est dispuesta a hacerlo.
1.2.3

Funciones de probabilidad empleadas

En el proceso de ajuste de distribuciones de probabilidad encaminado a evaluar el rgimen

hidrolgico en Colombia se emplearon cuatro funciones o distribuciones:
-

Distribucin Normal

Se dice que una variable aleatoria X se distribuye normalmente con media y desviacin estndar
si su funcin de densidad de probabilidad es:

f ( x)

2
1
e (1 / 2)( x ) /
2

Dado que el teorema del lmite central establece que la suma de n variables aleatorias
independientes se distribuye en forma aproximadamente normal, esta distribucin es
particularmente til cuando se est trabajando con variables que resultan de la suma de otras
variables como el caudal medio anual.
Distribucin Log Normal
Se dice que una variable aleatoria X sigue la distribucin log normal cuando su logaritmo natural
sigue la distribucin normal. Llamando Y el logaritmo de X se tiene Y = ln X e Y se distribuye
normalmente con media Y y desviacin estndar Y, la funcin de densidad de probabilidad de X
ser:

f ( x)

1
x Y 2

e (1/ 2)(ln xY ) / Y

x0

=0

para otros valores de x

El promedio de una variable aleatoria que sigue una distribucin log normal es:

E ( X ) X e Y (1/ 2) Y

Su varianza es:

V ( X ) X2 e 2 Y Y (e Y 1)
2

La distribucin log normal presenta dos ventajas en relacin con la distribucin normal. Primero,
est limitada a valores positivos y, segundo, no tiene una forma simtrica; la mayor parte de las
variables hidrolgicas comparten estas caractersticas.
Distribucin Gamma
Una variable aleatoria sigue la distribucin gamma cuando su funcin de densidad de probabilidad
tiene la forma:

f ( x)

( r )

(x) r 1 e x

=0

x0

para otros valores de x

(n) es la funcin gamma, definida como sigue:

n x n1e x dx
0

Los parmetros de esta funcin son , llamado parmetro de forma, y r, llamado parmetro de
escala.
El promedio de una variable aleatoria que sigue la distribucin gamma es:
E(X) = r /
Su varianza es:
V(X) = r / 2
La distribucin gamma trabaja particularmente bien para variables relacionadas con procesos de
Poisson. Los eventos hidrolgicos extremos como caudales mnimos y mximos pueden verse
como procesos de Poisson ya que ocurren instantneamente y son independientes de los dems
eventos extremos.
Distribucin Weibull
Una variable aleatoria sigue la distribucin Weibull cuando su funcin de densidad de probabilidad
tiene la forma:

f ( x)

=0

x
exp

para otros valores de x

5

Los parmetros de esta distribucin son , llamado parmetro de localizacin, , llamado

parmetro de escala (siempre positivo) y , llamado parmetro de forma. (siempre positivo).
El promedio de una variable aleatoria que sigue la distribucin Weibull es:

1
E (X ) 1

Su varianza es:
2

2 1

V ( X ) 1 1

En esta investigacin se ha empleado la versin simplificada de la distribucin Weibull que puede

encontrarse dentro de las funciones del programa Excel y para la cual el valor del parmetro de
localizacin es 0 ( = 0 ).
La distribucin Weibull es una distribucin de valor extremo y trabaja muy bien para variables que
representan eventos hidrolgicos extremos como caudales mximos o mnimos.
1.2.4

Proceso de ajuste

Construccin de series de trabajo

La primera tarea realizada consisti en construir para cada una de las estaciones de caudal su
correspondiente serie de caudales medios anuales, para ello se procedi a calcular el valor
promedio de caudal para cada ao a partir de los valores medios diarios registrados.
Enseguida se procedi a reordenar cada una de las series obtenidas en orden descendente, de
manera que el valor ms grande de caudal medio anual quedara en primera posicin y el ms
pequeo en la ltima.
Con las series as obtenidas se calcul la probabilidad para cada valor la probabilidad de
excedencia mediante la ecuacin de Weibull:

P ( X xm )

m
n 1

en la que m es la posicin del valor cuya probabilidad de excedencia desea calcularse y n el

nmero total de datos de la serie en cuestin (para una estacin con registros de caudal en el
intervalo 1/1/70 a 12/12/00 n es igual a 31).

Las series de valores obtenidos por este procedimiento corresponden a los histogramas de
frecuencia acumulada (empricos) de los caudales medios anuales y, por consiguiente, constituyen
las curvas a las que las funciones de distribucin de probabilidad deben ajustarse.
Para cada una de los histogramas de frecuencia acumulada obtenidos (en total 418) se procedi a
realizar el ajuste de las 4 funciones de probabilidad ya mencionadas; realizndose entonces un
total de 1672 procedimientos de ajuste.
El procedimiento de ajuste incluy dos pasos. Primero, el mtodo de los momentos fue utilizado
para encontrar una combinacin de parmetros de la funcin en proceso de ajuste que garantizara
que sus correspondientes momentos fueran iguales a los parmetros de los histogramas empricos
obtenidos. Segundo, el mtodo del gradiente conjugado se implement por medio de la
herramienta Solver del programa Excel para optimizar la combinacin inicial de parmetros; el
criterio de optimizacin utilizado en esta parte del procedimiento consisti en minimizar el
promedio de las desviaciones de los valores de probabilidad arrojados por la funcin de
distribucin terica con respecto a los valores del histograma de frecuencias.
Para realizar el primer paso se utilizaron las siguientes relaciones entre los parmetros de cada
funcin y los momentos de la muestra:

Distribucin
Normal

Relacin entre
parmetros y momentos

x , Sx

Log Normal

y y , y Sy

Gamma

x
x2
2 ,r 2
Sx
Sx

Para la distribucin Weibull no existen expresiones explcitas que relacionen los parmetros y los
momentos por lo que fue necesario definir una combinacin inicial de parmetros en forma
arbitraria para empezar el procedimiento de optimizacin.
1.3

EVALUACIN DE BONDAD DE AJUSTE

Con el fin de evaluar la bondad de ajuste de las distribuciones, se llevaron a cabo tres pruebas no
paramtricas sobre cada una de las parejas histograma de frecuencia acumulada emprico /
histograma de frecuencia acumulada prctico. Las pruebas realizadas corresponden a la prueba de
Kolmogorov, la prueba Chi Cuadrado y la prueba Omega Cuadrado (o prueba de Cramer von
Mises). Es importante mencionar que la prueba de Kolmogorov est orientada a medir la
7

diferencia ms grande entre parejas de datos, mientras que las pruebas Chi Cuadrado y Omega
Cuadrado estn orientadas a medir la suma de las diferencias individuales entre parejas de datos;
de esta manera, esta combinacin de pruebas permite una mejor comprensin de los resultados
del proceso de ajuste.
En las tres pruebas se utiliz un nivel de significancia de 0.10; vale recordar que el nivel de
significancia de las pruebas se define como la probabilidad de que se rechace la hiptesis nula
cuando sta debe ser aceptada.
Prueba de Kolmogorov
La prueba de Kolmogorov compara frecuencias observadas y frecuencias tericas por medio del
estadstico

n Dn , en el que n es el nmero de parejas de datos y Dn viene dado por la siguiente

expresin:

Dn sup Fn x F x
x

Ec. 1
En esta expresin, sup S es el supremum del conjunto S. Siendo S un subconjunto del grupo T, el
supemum de S es el elemento ms pequeo de T que es mayor o igual a todo elemento de S. En el
caso particular que nos ocupa, el conjunto en S viene a ser aqul compuesto por los valores
absolutos de las diferencias entre parejas de datos.
El estadstico Dn sigue la distribucin de Kolmogorov, cuya distribucin de probabilidad acumulada
correspondiente es:

PrK x 1 2 1 e 2i x
i 1

2 2

i 1

El procedimiento de la prueba consiste en definir un nivel de significancia y su correspondiente

valor K2; a este valor se le denomina valor crtico y se denota como K0.05 cuando se est usando un
nivel de significancia de 0.05 o como K0.10 si el nivel de significancia es de 0.10. Cuando

n Dn es

mayor que el valor crtico la hiptesis de que los valores de caudal medio anual siguen la
distribucin terica ser rechazada, en los dems casos sta ser aceptada.

Prueba Chi Cuadrado

La prueba Chi Cuadrado compara frecuencias observadas y frecuencias tericas por medio del
estadstico 02, que viene dado por la siguiente expresin:
k

Oi Ei 2

i 1

Ei

02

Ec. 2
en la que k es el nmero de intervalos en los histograma de frecuencias (tanto el histograma
emprico como el terico deben tener el mismo nmero de datos).
El estadstico 02 es positivo; valores pequeos de 02 denotan un buen ajuste entre la distribucin
terica y la distribucin emprica, valores grandes de 02 denotan discrepancia entre las dos
distribuciones.
El estadstico 02 sigue aproximadamente la distribucin chi cuadrado con k-p-1 grados de libertad,
en donde p es el nmero de parmetros de la distribucin terica estimados con estadsticos de la
muestra. En estas condiciones, el procedimiento de la prueba consiste en definir un valor de
significancia y su correspondiente valor 2; este valor se denomina el valor crtico y se denota
como 0.052 si se est empleando un nivel de significancia de 0.05 en la prueba o como 0.102
cuando se emplea un valor de significancia de 0.10. Cuando 02 es mayor que el valor crtico la
hiptesis de que los valores de caudal medio anual siguen la distribucin terica se rechaza, en los
dems casos la hiptesis se acepta.
Prueba Omega Cuadrado (o prueba de Cramer von Mises)
La prueba Omega Cuadrado compara las frecuencias tericas con las frecuencias observados
mediante el estadstico T, que viene dado por la siguiente expresin:
n
1
2i 1

T nW

F xi
12n i 1 2n

Ec. 3
Una vez se ha definido un nivel de significancia puede definirse el valor crtico del estadstico T
usando una tabla de Cramer von Mises, si T es mayor al valor crtico la hiptesis de que los valores
de caudal se distribuyen de acuerdo a la funcin terica en cuestin se rechaza, de lo contrario
sta se acepta.
Resultados obtenidos1
Los resultados obtenidos para la prueba de Kolmogorov se muestran en la siguiente figura.
1

Las hojas de datos correspondientes al procedimiento realizado aparecen en el Anexo 1.

Nmero de Pruebas en las que la Hiptesis fue Aceptada

Figura 1. Resultados de la Prueba de Bondad de Ajuste de Kolmogorov

433
(100%)

500
450
400
350

321
(74.1%)

345
(79.7%

361
(84.4%)

302
(69.7%)

300
250
200
150
100
50
0
Normal

Log Normal

Gamma

Weibull

TOTAL

Distribucin de Probabilidad

Como puede apreciarse, el nmero de pruebas en las que la hiptesis fue aceptada es mayor al
65% para todas las distribuciones evaluadas. Este resultado corrobora que las cuatro funciones
seleccionadas funciones tradicionalmente utilizadas en hidrologa- se ajustas bien a los datos de
caudales medios anuales. La distribucin con el mayor porcentaje de pruebas aceptadas es la
distribucin Gamma, con un 84.4%.
Los resultados obtenidos para la prueba Chi Cuadrado se muestran en la siguiente figura.
Figura 2. Resultados de la Prueba de Bondad de Ajuste Chi Cuadrado
500
450
400

371
(85.7%)

380
(87.8%)

368
(85.0%)

371
(85.7%)

Normal

Log Normal

Gamma

Weibull

433
(100%)

350
300
250
200
150
100
50
0
TOTAL

Como muestra la Figura 2, los resultados de la prueba de bondad de ajuste Chi Cuadrado fueron
an mejores que los de la prueba de Kolmogorov. Esto pone en evidencia que el ajuste general de
las distribuciones es mejor que el ajuste puntual ya que, como se mencion anteriormente, la
10

prueba de Kolmogorov est orientada a comparar la mxima diferencia entre la curva observada y
la curva ajustada, mientras que la prueba Chi Cuadrada est orientada a comparar el ajuste global
de los datos en ambas curvas. La distribucin que obtuvo los mejores valores de ajuste es la
distribucin Log normal con un 87.8% de pruebas aceptadas. Sin embargo es importante hacer
notar que los porcentajes obtenidos por las dems distribuciones son prcticamente iguales a los
de la distribucin Log Normal.
Los resultados obtenidos para la prueba Omega Cuadrado aparecen en la siguiente figura.
Figura 3. Resultados de la Prueba de Bondad de Ajuste Omega Cuadrado
433
(100%)

450
400
350

385
(88.9%)

300

395
(91.2%)
376
(86.8%)

382
(88.2%)

250
200
150
100
50
0
Normal

Log Normal

Gamma

Weibull

TOTAL

Como muestra la Figura 3, los resultados de la prueba de bondad de ajuste Omega Cuadrado que,
al igual que la prueba Chi Cuadrado, est orientada a evaluar el ajuste global de los datos y no las
diferencias puntuales- son los mejores de las tres pruebas realizadas. La distribucin que obtuvo el
porcentaje de pruebas con hiptesis aceptada es la distribucin Log Normal, con un 86.8%; la
distribucin que obtuvo el porcentaje ms alto fue la distribucin Gamma, con un 91.2% de
pruebas con hiptesis aceptada.
Observando ahora de manera conjunta los resultados obtenidos para las tres pruebas, es claro que
es la distribucin gamma la que obtuvo los mejores resultados: tanto en la prueba de Kolmogorov
(84.4%) como en la prueba Omega Cuadrado (91.2%) su porcentaje de pruebas en las que la
hiptesis fue aceptada fue el ms alto (84.4 y 91.2% respectivamente), en la prueba Chi Cuadrado
los porcentajes de las cuatro funciones fueron prcticamente igual de altos.
La conclusin general del anlisis estadstico realizado en este primer captulo es que la
distribucin que mejor representa el rgimen hidrolgico en Colombia es la distribucin Gamma.

11

2. MODELAMIENTO DEL RGIMEN HIDROLGICO BAJO CONDICIONES DE CAMBIO

CLIMTICO HACIENDO USO DE LA ECUACIN DE FOKKER PLANCK
KOLMOGOROV EN SU VERSIN PSEUDO-ESTACIONARIA

2.1
MARCO DE REFERENCIA / OTROS MTODOS DE MODELACIN DEL RGIMEN
HIDROLGICO
Durante la ltima dcada, la comunidad cientfica internacional ha venido realizando esfuerzos
encaminados a producir modelos que permitan realizar pronsticos del rgimen hidrolgico futuro
de cuencas especficas teniendo en cuenta el efecto de los cambios climticos globales.
La mayor parte de estos esfuerzos (Dibike Yonas B., 2005; Figueroa Ren L., 2008; Carpenter
Theresa M., 2001) plantean una metodologa en la que se utilizan series de precipitacin diaria
correspondientes a los pronsticos realizados por alguno de los modelos del clima global (GCM)
disponibles actualmente. Estos modelos entre los cuales cabe citar el modelo de circulacin
general de la atmsfera HadCM3, el Canadian Global Coupled Model-1 (CGCM1) o el modelo JMAGSM del Japn- trabajan a una escala global, por lo que el procedimiento requiere de la aplicacin
de mtodos de reduccin de escala o downscaling (Dibike Yonas B., 2005). Actualmente existen
dos mtodos de reduccin de escala ampliamente utilizados.
El primer mtodo consiste en realizar la reduccin de escala mediante una tcnica de regresin.
Para la cuenca de inters se realiza la bsqueda de un predictor de precipitaciones adecuado este
es el predictor local- y se procede a calibrar un modelo de regresin en el que se identifican las
series predictoras resultantes del modelo global stas constituyen los predictores de gran escalaque permiten predecir el comportamiento del predictor local. Desde luego, esta parte del
procedimiento se realiza tomando datos registrados para el predictor local y datos simulados de
los predictores de gran escala (series de temperatura, humedad, presin al nivel del mar) para un
mismo periodo. Una vez realizado este proceso de calibracin y la validacin correspondiente se
dispone de los parmetros que identifican la relacin entre los predictores de gran escala y el
predictor local y se procede entonces a realizar la fase de simulacin, en la que dichos parmetros
se utilizan para calcular las series pronosticas del predictor local a partir de las series
pronosticadas del predictor de gran escala que arroja el GCM. Un ejemplo especfico de este
mtodo es el Statistical Down-Scaling Model o SDMS (Wilby, 2007).
El segundo mtodo consiste en la generacin estocstica de condiciones climticas. En este caso
se trata de un modelo en el que se construyen series de precipitacin de la longitud que se desee
a partir de parmetros estadsticos identificados en las series de precipitacin observadas en la
cuenca de inters y de componentes aleatorios. El cambio climtico se representa introduciendo
perturbaciones a los parmetros; estas perturbaciones se definen con base en un anlisis
12

estadstico sobre las series predictoras de gran escala producidas por el GCM. Un ejemplo
especfico de este mtodo es el Long Ashton Research Station Weather Generator o LARS-WG
(Semenov, 2002).
Ambos mtodos presentan limitaciones en la medida en que asumen que los predictores
empleados representan completamente el cambio climtico y que la relacin encontrada entre
stos y la variable de inters para datos histricos ser idntica en la condicin del clima alterado,
cuando en realidad puede suceder que ninguna de estas dos asunciones sea vlida.

2.2

PRESENTACIN DEL MTODO DE MODELACIN

2.2.1

Introduccin a la Modelacin Matemtica

Un modelo matemtico es un sistema abstracto que representa un objeto cognitivo del que se
conocen sus propiedades esenciales, los mecanismos que gobiernan su comportamiento, las
conexiones entre sus diversas partes y entre stas y el entorno.
Los modelos matemticos presentan la siguiente estructura general:

Figura 4 Estructura General de un Modelo Matemtico (Domnguez C., 2007)

El anterior esquema describe cmo el modelo matemtico transforma un conjunto de datos de
entrada en un conjunto de datos de salida, a travs de un proceso gobernado por un operador
matemtico que simula el comportamiento de una serie de variables de estado con base en un
conjunto de parmetros definidos.
El inters esencial del modelo matemtico est en que ste permite simular el comportamiento
del objeto cognitivo un proceso o fenmeno- para cualquier situacin que se desee, sin
necesidad de recurrir a la experimentacin con el objeto real o con un modelo a escala de ste. En
la medida en que el operador matemtico y los parmetros coincidan con la realidad, las salidas
del modelo matemtico permitirn profundizar en el conocimiento del objeto y predecir su
comportamiento ante situaciones crticas o en escenarios futuros que nunca han ocurrido.

13

Mientras mayor sea la dificultad o lo que es equivalente, el costo- asociada a la experimentacin

real o a escala con el objeto cognitivo, mayor es la utilidad del modelo matemtico. En el caso
particular que nos ocupa en esta investigacin, la modelacin matemtica es de la mayor utilidad
dado que los objetos cognitivos son cuencas hidrolgicas de grandes dimensiones y que el
propsito del estudio es entender su comportamiento en el escenario en que se produzcan
determinados cambios climticos en el futuro.
2.2.1.1 Etapas del Proceso de Modelacin
En el proceso de modelacin matemtica se distinguen tres etapas principales: (1) definicin del
modelo conceptual, (2) seleccin / desarrollo del modelo numrico y (3) puesta en operacin del
modelo construido (Refsgaard J. C., 2004).
En la primera etapa, se establece el objetivo de la modelacin con el fin de determinar el dominio
conceptual al que se aplicar el modelo y definir el tipo de modelo matemtico necesario para
cumplir con las expectativas del objetivo postulado. El objetivo de modelacin, la informacin
disponible en archivos tcnicos y aquella que pueda obtenerse en campo definen la estructura
matemtica ms conveniente para cada ejercicio de modelacin.
En la segunda etapa se realiza la seleccin del modelo ms apropiado de acuerdo a la
disponibilidad de informacin y de recursos, tambin se debe tener en cuenta si el cdigo
computacional del modelo requerido existe o si debe ser creado.
En la tercera etapa se realiza la puesta en operacin del modelo construido. Para ello la primera
actividad a llevar a cabo consiste en determinar el vector de parmetros ptimos y realizar su
validacin correspondiente. En esta fase del desarrollo del modelo es importante incluir un anlisis
de sensibilidad de las diferentes soluciones viables para el vector de parmetros ptimos. Una vez
definidos los parmetros a utilizar se procede a realizar las simulaciones que permitan alcanzar el
objetivo de la modelacin planteado en la primera etapa del proceso. Para terminar la tercera
etapa del proceso de modelacin se procede a analizar los resultados obtenidos y, por ltimo, a
plantear las mejoras aplicables al modelo construido.
2.2.1.2 Tipos de Modelos Matemticos
Los modelos matemticos se clasifican en funcin de tres criterios principales: (1) su forma de
considerar el tiempo, (2) su forma de considerar el espacio y (3) el tipo de variables y de relaciones
entre variables que considera.
El primer criterio permite diferenciar entre modelos estticos y modelos dinmicos; en los
estticos las variables no cambian en el tiempo, en los dinmicos s.
14

El segundo criterio permite diferenciar entre modelos aglutinados y modelos distribuidos; en los
aglutinados las variables no cambian en el espacio, en los distribuidos s.
El tercer criterio permite diferenciar entre modelos determinsticos y modelos estocsticos. En los
modelos determinsticos existe una relacin de causalidad entre las diferentes variables, en los
modelos estocsticos se tiene en cuenta en cambio la aleatoriedad en las relaciones y
comportamiento de las variables; as pues, en un modelo determinista el operador matemtico le
asignar o no un valor determinado a una variable dependiendo de las leyes de comportamiento
previamente definidas, en el modelo estocstico en cambio, al evento consistente en que una
variable tome un cierto valor se le asigna una probabilidad (Refsgaard J. C., 2004).
2.2.2

Descripcin del Modelo Planteado

Como se mencion en la introduccin, el objetivo del modelo es evaluar el efecto que sobre el
rgimen hidrolgico de una serie de cuencas colombianas puedan tener los cambios climticos
globales. Esto quiere decir que, a grandes rasgos, el modelo matemtico planteado deber
transformar un rgimen hidrolgico de partida (entradas) en un rgimen hidrolgico futuro
(salidas) haciendo uso de un operador que represente el proceso lluvia escorrenta y que
permita involucrar el cambio climtico global.
En el Captulo 1 se estableci que la forma matemtica que se va emplear para expresar el
rgimen hidrolgico es la distribucin de probabilidad del caudal medio anual. Se estableci
tambin, tras realizar un estudio estadstico, que la funcin de densidad de probabilidad que
mejor se ajusta a las caractersticas del rgimen hidrolgico en Colombia es la funcin Gamma de
dos parmetros ( y ).
En ltima instancia, el modelo planteado deber permitir asociar una distribucin Gamma de
salida que represente el rgimen hidrolgico alterado por efecto del cambio climtico a una
distribucin Gamma de entrada que represente el rgimen actual, sin embargo, como un paso
intermedio para realizar esta tarea, se emplear como descriptor del rgimen hidrolgico el
conjunto de estadsticos E(X), CV y CS, es decir, la esperanza matemtica, el coeficiente de variacin
y el coeficiente de asimetra del caudal medio anual. Estos estadsticos determinarn a su vez los
parmetros de la funcin Gamma de entrada y de salida.

15

La definicin del operador matemtico parte de la ecuacin general que relaciona las entradas y
las salidas en un sistema hidrolgico (Kovalenko, 1993):

dQ
Q X

dt
k
Ec. 4
en la que X(t) es la precipitacin, Q(t) es el caudal, k es el coeficiente de escorrenta y representa
las caractersticas inerciales de la cuenca en cuestin.
Esta ecuacin constituye el ncleo determinista de un modelo aglutinado del proceso lluvia
escorrenta. En efecto, se trata de una ecuacin diferencial que describe relaciones de causalidad
entre las variables asociadas a la seccin final de flujo de una cuenca determinada.
Sin embargo, puesto que el objetivo del modelo es evaluar cambios entre distribuciones de
probabilidad, el enfoque determinista es insuficiente y resulta necesario considerar el carcter
aleatorio de las variables en juego. Para ello, se introducen las siguientes sustituciones:

1
C
k

Tras realizar estas sustituciones, en las que C representa los parmetros de la cuenca y N la
influencia externa sobre sta, es posible ahora introducir un componente aleatorio en cada
variable:

~
C C C

~
N N N
~

En estas expresiones, C y N son los valores medios de la variables C y N respectivamente y C y

~
N representan ruidos blancos con intensidades GC~ y G N~ .
Teniendo en cuenta las transformaciones recin descritas, la ecuacin 4 toma la siguiente forma:

dQ(t )
~
~
(C C )Q(t ) ( N N )
dt
Ec. 5

16

Esta ecuacin corresponde al modelo estocstico generalizado del proceso lluvia escorrenta
(Domnguez Calle, 2007) en forma diferencial. Al integrar esta ecuacin para un intervalo de
tiempo t se obtiene:

Qt t

t t

t t

~
Qt (C C )Q(t )dt

(N N )dt

Ec. 6

Teniendo en cuenta que C y N son ruidos blancos y que son por consiguiente procesos sin
memoria, la ecuacin 6 constituye un proceso de Markov, ya que el valor de la variable Q(t) en un
instante t+t solo depende del valor de la variable en el instante anterior t. Vale recordar que un
proceso de Markov se caracteriza por el que la probabilidad de que una variable tome un
determinado valor en un instante dado solo depende del valor que tom la variable en el instante
inmediatamente anterior, sin importar el valor tomado por la variable para los instantes
anteriores, es decir, P (xn,tn|x1,t1; ;xn-1,tn-1) = P(xn,tn|xn-1,tn-1).
El que la ecuacin 6 represente un proceso de Markov es determinante ya que esto permite
derivar su correspondiente ecuacin del tipo:
2
p(Q, t )

A(Q, t ) p(Q, t ) 0.5 2 B(Q, t ) p(Q, t )

t
Q
Q

Ec. 7
En esta ecuacin p(Q,t) es la funcin de densidad de probabilidad (fdp) asociada a los caudales
medios anuales, A(Q,t) es un coeficiente que determina cmo se desplaza la fdp a travs del eje de
las abscisas Q se le denomina coeficiente de traslacin- y B(Q,t) es un coeficiente que determina
cmo se aplasta o se puntala la fdp se le denomina coeficiente de difusin-.
La ecuacin 7 es la ecuacin de Fokker Planck Kolmogorov (ec. FPK), que describe la evolucin
de la densidad de probabilidades asociada a una variable, en este caso, al caudal medio anual, en
funcin del tiempo.

17

Los coeficientes A(Q,t) y B(Q,t) dependen de las caractersticas de los ruidos asociados a las
parmetros C y N y pueden expresarse de la siguiente forma (Kovalenko, 1993):

A(Q, t ) (C 0.5GC~ )Q 0.5GC~N~

B(Q, t ) GC~ Q 2 2GC~N~ Q GN~

Ec. 8
En esta ecuaciones
y
representan las intensidades de los ruidos
representa la intensidad cruzado entre estos ruidos.

, mientras que

Teniendo en cuenta que el rgimen hidrolgico actual es estacionario y suponiendo que el

rgimen futuro producido por el cambio climtico, aunque diferente, tambin ser estacionario, es
posible simplificar la ecuacin 7 igualando la derivada parcial de la probabilidad con respecto al
tiempo a cero a la variante de la ec. FPK as obtenida se le denomina ec. FPK pseudoestacionaria-.
En estas condiciones, la ecuacin 7 se transforma en una ecuacin de Pearson con la siguiente
forma:

dP
Qa

P
dQ b0 b1Q b2 Q 2
Ec. 9
en la que a, b0, b1 y b2 son los coeficientes de Pearson. La solucin de la ecuacin de Pearson es
una familia de curvas, de entre las cuales las cuales se destaca la curva de Pearson Tipo III dado el
amplio uso que se le ha dado en el campo de la hidrologa. Las expresiones de los parmetros a,
b0, b1 y b2 vienen relacionadas en este caso particular con los estadsticos de los parmetros C y N
de la siguiente forma (Domnguez Calle, 2007):

b1

GC~N~ 2 N
2C GC~

GC~N~
2C GC~

b0

b2

G N~
2C GC~
GC~
2C GC~

Ec. 10

18

La ecuacin 10 resulta especialmente importante dado que permite relacionar los parmetros de
la distribucin de Pearson que vienen asociados a los momentos de la distribucin de caudales
cuya fdp es solucin de la ecuacin de Pearson- con los parmetros asociados a las caractersticas
del sistema lluvia escorrenta de la cuenca de inters.
En efecto, partiendo de la ecuacin de Pearson, que relaciona el caudal con su probabilidad de
ocurrencia, puede llegarse a un sistema de ecuaciones que relaciona los momentos estadsticos n
(n es el orden del momento) de la distribucin de caudales con los parmetros a, b0, b1 y b2
(Kovalenko, 1993):

n1nb0 n [(n 1)b1 a] n1[(n 2)b2 1] 0

Ec. 11
Se entiende entonces que la ecuacin de Pearson constituye un camino para calcular los
parmetros N , G N~ , C , GC~ y GC~ N~ a partir de los momentos estadsticos de una serie de datos,
en este caso, de caudales medios anuales.
Sintetizando, esta parte del procedimiento busca identificar los parmetros asociados al rgimen
hidrolgico inicial y consiste entonces en (1) calcular los momentos estadsticos de la serie de
caudales de partida, (2) emplear el sistema asociado a la ecuacin 11 para identificar los
parmetros a, b0, b1, y b2 y (3) emplear el sistema asociado a la ecuacin 10 para identificar los
parmetros N , G N~ , C , GC~ y GC~ N~ .
Llegada esta instancia, es importante mencionar que, aunque el proceso podra realizarse
considerando un gran nmero de momentos estadsticos, es ms razonable emplear tan solo los
tres primeros, ya que, como se ver en el Captulo 3, la longitud de las series de caudal disponibles
es limitada (30 aos en el mejor de los casos). Observando la ecuacin 11 se concluye que esto es
equivalente a hacer b2 igual a 0, lo que a su vez lleva a considerar nulo el valor de GC~ (vase la
expresin de b2 en la ecuacin 10).
Aunque a primera vista pareciera que, an tras tomar la decisin de trabajar slo con los tres
primeros momentos estadsticas, el nmero de ecuaciones que conforman el sistema ajustado de
la ecuacin 10 (teniendo ya en cuenta que b2=0 habran 3 ecuaciones) es menor al nmero de
parmetros que se requiere calcular (que seran 4 teniendo en cuenta GC~ = 0), es importante
recordar que el parmetro N representa el estmulo sobre la cuenca, y que por ello el valor que
se le asignar es el promedio de precipitacin anual, el cual habr de calcularse a partir de las
series histricas correspondientes.
19

Tras reordenar las ecuaciones 10 y 11 con el fin de obtener versiones ms verstiles de ellas que
permitan su aplicacin directa en el caso que nos ocupa se obtienen las siguientes ecuaciones:

a E (Q) * (1 0.5 * b * CV )
2

b0 E (Q) 2 * CV * (0.5b 1)
2

b1 0.5E (Q) * b * CV

Ec. 12

GC~N~

E ( N ) * b1
a 0.5b1

GN~

2 E ( N ) * b0
a 0.5b1

1
2
k (1 0.25b * CV )
Ec. 13

En estos sistemas de ecuaciones se incluyen los parmetros k y b, que se pueden expresar de la

siguiente forma:

E (Q)
E(N )

CS
CV

Ec. 14
Los parmetros C , G N~ , GC~ N~ identificados siguiendo el procedimiento descrito le corresponden
al rgimen hidrolgico inicial. Para el rgimen hidrolgico final, el cual resultar del efecto del
cambio climtico considerado, es necesario asumir que G N~ y GC~ N~ permanecen constantes pues
no existe un mtodo, por el momento, para pronosticar su valor final. A esta suposicin se le llama
hiptesis de intensidades de ruido invariantes y su verificacin en 10 cuencas colombianas
constituye el objetivo general de este trabajo. En cuanto al parmetro C , como puede apreciarse
algunas lneas ms arriba, la expresin que permite la identificacin de este parmetro involucra el
parmetro k, que corresponde a la relacin entre el valor esperado del caudal medio anual y el
valor esperado de la precipitacin anual. La presencia del parmetro k permite evitar utilizar para
el rgimen final el mismo valor del parmetro C que para el rgimen inicial: realizando un primer
20

pronstico de la esperanza del caudal medio es posible obtener un pronstico de k que, integrado
en la expresin correspondiente permite identificar un pronstico de C . Al final de este numeral
se presenta el mtodo especfico para realizar este pronstico preliminar (ver aparte
correspondiente al pronstico preliminar determinista de la norma de caudal medio anual en el
rgimen final).
Una vez se han identificado los valores de los parmetros C , G N~ , GC~ N~ para realizar el
pronstico correspondiente al rgimen final, stos se utilizan, junto con el valor del pronstico de
precipitaciones, en la ecuacin 10 para identificar los parmetros apr, b0pr y b1pr correspondientes
al rgimen hidrolgico final.
El conjunto de coeficientes apr, b0pr y b1pr permite obtener los tres primeros momentos estadsticos
del rgimen final mediante la aplicacin de las siguientes expresiones, que vienen de la ecuacin
11:

M 1 a pr b0 pr
M 2 M1a pr b0 pr 2M1 * b1 pr
M 3 M 2 a pr 2M1 * b0 pr 3M 2b1 pr
Los pronsticos de los estadsticos E(Q, CV y CS pueden ahora calcularse con base en las siguientes
expresiones:

E (Q) pr M 1
( M 2 E (Q) pr ) 0.5
2

CVpr

E (Q) pr

M 3 3M 2 M 1 2M 1
3
3
(CVpr * M 1 )

CSpr

Ec. 15
Finalmente, y puesto que el objetivo ltimo es encontrar la distribucin de probabilidad que
represente el rgimen hidrolgico final para la cuenca en cuestin, se procede a ajustar una
funcin gamma con base en estos parmetros.

21

Pronstico preliminar determinista de la norma del caudal medio anual en el rgimen final
Como se explic en el prrafo correspondiente a la identificacin de los parmetros del rgimen
hidrolgico final, las intensidades de ruido G N~ y GC~ N~ se conservan iguales a las obtenidas para el
rgimen hidrolgico inicial pero, para el parmetro C s se calcula un valor particular para el
rgimen hidrolgico final ya que la expresin matemtica que permite determinarlo (ver ecuacin
13) incluye el parmetro k. El parmetro k corresponde a la relacin de la norma de caudales
medios anuales a la norma de precipitaciones anuales. Puesto que dentro del modelo se dispondr
de la norma de precipitaciones ya que se trata de un dato de entrada que vendr determinado por
los datos histricos de precipitacin asociados a las cuencas en las que se va a aplicar el modelo, al
definir un pronstico preliminar de la norma de caudales en el rgimen final se puede calcular un
valor de k especfico de dicho rgimen y, con l, un valor pronosticado de C .
Para calcular un pronstico preliminar de la norma de caudales es necesario recurrir a un modelo
determinista elaborado con base en la ecuacin general de un sistema lluvia escorrenta. Este
modelo no es otra cosa que la versin discreta de la ecuacin 4 planteada como un esquema
implcito iterativo, es decir:

Q
Qi 1 k X i 1 i Qi
t X i

Ec. 16
Para la implementacin de este modelo es necesario realizar dos pasos esenciales: (1) bsqueda
del predictor ptimo correspondiente a la variable Xi y (2) bsqueda de los valores ptimos de los
parmetros k y .
La bsqueda del predictor ptimo consiste en tomar un conjunto de series histricas de datos de
precipitacin y evaluar para cada una de ellas qu tan estrecha es su relacin con la serie de
caudales en cuestin, la serie de precipitacin que resulte tener la relacin ms estrecha con la
serie de caudales ser el predictor ptimo.
Experiencias previas (Ivanova, 2006; Ivanova Yulia, 2006) han demostrado que los mejores
predictores para series de caudales anuales medios son series de precipitacin anual, por lo que la
bsqueda deber centrarse en este tipo de series.

22

Para medir qu tan estrecha es la relacin entre dos series de datos se utiliza el coeficiente de
correlacin, que puede expresarse de la siguiente forma:

COV ( X , Y )

XY
Ec. 17

en la que COV (X,Y) es la covarianza de dos variables X e Y -que en el caso que nos ocupa seran los
caudales anuales medios y las precipitaciones medias- y X y Y son la desviacin estndar de X y la
desviacin estndar de Y respectivamente. La covarianza COV(X,Y) se calcula haciendo uso de la
siguiente expresin:

X
n

COV ( X , Y )

i 1

X Yi Y
n

Ec. 18
En cuanto a la bsqueda de los parmetros k y , sta se realiza haciendo uso de un algoritmo de
optimizacin que permita encontrar la combinacin de stos que minimice una mtrica del error
obtenido en el proceso de calibracin del modelo. El proceso de optimizacin se describe, a
grandes rasgos, a continuacin.
El primer paso del proceso de optimizacin consiste en seleccionar el rango en el que ambas series
presentan datos. Dos nuevas series ajustadas con los datos correspondientes a este rango deben
construirse: serie de caudales observados y serie de precipitaciones observadas. A partir de los
datos de estas dos series se construye una serie de caudales simulados aplicando la ecuacin 16
con una primera combinacin arbitraria de valores para los parmetros k y . En esta instancia se
calcula una mtrica del error obtenido entre la serie de caudales observados y la de caudales
simulados. Se procede ahora a definir una nueva combinacin de parmetros alterando la
combinacin inicial de acuerdo a un criterio definido. Con la nueva combinacin de parmetros se
vuelve a calcular la serie de caudales simulados, una vez obtenida sta se vuelve a evaluar la
mtrica del error. Se comparan los valores obtenidos para la mtrica del error. De acuerdo con el
resultado de la comparacin se define una nueva combinacin de parmetros siguiendo un
conjunto de reglas definidas. El proceso se repite hasta que se cumple un criterio de convergencia,
momento en el cual se debe haber llegado a la combinacin ptima de parmetros. La efectividad
y eficiencia del algoritmo de bsqueda dependen principalmente del conjunto de reglas que se
siguen para definir nuevas combinaciones de parmetros. El mtodo de prueba y error, por
ejemplo, es un regla de bsqueda tan simple como ineficiente en la medida que puede tardar
demasiado tiempo en encontrar la combinacin ptima de parmetros. El conjunto de reglas a
seguir en el proceso de bsqueda o lo que es equivalente, en el proceso de minimizacin del
error de simulacin- debe reducir en la medida de lo posible la probabilidad de caer en un mnimo
local.
23

Dentro del proceso de identificacin de parmetros deben distinguirse dos etapas: la calibracin y
la validacin. El rango de las series con datos simultneos de caudales y precipitaciones debe
dividirse en dos partes: con la primera parte se realiza el proceso de bsqueda de parmetros,
sta es la etapa de calibracin, con la segunda se evala el desempeo del modelo con los
parmetros encontrados, sta es la etapa de validacin. La divisin del rango de datos para
realizar las dos etapas deber realizarse de manera que la longitud del rango de datos para
calibracin est entre el 50 y el 75% de la longitud total de la serie (Refsgaard J. C., 2004).
Una vez definido el predictor e identificados los parmetros k y de la cuenca en cuestin, se
procede a calcular un pronstico preliminar de la norma de caudales del rgimen hidrolgico final
aplicando la ecuacin 16 con el valor de la norma de caudales anuales medios y de la norma de
precipitaciones anuales del rgimen inicial y con la norma de precipitaciones anuales del rgimen
final. Al valor resultante pronstico preliminar determinista que, como ya se mencion, permitir
calcular un pronstico del parmetro C - se le denominar Qpr det.

24

3. DESARROLLO DEL MODELO EN 10 CUENCAS DE COLOMBIA

3.1

SELECCIN DE CUENCAS DE TRABAJO

Para la implementacin de la ecuacin FPK pseudo-estacionaria se cont con las series de caudal
medio diario de 418 estaciones limnigrficas del IDEAM distribuidas por el territorio colombiano;
stas son las mismas estaciones utilizadas para elaborar la caracterizacin del rgimen hidrolgico
actual en Colombia que se describe en el Captulo 1. En este conjunto se realiz una preseleccin
de estaciones que presentaran las siguientes caractersticas:
(1) periodo de medicin de por lo menos de 20 aos continuos
(2) caudal medio menor a 60 m3/s
(3) presencia de un cambio en el rgimen situado aproximadamente en la mitad del periodo
de medicin
El primer criterio viene asociado a la representatividad de los datos; series ms cortas no
permitiran calcular valores representativos para algunos de los estadsticos que deben calcularse
en el proceso de modelacin.
El segundo criterio est orientado a facilitar la bsqueda de predictores que, como se menciona en
el Captulo 2, es necesario realizar en el proceso de modelacin para calcular un valor inicial del
parmetro C . Se recuerda que la experiencia ha demostrado que los mejores predictores para las
series de caudal medio anual son las series de precipitacin anual. Esto quiere decir que la variable
que mejor explica el comportamiento del caudal es la precipitacin. Mientras ms representativos
sean los registros de una estacin pluviomtrica de la precipitacin total cada sobre la cuenca
mayor ser su relacin con los registros de caudal y, por tanto, mejor su calidad de predictor. Esto
tambin implica que la bsqueda de un predictor para cuencas grandes resultar normalmente
ms compleja que la bsqueda para cuencas medianas o pequeas. Para los objetivos de esta
investigacin no se consider necesario complicar la etapa correspondiente a la bsqueda de
predictores y por lo tanto se decidi utilizar cuencas con un tamao limitado.
El tercer criterio es de gran importancia pues busca garantizar la posibilidad de realizar un proceso
de validacin del modelo en el que se evalen los resultados que ste genera para un cambio de
rgimen hidrolgico ocurrido efectivamente, con respecto a los valores registrados. Los cambios
de rgimen identificados en las series de caudales del IDEAM pueden deberse a cambios en el
rgimen de precipitaciones o bien a cambios en el uso del suelo. En el primer caso la situacin
25

correspondera a fenmenos locales de cambio climtico que pueden deberse a emisiones

puntuales de gases o a otras causas. De cualquier manera es importante sealar que la
identificacin de estas causas no es objetivo de esta investigacin.
La seleccin de las estaciones de caudal que cumplan con los dos primeros criterios es fcil y tan
solo requiere de la aplicacin de herramientas estadsticas muy simples. En cambio, la
identificacin de series con cambio de rgimen requiere de un proceso ms elaborado que
consiste en la elaboracin de una curva de diferencias integrales para cada una de las series
evaluadas.
Procedimiento de Identificacin de Series de Caudal con Cambio de Rgimen por medio de
Curvas de Diferencias Integrales
Una Curva de Diferencias Integrales (CDI) (Druzhinin I.P., 1969) es una herramienta relativamente
fcil de implementar que permite identificar regmenes distintos en una serie de datos.
El procedimiento consiste bsicamente en calcular la serie de diferencias integrales i
correspondiente a la serie que se est analizando y graficarla con respecto al tiempo,
obtenindose las conclusiones buscadas sobre la serie original a partir de la evaluacin de la forma
de la curva obtenida.
Para calcular la serie de diferencias integrales se calculan antes dos series auxiliares Ki y i.
Para una serie Xi con n valores, los valores de Ki, i y i se obtienen aplicando las siguientes
expresiones:

para i = 1, , n
Ec. 19
Como puede apreciarse, la variable Ki corresponde a la variable original Xi estandarizada con
respecto a la media E(X), mientras que la variable i corresponde a la estandarizacin de la
diferencia Ki 1 con respecto al coeficiente de variacin. La variable i corresponde a la suma de
los valores de la variable desde j = 1 hasta j = i, con lo que puede asociarse a una integral de
diferencias.
En estas condiciones, al graficar la serie i, la forma de la CDI da informacin importante acerca de
la serie original. Cuando la CDI puede dividirse en dos grandes tramos, uno de ellos ascendente y
el otro descendente, presentndose entonces un punto de inflexin entre ellos, es seal de que la
serie original presenta dos regmenes distintos, presentndose el cambio de rgimen en la abscisa
26

ao, en este caso en particular- en la que se presenta el punto de inflexin en la CDI. Cuando la
CDI presenta mltiples puntos de inflexin de la misma importancia y no puede dividirse en dos
grandes tramos, es seal de que la serie original no presenta cambios de rgimen. Debe sealarse
aqu que la presencia de mltiples puntos de inflexin no implica la inexistencia de distintos
regmenes al interior de la serie original: mientras se cumpla el criterio de divisin del rango en
dos tramos uno descendente y otro ascendente- y exista por tanto un punto de inflexin
principal, bien pueden presentarse puntos de inflexin secundarios al interior de cada tramo e
igual la forma de la CDI evidencia un cambio de rgimen en la serie original. Ver Figura 5.
Figura 4. Curvas de Diferencias Integrales Tpicas
12.00
10.00

CDI de una serie con cambio

de rgimen en 1984 aprox.
CDI de una serie sin cambio
de rgimen

Punto de
Inflexin

8.00

6.00
4.00
2.00
0.00
1965
-2.00

1970

1975

1980

1985

1990

1995

2000

2005

Ao

Tras elaborar las CDI de las series de caudal medio anual que cumplan con los requisitos (1) y (2),
lograron identificarse 35 estaciones limnigrficas en las que se present un cambio de rgimen en
la zona media de la serie.

Bsqueda de Predictores para las Estaciones Preseleccionadas

Una vez preseleccionadas estas 35 estaciones se procedi a realizar la bsqueda de sus
correspondientes predictores. Para ello se cont con las series de precipitacin anual de 696
estaciones pluviogrficas del IDEAM distribuidas en el territorio colombiano.
El procedimiento consisti en calcular para cada una de las 35 series de caudales medios anuales,
su coeficiente de correlacin lineal con cada una de las 696 series de precipitaciones anuales.
Como se mencion ya en el captulo anterior, el coeficiente de correlacin lineal es un estadstico
que mide qu tan estrecha es la relacin lineal entre dos variables X e Y mediante la ecuacin 17.

27

En el caso que nos ocupa, X e Y seran los caudales anuales medios y las precipitaciones medias.
La covarianza COV(X,Y) se calcula haciendo uso de la ecuacin 18.
Es importante mencionar aqu que el coeficiente de correlacin no debe calcularse entre la pareja
de series brutas ya que es usual que los rangos o intervalos- en los que stas presentan datos
no sean perfectamente coincidentes. Teniendo esto en consideracin, para cada una de las
parejas contempladas se procedi inicialmente a identificar el rango en el que ambas series
presentaban registros y, para ste, se realiz despus el clculo del coeficiente.
El resultado de este proceso fue una matriz de 35 filas por 696 columnas en la que en cada fila
pueden encontrarse los coeficientes de correspondientes de una serie de caudales con cada una
de las series de precipitacin. Esta matriz de correlacin puede apreciarse en el Anexo 2.
El siguiente paso consisti en identificar el valor mximo para cada una de las filas y su
correspondiente estacin de precipitacin, es decir, el mejor predictor.
En la Tabla 1 se muestran las 35 estaciones limnigrficas preseleccionadas y, para cada una de
ellas, el mejor coeficiente de correlacin obtenido y la estacin pluviogrfica correspondiente.
Los clculos correspondientes a la bsqueda de predictores se incluyen en el Anexo 2.

28

Tabla 1. Estaciones Limnigrficas Preseleccionadas para la Implementacin del Modelo

REGIN
Alto Magdalena

Cauca

Caribe

Catatumbo

Llanos

Medio Cauca

Medio Magdalena

Otras Cuencas

Pacfico

CDIGO ESTACIN
LIMNIGRFICA

COEFICIENTE DE
CORRELACIN

ESTACIN PLUVIOMTRICA
PREDICTORA

2118703

0,76

2306018

2601702

0,68

2120123

2602720

0,58

2701080

2602724

0,46

2701080

2603703

0,72

2306020

1201703

0,77

2401061

1502701

0,64

2701081

1506702

0,61

2701077

2802716

0,70

2703014

2906701

0,54

1307503

1603701

0,48

2306020

1604702

0,79

2120566

1605702

0,76

2701077

1605704

0,68

2701082

3508704

0,66

3506014

3519702

0,47

3506020

3703701

0,69

3506023

4403704

0,37

3506015

4403709

0,27

2120579

2614713

0,85

2701077

2618703

0,52

2120558

2621704

0,78

2119035

2623709

0,55

2702503

2319729

0,52

2120107

2402705

0,71

2306512

2403707

0,82

2306018

2403730

0,56

2120567

2403737

0,65

2306512

2403741

0,67

2401511

2102701

0,50

3506002

5102705

0,69

2401521

2110702

0,59

3506020

2113703

0,69

2120577

2114701

0,40

2120557

Como puede apreciarse en la tabla, la mayor parte de los coeficientes de correlacin obtenidos
son bastante bajos. Para la implementacin del modelo se eligieron las 10 estaciones que
presentaron los coeficientes de correlacin ms altos, que son adems las 10 estaciones en las que
el ndice obtenido es mayor a 0.70. Estas estaciones se enumeran en la Tabla 2.
29

Tabla 2. Estaciones Limnigrficas Seleccionadas

REGIN
Alto Magdalena
Cauca
Caribe
Catatumbo
Medio Cauca
Medio Magdalena

CDIGO ESTACIN
LIMNIGRFICA
2118703
2603703
1201703
2802716
1604702
1605702
2614713
2621704
2402705
2403707

Vale la pena resaltar aqu que dentro de la seleccin de estaciones o, lo que es equivalente, de
cuencas- se han realizado ya dos procesos cuyos resultados se utilizarn en el desarrollo del
modelo en s: el proceso de determinacin de las CDI y el de identificacin de predictores.
3.2

IMPLEMENTACIN DE LA SOLUCIN PSEUDO-ESTACIONARIA DE LA ECUACIN FPK

El modelo se implement aplicando el proceso descrito en el numeral 3.2.2, del cual se presenta
una representacin esquemtica en el diagrama de flujo que muestra la Figura 6.

30

Figura 6. Diagrama de Flujo para la Implementacin de la Solucin Pseudo-estacionaria de la

Ecuacin FPK

RGIMEN
HIDROLGICO
FINAL

RGIMEN
HIDROLGICO
INICIAL

(1)

(2)

(3)

Serie de Caudales
Rgimen Inicial
Estadsticos Serie
E(Q), Cv, Cs
Parmetros de
Pearson
a, b0, b1

(4)

Parmetros Sistema
Gcn, Gn, C

(5)

Parmetros Sistema
Gcnpr, Gnpr, Cpr

(6)

Parmetros de
Pearson
apr, b0pr, b1pr

(7)

Momentos Estadsticos
M1, M2, M3

(8)

Estadsticos Distribucin
E(Q)pr, Cvpr, Cspr

(9)

Construccin fdp
Gamma

Base de Datos
Series de Precipitaciones

(a)

Identificacin de
Predictores

(b)

Identificacin de
Parmetros
Modelo Determinista

(c)

Pronstico Preliminar
Determinista Qpr det

(d)

Como puede verse, la implementacin del modelo se divide en dos grandes bloques: en el primero
se calculan los estadsticos e identifican los parmetros asociados al rgimen inicial, en el segundo
se establecen valores de pronstico para los parmetros y se calculan los pronsticos de los
estadsticos para el rgimen final.
Puesto que los datos se escogieron de manera que en cada una de las series de caudales se
presentaran dos regmenes distintos, el ejercicio consisti en aplicar el modelo para la parte de la
serie asociada al rgimen inicial tomando como informacin de entrada sus estadsticos
correspondientes, predecir los estadsticos asociados al rgimen final con base en el cambio en la
norma de precipitaciones entre un rgimen y otro, y comparar estos resultados con los
estadsticos reales, calculados a partir de la serie final de caudales.
El primer paso consisti en la identificacin de los regmenes para cada una de las series
seleccionadas.
31

3.2.1

Seleccin de Fases de Alta y Baja Humedad

Como se mencion ya, las series seleccionadas presentan dos regmenes de caudales
aproximadamente de la misma longitud. La identificacin de los intervalos asociados a cada uno
de los regmenes se realiz haciendo uso de las CDI, que ya haban sido calculadas para la
seleccin de estaciones. Ver Figura 7. En el Anexo 2 se presentan los clculos correspondientes.
En las grficas seleccionadas el periodo en el que la CDI mantiene una pendiente positiva
corresponde a una fase de alta humedad mientras que el periodo en el que la pendiente es
negativa corresponde a un periodo de baja humedad.
Figura 7. Curvas de Diferencias Integrales de las 10 Estaciones Seleccionadas

32

En la Tabla 3 se presentan los intervalos asociados a cada rgimen para cada una de las 10
estaciones.
Tabla 3. Intervalos Asociados a cada Rgimen Identificado para las 10 Estaciones Seleccionadas
REGIN
Alto Magdalena
Cauca
Caribe
Catatumbo
Medio Cauca
Medio Magdalena

CDIGO ESTACIN
LIMNIGRFICA
2118703

PERIODO DEL RGIMEN PERIODO DEL RGIMEN

INICIAL
FINAL
1970 - 1983
1984 - 1999

2603703

1970 - 1984

1985 - 1999

1201703

1976 - 1981

1982 - 1996

2802716

1974 - 1987

1988 - 1999

1604702

1970 - 1980

1981 - 1999

1605702

1970 - 1981

1982 - 1999

2614713

1978 - 1987

1988 - 1999

2621704

1979 - 1988

1989 - 1999

2402705

1970 - 1980

1981 - 1999

2403707

1970 - 1981

1982 - 1999

Una vez definidos los intervalos asociados a cada rgimen para cada una de las series se procedi
a desarrollar el modelo en los dos bloques ya mencionados.
3.2.2

Bloque Asociado al Rgimen Hidrolgico Inicial

Clculo de los estadsticos asociados a la serie inicial y de los parmetros de Pearson

correspondientes
Esta parte del procedimiento corresponde a las etapas (2) y (3) del diagrama de flujo, en la que se
aplican las siguientes ecuaciones para calcular los estadsticos:

Ec. 20

Ec. 21

33

Ec. 22
y la ecuacin 12 del Captulo 2 para identificar los parmetro a, bo y b1.
En la Tabla 4 se muestran los resultados obtenidos.
Tabla 4. Estadsticos y Parmetro de Pearson de las Series Iniciales
Estacin

ESTADSTICOS
E(Q)

(m /s)

(m /s)

CV

PARMETROS DE PEARSON
CS

E(N)

b0

b1

(mm)

2118703

11,12

2,85

0,26

-0,12

7,15

-0,46

11,29

-9,98

0,17

2603703

8,39

1,79

0,21

-0,13

5,80

-0,62

8,50

-4,18

0,12

1201703

3,86

1,46

0,38

0,80

2,27

2,12

3,27

0,12

-0,59

2802716

12,41

5,26

0,42

1,16

11,37

2,74

9,36

10,21

-3,05

1604702

56,40

12,41

0,22

-0,29

2,98

-1,33

58,22

-256,57

1,82

1605702

3,47

0,89

0,26

0,56

9,76

2,17

3,22

0,07

-0,25

2614713

12,26

2,67

0,22

0,34

9,33

1,58

11,80

-1,51

-0,46

2621704

5,75

1,40

0,24

0,56

2,57

2,30

5,35

0,30

-0,39

2402705

27,96

6,09

0,22

0,77

4,11

3,54

25,61

28,61

-2,35

2403707

1,75

0,50

0,29

-0,22

7,54

-0,76

1,81

-0,35

0,05

Identificacin de los parmetros del sistema

Esta parte del procedimiento corresponde a la etapa 4 del diagrama de flujo. El valor medio del
parmetro C, la intensidad del ruido blanco y la intensidad cruzada de los ruidos blancos y
se calculan haciendo uso de la ecuacin 13 del Captulo 2.

34

Los valores obtenidos se muestran en la Tabla 5.

Tabla 5. Parmetros del Sistema
Estacin

GCN

2118703

GN
0,11

y
C

12,73

0,64

2603703

0,08

5,75

0,69

1201703

-0,37

-0,16

0,64

2802716

-3,19

-21,34

1,04

1604702

0,09

26,65

0,05

1605702

-0,73

-0,38

2,92

2614713

-0,36

2,34

0,78

2621704

-0,18

-0,28

0,46

2402705

-0,36

-8,77

0,15

2403707

0,23

2,95

4,24

Con la identificacin de los parmetros

,
y asociados a la serie inicial de caudales se
termina el bloque del modelo asociado al rgimen inicial.
3.2.3

Bloque Asociado al Rgimen Final

El segundo bloque se desarroll por dos caminos de manera que fuera posible explorar en
profundidad la funcin de los parmetros asociados a los ruidos y a las caractersticas de la cuenca
en el funcionamiento global del modelo. El primer camino corresponde al procedimiento que
habra que realizar en el caso general, cuando slo se dispone de la informacin asociada al
rgimen hidrolgico inicial (caudales y precipitaciones) y se desea pronosticar el efecto de un
cambio en el rgimen de precipitacin. El segundo camino corresponde a la verificacin a la que
puede procederse cuando se dispone de informacin hidrolgica (caudales y precipitaciones) en la
que se ha presentado un cambio efectivo de rgimen.
3.2.3.1 Pronstico de los Estadsticos de la Serie Final Utilizando los Parmetros Identificados en la
Serie Inicial
Como muestra el diagrama de flujo, para llevar a cabo la primera etapa del bloque asociado al
rgimen final, es decir, la identificacin de los parmetros del sistema
,
y
, debe
calcularse previamente un valor preliminar de pronstico de la norma de caudales en el rgimen
futuro que permita calcular el parmetro
.
El proceso que lleva a este valor preliminar corresponde a las etapas a, b c y d que se muestran en
el diagrama de flujo y que corresponden al modelo determinista que se explica en el Captulo 2.

35

Modelo Determinista (Etapas b, c y d del Diagrama de Flujo)

La primera etapa del modelo determinista corresponde a la bsqueda de predictores, la cual se
realiz ya como parte del proceso de seleccin de estaciones. Los cdigos de las estaciones
pluviomtricas predictoras aparecen en la Tabla 6.
Tabla 6. Estaciones Pluviomtricas Predictoras
REGIN
Alto Magdalena
Cauca
Caribe
Catatumbo
Medio Cauca
Medio Magdalena

CDIGO ESTACIN
LIMNIGRFICA
2118703

ESTACIN PLUVIOMTRICA
PREDICTORA
2306018

COEFICIENTE DE
CORRELACIN
0,76

2603703

2306020

0,72

1201703

2401061

0,77

2802716

2802716

0,77

1604702

2120566

0,79

1605702

2701077

0,76

2614713

2701077

0,85

2621704

2119035

0,78

2402705

2306512

0,71

2403707

2306018

0,82

Con estos predictores se realiz el proceso de Pronstico preliminar determinista de la norma del
caudal medio anual en el rgimen final, cuya descripcin de present en el Captulo 2. Para cada
una de las parejas serie de caudales / serie de precipitaciones predictora, se realiz la bsqueda de
la combinacin ptima de los parmetros k y asociados al modelo determinista por medio de la
herramienta Solver del programa Microsoft Excel. La configuracin empleada en el Solver para
desarrollar la bsqueda se muestra en la Figura 8.
Figura 8. Configuracin de la Herramienta Utilizada en el Proceso de Pronstico Preliminar
Determinista de la Norma de Caudales

36

Dado que la longitud de las series disponibles es reducida (menos de 30 aos), se presentaron
varias particularidades en el proceso de calibracin del modelo. Normalmente, en el caso general,
es decir cuando se dispone de una pareja de series de caudal / precipitacin en las que no se ha
presentado cambio de rgimen alguno, el proceso deber incluir una calibracin con por lo menos
la mitad de los datos y una validacin con el resto; an trabajando con series tpicas registradas en
nuestro pas, las cuales pueden presentar en promedio una longitud de 30 aos, el procedimiento
puede realizarse de esta forma. Sin embargo, en el caso de las series seleccionadas para
implementar el modelo, los 30 aos o menos- de mediciones fueron divididos en series de
aproximadamente 15 aos correspondientes a cada uno de los regmenes. El modelo determinista
calibrado y validado con una serie de tan solo 15 aos resulta muy poco confiable por lo que se
evaluaron dos opciones:
Opcin 1: Calibrar con la primera mitad de la serie y validar con la segunda mitad
Opcin 2: Calibrar con la totalidad de los datos y no realizar validacin del modelo determinista
La Opcin 1 incluye un proceso de validacin por lo que parece ser la ms adecuada, sin embargo,
debe tenerse en cuenta que seguir la Opcin 2 no implica no realizar validacin alguna ya que el
esquema de trabajo planteado est orientado a validar los resultados del modelo globalmente al
compararlos con los estadsticos reales de las series correspondientes al rgimen final.
Ambas opciones se implementaron, obtenindose los resultados que se muestran en la Tabla 7.
Tabla 7. Resultados del Proceso de Calibracin del Modelo Determinista para el Pronstico
Preliminar de la Norma de Caudales del Rgimen Final
Estacin

Opcin a
Parmetros

Opcin b

Indicador de Desempeo

Calibracin

Parmetros

S/

Validacin

I. Desempeo
S/
Calibracin

2118703

1,30

0,04

0,40

0,74

1,96

-0,16

0,49

2603703

0,99

0,23

0,59

1,22

1,34

0,00

0,69

1201703

0,91

0,51

0,32

0,86

1,19

0,24

0,57

2802716

0,97

-0,02

0,52

0,48

1,46

-0,22

0,51

1604702

18,81

0,00

0,36

0,57

20,11

-0,01

0,34

1605702

0,30

0,36

0,48

0,90

0,27

0,72

0,57

2614713

1,23

0,03

0,44

0,86

1,29

0,03

0,58

2621704

2,00

0,13

0,36

0,51

1,97

0,15

0,44

2402705

5,29

0,04

0,33

1,38

6,74

-0,01

0,59

2403707

0,23

-0,41

0,37

1,17

0,25

-0,52

0,53

37

Como puede apreciarse en la tabla anterior, el indicador de desempeo utilizado fue el criterio del
Centro Hidrometeorolgico de Rusia S/ , que corresponde a la relacin entre el estadstico S y el
estadstico ; en el caso particular en estudio estos estadsticos se definen como sigue:

Ec. 23

Ec. 24
El criterio del Centro Hidrometeorolgico de Rusia establece (Domnguez C., 2007) que la
calibracin de un modelo matemtico es aceptable siempre que S/ < 0.8; dado que la mayor
parte de los valores obtenidos para este ndice son superiores a aqul valor, decidi utilizarse los
pronsticos correspondientes a la opcin b.
Con el modelo calibrado se procedi a calcular el pronstico preliminar de caudal para el rgimen
final en cada una de las cuencas. Los resultados obtenidos se presentan en la Tabla 8.
Tabla 8. Resultados del Modelo Determinista para el Pronstico Preliminar de la Norma de
Caudales del Rgimen Final
Estacin

E(N)

Pronstico Qpr0

R. Inicial

R. Final

(mm)

(mm)

(m /s)

2118703

7,15

6,12

8,41

2603703

5,80

5,76

7,29

1201703

2,27

1,64

2,50

2802716

11,37

10,38

9,90

1604702

2,98

3,15

56,61

1605702

9,76

8,01

2,75

2614713

9,33

7,67

9,82

2621704

2,57

1,72

4,37

2402705

4,11

4,00

25,75

2403707

7,54

6,06

1,24

Los clculos correspondientes a este pronstico preliminar se incluyen en el Anexo 4.

38

Identificacin de los parmetros del sistema

(Etapa 5 del Diagrama de Flujo)

Como se mencion en el Captulo 2, en esta etapa es necesario asumir que la intensidad de ruido
asociado al estmulo exterior sobre el sistema
y la intensidad del ruido cruzado entre este
estmulo y las caractersticas de la cuenca

permanecen constantes; es decir:

En cuanto al valor de pronstico del parmetro asociado a las caractersticas de la cuenca, es decir
, ste se identifica a partir de la expresin:

C pr

1
2
k pr (1 0.25b * CV )
Ec. 25

en la que k es:

k pr

E (Q) pr
E ( N ) pr

Ec. 26
La norma de las precipitaciones del rgimen final E(Q)pr es una de las variables que se desea
pronosticar, sin embargo, como primera aproximacin a su valor definitivo que ser uno de los
resultados finales del modelo- se utiliza el valor de pronstico que result del modelo determinista
descrito en el numeral anterior (ver Tabla 9).

39

Los valores de los parmetros

identificados siguiendo el procedimiento descrito

aparecen en la Tabla 9.
Tabla 9. Parmetros

2118703

12,73

0,72

0,11

2603703

0,08

5,75

0,78

1201703

-0,37

-0,16

0,71

2802716

-3,19

-21,34

1,20

1604702

0,09

26,65

0,05

1605702

-0,73

-0,38

3,02

2614713

-0,36

2,34

0,80

2621704

-0,18

-0,28

0,41

2402705

-0,36

-8,77

0,16

2403707

0,23

2,95

4,83

Clculo de los parmetros de Pearson asociados al rgimen final y de sus momentos y

estadsticos correspondientes (Etapas 6, 7 y 8 del Diagrama de Flujo)
Haciendo uso de las ecuaciones 10, 11 y 15 del Captulo 2 se obtienen los resultados que aparecen
en la Tabla 10.
Tabla 10. Parmetros de Pearson, Momentos Estadsticos, Estadsticos Pronosticados para el
Rgimen Final
Parmetros de Pearson
apr

b0pr

b1pr

Momentos Estadsticos
M1

M2

(m /s)

(m /s)

Estadsticos

M3
2

(m /s)

Qpr
3

Cvpr

Cspr

(m /s)

2118703

8,55

-8,81

0,15

8,40

78,13

781,32

8,40

0,33

-0,11

2603703

7,39

-3,66

0,10

7,29

56,06

450,48

7,29

0,23

-0,12

1201703

2,04

0,11

-0,53

2,57

7,87

27,98

2,57

0,43

0,95

2802716

7,35

8,92

-2,67

10,02

118,10

1633,89

10,02

0,42

1,26

58,39 -243,22

1,72

56,66

3356,36

206178,39

56,66

0,21

-0,29

1604702
1605702

2,53

0,06

-0,24

2,77

8,27

26,53

2,77

0,28

0,62

2614713

9,41

-1,47

-0,45

9,86

103,04

1136,61

9,86

0,25

0,37

2621704

3,99

0,34

-0,45

4,44

21,40

111,28

4,44

0,29

0,70

2402705

23,55

27,05

-2,22

25,77

694,52

19593,42

25,77

0,21

0,81

2403707

1,28

-0,31

0,05

1,23

1,76

2,75

1,23

0,40

-0,19

40

3.2.3.2 Pronstico de los Estadsticos de la Serie Final Utilizando los Parmetros Reales de la Serie
Final
El procedimiento de verificacin es idntico al de pronstico en todas las etapas menos en la de
identificacin de los parmetros
,
y
. En vez de asumir que
y
permanecen iguales y en vez de calcular un valor de
con base en un pronstico preliminar
determinista de la norma de caudales del rgimen final, se procedi a identificar estos tres
parmetros aplicando el procedimiento correspondiente al bloque asociado al rgimen inicial a la
serie de caudales del rgimen final. Los valores obtenidos se muestran en la Tabla 11.
Tabla 11. Parmetros

Identificados en la Serie de Caudales del Rgimen Final

2118703

-0,98

-3,37

0,90

2603703
1201703

-0,04

3,70

0,91

-0,83

-0,35

1,22

2802716

-5,53

-14,25

1,82

1604702

-2,47

-162,58

0,08

1605702

-0,59

0,88

3,36

2614713

-1,00

-1,85

0,88

2621704

-0,01

0,41

0,43

2402705

0,02

8,05

0,16

2403707

-0,69

0,42

5,28

Aplicando estos parmetros al bloque asociado al rgimen final se obtienen los resultados que se
muestran en la Tabla 12.
Tabla 12. Resultados Finales del Procedimiento de Verificacin
Parmetros de Pearson
apr

b0pr

b1pr

Momentos Estadsticos

Estadsticos

l1

l2

l3

Qpr

(m3/s)

(m3/s)2

(m3/s)3

(m3/s)

Cvpr

Cspr

2118703

6,26

1,87

-1,09

7,35

60,12

544,93

7,35

0,34

0,88

2603703

6,31

-2,03

-0,04

6,35

42,63

300,14

6,35

0,24

0,06

1201703

1,00

0,15

-0,68

1,68

3,83

11,20

1,68

0,60

1,36

2802716

4,19

3,92

-3,04

7,23

70,37

880,20

7,23

0,59

1,43

22,66 959,80

-29,11

51,77

3227,99

255688,95

51,77

0,45

2,49

1604702
1605702

2,30

-0,13

-0,17

2,47

6,68

19,51

2,47

0,30

0,46

2614713

8,15

1,05

-1,14

9,30

95,98

1091,87

9,30

0,33

0,74

2621704

3,99

-0,47

-0,02

4,01

16,61

70,93

4,01

0,18

0,04

25,36 -25,45

0,15

25,21

657,27

17658,54

25,21

0,18

-0,06

-0,13

1,21

1,67

2,56

1,21

0,37

0,58

2402705
2403707

1,08

-0,04

41

4. ANLISIS DE RESULTADOS

El anlisis de desempeo del modelo se realiz en dos etapas. En la primera se llev a cabo un
anlisis de sensibilidad de los resultados a variaciones en los parmetros. En la segunda se evalu
el desempeo del modelo para las 10 cuencas de trabajo, comparando los valores de pronstico
de las simulaciones con los estadsticos reales de las series correspondientes al rgimen final.

4.1

EVALUACIN DE DESEMPEO DEL MODELO

4.1.1

Evaluacin de los Estadsticos Obtenidos

Las simulaciones descritas en el Captulo 3 contemplaron dos procedimientos distintos. El primer

procedimiento aqul que corresponde a la situacin general, en la que se desconoce el rgimen
final- consisti en realizar el pronstico de los estadsticos de la serie final utilizando los
parmetros ,
y identificados en la serie inicial. En este caso se asumi que los valores de
y
permanecen idnticos en ambos regmenes. En cuanto al valor de , ste se calcul con
base en un pronstico preliminar determinista de la norma de caudales del rgimen final. El
segundo procedimiento consisti en identificar los valores de los parmetros
,
y con
base en las series del rgimen final y utilizarlos dentro de la simulacin.
A continuacin se presentan los errores obtenidos en los estadsticos finales a travs de cada uno
de los dos procedimientos.
Tabla 133. Evaluacin de Desempeo en el Pronstico de la Norma de Caudales
Estacin

E(Q)inicial E(Q)final
(m3/s)

(m3/s)

Pronosticando Parmetros
Qpr
(m3/s)

Identificando Parmetros

Error

Qpr

Error

(%)

(m3/s)

(%)

2118703

11,12

7,35

8,40

14,30

7,35

0,00

2603703

8,39

6,35

7,29

14,80

6,35

0,00

1201703

3,86

1,68

2,57

52,90

1,68

0,00

2802716

12,41

7,23

10,02

38,51

7,23

0,00

1604702

56,40

51,77

56,66

9,45

51,77

0,00

1605702

3,47

2,47

2,77

11,94

2,47

0,00

2614713

12,26

9,30

9,86

6,04

9,30

0,00

2621704

5,75

4,01

4,44

10,81

4,01

0,00

2402705

27,96

25,21

25,77

2,24

25,21

0,00

2403707

1,75

1,21

1,23

1,37

1,21

0,00

42

Tabla 14. Evaluacin de Desempeo en el Pronstico del Coeficiente de Variacin

Estacin

Cv inicial

Cv final

Pronosticando Parmetros
Cv

Error

Identificando Parmetros
Cv

Error

(%)

(%)

2118703

0,26

0,34

0,33

-2,61

0,34

0,00

2603703

0,21

0,24

0,23

-2,11

0,24

0,00

1201703

0,38

0,60

0,43

-27,08

0,60

0,00

2802716

0,42

0,59

0,42

-28,39

0,59

0,00

1604702

0,22

0,45

0,21

-52,89

0,45

0,00

1605702

0,26

0,30

0,28

-7,63

0,30

0,00

2614713

0,22

0,33

0,25

-26,12

0,33

0,00

2621704

0,24

0,18

0,29

58,74

0,18

0,00

2402705

0,22

0,18

0,21

15,40

0,18

0,00

2403707

0,29

0,37

0,40

10,00

0,37

0,00

Tabla 15. Evaluacin de Desempeo en el Pronstico del Coeficiente de Asimetra

Estacin

Cs inicial

Cs final

Pronosticando Parmetros
Cs

Error

Identificando Parmetros
Cs

Error

(%)

(%)

2118703

-0,12

0,88

-0,11

-112,63

0,88

0,00

2603703

-0,13

0,06

-0,13

-323,23

0,06

0,00

1201703

0,80

1,36

0,95

-30,71

1,36

0,00

2802716

1,16

1,43

1,22

-14,72

1,43

0,00

1604702

-0,29

2,49

-0,29

-111,74

2,49

0,00

1605702

0,56

0,46

0,62

32,98

0,46

0,00

2614713

0,34

0,74

0,37

-49,83

0,74

0,00

2621704

0,56

0,04

0,70

1563,26

0,04

0,00

2402705

0,77

-0,06

0,81

-1384,05

-0,06

0,00

2403707

-0,22

0,58

-0,20

-134,62

0,58

0,00

Como puede apreciarse en las tres tablas, el error fue de 0% en los resultados de las simulaciones
en las que se utilizaron los parmetros
,
y identificados con base en las series del
rgimen final. Esta situacin corresponde bien a lo esperado, habindose realizado estas
simulaciones con el fin de revisar que el modelo estuviera trabajando en forma.
En cuanto a las simulaciones en las que no se utilizaron los datos de las series finales, el primer
aspecto importante a sealar es que la calidad de los pronsticos se va reduciendo con el orden de
los momentos estadsticos involucrados en la variable pronosticada; esto puede apreciarse con
claridad en la Tabla 16.

43

Tabla 16. Clasificacin de los Errores Obtenidos en las Predicciones

E(Q)

Cv

Cs

Porcentaje de casos con un error menor al 5%

20

20

Porcentaje de casos con un error entre 5 y 20%

60

30

Porcentaje de casos con un error mayor al 20%

20

50

100

Como puede apreciarse, se presenta una reduccin en la calidad de los pronsticos al pasar de la
norma de caudales a su coeficiente de variacin. En el primer caso el porcentaje ms alto de
pronsticos se situ en el rango de error entre el 5 y el 20%, mientras que en el segundo el
porcentaje ms alto de pronsticos present un error superior al 20%.
El deterioro de la calidad del pronstico es mucho ms significativo al pasar del coeficiente de
variacin al coeficiente de asimetra, dado que el 100% de los pronsticos de esta ltima variable
present un error de ms del 20%.
Como ya se haba mencionado en el Captulo 2, la mala calidad en los pronsticos del coeficiente
de asimetra est relacionada con la corta longitud de las series de trabajo.
A partir de los datos de las Tablas 13, 14 y 15 se estudi la relacin entre los errores que se
presentan en una variable y los que se presentan en las dems variables. El objetivo en este caso
consisti en encontrar normas del tipo si el pronstico en la norma de caudales es de mala
calidad tambin lo ser el del coeficiente de variacin. Aunque normalmente para este tipo de
anlisis resulta muy til emplear herramientas del tipo rboles de decisin, el limitado nmero de
datos tan solo 10- no permiti su implementacin y debi procederse a un anlisis simplificado
que consisti en asignarle a cada conjunto de datos de cada estadstico una escala de color en
funcin de una clasificacin comparativa de los errores. El resultado de este proceso se muestra
en la Tabla 17.

44

Tabla 17. Anlisis Comparativo de la Calidad de los Resultados Obtenidos para los Diferentes
Estadsticos Pronosticados
Estacin

% de error absoluto
encontrado
en el pronstico de:
E(Q)

2118703

14,3

2603703
1201703
2802716

Cv

Cs

2,6

112,6

14,8

2,1

323,2

52,9

27,1

30,7

38,5

28,4

14,7

1604702

9,5

52,9

111,7

1605702

11,9

7,6

33,0

2614713

6,0

26,1

49,8

2621704

10,8

58,7

1563,3

2402705

2,2

15,4

1384,1

2403707

1,4

10,0

134,6

En la tabla anterior la escala de colores va de rojo para el error ms alto del conjunto a verde para
el error ms bajo.
El anlisis no indica la existencia de una relacin entre la calidad del pronstico los diferentes
estadsticos. Como puede verse, hay cuencas en las que el error obtenido para un estadstico se
puede clasificar como muy alto mientras que el error obtenido para otro estadstico se clasifica
como muy bajo; por ejemplo el caso de la cuenca 1201703, en la que la norma presenta un error
muy alto (rojo), la desviacin estndar un error medio (naranja) y el coeficiente de asimetra un
error muy bajo (verde). El resultado de este anlisis indica que la complejidad del sistema es alta.
Vale la pena subrayar en esta instancia que los errores en el pronstico de la norma de caudales
resultaron todos positivos.
4.1.2

Evaluacin de curvas de densidad de probabilidad

Partiendo de los valores obtenidos para los estadsticos E(Q) y CV en cada cuenca se procedi a
definir la fdp especfica correspondiente a la distribucin del caudal medio anual para cada una de
las cuencas en el rgimen hidrolgico final. La funcin especfica empleada fue la distribucin
gamma, para de esta manera estar de acuerdo con los resultados obtenidos en el Captulo 1. En
estas condiciones, el procedimiento de definicin consisti en establecer los parmetros y r de
cada distribucin siguiendo con las siguientes expresiones ya empleadas anteriormente en el
numeral 1.2.4, que se muestran tambin en la siguiente pgina.

45

E (Q)
S x2

E (Q) 2
S x2

En la Figura 9 se muestran las fdp correspondientes a los caudales observados en el rgimen inicial
y el rgimen final, as como la fdp resultante del pronstico del modelo.

Figura 9. Funciones de Distribucin de Probabilidad de las 10 Cuencas Modeladas

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 2118703

0.20
FDP INICIAL - DATOS OBSERVADOS
FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

p(Q)

0.15
0.10
0.05
0.00
0

10

15

20

25

Q (m3/s)

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 2603703

0.30
FDP INICIAL - DATOS OBSERVADOS
FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

0.25

p(Q)

0.20
0.15
0.10
0.05
0.00
0

10

15

20

Q (m3/s)

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 1201703

0.50

FDP INICIAL - DATOS OBSERVADOS

FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

p(Q)

0.40
0.30
0.20
0.10
0.00
0

6
Q (m3/s)

10

12

46

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 2802716

0.12

FDP INICIAL - DATOS OBSERVADOS

FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

0.10
p(Q)

0.08
0.06
0.04
0.02
0.00
0

10

15

20

25

30

35

Q (m3/s)

p(Q)

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 1604702

0.04
0.04
0.03
0.03
0.02
0.02
0.01
0.01
0.00

FDP INICIAL - DATOS OBSERVADOS

FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

20

40

60

80

100

120

140

Q (m3/s)

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 1605702

0.60
FDP INICIAL - DATOS OBSERVADOS
FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

0.50
p(Q)

0.40
0.30
0.20
0.10
0.00
0

0.20

4
Q (m3/s)

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 2614713

FDP INICIAL - DATOS OBSERVADOS
FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

0.15
p(Q)

0.10
0.05
0.00
0

10

15

20

25

30

Q (m3/s)

47

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 2621704

0.60
FDP INICIAL - DATOS OBSERVADOS
FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

0.50
p(Q)

0.40
0.30
0.20
0.10
0.00
0

10

12

Q (m3/s)

0.10

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 2402705

FDP INICIAL - DATOS OBBSERVADOS
FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

p(Q)

0.08
0.06
0.04
0.02
0.00
0

10

20

30
Q (m3/s)

40

50

60

DISTRIBUCIONES DE PROBABILIDAD DE LA ESTACIN 2403707

1.00
FDP INICIAL - DATOS OBSERVADOS
FDP FINAL - DATOS OBSERVADOS
FDP FINAL - SIMULACIN

p(Q)

0.80
0.60
0.40
0.20
0.00
0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

Q (m3/s)

Tras una primera evaluacin visual de esta figura es fcil identificar 4 cuencas en las que la curva
simulada es muy similar a la curva correspondiente al rgimen final; los cdigos de estas cuencas
son: 2118703, 1605702, 2402705 y 2403707. En el resto de cuencas la curva simulada parece
corresponder a un estado intermedio en la evolucin de la curva del rgimen inicial al rgimen
final. Una excepcin a esta afirmacin corresponde a la cuenca con cdigo 1604703, en la que la
curva asociada a la simulacin difiere notoriamente de aquella correspondiente al rgimen final,
siendo ms bien prcticamente idntica a la curva del rgimen inicial.

48

La evaluacin visual, aunque muy til para formarse una idea de la calidad de los resultados, es
insuficiente a la hora de evaluar objetivamente los resultados, se procedi entonces a elaborar
pruebas de bondad de ajuste entre la curva simulada y la curva correspondiente al rgimen final
en cada una de las cuencas. El procedimiento realizado es el mismo a aqul que se emple en el
Captulo 1, salvo que en este caso las dos series evaluadas se construyeron con base en sus
correspondientes fdp gamma. Los resultados obtenidos para las 3 pruebas realizadas
Kolmogorov, Chi Cuadrado y Omega Cuadrado- se muestran en la Tabla 18.

Tabla 18. Resultados de las Pruebas de Bondad de Ajuste entre Curvas Elaboradas con Datos
Observados y Curvas Resultantes de las Simulaciones (nivel de confianza de 0.1)
Cuenca

Prueba

Estadstico

Kolmogorov
2118703

Chi Cuadrado
Omega Cuadrado
Chi Cuadrado
Omega Cuadrado
Chi Cuadrado
Omega Cuadrado

0,9

0,4

Rechazada

26,0

Aceptada

0,3

0,3

Aceptada

1,2

0,1

Rechazada

61,6

26,0

Rechazada

0,6

0,3

Rechazada

1,9

0,0

Rechazada

305,2

23,5

Rechazada

1,1

0,3

Rechazada

2
0

Kolmogorov
2802716

Chi Cuadrado
Omega Cuadrado

1,6

0,0

Rechazada

194,8

23,5

Rechazada

0,9

0,3

Rechazada

1,5

0,0

Rechazada

2005,3

26,0

Rechazada

0,7

0,3

Rechazada

Kolmogorov
1604702

Chi Cuadrado
Omega Cuadrado

2
0

Kolmogorov
1605702

Chi Cuadrado
Omega Cuadrado

0,8

0,5

Rechazada

22,9

23,5

Aceptada

0,3

0,3

Aceptada

Kolmogorov
2614713

Chi Cuadrado
Omega Cuadrado

0,8

0,5

Rechazada

46,4

29,6

Rechazada

0,2

0,3

Aceptada

1,2

0,1

Rechazada

19,6

26,0

Aceptada

0,5

0,3

Rechazada

Kolmogorov
2621704

Chi Cuadrado
Omega Cuadrado

Kolmogorov
2402705

Chi Cuadrado
Omega Cuadrado

0,3

1,0

Aceptada

1,3

21,1

Aceptada

0,1

0,3

Aceptada

Kolmogorov
2403707

Chi Cuadrado
Omega Cuadrado

Resultado de la
Prueba

24,4

Kolmogorov
1201703

Valor Crtico

Kolmogorov
2603703

Valor
Obtenido

0,3

1,0

Aceptada

0,1

0,3

Aceptada

0,3

1,0

Aceptada

49

Como puede apreciarse, de acuerdo a la prueba de Kolmogorov tan solo en dos cuencas fue
aceptada la hiptesis de que la fdp resultante del proceso de modelacin se ajusta a la fdp
correspondiente a los datos observados; en cuanto a las pruebas Chi Cuadrado y Omega
Cuadrado, para cada una de ellas esta misma hiptesis fue aceptada en 5 oportunidades.
En 2 cuencas, la 2402705 y la 2403707 fue aceptada la hiptesis de que la fdp simulada se ajusta a
la fdp en las 3 pruebas. En las cuencas 2118703 y 1605702 fue aceptada la hiptesis siguiendo dos
pruebas, mientras que en las cuencas 2614713 y 2621704 la hiptesis fue aceptada en solo una de
las 3 pruebas. La hiptesis no fue aceptada en ninguna de las pruebas para 4 cuencas: 2603703,
1201703, 2802716 y 1604702.
4.2

ANLISIS DE SENSIBILIDAD

El anlisis de sensibilidad se encamin a evaluar el efecto que sobre los estadsticos pronosticados
del rgimen final tiene un error en la definicin de los parmetros del sistema
,
y . Se
recuerda que en las condiciones normales de modelacin es necesario asumir que los valores de
y
no cambian entre el rgimen inicial y el rgimen final y que para definir el valor del
parmetro
correspondiente al rgimen final es necesario realizar una prediccin preliminar
determinista de la norma de caudales asociada a dicho rgimen.
Puesto que se trata de un sistema complejo, no existe una relacin simple y nica entre cada
parmetro y cada estadstico sino que la relacin depende de los valores de los otros parmetros.
Con esto se quiere indicar que una relacin del tipo un error del E1% en la estimacin del
parmetro A implica un error del E2% en la estimacin del estadstico B es improbable, pudiendo
esperarse ms bien relaciones del tipo cuando se incurra en un error del E1% en el parmetro A y
del E2% en el parmetro B se producir un error de E3% en el estadstico C.
Teniendo esto en consideracin -y buscando adems una aproximacin visual que permita
entender intuitivamente las relaciones entre parmetros y variables de salida-, el anlisis de
sensibilidad se realiz construyendo superficies que relacionan el error de estimacin de dos
parmetros con el error de pronstico de un estadstico.

50

4.2.1

Efectos del Error en los parmetros correspondientes a las intensidades de ruido

Se produjeron tres superficies, una para cada variable de salida.

% Error en E(Q)

Figura 10. Efecto sobre el Pronstico de la Norma de Caudales del error en la Estimacin de los
Parmetros
y

% Error en GN
% Error en GCN

Esta superficie, para la construccin de la cual se realizaron una serie de simulaciones en las que se
fueron introduciendo errores en las intensidades de los ruidos
y
dejando constante el
valor del tercer parmetro ( ), es la nica de todas las que se incluyen en este anlisis que
muestra una relacin directa. Como puede apreciarse en la figura, el error en el pronstico de la
norma de caudales es independiente del error en la intensidad de ruido
, mientras que la
relacin entre el porcentaje de error en la definicin de la intensidad de ruido
y el error en la
estimacin de la norma de caudales es de directa proporcionalidad. El efecto del error en la
definicin de la intensidad de ruido
es sin embargo leve ya que un error de 100% en este
parmetro no lleva ms que a un error de aproximadamente 6% en la variable de salida.

51

% Error en CV

Figura 11. Efecto sobre el Pronstico de Cv del error en la Estimacin de los Parmetros

% Error en GCN

% Error en GN

Esta superficie muestra cmo la relacin entre

forma, deja en evidencia que la relacin entre

y Cv depende del valor de

y Cv depende del valor de .

y, de la misma

En efecto, comparando por ejemplo la interseccin de la superficie con los planos definidos por
errores de -100 y de 100% en , se concluye que en el primer caso la relacin entre
y Cv es
prcticamente de proporcionalidad inversa mientras que en el segundo caso la relacin tiene una
forma potencial descendente. Un anlisis del mismo tipo tomando la interseccin de la superficie
con los planos correspondientes a errores de -100 y de 100% en
arroja conclusiones similares
para la relacin entre el error de
y el de Cv.
Es claro tambin que los parmetros
pronstico de Cv que en el de E(Q).

tienen un efecto mucho ms importante en el

52

% Error en CS

Figura 12. Efecto sobre el Pronstico de Cs del error en la Estimacin de los Parmetros

% Error en GCN
% Error en GN

El error en
es mucho menos determinante en el error de Cs que el error en
. Cuando el
error en
es del 100%, el error en Cs es siempre de -100% independientemente del valor de
; cuando el valor del error en
es de -100% un cambio en el error de
de -100 a 100% tan
solo provoca una cambio en el error de Cs de 40 a 60% aprox. La importancia de
en el
pronstico de Cs es grande, pasando por ejemplo el error en este ltimo de -100% a 40% cuando
el error en Gcn pasa de 100 a -100%.
4.2.2

Efecto del Error en el Parmetro

Para evaluar el efecto del parmetro en conjunto con los otros parmetros se construyeron 4
superficies. Para cada una de ellas, el parmetro que no queda incluido en la figura se dej
constante en su valor efectivo identificado en la serie registrada.

53

% Error en E(Q)

Figura 13. Efecto sobre el Pronstico de E(Q) del error en la Estimacin de los Parmetros

% Error en C

% Error en GCN

El efecto del error en la estimacin del parmetro

sobre el pronstico de E(Q) es
prcticamente despreciable en comparacin con el efecto del error en . Un error de
aproximadamente 20% en la estimacin de lleva a valores de error de cerca de 200% en el
pronstico de E(Q). Esto deja en claro lo importante que es desarrollar un modelo determinista
acertado para el pronstico preliminar de la norma de caudales Qpr det.
y

% Error en CV

Figura 14. Efecto sobre el Pronstico de Cv del error en la Estimacin de los Parmetros

% Error en GCN

% Error en C

54

Como muestra la figura, el parmetro

es determinante en el pronstico del coeficiente Cv en
todo el rango evaluado, sin embargo, el efecto del
en el pronstico parece disminuir para
valores negativos del error en
.
y

% Error en CS

Figura 15. Efecto sobre el Pronstico de Cs del error en la Estimacin de los Parmetros

% Error en GCN

El efecto del parmetro

.

% Error en C

en el pronstico de Cs es reducido comparado con el del parmetro

% Error en CV

Figura 16 Efecto sobre el Pronstico de Cv del error en la Estimacin de los Parmetros

% Error en C
% Error en GN

55

Este es el caso ms claro de interdependencia en las relaciones. Ntese cmo cambia la relacin
entre el error de y el de Cv cuando el error de
pasa de 100 a -100%, y cmo sucede algo
semejante para la relacin entre
y Cv cuando el error de pasa de 100 a -100%.
Los resultados esenciales del anlisis de sensibilidad son las superficies en s mismas, sin embargo,
es posible enunciar los siguientes principios generales que se desprenden de su anlisis:
(1) El parmetro al que el pronstico de la norma de caudales es ms sensible es .
(2) Los tres parmetros
,
y
tienen un nivel de importancia semejante en el
pronstico del coeficiente de variacin
(3) El parmetro al que el pronstico del coeficiente de asimetra es ms sensible es
.

56

5. CONCLUSIONES

En este captulo se presentan primero las conclusiones generales sobre el modelo, despus las
conclusiones sobre la validacin realizada, y despus se mencionan las ventajas que puede
presentar este mtodo sobre otros comparables y se sealan las direcciones en las que podran
desarrollarse futuras investigaciones.

5.1

CONCLUSIONES GENERALES SOBRE EL MODELO EMPLEADO

El modelo planteado permite pronosticar cambios en el rgimen hidrolgico a partir de un cambio

climtico de un rgimen estacionario a otro rgimen estacionario. Para representar el rgimen
hidrolgico este modelo utiliza tres estadsticos de la distribucin de caudales medios anuales: el
valor esperado, el coeficiente de variacin y el coeficiente de asimetra; para representar el
cambio climtico se utilizan las normas de precipitacin anual tanto del rgimen inicial como del
rgimen futuro.
El ncleo operativo del modelo es la ecuacin de Fokker Planck Kolmogorov en su versin
pseudo-estacionaria, que puede transformarse en la ecuacin diferencial que representa las
curvas de Pearson. En estas condiciones, es posible relacionar los estadsticos de la distribucin
con las propiedades del sistema lluvia escorrenta, que quedan representados en 3 parmetros
esenciales. Dos de estos parmetros vienen asociados a la aleatoriedad del sistema: la intensidad
en el ruido blanco asociado al estmulo sobre la cuenca
y la intensidad del ruido blanco cruzado
entre el estmulo sobre la cuenca y las caractersticas de sta
. El tercer parmetro est
asociado al componente no aleatorio de las caractersticas de la cuenca .
5.2

CONCLUSIONES SOBRE VALIDACIN

Basndose en los resultados obtenidos para una muestra de 10 cuencas distribuidas en el

territorio de Colombia en las que se detectaron cambios de rgimen, el desempeo del modelo
bajo la suposicin de intensidades de ruido invariante debe calificarse como irregular en el caso de
los pronsticos del valor esperado del caudal medio anual y de su correspondiente coeficiente de
variacin, y como deficiente en el pronstico de su coeficiente de asimetra.
En el 20% de los casos estudiados el pronstico del valor esperado del caudal present un error
menor al 5%; 60% de los casos presentaron un error entre 5 y 20% y el 20% restante present un
error de ms del 20%.

57

Los porcentajes de error resultaron un poco ms altos en el pronstico del coeficiente de

variacin: 20% de los casos presentaron un error menor al 5%, 30% presentaron un error de entre
el 5 y el 20%, y el 50% restante present un error de ms del 50%.
En lo que respecta el pronstico del coeficiente de asimetra, todos los casos evaluados
presentaron un porcentaje de error de ms del 20%.
Adems de evaluarse los porcentajes de error de los estadsticos, se procedi tambin a construir
las funciones de distribucin de probabilidad asociadas a los estadsticos encontrados y a evaluar
qu tan bien se ajustaban stas a las funciones de probabilidad ajustadas con base en las series
efectivamente observadas. Tras realizar 3 pruebas de bondad de ajuste sobre los resultados de
cada cuenca se concluy que slo en dos cuencas fue aceptada plenamente esto quiere decir
segn las 3 pruebas- la hiptesis de que los estadsticos obtenidos por simulacin provienen de la
misma distribucin observada del rgimen final; en dos cuencas la hiptesis fue aceptada de
acuerdo a dos pruebas, en otras dos fue aceptada en una sola prueba y en 4 cuencas la hiptesis
fue rechazada en las 3 pruebas.
Viabilidad de la Aplicacin del Modelo
Dada la irregularidad de los resultados en la prediccin del valor esperado de la norma de caudales
y del coeficiente de variacin, puede concluirse que, al aplicar el modelo en cualquier cuenca bajo
la suposicin de intensidades de ruido invariantes, se obtendr una distribucin de probabilidad
que estar ms cerca a la distribucin final de lo que est la distribucin original; en la mayor parte
de los casos evaluados se observ que la distribucin simulada corresponde a un estado
intermedio de la transformacin que llevara de la distribucin inicial a la distribucin final. Sin
embargo, no se puede tener certeza de qu tan aproximada ser la distribucin simulada a la que
efectivamente podr obtenerse tras el cambio climtico pues los resultados presentaron una alta
variabilidad.
En lo que respecta el pronstico del coeficiente de asimetra, es claro que el modelo no es
confiable. Sin embargo, esto puede deberse a la escasa longitud de las series de caudales
utilizadas. De aplicarse el modelo a series mensuales es posible que se obtengan mejores
resultados para este coeficiente.
5.3

VENTAJAS SOBRE OTROS ESQUEMAS DE FORMULACIN DE ESCENARIOS HIDROLGICOS

El modelo planteado no requiere de procesos de regresin entre series de un Modelo de Clima

Global y la serie de trabajo, lo que representa una ventaja operativa con respecto al Mtodo de
Reduccin de Escala por Regresin cuya descripcin general se incluye en el Captulo 2. Tambin
aventaja desde el punto de vista operativo al Mtodo de Reduccin de Escala mediante

58

Generacin Estocstica de Clima descrito en ese mismo captulo, pues no requiere de simulaciones
continuas de largos periodos para predecir los estadsticos finales.
En general, es importante subrayar la facilidad de implementacin del modelo, que puede
desarrollarse en una hoja de clculo convencional.
5.4

DIRECCIONES EN LAS QUE PODRA CONTINUARSE LA INVESTIGACIN

El sistema que se pretende simular es un sistema complejo en el que los parmetros cambian en el
proceso. Los parmetros que pueden identificarse tras realizar un proceso de calibracin a partir
de datos observados no son los mismos que aquellos que caracterizan el sistema en el estado final
cuyas variables se quieren pronosticar. Esta es una caracterstica compartida de este modelo con
los mtodos de Reduccin de Escala mencionados ms arriba y con cualquier mtodo que
pretenda simular un cambio climtico.
La precisin del modelo depende fundamentalmente de la estimacin de estos parmetros finales
-que en este caso son
,
y asociados al rgimen final-. El estudio del cambio de estos
parmetros por efecto del cambio climtico es de importancia capital en el desarrollo del modelo.
En presente estudio se tomaron 10 casos de cambio climtico observado en cuencas de Colombia,
sin embargo, no es sta una muestra significativa para sacar conclusiones definitivas sobre el
comportamiento de estos parmetros. Una primera direccin de investigacin consistir entonces
en realizar el ejercicio que se describe en este documento en una muestra ms copiosa de cuencas
en las que se hayan presentado cambios de rgimen. Se recuerda que estos cambios de rgimen
corresponden a cambios locales, y que fueron identificados haciendo uso de curvas de diferencias
integrales.
Otra direccin importante de investigacin consistir en realizar una evaluacin comparativa de
este mtodo con los mtodos de reduccin de escala mencionados, lo que permitira identificar de
manera ms precisa las ventajas y desventajas de cada mtodo y, eventualmente, comprender
mejor el fenmeno.

59

BIBLIOGRAFA
Alarcn, e. a. (2001). Primera Comunicacin Nacional ante la Convencin Marco de las Naciones
Unidas sobre el Cambio Climtico. Bogot: IDEAM-MA-PNUD.
C. Haan, T. (1977). Statistical Methods in Hydrology. Iowa: Iowa State University Press.
Carpenter Theresa M., G. K. (2001). Assessment of Folsom lake response to historical and potential
future climate scenarios: 1. Forecasting. Journal of Hydrology, 249 , 148-175.
Chevotariov, A. R. (1974). Statistical Methods in Hidrology. Leningrad.
Dibike Yonas B., C. P. (2005). Hydrologic impact of climate change in the Saguenay watershed:
comparison of downscaling methods and hydrologic models. Journal of Hydrology, 307 , 145-163.
Domnguez C., E. (2007). Modelacin de Procesos Hidrolgicos, Notas de Clase. Maestra en
Hidrosistemas. Pontificia Universidad Javeriana. Bogot.
Domnguez Calle, E. A. (2007). Hydrological scenarios modelling for climate change conditions
using the Fokker-Planck-Kolmogorov equation. IAHS , 309.
Dominguez E., I. Y. (2005). Un modelo estocstico para la evaluacin hidrolgica en alta montaa,
bajo condiciones de cambio climtico (caso estudio - pramo de Las Hermosas). Memorias de la
Primera Conferencia Internacional de Cambio Climtico: Impacto en Sistemas de Alta Montaa,
(pgs. 17-30). Bogot.
Druzhinin I.P., K. Z. (1969). Escorrenta fluvial y procesos geofsicos, 259 p. Mosc: Nauka.
Figueroa Ren L., V. X. (2008). Efectos del Cambio Climtico en la Disponibilidad de Recursos
Hdricos en la Cuenca del Ro Pangal. XXIII Congreso Latinoamricano de Hidrulica. Cartagena de
Indias, Colombia.
Hazen, A. (1914). The Storage to be Provided in Impounding Reservoir for Municipal Water Supply.
Trans. Am. Soc. C.E, 77 , 1539-1640.
IDEAM. (2007). Protocolo para el Monitoreo y Seguimiento del Agua. Bogot: Imprenta Nacional
de Colombia.
IPCC. (1995). Impacts, Adaptations and Mitigation of Climate Change:. Cambridge University Press,
, 878.
Ivanova Yulia, C. J. (2006). Evaluacin de la Sensibilidad de Caudales Mximos de Diseo ante la
Influencia del Cambio Climtico. Avances en Recursos hidrulicos, 13 , 89-98.
Ivanova, Y. (2006). Aplicacin de la Ecuacin de Fokker - Planck - Kolmogorov para la Evaluacin
del Riesgo Hidrolgico de Puentes. Bogot: Universidad Militar Nueva Granada; Grupo de
Investigacin Colombia Hdrica.
60

Kartvelishvili, N. (1958). A Contribution to the Theory of Long-term Regulation of Streamflow.

Izvestiya VNIIG.
Kovalenko, V. (1993). Modelirovanie Guidrologuicheskij Protsessov. Guidrometeoizdat, Saint
Petersburg, Russia .
REAL ACADEMIA ESPAOLA. (Octubre de 2001). Diccionario de la Lengua Espaola, Vigsima
Seguna Edicin. Recuperado el Noviembre de 2008, de http://www.rae.es
Refsgaard J. C., H. J. (2004). Modelling Guidelines-Terminology and Guiding Principles. Advances in
Water Ressources, Vol. 27 , 71-82.
Semenov, M. B. (2002). LARS-WG: a stochastic weather generator for use in climate impact
studies, Version 3.0, user manual.
UNESCO. (1992). Glosario Hidrolgico Internacional.
Ven Te Chow, e. A. (1994). Captulo 11. Estadstica Hidrolgica. En D. R. Ven Te Chow, Hidrologa
Aplicada (pg. 361). Bogot: Mc Graw Hill.
Wilby, R. D. (2007). SDSMa decision support tool for the assessment of regional climate change
impacts. Environmental Modelling and Software, 17 , 147-159.

61