Privacy Policy: Save Accept All

This website stores data such as
cookies to enable essential site

functionality, as well as marketing,
personalization, and analytics. You
may change your settings at any time
or accept the default settings.
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

This website stores data such as HIDROLOG IA ESTOCASTICA

HIDROLOGIA ESTOCASTICA
may change LINSLEY (1975)
your settings at any time
Privacy Policy
Marketing
ESTADISTICA ALEATORIO
Personalization
Analytics
SERIES DE TIEMPO-PARCIALMENTE
TIEMPO-PARCIALMENTE
Save HIDROLOGIA
Accept All ALEATORIAS

HIDROLOGIA HIDROLOGIA HIDROLOGIA

DETERMINISTICA PROBABILISTICA ESTOCASTICA
VARIABILIDAD EN EL NO LE INTERESA EL SECUENCIA EN EL
TIEMPO TIEMPO TIEMPO
PROBALIDAD DE UN
OTRAS
VARIABLES-
Privacy Policy EVENTO
MODELO APROPIADO
Marketing
Personalization
Analytics IGUALADO EXCEDIDO
Save Accept All

PROCESO ESTOCAS
ESTOCASTICO
TICO PROCESO PROBABILISTICO
DEPENDENCIA DEL TIEMPO INDEPENDIENTE
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

SENTIDO Y BASE PRINCIPAL DE LA HIDROLOGIA ESTOCASTICA

functionality, as well as marketing, DISEÑO
personalization, and analytics.
SENTIDOYou
DECISIONES DE TIPO
OPERACIONAL
Privacy Policy
Marketing
Personalization COMO TRABAJA UNA

DISEÑO INGENIERO
Analytics OBRA
Save Accept All

SUPONE QUE LOS EVENTOS EVENTOS
HIDROLOGICOS
DEL FUTURO MISMAS FUTUROS
PROPIEDADES ESTOCAS
ESTOCASTICAS
TICAS FUTUROS
BASE PRINCIPAL DE LA HIDROLOGIA

ESTOCASTICA EVENTO EQUIPROBABLES
may change your settings at any time PROPIEDADES ESTADISTICAS
SIMILARES
Privacy Policy
Marketing REGISTROS
CICLO ANUAL CONFIABILIDAD
Personalization LARGOS
DISEÑO DE EMBALSES
Analytics
Save Accept All

CAUDALES MINIMOS CICLO MULTIANUAL REGISTROS
CORTOS
CORTOS
MODELAMIENTO ESTOCASTICO
SALAS (2000)
MODELAMIENTO
MODELAMIENT
cookies to O site
enable essential ESTOCASTICO
ESTOCASTICO SAMS STOCHASTIC ANAL
AN ALYSIS
YSIS
functionality, as well as marketing, MODELING AND SIMULATION
MODELOS ANUALES MODELOS ESTACIONALES
Privacy Policy
Marketing
-Modelo Univariado Autorregresivo de Medias Móviles, -Modelo Univariado Periódico Autorregresivo de Medias ---
Personalization
ARMA (p,q); Móviles, PARMA (p,q);
-Modelo Univariado Autorregresivos Gamma,
Gamma, GAR (1); -Modelo Multivariado de Desagregación Estacional;
Analytics
-Modelo Multivariado Autorregresivo,
Autorregresivo, MAR (p) -Modelo Multivariado Periódico Autorregresivo,
Autorregresivo, MP
MPAR
AR (p)
-Modelo Contemporáneo Autorregresivo de Medias
Móviles,Save
CARMA -Modelo Multivariado
Multivariado de Desagregación
Desagregación Estacional.
Accept All

MODELAMIENTO ESTOCASTICO
ARMA PARMA
functionality,Series
as welltiempo
as marketing,
anuales Series tiempo mensuales
• Donde la media, varianza, y la estructura de

Privacy Policy no dependen del tiempo.
correlación • Toma en cuanta correlaciones interestacionales.
• Pueden reproducirse por modelo estacionario ARMA. • Generalmente se exhiben en series de tiempo
•
Marketing
Estandarizando de los promedios de las series hidrológica como caudales mensuales.
Personalization
estacionales subyacentes.
Analytics
Save Accept All

Modelo Estocást
Estocástico
ico o Modelo de Serie de T
Tiempo.
iempo.
PROCESO ESTOC
ESTOCASTICO
ASTICO

Corresponde a una serie en que X1,
functionality, as well as marketing, • Caudales
x2, … son variables aleatorias que
personalization, and analytics. You • Precipitaciones
may change yourcambian
settings aten
anyeltime
tiempo.
Privacy Policy
Para el Análisis Estocástico se • Estacionalidad
Marketing
tienen 2 Hipótesis • Heroicidad
Personalization
Analytics
Save Accept All

Prin
rincip
cipal
al fin
finali
alidad
dad de los Modelos
Modelos • Generación sintética
Estocásticos
Distribución de probabilidad en un instante

La media y la
la varianza,
varianza, si existen,
existen, no
de tiempo fijo o una posición fija es la
varían
misma para todos los instantes de tiempo o a lo largo
largo del tiempo o la posición
posición..
This website stores dataposiciones
such as
Distribución de probabilidad
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Distribución de acumulados

Modelo estocástico

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Modelación estocástica

Estacionareidad: Que las propiedades estadísticas no varíen con el tiempo
You el promedio, varianza y covarianza sean iguales
personalization, and analytics.…que para
may change your settings at any time diferentes subgrupos de la serie histórica.
determinar subconjuntos de la
Privacy Policy
serie original y comparar
Marketing estadísticos
Personalization
Analytics
Save Accept All

FASES GENERALES
Según SALAS ET.AL 1980

1. Identificación de la De qué manera se hará
may changecomposición
your settings atdel
anymodelo
time
la modelación?… modelo
or accept the default settings. Univariado
Univariado o Multivari
Multivariado
ado
Privacy Policy
Analizar las características 2. Selección
Selección del Tipo
Tipo de
Marketing
estadísticas de la muestra, Modelo
Personalization
observar la ACF y la PACF
Analytics
Save Accept All

3. Identificación de Determinar la cantidad de
la For
Forma
ma del Mode
Modelo
lo parámetros del modelo

FASES GENERALES
Según SALAS ET.AL 1980

personalization,4.and
Estimación de los
analytics. You
may changeparáme
> 2·
2·Er
Erro
rorr Est
Están
ánda
darr
parámetrostros del
your settings modelo.
at any time
Privacy Policy
Verificar Normalidad e Independencia

Marketing 5. Verificación de la bondad
de los Residuos
Personalization
de ajuste del modelo.
Analytics
Save Accept All

FASES GENERALES
Según BOX ET.AL 1994

functionality, as well astransformaciones
1. Realizar marketing,
personalization, anddatos
a los analytics. You
originales.
2. Identificar el Modelo a
Privacy Policy utilizar
Marketing
3. Estimar los parámetros
Personalization
usando
de la primera
datos colección
o conjunto de
Analytics
entrenamiento
5. Validar el Modelo usando
Save Accept All una segunda colección de
datos o conjunto de
validación
FASES GENERALES
En general, la literatura especializada coincide en sugerir 3 etapas básicas p

para
ara la modelación estocástica
may change1. Identificación deltime
your settings at any Modelo
Privacy Policy
Marketing 2. Estimación de Parámetros

Personalization
Analytics
Save Accept All

3. Verificación del Modelo

RESIDUO = RUIDO BLANCO

cookies to enablecorresponde
El residuo essential site a la diferencia entre el valor
real y el valor estimado:
Se busca que la distribución de

Privacy Policy los resi
residuos
duos siga
siga una
Marketing
Personalization
La Incertidumbre de un proceso estocástico Se busca minimizar
Analytics
se mide a trav
través
és de la varianza
varianza del error
error (o
residuo) la varianza del error
Save Accept All
CRITERIO DE INFORMACIO AKAIKE
MJOR MODELO MENOR AIC

PARSIMONIA
ThisUn modelo
website es data
stores parsimonioso,
such as cuando el número de parámetros (p+q+d) es el mínimo posible,
que garantiza
cookies to enable essential site una baja incertidumbre (varianza del ruido blanco)
Salas et. al, 1980, propone:
Privacy Policy
Marketing Donde: N = tamaño muestra

Personalization
k = número de parám
parámetros
etros con
considera
siderado
do
Analytics
Save Accept All

FUNCIÓN DE AUTOCORRELACIÓN

En to
cookies genera
general
enablel essential
define lasiterelaci
relación
ón existe
existente
nte entr
entre
e 2 grupo
gruposs de vari
variables
ables
may Box et.your
change al, 1994,
settingssugiere:
at any time
Auto Policy
Privacy correlación
de orden k
Marketing
Personalization
Box Analytics
et. al 1994. indica
Save Para oAccept

btenerAlluna estimación útil de la función de autocorrelación,
se necesi
sitta al meno
noss 50 observacione
ness de la se
serrie, y las aut
utoocorrelacione
ness
…
calculadas para k=0,1,2, k, donde k no necesita ser mayor a N/4 para
obtener inform
información
ación relev
relevante
ante
Periodicidad en la media y
Desviación Estándar
cookies to enable essential
 Periodicidad: site
Características
Estadísticas cambian periódicamente por el año. (Media, Desviación
Estándar Asimetría)
may La atenuación
 change deatlaany
your settings periodicidad
time debido a factores (almacenamiento de agua, calor de medio
ambiente, etc) producen su dependencia en el tiempo.
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Estación Angasmayo
Caudales Medios Mensuales Históricos Consistenciados
Completados y Extendido
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Función de AutoCorrelacion
 Para
cookies representar
to enable la estructura
essential site de dependencia en el tiempo de la componente
estocástica
Privacy Policy
Marketing
Personalization
• La función
Analytics de autocorrelación es definida como la expresión matemát matemática
ica que
describe analíticamente
analíticamente a las secuencias de valores continuos del coeficiente de
serialAll(r t ) ó valores discretos (r k), y es usada para determinar la
correlaciónAccept
Save
dependenciaa entre los valores sucesivos de una serie.
dependenci


 Análisis de correlación es definido como la asociación de dos o más variables aleatorias en el cual,
solamente una
involucradas enparte de la variación
la ecuación total de
de asociación, una variable
va riable
a diferencia delesanálisis
explicada por la variación de otras variables
de regresión.
Privacy Policy
 El coeficiente de correlación (r) como el parámetro que mide el grado de asociación (o de correlación)
Marketing
existente entre las variables consideradas en el modelo, este coeficiente mide la intensidad de asociación
entre dos características de un distribución divariada.
Personalization
Analytics
Save Accept All

Características del Coeficiente de

Correlación
may change your settings at
Los coeficientes sonany time
números abstractos
 El valor de este coeficiente esta -1≤r≤1. El signo depende del signo de la suma de productos
 Si el coeficiente es positivo, las característica estudiada varia en un mismo sentido, en caso
Privacy Policy
contrario varían en sentido opuesto.
Marketing
 La relación es mas estrecha a mas cercano sea a ±1, siendo perfecta al alcanzar dichos valores. No
Personalization
hay relación si es cero.
 rAnalytics
es independiente al tamaño de las muestras tomadas.
Save Accept All


El retardo, k, es sinónimo de desfase en
 to enable essential site
cookies e n el tiempo, pudiendo k ser
igual a 1, 2, 3, etc.
 El Correlograma, es una funcion de r y k. El limite
or accept the default settings. limite de confianza
confianza para
un 0.95 de nivel de probabilidad es:
Privacy Policy
Marketing
Personalization
Analytics
Save
•
Accept Allde los limites de confianza y es mayor a «0.9 m» («m» es
Si r cae dentro
el 15% del tamaño total de la serie) se considera como independiente

Coeficientes de Correlación
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Correlograma
Privacy Policy
Marketing
Personalization
Analytics
• Retardo 1-3 • Retardo 4-6
• muestran que
Save la mayoría
Accept All de los 12 puntos • La totalidad de puntos de las curvas se
de cada curva se encuentra fuera de las encuentran al dentro de los límites de
bandas de los límites de confianza (menos confianza, y denota la independencia de
de 5 al interior),
la existencia de lalodependencia
que sería indicativo de
de la serie la serie,de
modelo pordependencia
lo que no es necesario un
Normalidad de las series de caudales

medios mensuales
 Consiste en transformar la serie de manera que sea lo mas
simé
simétr
tric
icaa po
posib
sible
le,, t 0
or accept the default settings. →
Privacy Policy
g
Marketing
Personalization
Dónde:
Analytics
YSave
v,t= SerieAccept
de tiempo
All
estacional
ν = Representa los años; ν = 1,…,N;
τ = Estaciones; τ = 1,…,ω,
ω = Número de estaciones.
Prueba de Normalidad
Si la serie viene de una distribución normal
 to enable essential site
cookies
N = Tamaño
Tamaño mue
muestral
stral
Privacy X = La desviación estándar de la población, y si la
Policy
serie es simétrica, implica que X ≈ 0, por lo que:
Marketing
Personalization
Los límites de probabilidad en el sesgo están definidos por la siguiente
Analytics
expresión
Save Accept All
Es el 1-α/2 de la distribución
normal estándar
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All


Transformación de las Series
 Los test de normalidad indiquen queen
lasnormales
series observadas no están
datos tienen que ser transformados antes de aplicar losnormalmente
modelos. distribuidas, los
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All
Donde «a» es el coeficiente de transformación

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All


Estadísticos
Transformadas
cookies
 Sean de las
to enable essential
la media,
estándar
estándar, Series
site
desviación
, coeficientes
de asimetría y variación, máximos y mínimos
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Los pasos a seguir para el modelamiento estocástico de las

la s series de caudales
medios mensuales y generación
sintética con el SAMS, son los siguientes:
1.-
2.- Periodicidad
Period icidad
Funciones
Funciones deeen
d la media
autoco
autocorrelac yión
rrelaciónla desviación
desviació n estánd
estándar;
de las series
series or ar;les;
origina
iginales;
Privacy Policy
3.- Normalidad
Normalidad de las series;
series;
Marketing
4.- Obtención
Obtención de la serie transform
transformada;
ada;
Personalization
5.- Funciones
Funciones de autoco
autocorrelac
rrelación;
ión;
Analytics
6.- Modela
Modelamiemiento
nto;;
7.- Generación
Generación sintética.
sintética.
Save Accept All
8.- Prueba
Prueba de bondad
bondad y ajuajuste.
ste.

Aplicación del modelo PARMA (p, q)

Modelamiento
Con esta aplicación del
SAMS, se obtuvieron –
obtuvieron – por
por
el Método
or accept de Momentos
the default settings.-
los
Univparámetros
Univariad
ariado Peridel
o Periódicmodelo
ódico
o
Privacy
Auto Policy
Autorregr
rregresivo
esivo de Medias
Medias
Móviles de orden 1:
Marketing
PARMA (1,1), para las
Personalization
estaciones: (1) Chinchi; (2)
Moya; (3) Pachacayo; (4)
Analytics
Quillón; y (5) Huari.
Se descartó la serie
Save Accept All
Angasmayo, en tanto la
varianza (por lo menos
una) de valores
reporta los residuos
negativos.

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

La siguiente opción utilizada de esta aplicación “Fitting

“Fitting”” del SAMS, fue la Prueba de Bondad de Ajuste (el
modelo ha sido ajustado), la misma que consiste
consiste en asegurar como hipótesis la normalidad e
independencia
independenc ia de la serie residual, aplicándose la Prueba de Asimetría
Asimetría para la normalidad, y la Prueba de
cookies to enable
Porte essential
Manteau site
para probar la independencia de los residuales o residuos.
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Genera
Generaciò
ciòn
n si
sint
ntét
étic
icaa
functionality, as well as
Se generaron marketing,
con el SAMS
SAMS - para las cinco
cinco estaciones analizadas - series de
caudales sintéticos, con el objeto de confirmar la bondad del ajuste al modelo
PARMA (1,1), con la siguiente expresión ( 5.8):
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

En base a esta expresión y los parámetros obtenidos se estructuraron las ecuaciones

de generación para las cinco estaciones, las mismas que se muestran mes a mesen
los, en base a las cuales se generaron, para cada estación con el SAMS diez series de
cookiescaudales
to enablemedios
essential site
mensuales, de una longitud de cincuenta años, cada una.
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All


El procedimiento
functionality, warm-up puede ser usado nuevamente
as well as marketing, nuevamente para generar las secuencias
estacionales
personalization, de los procesos
and analytics. You v de , Y asumiendo que los valores de , Y antes de la
 v 
estación
may change 1 del año
your settings at 1any
sontime
iguales a cero y generando secuencias aleatorias no
or acceptcorrelacionadas
the default settings.
de , e como las requeridas de manera similar como en el modelo
v 
ARMA (p, q). El período warm-up toma 50 años.

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Prueba de bondad y ajuste

Prueba
may de bondad
change your deltime
settings at any ajuste del modelo PARMA (1, 1)
Con el objeto de probar la bondad del ajuste de la series sintéticas generadas –

generadas – con
con SAMS
SAMS - para las
las
cinco estaciones,
Privacy Policy y en base al modelo PARMA (1, 1), se efectuaron las
pruebas estadísticas
estadísticas de “t” de Student y “F” de Fisher,
Fisher, para los promedios mensuales
mensuales de la media y la
Marketing
desviación estándar de las series históricas y generadas, respectivamente.
Ver Cuadros N 5.69 a 5.73, en los que se aprecia que con excepción de la serie Chinchi, en la que las
°
Personalization
desviaciones estándar para los meses junio, julio y agosto son “estadísticamente no homogéneas”,
homogéneas”, por la
Analytics
cual se a descarta.
En las otras cuatro estaciones: Moya, Pachacayo, Quilló
Quillón n y Huari, se probó la bondad de ajuste del
Save
modelo PARMA (1,1), Accept
para All
la generación sintética de caudales.
Privacy Policy
Marketing
Personalization
Analytics
Save Accept All

Privacy Policy: Save Accept All

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Privacy Policy: Save Accept All

Uploaded by

Copyright:

Available Formats

This website stores data such as

cookies to enable essential site

Save Accept All

This website stores data such as HIDROLOG IA ESTOCASTICA

HIDROLOGIA HIDROLOGIA HIDROLOGIA

Analytics IGUALADO EXCEDIDO

Save Accept All

Save Accept All

SENTIDO Y BASE PRINCIPAL DE LA HIDROLOGIA ESTOCASTICA

This website stores data such as

Personalization COMO TRABAJA UNA

Save Accept All

BASE PRINCIPAL DE LA HIDROLOGIA

Save Accept All

• Donde la media, varianza, y la estructura de

Save Accept All

This website stores data such as

Save Accept All

Distribución de probabilidad en un instante

Save Accept All

This website stores data such as

Save Accept All

This website stores data such as

Save Accept All

Según SALAS ET.AL 1980

Save Accept All

Según SALAS ET.AL 1980

Verificar Normalidad e Independencia

Save Accept All

Según BOX ET.AL 1994

En general, la literatura especializada coincide en sugerir 3 etapas básicas p

Marketing 2. Estimación de Parámetros

Save Accept All

RESIDUO = RUIDO BLANCO

This website stores data such as

Se busca que la distribución de

Marketing Donde: N = tamaño muestra

Save Accept All

This website stores data such as

Save Para oAccept

Save Accept All

Save Accept All

This website stores data such as

Save Accept All

Características del Coeficiente de

Save Accept All

This website stores data such as

Save Accept All

Normalidad de las series de caudales

Save Accept All

Save Accept All

This website stores data such as

Save Accept All

Donde «a» es el coeficiente de transformación

Save Accept All

This website stores data such as

Save Accept All

Los pasos a seguir para el modelamiento estocástico de las

Aplicación del modelo PARMA (p, q)

This website stores data such as

Save Accept All

La siguiente opción utilizada de esta aplicación “Fitting