I. INTRODUCCIN.

1.1 GENERALIDADES.
Uno de los aspectos esnciales en el planeamiento, diseo y operacin de los recursos
hidrulicos es el conocimiento de la variabilidad de los eventos hidrolgicos, tales como
lluvias, caudales, niveles de embalse, etc., son eventos estocsticos porque, de un lado tienen
un patrn medio (componente determinstica) de comportamiento a largo plazo, y por el otro
el pronstico de sus magnitudes en un momento dado tiene un menor o mayor grado de
incertidumbre (componente aleatoria), Villn [27]. Es as que el modelamiento estocstico
de series hidrolgicas trata de lograr una representacin matemtica para poder expresar su
variabilidad de estos eventos.
El modelamiento estocstico de series hidrolgicas tales como caudales, ha logrado
producir series sintticas que dependen de los parmetros estadsticos de las series originales
o llamadas series histricas. Es as que la generacin de series sintticas, ha logrado
solucionar el problema de la falta y escasez de datos de las series hidrolgicas originales.
Las series sintticas generadas a partir de las series originales antes de ser aplicadas en
el planeamiento, diseo y operacin de los recursos hidrulicos; tienen que ser verificadas
con pruebas estadsticas que validen sus parmetros estadsticos. Estas pruebas de validacin
consisten en verificar que las series sintticas generadas de un modelo estocstico, sean
estadsticamente iguales a las series originales; con una probabilidad de confianza
significativa.
1.2 JUSTIFICACION.
Se justifica la realizacin del presente trabajo porque promueve y profundiza el
conocimiento de la generacin sinttica de series hidrolgicas, en especial de los datos
hidromtricos; con la finalidad de utilizar estas series como alternativa en los diseos de
estructuras hidrulicas y a la vez contribuir a la solucin de problemas generados por las
series hidrolgicas histricas que algunas veces son incompletas y escasas, lo cual constituye
1
una de las herramientas bsicas para la planificacin y operacin de sistemas de recursos de
aguas en general.
Mayormente en nuestro pas se ha aplicado la tcnica estocstica empleando modelos
autorregresivos de primer, segundo y tercer orden o tambin llamados modelos
Markovianos; pero se ha visto que la inclusin de una componente media mvil hace
disminuir notoriamente el nmero de parmetros, encontrando de esta forma modelos ms
parsimoniosos (simplificados), simples y ms manejables. La aplicacin de esta tcnica de
generacin estocstica para generar caudales ser contrastada con pruebas estadsticas que
validen los resultados sintticos de caudales generados, con los caudales originales.
1.3 OBJETIVOS.
Los objetivos de la presente tesis son:
Generar caudales sintticos mensuales mediante el modelo
estocstico ARMA (Autoregressive-Moving Average - Autorregresivo con Media
Mvil).
Generar series de caudales empleando el modelo calibrado,
verificando la bondad de los valores generados en la produccin de las
caractersticas estadsticas de la serie histrica.
Validar los caudales sintticos generados por el modelo ARMA
con los caudales histricos de los ros de la cuenca del Ro Santa, a travs de
pruebas estadsticas.
2
II. REVISION BIBLIOGRAFICA
2.1 ANALISIS DE CONSISTENCIA DE DATOS HIDROLOGICOS.
La inconsistencia de una serie de tiempo hidrolgica, est dada por la produccin de
errores sistemticos (dficit en la toma de datos, cambio de estacin de registro o cambio de
ubicacin de la estacin hidromtrica, etc.); y la no homogeneidad es una serie de tiempo
hidrolgica, se debe a factores humanos (tala indiscriminada de una cuenca, construccin de
estructuras hidrulicas, etc.) o a factores naturales de gran significancia como los desastres
naturales. Esta inconsistencia y no homogeneidad se manifiesta con la presencia de saltos y/o
tendencias en las series, afectando las caractersticas estadsticas de dichas series, tales como
la media, desviacin estndar y correlacin serial. Villn [27].
2.1.1 ANALISIS DE SALTOS.
Los saltos son formas determinsticas transitorias que permiten a una serie hidrolgica
peridica o no peridica pasar desde un estado a otro, como respuesta a cambios hechos por
el hombre debido al continuo desarrollo de los recursos hdricos en la cuenca o a cambios
naturales que pueden ocurrir. Aliaga [3], ejemplo: deficiencia y error en la toma de datos de
las estaciones hidromtricas, cambio de la ubicacin de la estacin, cambio en la posicin de
la instrumentacin de recopilacin de datos.
1. IDENTIFICACIN.
La identificacin del salto tiene por objeto detectar la presencia del mismo y
evaluar la causa que puede ser por errores naturales u ocasionados por la intervencin de
la mano del hombre. La identificacin se realiza mediante la combinacin de los
siguientes criterios:
3
i. Anlisis Visual de la Serie Histrica.
Esta fase consiste en analizar visualmente la distribucin temporal de toda la
informacin, mediante el anlisis visual de la serie histrica es posible detectar
regularidades como irregularidad de los mismos. Se debe aclarar que este anlisis es
nicamente con fines de identificacin de las posibles inconsistencias, las mismas que
debern ser evaluadas estadsticamente mediante el test respectivo. Aguirre [1].
ii. Anlisis Doble Masa.
Este anlisis se utiliza para tener una cierta confiabilidad en la informacin, as
como tambin, para realizar la consistencia en lo relacionado a errores, que pueden
producirse durante la obtencin de los mismos; y no para correccin a partir de la recta
doble masa. Villn [27].
Para construir el patrn se convierten los caudales en magnitudes que sean
comparables (gastos por unidad de rea, escorrenta en mm o en porcentaje del gasto
medio). Chereque [7].
Un quiebre de la recta de doble masa o un cambio de pendiente, puede o no ser
significativo, ya que si dicho cambio est dentro de los lmites de confianza de la
variacin de la recta para un nivel de probabilidades dado, entonces el salto no es
significativo, el mismo que se comprobar mediante la prueba estadstico. Chereque [7].
2. EVALUACION Y CUANTIFICACION.
La evaluacin y cuantificacin de los errores detectados en la forma de saltos, se
realiza mediante un anlisis estadstico; vale decir un proceso de inferencia estadstica
para las medias y desviacin estndar de ambos perodos identificados en la fase
anterior.
i. Consistencia en la Media.
Este anlisis consiste en probar, mediante la prueba t (prueba de hiptesis), si los
valores medios de las sub muestras, son estadsticamente iguales y diferentes con una
probabilidad del 95% de confiabilidad o con 5% de nivel de significacin. Villn [27].

2 1
, x x Media de los perodos 1 y 2 respectivamente.
) ( ), (
2 1
x S x S Desviacin estndar de los perodos 1 y 2 respectivamente
2 1
n n n + , tamao de la muestra.
4
Determinacin de t calculada segn:
( ) ( )
d
c
S
x x
t
2 1 2 1

(2.1)
Donde:
0
2 1
, por hiptesis.
Quedando:
( )
d
c
S
x x
t
2 1

(2.2)
Desviacin de las diferencias de los promedios:
2 / 1
2 1
1 1
]
]
]

+
n n
S S
p d
(2.3)
Desviacin estndar ponderada:
( ) ( )
2 / 1
2 1
2
2 2
2
1 1
2
1 1
]
]
]

+
+

n n
S n S n
S
p
(2.4)
Comparacin del t calculado (t
c
) con el t tabular (t
t
) con n
1
+ n
2
-2 grados de libertad.
Si
) ( %) 95 (
) ( %) 95 (
2 1
2 1
amente estadistic x x t t
amente estadistic x x t t
t c
t c
>

, resultara diferente se debe corregir.
ii. Consistencia en la Desviacin Estndar.
Consiste en probar, mediante la prueba F (prueba de hiptesis), si los valores de
las desviaciones estndar de la submuestras son estadsticamente iguales o diferentes con
una probabilidad del 95% de confiabilidad o con 5% de nivel de significacin. Villn
[27].
Los F calculado (F
c
) se calcula de la siguiente forma:
) x ( S ) x ( S si ,
) x ( S
) x ( S
F
2
2
2
1
2
2
2
1
c
> (2.5)
) x ( S ) x ( S si ,
) x ( S
) x ( S
F
2
1
2
2 2
1
2
2
c
> (2.6)
Comparacin del F
c
con el F tabular (F
t
) con los siguientes grado de libertad:
Grado de libertad del numerador = (n
1
-1)
Grado de libertad del denominador = (n
2
-1)
Si: ) ( ) (
2
2
2
1
x S x S >
Grado de libertad del numerador = (n
2
-1)
Grado de libertad del denominador = (n
1
-1)
Si: ) ( ) (
2
1
2
2
x S x S >
) amente estadistic ( ) x ( S ) x ( S %) 95 ( F F
) amente estadistic ( ) x ( S ) x ( S %) 95 ( F F
2 1 t c
2 1 t c
) 1
2
n ( ), 1
1
n (
) 1
2
n ( ), 1
1
n (
>



5
3. CORRECCION DE DATOS.
En los casos en que los parmetros media y desviacin estndar de las sub
muestras de series de tiempo, resultan estadsticamente iguales, la informacin no se
corrige, por ser consistente; aun cuando se observen quiebres en el doble masa. En caso
contrario, se corrige los valores con la siguiente ecuacin: Villn [27].
2 2
1
1 t '
) t (
x ) x ( S *
) x ( S
x x
X +

(2.7)
1 1
2
2 t '
) t (
x ) x ( S *
) x ( S
x x
X +

(2.8)
Donde:
'
) (t
X = valor corregido de saltos.
X
t
= valor a ser corregido.
La ecuacin 2.7, se utiliza cuando se deben corregir los valores de la submuestra
de tamao n
1
, y la ecuacin 2.7, si se deben corregir la submuestra de tamao n
2
.
2.1.2 ANALISIS DE TENDENCIA.
Las tendencias son componentes determinsticas transitorias que se definen como un
cambio sistemtico y continuo sobre una muestra de informacin hidrometeorolgica en
cualquier parmetro de la misma, que afecta las distribuciones y dependencias de las series.
Aliaga [2]. Ejemplos: deforestacin o reforestacin de rboles en una cuenca., construccin
de estructuras hidrulicas de regulacin en las cabeceras de las cuencas, construccin de
canales, ampliacin de reas de cultivo. Antes de realizar el anlisis de tendencia, se realiza
el anlisis de saltos con series libres de saltos.
1. IDENTIFICACION.
Tiene por objetivo identificar los perodos que presentan tendencias, para la
identificacin se procede con:
i. Anlisis Visual de la Serie Histrica.
Obtenido la serie libre de saltos, se procede a identificar los posibles perodos con
tendencias.
2. EVALUACION Y CUANTIFICACION.
6
La evaluacin y cuantificacin de los errores detectados en la forma de
tendencia, se realiza mediante un anlisis estadstico: vale decir un proceso de inferencia
estadstica para las medias y desviacin estndar del perodo identificado en la fase
anterior. Villn [27].
i. Tendencia en la Media.
La tendencia en la media T
m
, puede ser expresada en forma particular por la ecuacin
de regresin lineal simple:
t B A T
m m m
+ (2.9)
Donde:
t = tiempo en aos, tomado como la variable independiente de la tendencia.
t= 1, 2, 3, , n
Tm = tendencia en la media
Am, Bm = coeficiente de la ecuacin a ser estimados.
Para averiguar si la tendencia es significativa, se analiza el coeficiente de correlacin R
con el estadstico t
c
calculado:
2
1
2
R
n R
t
c

(2.10)
Donde:
t
c
= valor del estadstico t calculado.
n= numero total de datos.
R= coeficiente de correlacin.
Comparacin del t
c
con el t tabular (t
t
) con (n-2) grados de libertad.
ivo significat es R t t
ivo significat es no R t t
t c
t c
>

%) 95 (
%) 95 (
ii. Tendencia en la Desviacin Estndar.
La tendencia en la desviacin estndar T
s
, se expresa en forma particular por la
ecuacin de regresin lineal simple:
t B A T
s s s
+ (2.11)
Donde:
t = tiempo en aos, tomado como la variable independiente de la tendencia.
t= 1, 2, 3, , n
7
Ts = tendencia en la desviacin estndar, que es el valor corregido de tendencia en
la media.
A
s
, B
s
= coeficiente de la ecuacin a ser estimados.
Para calcular y probar si la tendencia en la desviacin es significativa se calcula la
desviacin estndar de cada ao, y luego, se calcula los parmetros de la ecuacin de
regresin 2.10; luego se realiza la evaluacin de Ts siguiendo el mismo proceso descrito
para Tm. Villn [27].
3. CORRECCION DE DATOS.
Si la prueba R resulta significativo, la tendencia en la desviacin estndar es
significativa, por lo que se debe eliminar de la serie, aplicando la siguiente ecuacin:
s
m t
T
T
T X
z

'
) (
(2.12)
Donde:
Z
t
= serie sin tendencia en la media ni en la desviacin estndar. Las dems
variables han sido definidas anteriormente.
Para que el proceso preservando la media y la desviacin estndar constante, la
ecuacin toma la forma:
m s
s
m t
T
T T
T
T X
z +

*
'
) (
(2.13)
Donde:
m s
T T , : son los promedios de la tendencia en la desviacin y media
respectivamente.
La serie Z
t
es una serie homognea y consistente al 95% de probabilidad.
2.2 COMPLETACION DE DATOS.
La extensin de informacin, es el proceso de transferencia de informacin desde una
estacin con largo registro a otra con corto registro. La completacin de datos, es el proceso
por el cual se llenan huecos que existen en un registro de datos. La completacin es un caso
particular de la extensin. La extensin de datos, es ms importante que la completacin, por
cuanto modifican sustancialmente a los estimadores de los parmetros poblacionales.
El proceso de completacin y/o extensin de datos se realiza en las series consistentes,
vale decir, despus de haber analizado la confiabilidad de los mismos. Aliaga [2].
8
2.2.1 TECNICAS DE COMPLETACION DE DATOS.
Las tcnicas que se utiliza para la completacin, en orden de prioridades son:
Regresin lineal simple, entre estas:
o Correlacin cruzada entre dos o ms estaciones.
o Autocorrelacin.
Relleno con criterios prcticos: promedio simple, razones normales,
proporciones)
Completacin mediante mtodos numricos (generacin de nmeros
aleatorios).
2.3 MODELOS MATEMTICOS DE SERIES DE TIEMPO.
Un modelo de serie de tiempo tiene una estructura matemtica y un conjunto de
parmetros, y es representado por una funcin de distribucin de probabilidades nica. Salas
de la Cruz et al. [20].
Se tienen diversas definiciones de modelos matemticos en series de tiempo o de
modelos de simulacin hidrolgica, tales como:
Segn Chow un modelo matemtico es una formulacin matemtica que simula un
fenmeno hidrolgico, el cual es considerado como un proceso o como un sistema.
Segn Clarke un modelo matemtico es una representacin simplificada de un
sistema complejo, en el cual, el comportamiento del sistema est representado por
una serie de ecuaciones y sentencias lgicas que expresan relaciones entre variables
y parmetros.
Para Haan la modelacin hidrolgica es una coleccin de leyes fsicas y
observaciones que estn escritas en trminos matemticos y se combinan de forma
tal que producen una serie de resultados (salidas) basadas en una serie de
condiciones asumidas y/o conocidas (entradas).
2.3.1 PROCESOS ESTOCSTICOS.
Los procesos estocsticos, representados por modelos, son abstracciones matemticas
de un proceso fsico real, cuyo desarrollo es gobernado por leyes probabilsticas. Los
procesos hidrolgicos pueden ser caracterizados como procesos estacionarios o una
combinacin de procesos determinsticos y estocsticos. Yevjevich [30].
9
En los procesos estocsticos se observa una cierta estructura de dependencia en el
tiempo a diferencia de un proceso probabilstico, donde los eventos son independientes. Box
et al [5].
Si la causa de ocurrencia de las variables es tomada en cuenta y el concepto de
probabilidad se introduce en la formulacin del modelo, el proceso y su modelo son descritos
como estocsticos. En otras palabras, si es que se toma en cuenta la secuencia cronolgica de
las variables y si estas variables estn asociadas a una distribucin de probabilidad, entonces
su proceso es llamado estocstico. Chow [8].
Segn Yevjevich [30], un proceso estocstico aplicado a recursos de agua, tiene tres
componentes fundamentales:
Componente peridica o determinstica, como la media, la desviacin estndar,
y covarianza principalmente.
Componente de estructura dependiente, en donde la dependencia de un dato con
respecto a los datos previos se da en forma sucesiva.
Componente aleatoria, que es descrita en trminos de su distribucin de
probabilidad.
El proceso estocstico puede ser analizado en el tiempo por la funcin de
autocorrelacin representada por el correlograma. Chereque [7].
2.3.2 PROCESOS ESTACIONARIOS.
Si durante un proceso estocstico al ser removida la componente peridica se observa
que no hay cambio sistemtico en la media y varianza; se dice, entonces que esta nueva serie
removida es estacionaria. Chatfield [6].
Para Sadeh [17], la estacionariedad es importante en series hidrolgicas por dos
razones principales: una porque las tcnicas matemticas para el anlisis de estas series estn
bien desarrolladas, y otra porque la mayora de las componentes estocsticas de las series
hidrolgicas pueden ser consideradas estacionarias una vez que la parte determinstica ha
sido definida, sus parmetros estimados y removidos desde la serie.
En conclusin, una serie es estacionaria cuando las propiedades de la serie no cambian
en el tiempo (Tiempo invariante), caso contrario son no estacionarias (tiempo variante).
Aliaga [3].
2.4 ANLISIS UNIVARIADO DE SERIES DE TIEMPO.
Un modelo de serie de tiempo puede ser escrito como:
10
,... 2 , 1 t
z x
t t

+
(2.14)
Donde:
x
t
: es la serie normal con media y varianza
2

z
t
: es normal estandarizada con media cero y varianza unitaria
z
1
, z
2
, : son independientes.
Si los parmetros y son constantes, el modelo es estacionario. La estructura del
modelo es simple ya que la variable x
t
es una funcin solamente de la variable independiente
z
t
y as x
t
es tambin independiente, este es el caso de algunas series de precipitacin y
caudales anuales. Salas de la Cruz et al. [20].
Un modelo de serie de tiempo con estructura puede ser:
t t t
z z +
1 1
(2.15)
Donde:
z
t-1 :
es una serie independiente

1
: es el parmetro del modelo.

t
: es una serie normal e independiente con media cero y varianza (1-
1
2
).
Ejemplo de
t
para modelo AR de primer orden,
( )
t
2 / 1
2
1 1 t 1 t
1 +

,
t
es la
componente estocstica independiente. Segn Aliaga [3].
En la ecuacin 2.15 z
t
es una serie dependiente porque adems de ser una funcin de
t
es una funcin de la misma variable z en el tiempo t-1. Si z
t
de la ecuacin 2.15 es
representada por el modelo dependiente de la ecuacin 2.14 entonces x
t
resultan en un
modelo dependiente. En este caso los parmetros del modelo de x
t
seran , y
1
. Esta
forma de representacin se emplea para series con intervalos dentro del ao como series
trimestrales, mensuales, semanales, diarias. Salas de la Cruz et al. [20].
Desde que los parmetros de la ecuacin de serie de tiempo 2.14 son constantes, el
modelo es estacionario, representando series de tiempo estacionarias o procesos estocsticos
estacionarios. Modelos no estacionarios resultan, s tales parmetros varan con el tiempo.
2.4.1 FUNCIN DE AUTOCORRELACIN (FA)
La funcin de autocovarianza mide el grado de autodependencia lineal de una serie de
tiempo. La autocovarianza c
k
de retardo k entre x
t
y x
t+k
puede determinarse por:
( )( )

+

k N
1 t
k t t k
x x x x
N
1
c , 0 k N (2.16)
Donde:
11
x : Media muestral
k : Representa el tiempo de retardo (o distancia) entre el par correlacionado (x
t
,
x
t+k
).
N : Es el tamao muestral.
Para el caso particular de k=0, c
o
resulta ser la varianza s
2
. La autocovarianza muestral
c
k
es un estimado de la funcin de autocovarianza poblacional
k
..
Una medida adimensional de dependencia lineal se obtiene dividiendo c
k
por c
o
. Tal
operacin resulta:
( )( )
( )

N
1 t
2
t
k N
1 t
k t t
o
k
k
x x
x x x x
c
c
r (2.17)
Donde:
r
k
:es llamado coeficiente de autocorrelacin de retardo k, coeficiente de correlacin
serial o funcin de autocorrelacin (FA).
Al ploteo de r
k
versus k se le denomina correlograma. El coeficiente de autocorrelacin
muestral r
k
es un estimado del coeficiente poblacional
k
. La medida ms simple usada para
expresar la dependencia en el tiempo es el primer coeficiente de correlacin serial r
1
o
1
para la muestra o la poblacin respectiva.
Un estimado alternativo de la FA
k
es: segn Salas De la Cruz et al. [20]
( ) ( )
( ) ( )
2
1
k N
1 t
k N
1 t
2
k t k t
2
t t
k N
1 t
k t k t t t
k
x x x x
x x x x
r
]
]
]

+ +

+ +
(2.18)
Donde:
x : Media muestral
k : Representa el tiempo de retardo entre el par correlacionado (x
t
, x
t+k
).
N : Es el tamao muestral.
t
x : Es la media de los primeros N-k valores x
1
, x
N-k
k t
x
+
: Es la media de los ltimos N-k valores x
k+1
, x
N
.
Las ecuaciones 2.17 y 2.18 dan r
k
=1 para k=0, por tanto el correlograma empieza con
la unidad en el origen, y -1 r
k
1.
En una serie independiente los valores de los puntos r
k
en el correlograma poblacional
es igual a cero para k<>0 ; Sin embargo, muestras de series de tiempo independientes tienen
12
a r
k
fluctuando alrededor de cero debido a la variabilidad muestral, pero ellos no son
necesariamente iguales a cero. Por tal motivo, es til determinar lmites de probabilidad para
el correlograma de una serie independiente, Anderson da los siguientes lmites.
( ) ( ) k N k N r
k
t / 1 96 . 1 1 , para 95% (2.19)
( ) ( ) k N k N r
k
t / 1 33 . 2 1 , para 99% (2.20)
Con N como tamao muestral.
Un modelo AR de serie de tiempo puede ser representado de la siguiente forma, segn
Fiering and Jackson segn Salas de la Cruz et al. [20]:
( )

+ +
p
1 j
t j t j t
y y (2.21)
La FA
k
de la variable y
t
se obtiene multiplicando ambos miembros de la ecuacin
(2.21) por y
t-k
, tomando esperanza matemtica trmino a trmino. Esto permite plantear la
ecuacin:
[ ] [ ] ( ) [ ]
t k t
p
1 j
j t j k t k t k t t
. y E y . y E y . E y . y E +
]
]
]

Que resulta en:
p k p 2 k 2 1 k 1 k
...

+ + +
, k>0 En general

p
1 j
j k j k
, k>0 (2.22)
La cual se debe a Yule (1927) y Walker (1931), segn Salas de la Cruz et al. [20]. Esta
ecuacin es comnmente usada para estimar los parmetros del modelo por el mtodo de
momentos, as como para determinar el correlograma
k
para un conjunto dado de
parmetros
j
, j=1p. Es importante conocer la forma que adopta
k
para un modelo dado
porque servir para identificar su orden en una serie de tiempo, as como para comparar el
correlograma muestral con el correlograma tpico del modelo. Salas de la Cruz et al. [20].
En el capitulo III de Materiales y Mtodos, se indica la obtencin de la funcin de
autocorrelacin con un ejemplo que se aplic a las series, de las estaciones analizadas.
2.4.2 FUNCIN DE AUTOCORRELACIN PARCIAL (FAP)
La funcin de autocorrelacin parcial (FAP) o correlograma parcial es otra forma de
representar la estructura de dependencia en el tiempo de una serie o de un modelo dado. Es
til para ayudar a identificar el tipo y orden del modelo cuando se investiga una serie de
tiempo muestral. Salas de la Cruz et al. [20].
13
Si se denota por
j
(k) el coeficiente autorregresivo de un modelo AR(k), tal que
k
(k)
es el ltimo coeficiente, entonces la ecuacin 2.22 resulta:
k j k 2 j 2 1 j 1 j
) k ( ... ) k ( ) k (

+ + +
(2.23)
Para: j=1, , k
La funcin de autocorrelacin parcial
k
(k) se calcula resolviendo sucesivamente la
ecuacin 2.22 para cada k=1,2,
En general, se demuestra que para un modelo AR (p) la ecuacin (2.23) da:

k
(k)<>0 , k p

k
(k)=0 , k > p (2.24)
En el capitulo III de Materiales y Mtodos, se indica la obtencin de la funcin de
autocorrelacin parcial con un ejemplo que se aplic a las series de estaciones analizadas.
2.4.3 MODELAMIENTO ESTOCSTICO DE SERIES HIDROLGICAS
Se denomina modelo estocstico o modelo de serie de tiempo en hidrologa al modelo
matemtico que representa a un proceso estocstico. Aliaga [4].
Las tcnicas y procedimientos para estimar los modelos y sus parmetros desde los
datos disponibles se denominan modelamiento estocstico de series hidrolgicas o
modelamiento de series de tiempo, lo cual constituye una de las herramientas bsicas para la
planificacin y operacin de sistemas de recursos de aguas en general. Salas de la Cruz [19].
Las series hidrolgicas disponibles constituyen slo una realizacin finita de todas las
posibles realizaciones de la poblacin, vale decir, solo se dispone de una muestra a partir de
la cual se trata de obtener un conocimiento de la poblacin mediante el proceso de inferencia
estadstica. Aliaga [4].
Los modelos estocsticos son construidos para reproducir o semejar las caractersticas
estadsticas de las series hidrolgicas histricas, en el sentido estadstico. Esto trae consigo la
pregunta cules son las caractersticas a ser reproducidas por el modelo y cmo deben ser
interpretadas o entendidas?.
Desgraciadamente las caractersticas estadsticas de las series poblacionales nunca son
conocidas, porque slo se estiman las caractersticas sobre una muestra finita, y segundo, por
la definicin e interpretacin de las caractersticas estadsticas derivadas de la muestra, que
puede ser: La media, desviacin estndar, coeficiente de autocorrelacin, simetra,
normalidad.
Una aproximacin sistemtica del proceso de modelamiento estocstico de series
hidrolgicas, presentada segn Salas [19], est constituida por 6 fases principales, que son:
14
Identificacin de la Composicin del Modelo, esta fase consiste en decidir si
el modelo sera univariado, multivariado o una combinacin de ambos, o usar un
modelo de flujos anuales y luego uno de desagregacin para obtener descargas
mensuales, lo cual depende del sistema de recursos de agua, de las caractersticas de
las series hidrolgicas, del modelo empleado, y de la experiencia del modelador.
Seleccin del tipo de Modelo, una vez identificada la composicin, entonces se
puede seleccionar el tipo de modelo a usarse, as pueden aplicarse modelos
autorregresivos AR, con media mvil ARMA, o autorregresivos con media mvil
integrado ARIMA, Broken-line (lnea rota) para preservar explcitamente el
fenmeno de Hurst o cualquier otro de acuerdo a las caractersticas del proceso
fsico y de la serie hidrolgica.
Identificacin de la Forma del Modelo, se refiere a la determinacin del orden
del modelo seleccionado, que depende principalmente de las caractersticas de las
series hidrolgicas en el tiempo. As por ejemplo para series de descargas no anuales
utilizando modelos autorregresivos, pueden identificarse modelos de primer,
segundo o tercer orden, pudiendo ser de parmetros constantes o peridicos.
Estimacin de los Parmetros del Modelo, consiste en estimar los parmetros
del modelo desde la serie de datos histricos utilizando los mtodos ms comunes y
disponibles como el mtodo de momentos y el de mxima verosimilitud.
Bondad de Ajuste del Modelo, las hiptesis del modelamiento de series
hidrolgicas establecen que la componente residual es una serie independiente y
normalmente distribuida. Se efecta la prueba del correlograma de la serie residual
para probar la independencia y se dispone de otras pruebas para verificar la
normalidad.
Evaluacin de la Incertidumbre, establecido el modelo de generacin
sinttica, se generan series artificiales con la condicin de que se mantengan las
propiedades de las series histricas, esta evaluacin de incertidumbre del modelo se
realiza probando diferencias significativas entre las caractersticas estadsticas de las
series generadas y las caractersticas de las series mustrales histricas.
2.5 MODELO AUTORREGRESIVO MEDIA MVIL ARMA.
2.5.1 DESCRIPCIN DEL MODELO ARMA.
Los modelos autorregresivos han sido satisfactoriamente aplicados en el modelamiento
de series de tiempo hidrolgicas. Los bajos flujos en estaciones secas resultan principalmente
15
de aporte subterrneo. Estos tienen relativamente poca variacin. Durante la recesin, los
flujos en un tiempo particular son una fraccin de flujo del tiempo previo, pudiendo ser
representado por un esquema autorregresivo. Los flujos altos estn formados principalmente
por grandes precipitaciones o deshielos, o ambos. Este comportamiento mixto puede ser
modelado adicionando una componente media mvil (MA) a una componente autorregresiva
(AR). Ms especficamente, considerando la descarga superficial y el aporte subterrneo para
una escala de tiempo anual, y usando la ecuacin de balance de masa para el
almacenamiento subterrneo, la descarga anual puede representarse por un proceso mixto
autorregresivo y media mvil (ARMA). Cabe indicar que los modelos ARMA pueden contar
con menor nmero de parmetros que los estimados para un modelo autorregresivo de alto
orden.
2.5.2 FORMULACIN MATEMTICA DEL MODELO ARMA.
Se asume que la serie hidrolgica a ser modelada por un proceso ARMA es
estacionaria y aproximadamente normal. De no ser as, deben realizarse transformaciones
apropiadas a la variable original. Consideremos la serie de tiempo hidrolgica y
t
, y
t+1
, y
t+2
,
igualmente espaciadas en el tiempo t, t+1, t+2, la desviacin desde la media (
t
) ser:
t t t
y U (2.25)
La serie puede representarse como la suma infinita de variables aleatorias
independientes
t
,
t-1
,
t-2
, y coeficientes
1
,
2
,
3
,
U
t
=
t
+
1

t-1
+
2

t-2
+ (2.26)
Si hacemos U
t
dependiente solamente de un nmero finito q de variables aleatorias
previas
t
, entonces resulta un proceso media mvil (MA) de orden q, que puede ser
escrito
como:
U
t
=
t
-
1

t-1
-
2

t-2
- -
q

t-q
(2.27)
Usualmente llamado modelo MA (q). Este tambin puede ser escrito como:

q
1 j
j t j t t
U (2.28)

q
0 j
j t j t
U (2.29)
Con la convencin
0
= -1. Los parmetros del modelo son la media, , la varianza

2
de la variable independiente
t
y los coeficientes
1
,
2
, ,
q
, para un total de q+2
parmetros deben estimarse desde los datos.
16
Combinando un modelo autorregresivo de orden p y un modelo media mvil de
orden q obtenemos el modelo autorregresivo-media mvil (ARMA) de orden (p,q),
definido por:
U
t
=
1
U
t-1
+ +
p
U
t-p
+
t
-
1

t-1
- -
q

t-q
(2.30)
Que puede ser expresado como:
t
q
1 j
j t j
p
1 j
j t j
q
0 j
j t j
p
1 j
j t j t
U U U +

(2.31)
Con la convencin
0
= -1. Los parmetros del modelo son: ,

2
,
1
,
p
,
1
, ,
q
,
debe evaluarse un total de p + q + 2 parmetros desde los datos. El modelo autorregresivo
y media mvil de orden p y q es usualmente llamado el modelo ARMA (p,q).
2.5.3 PROPIEDADES GENERALES DEL MODELO ARMA (p,q).
Las propiedades generales del proceso ARMA (p,q) se dan en trminos de la
covarianza cruzada entre U y :
[ ]
t k t U
U Cov ) k (

Diferente de cero para k0 y cero en otros casos, por ser U dependiente solo de valores

t
previos. Con la convencin
0
= -1, formulando el producto U
t
.U
t-k
y tomando esperanza
trmino por trmino, la autocovarianza del proceso ARMA (p,q) est dada por:
( )

'

p
1 i
i k

i k
p
1 i
q
0 i
i k
U

i k

i k
1 q k ,
1 q k ,
+
+ <
(2.32)
Para k = 0, la varianza es:
[ ]



+
p
1 i
q
0 i
U i i i
2
t 0
) i ( U Var (2.33)
y la funcin de autocorrelacin es:

p
1 i
i k i k
, k q + 1 (2.34)
La funcin de autocorrelacin parcial
k
(k) se obtiene ajustando a la serie dando
procesos AR de ordenes k = 1, 2,
U
t
=
1
(k) U
t-1
+
2
(k) U
t-2
+ +
j
(k) U
t-j
+ +
k
(k) U
t-k
(2.35)
Donde:

k
(k): funcin de autocorrelacin parcial
17
El ploteo de
k
(k) versus k da la funcin de autocorrelacin parcial muestral (FAP), la
FAP se origina de la ecuacin 2.22 de Yule-Walker.
Entonces, para un proceso autorregresivo de orden p, la funcin de autocorrelacin

k
(k) se interrumpe en el retardo p. Un proceso media mvil es equivalente a un modelo
autorregresivo de orden infinito, teniendo una funcin de autocorrelacin parcial infinita en
extensin y que se atena como una combinacin de ondas suaves y/o decaimiento
exponencial. Para un proceso combinado de FA y la FAP se atena como ondas suaves o
decaimiento exponencial.
2.5.4 MODELAMIENTO ARMA(p,q) DE SERIES DE TIEMPO PERIODICAS
Las series hidrolgicas peridicas de tiempo son aquellas para los cuales el intervalo
de tiempo son menores a un ao. Por ejemplo series estacionales, mensuales, semanales o
diarias son series peridicas, ya sea con algunas o todas sus caractersticas estadsticas que
son variantes en tiempos peridicos fijos. La estructura de correlacin de las series
peridicas puede ser el resultado de un proceso ARMA (p,q) con algunas constantes o
coeficientes peridicos. Salas De La Cruz et al. [20].
1. MODELO PERIODICO ARMA (p,q).
Consideremos la serie peridica original
,
X
, donde , es denotado por los
aos, = 1, 2, 3, ,

es el numero de intervalos de los aos (12 meses).

Asumiendo esto como una distribucin de series sesgadas, una apropiada
transformacin debe ser usada para transformar las series
,
X
a series normales
,
y
.
Entonces el modelo peridico ARMA (p,q) para
,
y
puede ser escrito como:

+
, ,
U y
(2.36)
Donde:

: es la media mensual del mes (media peridica).

: es la desviacin estndar del mes (desviacin estndar peridica).

,
U
: es representado por un modelo ARMA (p,q) con coeficientes constantes o
con variables en el tiempo (peridico).
El modelo ARMA (p,q) con coeficientes constantes, segn Salas de la Cruz et al. [20]; se
representa por.
t
q
1 i
i t i
p
1 j
j t j t
U U +

(2.37)
18
Donde:
( ) + 1 t , y son los coeficientes del modelo
t
: es la variable normal independiente.
Tao y Delleur (1976), segn Salas et al. [20]; usaron el modelo ARMA (p,q) con
coeficientes variables de tiempo como:
t ,
q
1 i
i t , , i
p
1 j
j t , , j ,
U U

+

(2.38)
Donde:

, j
: Parmetros autorregresivos.

, i
: Parmetros media mvil.
t ,

: es una variable aleatoria independiente con una distribucin normal.

Reemplazando la ecuacin 2.38 en 2.36, se tiene el modelo peridico ARMA
(p,q) con la media de datos, desviacin estndar, componente autorregresiva,
componente media mvil y variable aleatoria independiente.

,
`

.
|
+ +

t ,
q
1 i
i t , , i
p
1 j
j t , , j ,
U y (2.39)
2. LA ESTIMACION DE PARAMETROS DE LOS MODELOS PERIODICOS
ARMA(p,q)
Si
,
X
, representa una serie hidrolgica peridica, tal como se ha definido
anteriormente, donde:
= 1, , N
19
Modelo
Peridic
o
Media
Peridica
Variable
aleatoria
independiente
Componente
Media Mvil
Desviacin
estndar
Peridica
Componente
Autorregresiva
= 1, ,

N : es el nmero total de aos.

: es el nmero total de intervalos dentro del ao (12 meses)

Antes de estimarse los parmetros del modelo dados en las ecuaciones 2.36 y
2.37, las series deben ser transformadas a series normales con las siguientes
transformaciones. Salas de la Cruz et al. [20].
i. Normalizacin de Series Peridicas de Tiempo.
En caso donde las series observadas no estn normalmente distribuidas, los datos tienen
que ser transformados en normales antes de ser aplicado el modelamiento.
Para normalizar los datos se disponen de las siguientes transformaciones: segn Salas
et al. [21].
La transformacin Logartmica:
( ) a X In Y +
(2.39)
La transformacin exponencial: ( )
b
a X Y + (2.40)
La transformacin Box-Cox:
( )
0 ,
1

+
b
b
a X
Y
b
(2.41)
Donde:
Y : es la serie hidrolgica normalizada.
X : es la serie hidrolgica original observada
a y b : son los coeficientes de la transformacin.
Las variables Y e X pueden representar los datos anuales o estacionales. Para los
datos estacionales a y b pueden escogerse para variar con la estacin.
En el capitulo III de Materiales y Mtodos, se tiene un ejemplo para la
normalizacin de series analizadas.
ii. Eliminacin de la Periodicidad dentro del Ao.
Los datos normalizados pueden luego ser estandarizados substrayendo la
media y dividiendo por la desviacin estndar (opcin). Por ejemplo, para las series
estacionales, la estandarizacin puede expresarse como:
( ) Y S
Y Y
Z
v
v

,
,
(2.42)
Donde:
v
Z : es la serie estandarizada.
20

Y
y ) (Y S

: es la media y la desviacin estndar de las series transformadas a

normal para el mes dado

.
Luego el modelo estocstico puede ser adaptado a las series estandarizadas
, v
Z
.
Salas de la Cruz et al. [21].
En el capitulo III de Materiales y Mtodos, se tiene un ejemplo para la
estandarizacin de series analizadas.
3. IDENTIFICACIN Y SELECCIN DEL MODELO.
Los instrumentos para la identificacin del modelo son la muestra visual de la
serie original, el comportamiento de la funcin de autocorrelacin (FA) y la funcin de
autocorrelacin parcial (FAP). La inspeccin visual de la muestra de la serie original
puede revelar la presencia de una tendencia.
La medida de dependencia lineal entre observaciones separadas por un retardo k
est dada por el estimado r
k
de la funcin de autocorrelacin
k
. Para usar la FA en la
identificacin del modelo se plotea r
k
versus k para N/4 valores aproximadamente,
donde N es la longitud de la serie. Salas de la Cruz et al. [20].
Es til mostrar los lmites de probabilidad en el ploteo, y como r
k
es
aproximadamente normal con media cero y varianza 1/N, los lmites para el 95% de
probabilidad se dan en la ecuacin 2.19. Si los valores de r
k
caen dentro de los lmites
ms haya de un retardo q se podra formar que el proceso puede ser un modelo con
media mvil de orden q. Si la FA se atena, se podra afirmar que el proceso es
autorregresivo. Cuando no es claro, es decir la FA se trunca, es til analizar la FAP.
Las caractersticas del comportamiento de las funciones FA y FAP se resumen
en el cuadro 2.1 Salas de la Cruz et al. [20].
CUADRO 2.1: Identificacin de propiedades para un proceso AR, MA, ARMA:
Proceso Autocorrelacin
Autocorrelacin
Parcial
21
Infinito en extensin,
consiste de ondas
amortiguadas y/o
decaimiento exponencial. Se
atena como:

P
1 j
j k j k
p p
Finito en extensin, mximo
en retardos de 1 hasta q.
Luego se interrumpe.
Infinito en extensin,
primeros q - p retardos es
irregular, luego decrece
exponencialmente con
ondas amortiguadas. Luego
se atena como.
( ) 1 q k
p p
P
1 j
j k j k
+

Finito en extensin, mximos

retardos de 1 hasta p, luego
se interrumpe.
Infinita en extensin, decrece
en forma exponencial y/o de
ondas amortiguadas.
Infinita en extensin,
primeros p-q retardos
irregulares, luego decrece de
forma exponencial y/o se
amortigua en ondas.
4. ESTIMACIN DE LOS PARMETROS DEL MODELO ARMA (p,q).
Los ajustes del modelo ARMA (p,q), se harn con los siguientes pasos (segn
Salas et al. [20]), una vez identificado el orden tentativo del modelo en el paso anterior,
el procedimiento es aplicable para series anuales y estacionales que en este caso es
mensual:
i. Clculo de las Funciones de Autocorrelacin y Autocorrelacin Parcial.
Calculo y ploteo de la funcin de autocorrelacin c
k
, los coeficientes de
autocorrelacin, r
k
= c
k
/s
2
, y los coeficientes de autocorrelacin parcial ) k (
k
para un
retardo k que va de 1 hasta 0.15* N pero menos N.
Salas et al. [20], indica las siguientes ecuaciones como formas generalizadas para
obtener los coeficientes de las funciones de autocorrelacin parcial:
( )
2
1
2 1
1
2
1
2
1 2
2 1 1
r 1
r 1 r
) 2 ( ;
r 1
r r
) 2 ( ; r ) 1 (

, las ecuaciones siguientes

muestran las formas generalizadas.
( )
( )
( )
]
]
]

]
]
]

+ +
+
k
1 j
j j
k
1 j
j 1 k j 1 k
1 k
r k 1
r k r
1 k
...(2.43)
( ) ( ) ( ) k 1 k k
1 j k 1 k j 1 k + + +
+
...(2.44)
22
Donde:

k
: Coeficiente autocorrelacin
) k (
k
: Coeficiente autocorrelacin parcial con retardo k.
ii. Estimacin Lineal de los p Parmetros Autorregresivos (AR).
Se obtienen los estimados iniciales de los p parmetros autorregresivos
p 2 1
,..., ,
, resolviendo las p ecuaciones dadas por Yule-Walker y presentadas por
Salas et al. [21], dadas en trminos de covarianza a partir de la ecuacin 2.22,
obtenindose la siguiente ecuacin generalizada

+
p
1 i
i k i k
1 q k , c c ; en forma
extendida se tiene la siguiente ecuacin:
q p 2 p q 2 1 p q 1 p q
q 2 q p q 2 1 q 1 2 q
p 1 q p 1 q 2 q 1 1 q
c ... c c c
c ... c c c
c ... c c c
+ + +
+ + +
+ + +
+ + +
+ + +
+ +
...(2.45)
Donde:
C
0
, C
1, ...,
C
q
: Funcin de autocovarianza.
p 2 1
,..., ,
: Parmetros autorregresivos.
Formas generalizadas de las ecuaciones de Yule-Walker, a partir de las ecuaciones
2.43 y 2.44, para una estimacin aproximada de
k, t
, y
k, t
presentadas por Salas et al.
[21] que son aplicadas en el programa SAMS.
ARMA (1,0)


, 1 , 1
r
(2.46)
ARMA (2,0)
2
1 , 1
1 , 1 , 1 , 2
, 2
2
1 , 1
, 2 1 , 1 , 1
, 1
r 1
r * r r
r 1
r * r r

(2.47)
ARMA (1,1)
( )( )

, 1 , 1
2
, 1
, 1 , 1 , 1 , 1
, 1
, 1 , 1 , 2
2 1
* 1
r
* r r
(2.48)
iii. Estimacin Inicial de las q Parmetros Media Mvil (MA) de la Serie
Modificada:
23
p t p 2 t 2 1 t 1 t
'
t
U ... U U U U

...(2.49)
Luego se calcula la funcin de autocovarianza (C
k
) de la serie z
t
y sus parmetros
residuales con las ecuaciones propuestas por Box y Jenkins:
( )


+
+ + + +
p
0 i
p
1 i
j p i p 1 i 1 1 0 j
2
i
'
j
d ... c c ...(2.50)
Donde:
1 ; ,..., 1 , 0 ;
0
+
+
q j c c d
i j i j j
...(2.51)
Los C
j
, los parmetros y la Varianza residual
2

se obtienen resolviendo
iterativamente las siguientes ecuaciones:

,
`

.
|

+ + + +

+ +

p j q 2 j 2 1 j 1
2
'
j
j
2
q
2
2
2
1
'
0 2
...
c
... 1
c
...(2.52)
Esto completa la estimacin inicial de los parmetros
1
,
2
, ,
p
,
1,

2
, ,
q
,

y
00
. Entonces el modelo inicial estimado ser:



+ +
p
1 i
q
1 i
i t i t i t i oo t
U U ...(2.53)
iv. Parmetros Estimados por la Suma de Cuadrados.
Los estimados por el mtodo de mxima verosimilitud o probabilidad son
esencialmente los mismos que los estimados por el mtodo de mnimos cuadrados.
p N j
U U
q p S
q p mx j
p
i
q
i
i j p i i j p i j p j p
j

+
>



+ + + +
,..., 2 , 1
: ;
) , ( ,..., 1 , 0
1 1

...(2.54)
Siendo N la extensin de la serie residual. La suma de los cuadrados se calcula
mediante:

N
1 t
2
t
) , ( S
...(2.55)
Varianza de las residuales: ) , S(
N
1
2

...(2.56)
Donde:
24
) , ( S : es la suma de cuadrados.
2

: es la varianza de las residuales.

5. PRUEBA DE BONDAD DE AJUSTE DEL MODELO.
En esta etapa se verifica si el modelo estimado es adecuado o no. Se necesita
verificar dos hiptesis del modelo: La independencia y la normalidad, para lo cual se
dispone de varias pruebas estadsticas.
En el modelamiento de series de tiempo hidrolgicas se asume que la
componente estocstica, despus de haber eliminado la componente peridica y la
estructura de dependencia en el tiempo, es una serie independiente y distribuida
normalmente. Salas de la Cruz et al. [20].
i. Prueba de Independencia en el Tiempo.
Usualmente se aplican las pruebas del correlograma de Anderson y la Falta de
Ajuste de Porte Monteau para probar la independencia de las serie de tiempo.
Prueba de Anderson:
En una serie independiente el correlograma es igual a cero para k<>0, sin
embargo, si un modelo estocstico ARMA (p,q) es adecuado para presentar la
dependencia de una serie de tiempo, entonces la variable aleatoria del modelo es
independiente y r
k
=0 para k0; pero muestras de series de tiempo
independientes tienen a r
k
fluctuando alrededor de cero debido a la variabilidad
muestral, pero ellos no son necesariamente iguales a cero. Por tal motivo es til
determinar lmites de probabilidad para el correlograma de una serie
independiente, Anderson da los siguientes lmites:
( )
K N
1 K N 96 . 1 1
% 95
k

t
...(2.57)
Donde:

k
: Limite de probabilidad para el Correlograma.
N: Tamao muestral.
K: Retardo en el tiempo.
Prueba de Falta de Ajuste de Porte Monteau.
25
En esta prueba tambin se verifica si
t
es una serie independiente. Para tal
fin se usa el siguiente estadstico:
( ) [ ]

L
1 k
2
k
N Q ...(2.58)
Donde:
Q: Estadstico de ajuste de Porte Monteau.
N: Nmero de aos.
L: Mximo retardo.

k
(): Funcin de autocorrelacin de residuales
t
con retardo L.

t
: Serie independiente.
El estadstico Q es aproximadamente la distribucin Chi-cuadrado con L-
p-q grados de libertad. La bondad del modelo puede verificarse comparando el
estadstico Q con el valor Chi-Cuadrado X
2
(L-p-q)
para un nivel de significancia de
95 % de probabilidad. Si Q < X
2
(L-p-q)
,
t
es una serie independiente.
ii. Prueba de Normalidad.
Se disponen de varias pruebas para probar la hiptesis que una serie de tiempo
dada es normal. Una prueba grfica consiste en el ploteo de la distribucin emprica de la
serie en un papel de probabilidad normal y verificar si los puntos ploteados siguen
aproximadamente una lnea recta. Se describen a continuacin dos pruebas estadsticas,
las pruebas de normalidad Chi- cuadrado y de asimetra.
Consideremos la serie de tiempo x
t
, t=1, , N con media x y desviacin estndar
, donde N es el tamao de la muestra. Asumiendo que la distribucin de frecuencias de
x
t
se ajusta a una distribucin normal de probabilidades con parmetros x y se probara
la bondad del ajuste usando la prueba de Chi-Cuadrado. La serie se ordena en orden
creciente de magnitud y se seleccionan k intervalos de clase con probabilidad 1/k para
cada intervalo. De la funcin de distribucin normal, obtenemos los valores u
1
, u
2
, ,
u
k-1
, correspondientes a las probabilidades acumuladas 1/k, 2/k, , (k-1)/k, por lo tanto
los valores para los intervalos de clase sern x
1
= x + u
1
, x
2
= x + u
2, ,
x
k-1
= x +
u
k-1
. La frecuencia absoluta de la serie muestral ordenada que cae dentro del intervalo i
se denota por N
i
, i = 1, , k. por lo tanto, el numero esperado de puntos que caen en
cada intervalo ser N/k. El estadstico X
2
est dado por:
( )

k
i
k N
k N Ni
1
2
2
/
/
... (2.59)
Donde:
26
N: tamao de la serie.
N
i
: Frecuencia absoluta.
k: Intervalos de clase.
Tiene una distribucin Chi-Cuadrado con k-2 grados de libertad. Por lo tanto,
considerando un nivel de probabilidad el ( ) 2 k X
2
1


se obtiene de la funcin Chi-
cuadrado, si ( ) 2 k X X
2
1
2
<

se acepta la hiptesis de normalidad de la serie x
t
. De
otro modo se rechaza la hiptesis.
La Prueba de Asimetra de Normalidad se basa en el hecho que el coeficiente de
asimetra de una variable normal es cero. Un estimado del coeficiente de asimetra de la
serie de tiempo x
t
, t=1, , N es:
( )
( )
2 / 3
N
1 t
2
t
3
N
1 t
t
x x
N
1
x x
N
1
]
]
]

... (2.60)
Donde:
N: Tamao de la serie.
x, : Media muestral.
x
t
: Observacin mensual.
Si la serie viene de una distribucin normal,

esta distribuida asintticamente

normal con media cero y varianza 6/N (Snedecor y Cochran, segn Aliaga [3]). Entonces
los limites de probabilidad (1-) sobre

pueden definirse por el siguiente lmite:

]
]
]

N N
6
,
6
2 / 1 2 / 1

... (2.61)
Por tanto, si

de la ecuacin 2.60 cae dentro de los lmites de la expresin 2.61 se

acepta la hiptesis de normalidad. De otro modo es rechazada.
iii. Criterio de Informacin de Akaike (AIC).
Una prctica corriente en la generacin de series de tiempo hidrolgicas es
preservar exactamente o muy estrechamente los estadsticos de la muestra histrica, aun
cuando estos estadsticos puedan estar sujetos a grandes variaciones muestrales. Una vez
que se toma la decisin sobre qu estadsticos preservan como generalmente es la media
y la desviacin estndar, entonces el problema del modelamiento es buscar un modelo
con el mnimo nmero de parmetros que reproduzcan adecuadamente tales estadsticos.
27
Esto se conoce con el principio de parsimonia de parmetros o se dice que el modelo es
parsimonioso.
Una formulacin matemtica que considere el principio de parsimonia en la
elaboracin del modelo es el Criterio de Informacin de Akaike (AIC) propuesto por
Akaike (1974) segn Salas et al. [20]. Para comparar entre modelos ARMA (p,q) uso:
( ) ) q p ( 2 ln N ) q , p ( AIC
2
+ +

...(2.62)
Donde:
N: Tamao de muestra.

2
: Mxima verosimilitud de la varianza de la residual.
p,q: Parmetros autorregresivo y media mvil del modelo ARMA.
Bajo este criterio el modelo que da el mnimo AIC es el primero a ser
seleccionado.
2.6 GENERACION DE SERIES SINTTICAS.
Luego de realizado los pasos anteriores, con los datos Hidromtricos se realiza la
generacin sinttica de los datos mediante la siguiente ecuacin que se muestra a
continuacin.



+
p
1 j
q
1 J
j t j t j t j t
U U ...(2.63)

p
1 j
q
0 J
j t j j t j
p
1 j
q
0 J
j t j j t j t
U U U ...(2.64)
Donde:

j
: Coeficiente de autocorrelacin (AR) de orden p.

j
: Coeficiente media mvil(AM) de orden q.

t
: Variable aleatoria independiente estocstica.

: Varianza de las residuales.

t
: Variable normal independiente con media cero y varianza uno.
t
U : Modelo ARMA (p,q) con coeficientes constantes o variables.
Luego se realiza la transformacin inversa de la estandarizacin transformada.

+
, ,
U Y
...(2.65)
Donde:

: media del mes o media peridica de las series histricas.

28

: desviacin estndar del mes o desviacin estndar peridica de las

series histricas.
El modelamiento de series hidrolgicas permite obtener una componente estocstica
independiente o una variable normal independiente. As la generacin de una serie de tiempo
sinttica comenzara con la generacin de variables normales independientes con media cero
y varianza uno.
Varias tcnicas de generacin de nmeros aleatorios normales independientes son
presentadas en varias bibliografas de Estadsticas e Hidrologa Estadstica; y actualmente en
hojas de clculo como Excel y software de estadstica como el Minitab y el SPSS presentan
diferentes tcnicas de generacin de nmeros aleatorios entre las cuales estn los nmeros
aleatorios con distribucin definidas. Como una ilustracin de generacin numrica de
nmeros aleatorios normales Box and Muller (1958) propone las ecuaciones siguientes:
( ) ( ) ( )
2
2 1
1 1
u 2 cos u 1 Ln (2.66)
( ) ( ) ( )
2
2 1
1 2
u 2 seno u 1 Ln (2.67)
Donde:
1
y
2
: son nmeros aleatorios normales estandarizados.
1
u y
2
u : son nmeros aleatorios de distribucin uniforme (0,1).
S una transformacin inicial fue usada como una transformacin logartmica,
potencial, Box-Cox, etc., es necesario obtener la serie en forma original. Por ejemplo, si
, v
X
ha sido transformado por una transformacin logaritmo natural, el proceso
, v
X
se
puede obtener de
, v
Y
por aplicacin de la siguiente transformacin inversa que fueron
aplicadas anteriormente:
( )

a Y X
v v

, ,
exp
(2.68)
Donde:
, v
X
: Serie estacional generada con transformacin inversa.
, v
Y
: Serie estacional generada con transformacin logartmica, obtenida del programa
SAMS.

a : Coeficiente de la transformacin aplicada (transformacin logartmica)

2.6.1 PROCEDIMIENTO.
El procedimiento para la generacin de series sintticas para un perodo de N aos
recomendado por Vito Aliaga es el siguiente: Aliaga [3].
29
Seleccionar y estimar los parmetros del modelo estocstico para series anuales
o no anuales, segn sea el inters.
Definir el orden del modelo autorregresivo para la componente estocstica
dependiente y su respectiva distribucin de probabilidad para la componente
independiente.
Generar nmeros aleatorios uniformemente distribuidos segn el ajuste de la
componente estocstica independiente con media cero y varianza unitaria.
Generar nmeros aleatorios independientes con la distribucin seleccionada y
con sus respectivos parmetros.
Generar nmeros aleatorios dependientes segn el modelo autorregresivo
seleccionado anteriormente.
Generar datos de descargas anuales o mensuales sumando las componentes
determinsticas a los valores obtenidos en el punto anterior.
Realizar dos generaciones: La primera para comprobar la bondad del modelo
obteniendo series de la misma longitud que la serie histrica, y la segunda, de
una longitud dada, de acuerdo a los objetivos de la generacin, los mismos que
sern utilizados en el anlisis y determinacin de los parmetros de inters.
2.6.2 VERIFICACIN DEL MODELO.
Existen muchas formas y criterios para verificar la bondad del modelo, dependiendo
del inters particular de cada caso.
El criterio principal para determinar la bondad de estos modelos estocsticos consiste
en analizar los resultados generados y comprobar la preservacin y reproduccin de las
caractersticas estadsticas de inters de la serie histrica, en la misma longitud de datos.
Las caractersticas estadsticas que se pueden analizar en las series generadas y
comprobarlas con las mismas de la serie histrica, dependen del objetivo del estudio y puede
ser la reproduccin y preservacin de lo siguiente: (segn Aliaga [3]).
La media y desviacin estndar de la serie histrica, principalmente.
La estructura de dependencia.
La distribucin de probabilidades.
La persistencia de los aos hmedos y secos.
30
La longitud, intensidad y duracin del run
1
negativo, como descriptor de sequas
en general y de la sequa crtica en particular.
El rango como descriptor de la capacidad de almacenamiento entre otras.
2.6.3 GENERACIN DE INFORMACIN SINTTICA PARA SU UTILIZACIN.
Una vez verificado la bondad del modelo para preservar las caractersticas estadsticas
deseadas con las pruebas de bondad de ajuste del modelo como son la prueba de
independencia en el tiempo, la prueba de normalidad y el criterio de informacin de Akaike;
entonces se proceder a generar tantas muestras como sea requerido, cada una de una
longitud muestral variable, que puede ser igual a la vida til de los proyectos, el mismo que
es considerado en la mayora de los casos igual a 50 aos. Aliaga [3].
2.7 VALIDACIN DE RESULTADOS.
Al usar la simulacin para estudiar un sistema complejo, encontramos varios tipos de
errores como indica R. Azarang et al. [15].
Errores de diseo.
Errores en la programacin.
Errores en los datos utilizados.
Errores en el uso del modelo.
Errores en la interpretacin de los resultados.
Evaluar un modelo significa desarrollar un nivel aceptable de confianza de modo que
las inferencias obtenidas del comportamiento del modelo sean correctas y aplicables al
sistema del mundo real. La validacin y verificacin es una de las tareas ms importantes y
difciles que enfrenta la persona que desarrolla un modelo de simulacin.
Verificacin se refiere a la comparacin del modelo conceptual con el cdigo
computacional que se gener, para lo cual es necesario contestar preguntas
como: Esta correcta la codificacin?, Es correcta la entrada de datos y la
estructura lgica del programa?
Validacin es la demostracin de que el modelo es realmente una representacin
fiel de la realidad. La validacin se lleva a cabo, generalmente, a travs de un
proceso comparativo entre ambas partes y usa las diferencias para lograr el
objetivo.
1
Run: sucesin de eventos similares precedidos y sucedidos por eventos diferentes como run
negativos que son asociados a sequas y run positivos que son asociados con demasas. Aliaga [3]
31
Una vez generadas las series se comparan las caractersticas estadsticas de la serie
histrica con las caractersticas derivas de las series generadas. Usualmente se considera para
comparacin a la media, desviacin estndar, coeficiente de correlacin y coeficiente de
asimetra
En el proceso de validacin usualmente se emplean las pruebas estadsticas siguientes:
Prueba de estimacin de parmetros de la poblacin asumiendo una distribucin
de probabilidad (pruebas estadsticas con aplicacin de las funciones de
probabilidad de Fisher-Snedecor, t-Student y distribucin normal z).
Pruebas para determinar la distribucin de probabilidad apropiada para la
muestra (pruebas de bondad de ajuste de Kolmogorov-Smirnov (K-S) o Chi
cuadrado
2
).
2.7.1 OPTIMIZACIN.
La finalidad de cualquier anlisis de sistemas es optimizar la medida de afectividad,
describiendo normas para las variables de decisin a la vista de variables no controlables.
As pues, el tomador de decisiones desea encontrar ese conjunto de variables de decisin. R.
Azarang et al [15].
Desde el uso generalizado de la computacin en la solucin de ecuaciones complejas,
estas han mejorado los clculos y los resultados de diferentes problemas de interpretacin de
fenmenos reales en las reas de hidrulica, hidrolgica, estructuras u otras. En hidrolgica
Estocstica se ha dejado de lado el uso de tablas estadsticas, formatos como papel
logartmico, bacos u otras herramientas que en algn tiempo eran necesarias por no estar al
alcance el uso de programas de computo; ahora todo eso paso a ser obsoleto debido a que
existen programas creados para acciones especificas como la hoja de calculo Excel que tiene
incorporada todas las funciones de probabilidad y otras funciones ms, y los programas para
estadstica como el SPSS y el Minitab; y programas como el SAMS, los programas Hec
(Hec-Ras, Hec Hms, Hec-Fda) y otros mas, que teniendo en cuenta los principios de clculos
bsicos y aplicando nuevas teoras de clculos, se obtienen resultados mas acertados a la
realidad. A este proceso de clculos asistidos por computadora con programas adecuados
segn los requerimientos, podemos decir que el proceso de clculo ha sido optimizado.
2.7.2 SENSIBILIDAD Y EXPERIMENTACIN.
Es el ltimo paso dentro del proceso de simulacin y puede efectuarse antes o durante
la implantacin de las soluciones en el proceso real. Consiste en jugar o experimentar con el
modelo ante situaciones nuevas o imprevistas, que tengan cierta probabilidad de ocurrencia,
32
con el objeto de encontrar una solucin ptima ante ese posible escenario. Esto es til pues
los sistemas reales son dinmicos y de esta manera podemos adelantarnos y ser capaces de
hacerles frente con anticipacin. El anlisis de sensibilidad se enfoca principalmente a
estudiar las variables no controlables por el tomador de decisiones dentro del proceso real. R.
Azarang et al. [15].
2.7.3 MONITOREO.
Como se acaba de mencionar, los sistemas reales son dinmicos, esto significa que se
debe llevar un estricto control de los cambios ocurridos en ellos y para inmediatamente
implantarlos en el modelo y para que pueda seguir siendo un fiel reflejo de la realidad. R.
Azarang et al. [15].
2.7.4 TCNICAS DE COMPROBACIN PARA LA VALIDACIN.
Para la validacin de las series sintticas generadas, con las series histricas (que son
las originales), es necesario la realizacin de pruebas estadsticas en los parmetros ms
importantes como la media y desviacin estndar.
Se realizarn pruebas de hiptesis para dos muestras, pruebas de verificacin del
intervalo de confianza y pruebas de bondad de ajuste; de las cuales cada una de estas pruebas
se realizarn la contrastacin de hiptesis mediante un estadstico de prueba y regla de
decisin con un nivel de significancia y el estadstico de prueba adecuado, que decidir si se
acepta o se rechaza la hiptesis. Menendez R. [12] y Mitacc [13].
1. PRUEBA DE HIPOTESIS PARA DOS MUESTRAS.
Existen dos versiones diferentes para este tipo de prueba. Una de estas pruebas
se utiliza cuando una muestra se selecciona independientemente de la otra. En este caso
se habla de una prueba para muestras independientes. Si la seleccin de una muestra
depende de la seleccin de la otra, se habla de una prueba para muestras dependientes.
i. Prueba de Hiptesis de las Varianzas de dos Poblaciones Normales.
Para determinar la homogeneidad de varianzas (si las varianzas de las dos
poblaciones son iguales) es necesario hacer la prueba de homogeneidad de varianzas.
En esta prueba se comparan las varianzas de las poblaciones en la hiptesis nula.
H
0
: (
1
)
2
= (
2
)
2
H
1
: (
1
)
2
(
2
)
2
(2.69)
33
La estadstica en que se basa esta prueba de hiptesis es la razn de las varianzas
de las dos muestras:
2
2
2
1
c
S
S
F
(2.70)
Donde:
F
c
: Estadstico F (Fisher Snedecor) calculado.
2
2
2
1
S , S : Varianzas muestrales.
La distribucin F depende de dos conjuntos de grados de libertad, uno para el
numerador y otro para el denominador donde (n
1
- l) son los grados de libertad del
numerador y (n
2
- l) son los grados de libertad del denominador. Por lo tanto,
considerando un nivel de probabilidad 95% en la funcin de probabilidad
) 1
2
n ( ), 1
1
n (
t
F

se
obtiene de la funcin F tabular (Fisher Snedecor), si
%) 95 ( F F
) 1
2
n ( ), 1
1
n (
t c

<
se acepta la
hiptesis de homogeneidad de varianzas. De otro modo se rechaza la hiptesis.
ii. Prueba de t para Muestras Independientes
Se presentan dos casos para este tipo de prueba estadstica, que son:
1.- Prueba de t para la Diferencia entre dos Medias Cuando las Varianzas
son Homogneas.
Cuando las varianzas de las poblaciones son homogneas (Pooled Variance t-
test).
Las hiptesis no direccionales o prueba de dos colas:
H
0
:
l
=
2

l
-
2
= 0
H
1
:
l

2

l
-
2
0 (2.71)
El error estndar de la diferencia se obtiene con la varianza combinada
(pooled variance). La varianza combinada incorpora las varianzas de las
muestras a travs de la siguiente frmula:
( ) ( )
2 / 1
2 1
2
2 2
2
1 1
p
2 n n
S 1 n S 1 n
S
]
]
]

+
+
(2.72)
El error estndar de la diferencia es:
]
]
]

2 1
2
P X X
n
1
n
1
S S
2 1
(2.73)
Los grados de libertad: n
1
+ n
2
- 2.
La estadstica t

se computa de la siguiente forma:
( ) ( )
2 1
X X
2 1 2 1
c
S
x x
t

(2.74)
34
Donde:
t
c
: Estadstico t-Student calculado
2 1
x y x : Medias de las muestras

1
y
2 :
Medias de las poblaciones
2 1
X X
S

: Error estndar de la diferencia
n
1
y n
2
: Tamao de las muestras
El estadstico t
c
es aproximadamente la distribucin t-Student con n
1
+ n
2
-2 grados de libertad. Por lo tanto, considerando un nivel de probabilidad 95%
en la funcin de probabilidad
( ) 2 n n
2 1
t
+
se obtiene de la funcin t tabular
(Student), si
( )
%) 95 ( t t
2 n n c
2 1
+
< se acepta la hiptesis de homogeneidad de
medias cuando las varianzas son iguales. De otro modo se rechaza la hiptesis.
2.- Prueba de t para la Diferencia entre dos Medias cuando las Varianzas no
son Iguales.
Cuando las varianzas de las poblaciones no son iguales (Separate Variance
t-test). Las hiptesis en esta prueba se trabajara con la forma direccional o
de dos colas; y se presentan de la siguiente forma:
H
0
:
l
=
2

l
-
2
= 0
H
1
:
l

2

l
-
2
0 (2.75)
Teniendo los siguientes clculos como el error estndar de la diferencia es:
2
2
2
1
2
1
X X
n
S
n
S
S
2 1
+

(2.76)
Los grados de libertad para este caso, fueron aproximados por Welch, B-L
segn Mitacc [13] dado por la siguiente expresin:
1 1
2
2
2
2
2
1
2
1
2
1
2
2
2
2
1
2
1

,
`

.
|
+

,
`

.
|

,
`

.
|
+

n
n
S
n
n
S
n
S
n
S
(2.77)
Donde:
: Grados de libertad.
2
2
2
1
S , S : Varianzas muestrales.
35
n
1
y n
2
: tamao de las muestras
siempre se aproxima a la parte entera del resultado (nunca se redondea).
La estadstica t
c
se computa de la siguiente forma:
( ) ( )
2 1
X X
2 1 2 1
c
S
x x
t

(2.78)
Donde:
t
c
: Estadstico t-Student calculado.
2 1
x y x = medias de las muestras.

1
y
2
= medias de las poblaciones.
2 1
X X
S

= error estndar de la diferencia.
El estadstico t
c
es aproximadamente la distribucin t-Student con grados de
libertad. Por lo tanto, considerando un nivel de probabilidad 95% en la funcin
de probabilidad
( )
t
se obtiene de la funcin t tabular, si
( )
%) 95 ( t t
c
< se
acepta la hiptesis de homogeneidad de medias cuando las varianzas no son
iguales. De otro modo se rechaza la hiptesis.
iii. Pruebas de t para Muestras Dependientes.
En el caso de que un par de observaciones puedan ser relacionadas de alguna
manera, tal como una observacin tomada antes de un tratamiento y otra despus de un
tratamiento, reciben el nombre de observaciones apareadas. Mitacc [13].
Las hiptesis en esta prueba son no direccional o prueba de dos colas; y se
presentan de la siguiente forma:
H
0
:
D
= 0
H
1
:
D

0 (2.79)
Teniendo los siguientes clculos como el error estndar de la diferencia es:
n
S
D
(2.80)
La estadstica t

se computa de la siguiente forma:
n
S
D
t
D
D
c

(2.81)
Donde:
t
c
: Estadstico t-Student calculado.
S
D
: Desviacin estndar de las diferencias
36
D : Media de las diferencias de los pares en las muestras

D
: Media de las diferencias de los pares en las poblaciones
n : Tamao de los pares de muestras
El estadstico t
c
es aproximadamente la distribucin t-Student con (n-1) grados de
libertad. Por lo tanto, considerando un nivel de probabilidad 95% en la funcin de
probabilidad
( ) 1 n
t

se obtiene de la funcin t tabular, si
( )
%) 95 ( t t
1 n c
< se acepta la
hiptesis de que las muestras son similares. De otro modo se rechaza la hiptesis.
2. INTERVALO DE CONFIANZA A PARTIR DE LAS SERIES GENERADAS.
Basado en el modelo seleccionado y en los parmetros estimados se generan M
secuencias de serie de la misma longitud de la muestra histrica; se determina las
caractersticas estadsticas bajo anlisis, denotadas como U
g
(i) de cada una de las series
generadas i = 1, 2, 3, , M. se calcula la media U
g
y la desviacin estndar S(U
g
) de
U
g
(i) determinndose el intervalo: Salvatierra R. [22]:
( ) ( ) [ ]
g g g g
U cS U , U cS U +
(2.82)
( )

M
1 i
g g
i U
M
1
U
(2.83)
( ) ( ) ( )
2 / 1
M
1 i
2
g g g
U i U
1 M
1
U S
]
]
]

(2.84)
Donde c es la variable estndar histrica U
g
cae dentro del intervalo dado por la
expresin 2.79. Si es as, se concluye que el modelo preserva el estadstico U
g
. De otra
forma el modelo no preserva U
g
y en tal caso se procede a modificar los parmetros del
modelo, cambiar el orden, o el tipo del modelo.
3. PRUEBAS DE BONDAD DE AJUSTE.
Pruebas para determinar la distribucin de probabilidad de la cual proviene la
muestra como las series sintticas generadas por el modelo ARMA (p,q), se utilizan las
siguientes pruebas conocidas:
Prueba de Chi Cuadrado (
2
)
( )

k
1 i
2
2
k / N
k / N Ni
...(2.85)
Tiene una distribucin Chi-cuadrado con g.l. = k-h-1.
37
Donde:
N: tamao de la serie.
N
i
: Frecuencia absoluta.
k: Intervalos de clase.
g.l.: grados de libertad.
H: nmero de parmetros a estimarse.
As h=2 para la distribucin normal.
h=3 para la distribucin log-normal de 3 parmetros, etc.
Tiene una distribucin Chi-Cuadrado con k-3 grados de libertad. Por lo
tanto, considerando un nivel de probabilidad de =5%, el ( ) 3 k X
2
1


se
obtiene de la funcin Chi-cuadrado, si ( ) 3 k X X
2
1
2


se acepta la hiptesis
de que el ajuste es bueno al nivel de significancia seleccionado, ajustndose a
una distribucin de normalidad de la serie x
t
. De otro modo se rechaza la
hiptesis. Segn Villn [27].
Prueba de Smirnov Kolmogorov
= mx F(x) P(x) ...(2.86)
Donde:
: Estadstico de Smirnov Kolmogorov, cuyo valor es igual a
la diferencia mxima existente entre la probabilidad ajustada y
la probabilidad emprica.
F(x) : Probabilidad de la distribucin terica a partir de datos
normalizados.
P(x) : Probabilidad experimental o emprica de los datos,
denominados tambin frecuencia acumulada usando la
formula de Weibull.
Por lo tanto, considerando un nivel de probabilidad el (0.05 0.01) se
obtiene un valor tabular de la tabla de Kolmogorov, si
mx
<
tabla
, entonces el
ajuste es bueno, pero si
mx
<
tabla
, entonces el ajuste no es bueno al nivel de
significancia seleccionado. Segn Villn [27].
38
III. MATERIALES Y METODOS
3.1 LUGAR DE REALIZACIN.
39
3.1.1 UBICACIN.
El rea de ejecucin del proyecto es la Cuenca del Ro Santa; y con mayor inters las
Sub Cuencas de sus principales ros, que cuentan con mayor cantidad de registros
hidromtricos histricos.
La cuenca del Ro Santa abarca partes de los departamentos de Ancash y La Libertad
entre los paralelos 7 59 y 10 12 de latitud sur, y los meridianos 77 11 y 78 38 de
longitud Oeste (Anexos M-1); formando parte de la vertiente del pacfico (Fig. Anexos D-1).
Presenta como limites: por el norte las cuencas de los ros Maran y Moche, por el
sur las cuencas de los ros Pativilca y Fortaleza, por el este las cuencas de los ros Maran y
Pativilca y por el oeste las cuencas de los ros Vir, Chao, Moche, Lacramarca, Nepea,
Casma, Huarmey y Fortaleza. (Fig. Anexos D-2)
La cuenca del ro Santa tiene una extensin de 12 200 Km
2
, de la cual el 83%, es decir
10 200 Km
2
, corresponden a la cuenca imbrfera o hmeda, denominada seca, a partir de la
cual puede considerarse que la precipitacin pluvial es un aporte efectivo al escurrimiento
superficial (Fig. Anexo D3).
La Cordillera Blanca, que conforma parte del lmite oriental de la cuenca, es una de las
fuentes ms importantes de los recursos hdricos del ro Santa, se extiende en una longitud de
180 Km, desde la laguna de Conococha por el Sur, hasta el nevado de Champar por el
Norte, y sigue una direccin paralela al ro. El pico ms importante de esta cadena de
nevados, es el Huascarn, que alcanza una altura de 6 768 m.s.n.m., dominando todo este
macizo, adems, existen otros importantes nevados, entre los cuales cabe mencionar, de Sur
a Norte: Rajutuna, Caullaraju, Tuco, Huaiyacu, Pongos, Yanamarey, Uruashraju, Cashan,
Rurec, Huantsan, Pucaranra, Oeshpalca, Palcaraju, Hualcan, Huandoy, Aguja Nevada,
Pucahirca, Santa Cruz, Alpamayo, Pilanco, Millua Kocha y Champar. El rea total de
nevados cubre una extensin de 616 Km
2
.
3.1.2 DISPONIBILIDAD DE DATOS DE LA RED HIDROMETRICA.
El escurrimiento superficial del ro Santa se origina de las precipitaciones que ocurren
en su cuenca alta, y adems con mucha incidencia, de los aportes glaciares de los nevados
(5.3 % de la superficie de la cuenca) del flanco occidental de la Cordillera Blanca, cuyo
aporte contribuyen a mantener una considerable descarga, an en poca de estiaje, lo cual
hace del Ro Santa uno de los ros ms regulares de la Costa del Per (Ver Fig. 3.1).
El ro Santa recibe el aporte de numerosos afluentes, la mayora de los cuales bajan de
la Cordillera Blanca, siendo el ms importante el ro Tablachaca, el cual tiene una cuenca
40
colectora total de 3 184 Km
2
., aproximadamente, el 26% de la cuenca total. Los otros
afluentes importantes, de Sur a Norte son: Tuco, Queullish, Pachacoto, Querococha, Negro,
Pariac, Quillcay, Ishinca, Qda. Honda, Ulta, Llanganuco, Parn, Colcas, Cedros, Quitaracsa,
Corongillo y Manta.
La caracterstica hidrogrfica de la cuenca del ro Santa, expresada por la presencia de
la Cordillera Blanca por el Este y la Cordillera Negra por el Oeste, determina que este ro
reciba aportes permanentes slo por la margen derecha, es decir, de los afluentes que se
originan en la Cordillera Blanca como consecuencia del aporte de sus numerosos glaciares.
En cambio, la Cordillera Negra no cuenta normalmente con glaciares, motivo por el cual el
aporte que ella puede brindar depende casi exclusivamente de las precipitaciones pluviales.
Ver Anexos D-4
Debido a la importancia que tienen los tributarios en las descargas del ro,
antiguamente la Corporacin Peruana del Santa instalo estaciones de aforo tipo limnigrfico,
en los afluentes como en el cauce principal de ro santa, siendo las siguientes (ver Anexos D-
4):
Sobre el ro Santa, como estaciones permanentes, Condorcerro, La Balsa y
Recreta.
Sobre los tributarios, las estaciones de Chuquicara, Manta, Quitaracsa,
Cedros, Colcas, Parn, Llanganuco, Chancos, Quillcay, Olleros, Querococha y
Pachacoto.
Implantado el gobierno militar la Corporacin Peruana del Santa fue desmembrada y
las estaciones de aforo pasaron a manos de Electro Per, que luego del proceso de
privatizacin pasaron finalmente a la empresa Duke Energy EGENOR, que actualmente ha
instalado otras estaciones y maneja muy pocas estaciones instaladas, y el resto de las
estaciones estn abandonadas. El INRENA esta iniciando la implementacin de estaciones
hidromtricas en la parte alta de la cuenca (micro cuencas glaciares). Ver cuadro 3.1.
Actualmente estn funcionando solo 6 estaciones hidromtricas de EGENOR (La
Balsa, Condorcerro, Quitaracsa, Los Cedros, Colcas, Parn), ms las 4 estaciones de la
Unidad de Glaciologa del INRENA instalados en las lagunas de origen glaciar
(Artesoncocha y Yanamarey, Parn y Llanganuco activadas recientemente en el 2003). Ver
cuadro 3.2 y 3.3
41
CAUDAL PROMEDIO INTER ANUAL
ESTACIONPUENTE CARRETERA
0
50
100
150
200
250
300
350
400
450
SET OCT NOV DIC ENE FEB MAR ABR MAY J UN J UL AGO
C
A
U
D
A
L

m
3
/
s
Fig 3.1. Caudal promedio del Ro Santa en la estacin de Puente Carretera, en la
desembocadura del Ro Santa (promedio interanual 1931-1999). Los 50 m3/s que
llegan al mar en poca de estiaje se deben por gran parte al la fusin de los
glaciares de la cuenca alta. Se nota la graduacin en ao hidrolgico, de setiembre
(inicio de la temporada de lluvias en la cuenca alta) a agosto.
42
CUADRO N 3.1 UBICACIN EN COORDENADAS GEOGRAFICAS DE LAS ESTACIONES HIDROMTRICAS DE LA CUENCA DEL
RO SANTA
SENAMHI EGENOR GPS BP 07-10/2001
NOMBRE
RIO,
QUEBRADA
O LAGUNA
AREA
CUENC
A
(Km
2
)
AREA
GLACI
AR
(Km2)
%
AREA
GLACI
AR
LATIT
UD
(Sur)
LONGIT
UD
(Oeste)
ALTITU
D
(m.s.n.
m.)
LATIT
UD
(Sur)
LONGIT
UD
(Oeste)
ALTITU
D
(m.s.n.
m.)
LATIT
UD
(Sur)
LONGIT
UD
(Oeste
)
ALTIT
UD
(m.s.n.
m.)
CONOCOCHA SANTA
100709

771700 4068
100709

771700 4068
RECRETA SANTA 295 5.6 0.02
100137

771936 3990
100219

771929 3990
100227

771933 4018
MIRAFLORES SANTA 2390 226 0.09 92921 773219 3000 92932 773218 2970 92946 773229 2994
LA BALSA SANTA 4840 563 0.12 85255 774950 1880 85227 774947 1880 85239 774938 1861
CONDORCERRO SANTA 10353 631 0.06 83914 781529 450 83930 781543 477
PUENTE CARRETERA SANTA 11910 631 0.05 85812 783748 18 85812 783748 18
HUACAMARCANGA
HUACAMARCAN
GA
80600 781800 4000 80600 781800 4000
CHUQUICARA CHUQUICARA 2836 0 0.00 83842 781335 500 83851 781355 532
HUILLCA SAFUNA 84729 773629 3970 84729 773629 3970
QUITARACSA QUITARACSA 391 35.8 0.09 84750 775046 1480 84752 775108 1480 84752 775108 1480
MANTA MANTA 599 5.9 0.01 83734 775403 1920 83631 775303 1920 83631 775303 1920
LOS CEDROS LOS CEDROS 117 25.9 0.22 85150 774905 1990 85151 774914 1990 85218 774943 1878
COLCAS COLCAS 238 50.8 0.21 85508 775023 2050 85510 775020 2050 85524 775033 2048
PARON PARON 45.1 21.6 0.48 85947 774102 4100 85948 774115 4100 85948 774115 4100
ARTESONCOCHA ARTESONCOCHA 7.9 6.2 0.78 85826 773836 4300 85826 773836 4300
CHACRARAJU CHACRARAJU 5.7 4.2 0.74 85855 773825 4300 85855 773825 4300
LLANGANUCO LLANGANUCO 90.2 33.7 0.37 90435 773905 3850 90440 773845 3850 90443 773905 3916
CHANCOS QDA. HONDA 266 90.8 0.34 91852 773426 2940 91905 773348 2940 91915 773447 2872
QUILLCAY QUILLCAY 250 92.5 0.37 93114 773128 3052 93112 773141 3042 93124 773139 3091
OLLEROS NEGRO 176 28.9 0.16 93950 772800 3550 94003 772727 3550 94001 772749 3456
URUASHRAJU URUASHRAJU 4.8 3.6 0.75 93541 771928 4610 93541 771928 4610
QUEROCOCHA QUEROCOCHA 63.7 4.0 0.06 94331 771953 3980 94318 771940 3980 94335 771955 4037
YANAMAREY YANAMAREY 2.2 1.6 0.73 93925 771632 4600 93925 771632 4600
PACHACOTO PACHACOTO 204 24.3 0.12 95058 772353 3700 95055 772401 3700 95055 772401 3700
Fuente: IRD (Instituto Para Investigacin y el Desarrollo de Francia [4])
43
NOMBRE RIO
LATITUD
(Sur)
LONGITU
D
(Oeste)
ALTITU
D
(m)
INICIO FIN
GESTIO
N
RECRETA SANTA 100227
771933

4018 1953 1995 EGENOR

MIRAFLORES SANTA 92946
773229

2994 1987 1997 EGENOR

LA BALSA SANTA 85239
774938

1861 1954 2001 EGENOR

CONDORCERR
O
SANTA 83930
781543

477 1956 1997 EGENOR

PUENTE
CARRETA
SANTA 85812
783748

18 1931 1988
SENAM
HI
HUACAMARCA
NGA
HUACAMARC
ANGA
80600
781800

4000 1977 1995 EGENOR

MANTA MANTA 83631
775303

1920 1968 1997 EGENOR

CHUQUICARA CHUQUICARA 83851
781355

532 1954 1997 EGENOR

QUITARACSA QUITARACSA 84752
775108

1480 1953 1999 EGENOR

LOS CEDROS LOS CEDROS 85218
774943

1878 1952 2002 EGENOR

COLCAS COLCAS 85524
775033

2048 1953 1998 EGENOR

ARTESONCOCH
A
ARTESONCOC
HA
85838
773841

4300 1996 2002 UGRH

PARN PARN 90014
774120

4112 1953 2002 EGENOR

LLANGANUCO LLANGANUCO 90443
773905

3916 1953 1997 EGENOR

CHANCOS QDA. HONDA 91915
773447

2872 1953 1999 EGENOR

QUILLCAY QUILLCAY 93124
773139

3091 1953 1998 EGENOR

YANAMAREY YANAMAREY 93936
771638

4600 2001 2002 UGRH

OLLEROS OLLEROS 94001
772749

3456 1970 1998 EGENOR

QUEROCOCHA
QUEROCOCH
A
94335
771957

4037 1953 1998 EGENOR

PACHACOTO PACHACOTO 95109
772408

3745 1953 1997 EGENOR

CONOCOCHA SANTA 100709
771700

4068 ? ? EGENOR
HUILLCA SAFUNA 84739
773647

3980 ? ? EGENOR
Estacin Hidromtrica operativa, administrada por
EGENOR
CUADRO N 3.2: ESTACIONES HIDROMETRICAS EN LA CUENCA DEL RIO SANTA
44
Estacin Hidromtrica operativa, administrada por INRENA
Estacin hidromtrica Abandonada
Fuente: Bernard Pouyaud y colaboradores, 2003
45
CUADRO N 3.3
DISPONIBILIDAD DE DATOS DE CAUDALES MEDIOS MENSUALES EN LA CUENCA DEL RIO SANTA.
NOMBRE
1
9
5
1
-
5
2
1
9
5
2
-
5
3
1
9
5
3
-
5
4
1
9
5
4
-
5
5
1
9
5
5
-
5
6
1
9
5
6
-
5
7
1
9
5
7
-
5
8
1
9
5
8
-
5
9
1
9
5
9
-
6
0
1
9
6
0
-
6
1
1
9
6
1
-
6
2
1
9
6
2
-
6
3
1
9
6
3
-
6
4
1
9
6
4
-
6
5
1
9
6
5
-
6
6
1
9
6
6
-
6
7
1
9
6
7
-
6
8
1
9
6
8
-
6
9
1
9
6
9
-
7
0
1
9
7
0
-
7
1
1
9
7
1
-
7
2
1
9
7
2
-
7
3
1
9
7
3
-
7
4
1
9
7
4
-
7
5
1
9
7
5
-
7
6
1
9
7
6
-
7
7
1
9
7
7
-
7
8
1
9
7
8
-
7
9
1
9
7
9
-
8
0
1
9
8
0
-
8
1
1
9
8
1
-
8
2
1
9
8
2
-
8
3
1
9
8
3
-
8
4
1
9
8
4
-
8
5
1
9
8
5
-
8
6
1
9
8
6
-
8
7
1
9
8
7
-
8
8
1
9
8
8
-
8
9
1
9
8
9
-
9
0
1
9
9
0
-
9
1
1
9
9
1
-
9
2
1
9
9
2
-
9
3
1
9
9
3
-
9
4
1
9
9
4
-
9
5
1
9
9
5
-
9
6
1
9
9
6
-
9
7
1
9
9
7
-
9
8
1
9
9
8
-
9
9
1
9
9
9
-
0
0
2
0
0
0
-
0
1
2
0
0
1
-
0
2
RECRETA
MIRAFLORES
LA BALSA
CONDORCERRO
PUENTE CARRETERA
HUANCAMARCANGA
MANTA
CHUQUICARA
QUITARACSA
LOS CEDROS
COLCAS
ARTESONCOCHA
PARON
LLANGANUCO
CHANCOS
QUILLCAY
YANAMAREY
OLLEROS
QUEROCOCHA
PACHACOTO
Faltan Datos en Algunos Meses del Ao Datos Completos en Todo el Ao Faltan Datos Durante el Ao
46
3.2 MATERIALES.
Los materiales empleados para el presente trabajo de tesis son los siguientes
3.2.1 INFORMACION HIDROMETRICA DE CAUDALES MENSUALES.
La cuenca del Ro Santa cuenta con registros histricos de 20 estaciones hidromtricas
distribuidos en la cuenca. En el cuadro 3.3 se muestra la disponibilidad de datos de caudales
medios mensuales para cada ao desde su funcionamiento hasta el cierre de algunas
estaciones.
3.2.2 INFORMACION CARTOGRAFICA DE LA CUENCA DEL RIO SANTA.
Base cartogrfica para la cuenca del Ro Santa del Instituto Geogrfico Nacional, en
base a cartas nacionales digitales a escala 1/100 000.
3.2.3 SOPORTE INFORMATICO.
Para el procesamiento rpido de los diferentes clculos que en la mayora, son
complicados, y la edicin de los mapas y cuadros; se emplearon lo siguiente:
Ordenador con Software: Office XP, SAMS 2000, Minitab 13.1, SPSS 11.0, Auto Cad
Map2000i, Auto Cad 2002, Adobe Photo Shop 6.0, Adobe Acrobat 5.0, Map Scan, Corel
Draw 10.0, SIH, Panorama Maker, Arc View 3.3.
El programa SAMS (Stochastic Analysis, Modeling, and Simulation): Programa para
el Anlisis Estocstico, Modelamiento y Simulacin; elaborado por el Doctor Jos D. Salas
de la Cruz et al [21] en la universidad del estado de Colorado, elaborado en lenguaje C y
Fortran y corre bajo sistemas operativos modernos como Windows 98 y NT. El programa,
contiene mdulos que consiste en trazado de datos, verificacin de la normalidad,
transformacin de datos y caractersticas estadsticas; en el segundo modulo contiene el
ajuste de modelos estocsticos, incluyendo la estimacin de parmetros y comprobacin del
modelo para alternativas unitarias y multivariadas de los modelos estocsticos, los siguientes
modelos son incluidos:
Modelo Univariado ARMA (p,q) donde p y q pueden variar de 1 a 10.
Modelo Univariado GAR (1)
Modelo Univariado Peridico ARMA (p,q)
Modelo de Desagregacin Estacional Univariada.
Modelo multivariado Autoregresivo MAR (p)
47
Modelo Multivariado Contemporneo CARMA (p,q) donde p y q pueden
variar de 1 a 10.
Modelo Multivariado Peridico MPAR (p)
Modelo de Desagregacin Multivariada Anual (espacial)
Modelo de Desagregacin Multivariada (temporal).
El tercer modulo de aplicacin es la Generacin de Series Sintticas, los modelos para
la generacin pueden ser aquellos que se estiman por el SAMS ellos pueden ser
proporcionados por el usuario.
El programa SIH (Sistema de Informacin Hidrolgica), elaborado por el Mag. Ing.
Mario Aguirre Nez [1]; es un programa de almacenamiento, gestin, anlisis y
modelacin de la informacin relacionada con los recursos hdricos en las cuencas del pas.
El programa ha sido creado con la finalidad de brindar una eficiente ayuda a los
profesionales en hidrologa y administracin de los recursos hdricos. Este programa
conlleva las ms modernas tcnicas de la ciencia Hidrolgica, Estadstica e Informtica.
En concordancia con los procedimientos de gestin de la informacin hidrolgica el
programa se ha organizado modularmente en:
Sistema de Base de Datos
Anlisis de consistencia y correccin de la informacin
Completacin y extensin de la informacin.
Pruebas de bondad de ajuste
Modelacin estocstica
Anlisis de frecuencia de mximas avenidas
Complementariamente a los respectivos mdulos de programa se ha desarrollado la
conexin con los programas o software de uso estndar en hidrologa: HEC4 y SAMS para la
completacin y modelacin estocstica de las series de tiempo hidrolgicas.
3.3 MTODOS.
La metodologa seguida para la validacin de series sintticas generadas por el modelo
estocstico ARMA (p,q), consisti en los siguientes pasos:
3.3.1 RECOPILACIN DE DATOS.
Se recopilaron datos hidrolgicos histricos de descargas medias mensuales (de las
estaciones hidromtricas de la cuenca del Ro Santa), de las siguientes fuentes:
48
Estudio de vulnerabilidad y Evaluacin de Riesgo de las Lagunas de Cancaraca..
Constructora, Consultora y contratistas Generales J.C. & R.F. S.R.L., Diciembre
2001.
Estudio Hidrolgico Integral de la Sub Cuenca Pariac Embalse Rajucolta
Afianzamiento Hdrico Ro Santa. Consult Control S. A., Octubre 1995.
Estudio Integral para el Aprovechamiento de la Cuenca del Ro Santa 1 etapa,
Informe de Inventario, Anexo G: Hidrolgica. Hidroservis, setiembre de 1984.
Tesis: Los Modelos ARIMA y Broken Line Aplicados a las Descargas Mensuales de
los Ros Santa y Tablacacha, Anlisis Critico. [22]
Estos estudios tuvieron como fuente Hidrolgica EGENOR, SENAMHI, etc; de los
cuales se seleccionaron las estaciones que cuenten con la mayor cantidad de registros
histricos para trabajar con un perodo comn en las estaciones seleccionadas.
En el cuadro N 3.3 se muestra la disponibilidad de datos hidromtricos de descargas
medias mensuales, de las cuales se seleccionaron las estaciones que cuentan con mayor
nmero de aos de registros histricos de caudales medios mensuales; estas estaciones
hidromtricas son: Recreta, Pachacoto, Querococha, Cedros, Colcas, Quitaracsa,
Condorcerro, Puente Carretera, La Balsa, Chancos, Llanganuco y Parn; el perodo comn
entre las estaciones seleccionadas es desde 1956 hasta 1995. El cuadro N 3.4 muestra las
estaciones seleccionadas y la disponibilidad de datos de descarga media mensual.
49
50
CUADRO N 3.4
DIPONIBILIDAD DE DATOS DE LAS ESTACIONES SELECCIONADAS Y PERODOS DE ESTUDIO (1956 A 1995)
Nota: El rea achurada corresponde a las estaciones, seleccionadas.
NOMBRE
1
9
5
1
-
5
2
1
9
5
2
-
5
3
1
9
5
3
-
5
4
1
9
5
4
-
5
5
1
9
5
5
-
5
6
1
9
5
6
-
5
7
1
9
5
7
-
5
8
1
9
5
8
-
5
9
1
9
5
9
-
6
0
1
9
6
0
-
6
1
1
9
6
1
-
6
2
1
9
6
2
-
6
3
1
9
6
3
-
6
4
1
9
6
4
-
6
5
1
9
6
5
-
6
6
1
9
6
6
-
6
7
1
9
6
7
-
6
8
1
9
6
8
-
6
9
1
9
6
9
-
7
0
1
9
7
0
-
7
1
1
9
7
1
-
7
2
1
9
7
2
-
7
3
1
9
7
3
-
7
4
1
9
7
4
-
7
5
1
9
7
5
-
7
6
1
9
7
6
-
7
7
1
9
7
7
-
7
8
1
9
7
8
-
7
9
1
9
7
9
-
8
0
1
9
8
0
-
8
1
1
9
8
1
-
8
2
1
9
8
2
-
8
3
1
9
8
3
-
8
4
1
9
8
4
-
8
5
1
9
8
5
-
8
6
1
9
8
6
-
8
7
1
9
8
7
-
8
8
1
9
8
8
-
8
9
1
9
8
9
-
9
0
1
9
9
0
-
9
1
1
9
9
1
-
9
2
1
9
9
2
-
9
3
1
9
9
3
-
9
4
1
9
9
4
-
9
5
1
9
9
5
-
9
6
1
9
9
6
-
9
7
1
9
9
7
-
9
8
1
9
9
8
-
9
9
1
9
9
9
-
0
0
2
0
0
0
-
0
1
2
0
0
1
-
0
2
RECRETA
PACHACOTO
QUEROCOCHA
COLCAS
LOS CEDROS
QUITARACSA
CONDORCERRO
PUENTE
CARRETERA
LA BALSA
CHANCOS
LLANGANUCO
PARON
FaltanDatos Durante el Ao Datos Completos enTodoel Ao Datos Incompletos enAlgunos Meses del Ao
51
3.3.2 PROCESAMIENTO DE DATOS.
Se realiz el procesamiento de datos hidromtricos como son: anlisis de consistencia
de saltos y tendencias de las series hidromtricas, completacin y extensin de datos.
Permitiendo as identificar, estimar y eliminar los saltos y tendencias tanto en la media como
en la desviacin estndar.
Para un mejor anlisis de consistencia y completacin de datos, las series se agruparon
teniendo encuenta la ubicacin de sus estaciones y a partir de ella evaluar las caractersticas
geomorfolgicas, cercanas y semejanzas de pisos altitudinales y semejanzas en el monitoreo
de volmenes de agua.
Para realizar los clculos, se elaboraron hojas de clculo en Excel, que automatizaron
el proceso de clculo. Estas hojas de clculo fueron de elaboracin propia.
1. ANALISIS DE CONSISTENCIA.
Se realiz el anlisis de consistencia de las series, permitiendo as identificar,
cuantificar, evaluar y corregir las inconsistencias en los saltos y tendencias.
i. Identificacin de los Saltos.
Agrupadas las series hidromtricas, se realiz el anlisis visual para identificar
los posibles saltos. La visualizacin de las series en los hidrogramas hace posible una
primera identificacin de los saltos; a partir del grafico de doble masa se pueden
apreciar e identificar los quiebres que representan inconsistencias y en qu perodos
(aos) se han presentado estas inconsistencias.
ii. Evaluacin, Cuantificacin y Correccin de Saltos.
Identificado los quiebres a partir de los grficos doble masa, se procedi a
cuantificar si la inconsistencia es significativa, para la cuantificacin se utilizaron las
ecuaciones 2.2, 2.5 y 2.6 descritas en la seccin 2.1.1 (consistencia en la Media y
Desviacin Estndar), obtenido los resultados de los estadsticos de contraste en la
prueba de homogeneidad de varianzas y prueba de t para la diferencia de 02 medias
que fueron descritas en la seccin 2.1.1; se procedi a corregir las series que presentaran
saltos significativos, segn el anlisis estadstico con las pruebas antes mencionadas
utilizando las ecuaciones 2.7 y 2.8 descritas en la seccin 2.1.1.
iii. Identificacin de Tendencias.
Obtenida las series libre de saltos en la media y desviacin estndar, se realizaron
52
las identificaciones visuales con los hidrogramas a cada serie; esto sirvi para que las
series sean evaluadas y corregidas las tendencias significativas en la media y desviacin
estndar.

iv. Evaluacin, Cuantificacin y Correccin de Tendencias.
Se realizaron los clculos para cuantificar la tendencia en la media y
desviacin estndar utilizando las ecuaciones 2.9 y 2.11 descritas en la seccin 2.1.2,
identificando las series que presentaron tendencias significativas tanto en la media y
desviacin estndar de acuerdo a la contrastacin de hiptesis de la prueba de R
2
. Se
corrigieron las series que presentaron tendencias significativas, utilizando las ecuaciones
2.10 y 2.13 para corregir dichas series, estas ecuaciones fueron descritas en la seccin
2.1.2.
2. COMPLETACION Y EXTENCION DE DATOS.
Obtenida las series libre de saltos y tendencias, se tiene una serie homognea
lista para realizar la completacin de datos, se tomo en cuenta la completacin de datos
ms no la extensin, debido a que en la extensin de datos se pierden caractersticas
estadsticas de las series originales.
La completacin de datos se realizaron en grupos definidos anteriormente,
asegurando la adecuada completacin, tomando las series ndices o series que
presentaban menores quiebres en los grficos de doble masa; estas series sirvieron de
estaciones bases para realizar la completacin de las otras series que los acompaan en
sus respectivos grupos.
Para el proceso de completacin, se preparo una hoja de clculo de elaboracin propia,
para que complete datos teniendo en cuenta:
1 completar datos de la serie ndice o completa, a la serie incompleta con
ecuaciones de regresin lineal, se incorporaron varios modelos de ecuaciones de
regresin como lineal simple, logartmica, potencial, exponencial e inversa; de las cuales
se evaluaron cada ecuacin con la prueba de R
2
, la ecuacin que presentar el valor
ms significativo de la prueba, era la adecuada para realizar la completacin.
2 si R
2
no es significativo, se completaron los datos con el mtodo de las
proporciones.
53
Anlisis del Modelo
Declaracin de Parmetros y
Variables del Programa
Impresin de
Grafico de
Serie Residual
Subrutina de Datos de
Descargas Hist. de la
Cuenca del Ro Santa.
Transformaci
n
Logartmica
Subrutina calcula FA y FAP
Subrutina Toma
Logaritmos de datos
y calcula parmetros
estadsticos.
Seleccin identificacin
del modelo en base a FA y
FAP
Desestacionalizacin Serie
Histrica Mediante
Transformaciones
Subrutina
desestacionalizaci
n quitando la
media
Impresin de
Grafico de
Componente
Estacional
Impresin de Grafico
Componente
Estacional
Transformacin
Estandarizacin
Subrutina
calcula
estadstica
media, desv. Est.
histrica
Subrutina
desestacionaliz
acin y halla
serie residual.
Impresin de
Grafico de
Componente
Residual.
Impresin de Grafico de FA y
FAP, para las series de Transf.
Logartmica y estandarizacin.
SI
NO
SI
NO
1 4 3
FIG. N 3.2 DIAGRAMA DE FLUJO PARA EL ANALISIS
ESTOCASTICO ARMA (p,q)
54
Bondad de Ajuste.
Impresin coefs.
Autorregresivos y
media mvil.
Subrutina entrada
de datos p, q, del
modelo ARMA.
En base FA y FAP estimar
ordenes del Modelo
Estimacin de parmetros
Subrutina calcula
serie aleatoria
Et=f(AR, MA)
Subrutina calcula
parmetros mediante
mtodo de
Momentos
Subrutina calcula
ajuste de parmetros
por max.
Verosimilitud.
Impresin
resultados Prueba de
Porte Monteau.
Subrutina realiza
Prueba de Porte
Monteau, seleccin
de los primeros
modelos ARMA
generados.
Impresin resultados
de la prueba de
Anderson.
Subrutina
realiza Prueba
de Anderson.
Subrutina calcula
FA de serie
residual
estocstica.
1
2 4 3
4 3
55
Impresin resultados
de modelos
seleccionados.
Subrutina halla
modelo parsimonioso
segn AIC, de los
modelos pre
seleccionado.
Impresin
resultados prueba de
ajuste de
normalidad.
Subrutina calcula ajuste
de distribucin de
probabilidad Normal de
serie residual
Estocstica.
Prueba del
Modelo
satisfactoria
?
Probar otra
serie
F I N
2
SI
NO
3 4
56
3.3.3 DESESTACIONALIZACION.
En esta etapa se inicia los procesos para el anlisis estocstico del modelo, como es
descrito en el diagrama de flujo en la figura 3.2.
Las componentes aleatoria y no aleatoria tienen que ser identificada y modelada
previamente. Varias transformaciones son disponibles (estandarizacin, transformacin
logartmica, etc.), para alcanzar aproximadamente una separacin entre la llamada
componente estacional o variacin determinstica y la componente aleatoria.
En general se considera a la variable hidrolgica como normal; si es que la serie es
No-normal, una transformacin adecuada es usada para hacerla normal:
( )
t t
x q Y ...(3.1)
Donde:
q: es la funcin de transformacin siendo Y
t
la variable normal.
Para convertir las series hidromtricas a series normales, se realiz la transformacin
logartmica que ha sido usada en el modelamiento estocstico de modelos ARIMA [22, 1999
y 23, 1991], dando buenos resultados.
El procesamiento de datos para la transformacin y estandarizacin, se elabor una
hoja de clculo en Excel de elaboracin propia.
1. TRANSFORMACION LOGARITMICA.
Si la desviacin estndar aparenta ser directamente proporcional a la media, es
til una transformacin logartmica, un modelo multiplicativo estabiliza la desviacin
estndar y de esa manera se alcanzar una varianza constante a travs del tiempo. Para
realizar la transformacin se utilizaron las ecuaciones condicionadas a partir de la
ecuacin 2.39 descrita en la seccin 2.5.4 (Normalizacin de series Peridicas de
tiempo).
yt
e
mk
e
t
x ...(3.2)
o por su equivalente:
Ln x
t
= m
k
+ y
t
(3.3)

N
1 t
t
k
N
Lnx
m , k= 1,2,,12 (3.4)
E[y
t
] = 0
Donde:
x
t
: Observacin mensual.
Ln x
t
: Logaritmo natural de la observacin t.
57
m
k
: Media aritmtica estimada de Ln x
t
, histrica mensual k.
y
t
: variable aleatoria.
N : nmero de aos.
2. ESTANDARIZACION.
La varianza estacional en la media y la desviacin estndar mensual pueden ser
eliminadas estimando los dos primeros momentos y luego normalizando a un proceso de
media cero y varianza unitaria.
Para la estandarizacin de la serie transformada se aplic la formula 2.42
descrita en la seccin 2.5.4 (Eliminacin de la periodicidad dentro del ao)
Ejemplo:
Procedimientos para determinar la componente residual y estacionaria para la
normalizacin con transformacin logartmica (Cuadro N 3.5) y estandarizacin de
datos (cuadro lado derecho). La grafica de las componentes residual y estacional se
muestra en las figuras 4.25 al 4.48.
Cuadro N 3.5 Ejemplo de clculo para determinar la Transformacin Logartmica y
la Estandarizacin.
CAUDAL
LOG.
NATURAL
COMPONENT
E
COMPONENTE
LOG.
NATURAL
COMPONENT
E
COMPONENTE
MEDIO CAUDAL ESTACIONAL RESIDUAL CAUDAL ESTACIONAL RESIDUAL
AOS Qm
Ln(Qm)
=Q'
( ) ( ) ' Q Ln
e
' Q Q AOS Q' ' Q

' Q ' Q
Z
T
1956 4.848 1.579 6.1127 -0.2318 1956 1.58 1.8104 -0.6206
1957 3.673 1.301 6.1127 -0.5094 1957 1.30 1.8104 -1.3637
1958 6.248 1.832 6.1127 0.0219 1958 1.83 1.8104 0.0586
1959 4.682 1.544 6.1127 -0.2667 1959 1.54 1.8104 -0.7139
1960 8.517 2.142 6.1127 0.3317 1960 2.14 1.8104 0.8880
1961 6.022 1.795 6.1127 -0.0150 1961 1.80 1.8104 -0.0400
1962 9.657 2.268 6.1127 0.4573 1962 2.27 1.8104 1.2243
1963 10.161 2.319 6.1127 0.5082 1963 2.32 1.8104 1.3605
1964 6.286 1.838 6.1127 0.0279 1964 1.84 1.8104 0.0748
1965 3.891 1.359 6.1127 -0.4517 1965 1.36 1.8104 -1.2093
1966 9.075 2.206 6.1127 0.3951 1966 2.21 1.8104 1.0579
1967 4.160 1.426 6.1127 -0.3849 1967 1.43 1.8104 -1.0303
1968 4.445 1.492 6.1127 -0.3186 1968 1.49 1.8104 -0.8529
1969 3.549 1.267 6.1127 -0.5437 1969 1.27 1.8104 -1.4556
1970 11.404 2.434 6.1127 0.6236 1970 2.43 1.8104 1.6695
1971 7.969 2.076 6.1127 0.2652 1971 2.08 1.8104 0.7099
1972 5.553 1.714 6.1127 -0.0960 1972 1.71 1.8104 -0.2571
1973 7.368 1.997 6.1127 0.1868 1973 2.00 1.8104 0.5000
PROMEDI
O
6.53 1.81 6.11 0.0000
PROMEDI
O
1.81 1.8104 0.0000
Zt : variable normalizada con media cedo y varianza uno
DESV.
EST.
0.37 0.0000 1.0000
58
Fig. N 3.3-1: Se muestra el ploteo de datos promedio mensuales de la serie de
Pachacoto, el ploteo de datos caen fuera de los lmites de confianza para que la serie se
normal.
Para el modelamiento de los datos de caudales histricos corregidos y
completados en el programa SAMS, este presenta opciones para normalizacin de datos
con varias trasformaciones e ingreso de coeficientes a para el mejor ajuste. En las
siguientes figuras (3.3-1 al 3.3-4) se muestran el proceso de transformacin logartmica
que se realiza en el programa SAMS.
Fig. N 3.3: se muestra las
diferentes transformaciones para
normalizar los datos, en este caso
se aplico la transformacin
logartmica.
Fig. N 3.4: despus de la
transformacin, los datos ploteados
mejoraron de ajuste que se puede
ajustar mejor dando valores al
coeficiente a

59

Fig. N 3.3-2: Se muestras las
diferentes opciones para
normalizar los datos, entre
estas se encuentra la
transformacin logartmica.

Fig. 3.3-3: Despus de aplicar
transformacin logartmica a los
datos, estos han mejorado en el
ploteo ajustndose mejor dando
valores al coeficiente a.
60

Fig. N 3.3-4: con a=0.25, se tiene
mejor ajuste de datos, que los
mostrados en la figura anterior, con
este parmetro, los datos han
quedado normalizados.
3.3.4 IDENTIFICACION O SELECCIN DEL MODELO.
Los instrumentos para la identificacin del modelo son la muestra visual de la serie
original, el comportamiento de la funcin de autocorrelacin (FA) y la funcin de
autocorrelacin parcial (FAP). La inspeccin visual de la muestra de la serie original puede
revelar la presencia de una tendencia.
1. FUNCION DE AUTOCORRELACION (F.A.).
El anlisis de la estacionariedad de las series aleatorias obtenidas a partir de la
transformacin logartmica, se obtiene de la funcin de autocorrelacin definida en la
seccin 2.4.1 con la ecuacin 2.17. Para los lmites de Anderson se aplic la ecuacin
2.57 de la seccin 2.5.4. Para la determinacin de la Funcin de Autocorrelacin de las
series con transformacin logartmica y estandarizada se utiliz el programa Minitab
13.1; en los programas de SPSS 11.0 y Statgraf tambin se encuentra disponible.
Ejemplo: Obtencin de la funcin de autocorrelacin, calculando el coeficiente de
correlacin entre: X
t
, X
t+1
; X
t+1
,X
t+2
, ; ; X
t+3
, X
t+4
. Ver cuadro N 3.6 y Fig N 3.4.
61
Cuadro N 3.6: Ejemplo para el clculo de la Funcin de Autocorrelacin.
k 0.747 0.781 0.747 0.787 0.525
T X
t
X
t+1
X
t+2
X
t+3
X
t+4
X
t+5
Retard
o
Funcin
Correlaci
n
Limite
superi
or
Limite
inferior
1 -0.2279 0.0883 -0.1142 0.1610 -0.1502 -0.4971 k k
2 0.0883 -0.1142 0.1610 -0.1502 -0.4971 -0.8847 1 0.747 0.507 -0.749
3 -0.1142 0.1610 -0.1502 -0.4971 -0.8847 -1.1074 2 0.781 0.462 -0.706
4 0.1610 -0.1502 -0.4971 -0.8847 -1.1074 -0.7160 3 0.747 0.410 -0.652
5 -0.1502 -0.4971 -0.8847 -1.1074 -0.7160 4 0.787 0.356 -0.599
6 -0.4971 -0.8847 -1.1074 -0.7160 5 0.525 0.283 -0.519
7 -0.8847 -1.1074 -0.7160
8 -1.1074 -0.7160
9 -0.7160
10 -0.6538
2. FUNCION DE AUTOCORRELACION PARCIAL (F.A.P.)
La Funcin de Autocorrelacin Parcial (F.A.P.) es otra forma de representar la
estructura de dependencia en el tiempo, y es til para identificar el orden del modelo,
esta funcin se obtiene de la ecuacin 2.23 descrita en la seccin 2.4.2. Para los lmites
de Anderson se aplic la ecuacin 2.56 de la seccin 2.5.4. Para la determinacin de la
Funcin de Autocorrelacin de las series con transformacin logartmica y estandarizada
se utiliz el programa Minitab 13.1, en los programas de SPSS 11.0 y Statgraf tambin
se encuentran disponibles.
Ejemplo: Para la obtencin de la funcin de autocorrelacin parcial, se resuelve el
sistema de ecuaciones, donde
5 1
,..., son las funciones de autocorrelacin parcial
y
4 0
r ,..., r
, son las funciones de autocorrelacin obtenidas anteriormente.
Funcin de Autocorrelacin
-1.00
-0.80
-0.60
-0.40
-0.20
0.00
0.20
0.40
0.60
0.80
1.00
1 2 3 4 5
Retardos
k
Limite superior
Limite inf erior
Fig. N 3.4: Ploteo de la Funcin de Autocorrelacin y los
lmites de confianza.
62
0 5 1 4 2 3 3 2 4 1 5
0 4 1 3 2 2 3 1 4
0 3 1 2 2 1 3
0 2 1 1 2
0 1 1
r r r r r r
r r r r r
r r r r
r r r
r r
+ + + +
+ + +
+ +
+

3.3.5 ESTIMACION DE LOS PARAMETROS DEL MODELO ARMA (p,q).
El propsito es estimar los parmetros de los modelos seleccionados en la seccin
anterior. La estimacin de estos parmetros se realiza inicialmente por el mtodo de los
momentos, para luego continuar con el mtodo de la mxima verosimilitud. Para la
determinacin de los parmetros autorregresivos y media mvil del modelo ARMA (p,q) se
utiliz el programa SAMS 2000 (Simulacin y Anlisis de Modelos Estocsticos).
Para obtener los parmetros del modelo ARMA (p,q), se siguen los siguientes pasos:
Paso 1: Se obtienen los estimados iniciales de los p parmetros autorregresivos
1
,
2
, ,

p
, resolviendo las p ecuaciones de Yule-Walker.
q p 2 p q 2 1 p q 1 p q
q 2 q p q 2 1 q 1 2 q
p 1 q p 1 q 2 q 1 1 q
C ... C C C
C ... C C C
C ... C C C
+ + +
+ + +
+ + +
+ + +
+ + +
+ +
Paso 2: Obtener los estimados iniciales de los q parmetros de media mvil
1
,
2
, ,
q
,
de la serie modificada.
p t p 1 t 1 t
'
t
U ... U U U


Luego la funcin de autocovarianza C
k
de la serie z
k
. Alternativamente Box y Jenkins
(1976) dan la formula siguiente para los C
k
de la serie z
t
utilizando los disponibles del
paso 1:
( )


+
+ + + +
p
0 i
p
1 i
j p i p 1 i 1 1 0 j
2
i
'
j
d ... C C
Donde:
d
j
= C
j+1
+ C
j-1
, j= 0, 1, , q ,
0
= -1
Los C
j
, los parmetros y la Varianza residual
2

se obtienen resolviendo
iterativamente las siguientes ecuaciones:
63

,
`

.
|

+ + + +

+ +

p j q 2 j 2 1 j 1
2
'
j
j
2
q
2
2
2
1
'
0 2
...
C
... 1
c
Esto completa la estimacin inicial de los parmetros
1
,
2
, ,
p

,
1
,
2
, ,
q

,
2

.
Entonces el modelo inicial estimado ser:

+
p
1 i
q
1 i
i t i t i t
U
i oo t
U
Paso 3: Se fija el estimado por el principio de mxima verosimilitud. Se calculan las
residuales:
p N ,..., 2 , 1 j
U U
: q p ; S
) q , p ( mx ,..., 1 j , 0
p
1 i
q
1 i
i j p i i j p i j p j p
j

+
>



+ + + +
Siendo N la extensin de la serie residual. La suma de los cuadrados se calcula
mediante:

N
1 t
2
t
) , ( S
Para varias combinaciones de y se fijan aquellos en los cules S es mnimo. Para
obtener los parmetros autorregresivos y media mvil se us del software SAMS
(Simulacin y Anlisis de Modelos estocsticos), que modela series con el mtodo ARMA
de Box y Jenkins, el SAMS tiene 02 presentaciones del modelo ARMA, para series anuales y
para series estacionales, que en este caso se denomina PARMA (Peridico ARMA).
Se aplic el modelamiento ARMA peridico (en el SAMS esta definido como
PARMA) que es para series estacionales. Inicialmente el software presenta opciones para
realizar transformaciones para aproximar a una serie normal (transformacin logartmica,
potencia y Box-cox), para luego elegir la opcin de realizar la estandarizacin de las series;
luego determina los parmetros estadsticos, seguidamente calcula los p parmetros
autorregresivos y luego los q parmetros de media mvil; los parmetros de los modelos
son calculados por el mtodo de los momentos y de la suma de cuadrados.
3.3.6 PRUEBA DE BONDAD DE AJUSTE DEL MODELO ARMA (p,q).
Despus de remover las componentes peridicas y la estructura dependiente en el
tiempo, el modelo aplicado debe probarse para determinar s el modelo obedece las
64
asunciones ejemplares y si el modelo es capaz de reproducir las propiedades estadsticas
histricas de los datos, esencialmente las asunciones importantes de los modelos se refieren a
las caractersticas subyacentes de los residuos como normalidad e independencia.
El programa SAMS presenta entre sus bondades, las pruebas de Residuales: como las
pruebas de Normalidad de Residuales y la prueba de Independencia de residuales. Para la
verificacin de la bondad de ajuste del modelo se realizaron las siguientes pruebas:
1. PRUEBA DE INDEPENDENCIA EN EL TIEMPO.
Se aplican las pruebas de falta de ajuste de porte Monteau con juntamente con el
correlograma de Anderson, para probar la independencia de las series de tiempo.
i. Prueba de Ajuste de Porte Monteau.
Esta prueba es para verificar si la variable residual
t
es normal e independiente.
Con el estadstico propuesto, en la seccin 2.5.4 (Prueba de Bondad de ajuste del
Modelo) aplicando la ecuacin 2.58, comparamos el valor de el Q-estadstico con el
valor Chi-cuadrado de (L-p-q) grados de libertad, con un nivel de significacin 0.05, y si
es que Q <
(L-p-q)
2
entonces
t
es independiente normal y el modelo seleccionado es
adecuado.
ii. Prueba de Anderson.
La hiptesis de que las residuales no se correlacionan, es decir que constituyen
series independientes, se comprueba por la prueba del correlograma de Anderson. El
correlograma r
k
() de los residuales
t
se determina por la ecuacin 2.17 y los lmites de
95% para el correlograma de serie independiente se calcula con la ecuacin 2.57.
2. PRUEBA DE NORMALIDAD.
El programa SAMS realiza el Test de Residuales para el modelo ARMA (p,q),
de tal manera que realiza la Prueba de Chi-cuadrado y Asimetra de Normalidad
(Skewness Test of Normaliti) realizando una prueba grfica consistente en el ploteo de
la distribucin emprica de la serie en un papel de probabilidad normal y verificar si los
puntos ploteados siguen aproximadamente una lnea recta, se utilizan las ecuaciones
2.59 y 2.60 respectivamente.
3. PARSIMONIA DE PARAMETROS.
Una regla para seleccionar entre modelos ARMA (p,q) competentes es aplicando el
65
criterio de Informacin Akaike (ver ecuacin 2.61) se selecciona el modelo que tiene el
menor valor del AIC(p,q).
3.3.7 GENERACION SINTETICA DE SERIES HIDROLOGICAS CON EL
MODELO ARMA (p,q).
Teniendo los modelos seleccionados segn el criterio de Informacin Akaike, que
toma en cuenta la parsimonia de parmetros, se procede a la generacin de series sintticas
mensuales, para ver si el modelo reproduce series con caractersticas estadsticas similares a
la serie histrica muestral, puesto que se supone que ellas derivan de una misma poblacin, y
de esta forma poder seleccionar un modelo entre los modelos competentes hallados para cada
serie.
La generacin de series es hecha para cada modelo a travs de sus respectivos
parmetros autorregresivos (AR) y medias mviles presentes (MA), para la generacin de
series se ha empleado la ecuacin 2.63; luego si la serie fue estandarizada una
transformacin inversa ser necesario utilizando la ecuacin 2.65, como las series fueron
normalizadas con la transformacin logartmica, una transformacin inversa ser necesaria
aplicando la ecuacin 2.68
El programa SAMS genera las series sintticas en funcin a los parmetros del modelo
ARMA (p,q) establecido en el capitulo II de la siguiente manera:
Generar datos con el modelo ARMA (p,q) que tiene la siguiente estructura
t ,
2
q
1 i
i t ,
2
, i
p
1 j
j t , , j ,
z U

+

,
Si se realiz la estandarizacin, una transformacin inversa es aplicada
con:
( ) U S
U U
Z
,
,

.
Se obtiene los caudales generados de la siguiente formula
( )

+
, ,
Z Y S Y Y
, que depende de la media y desviacin estndar histrica
de los datos transformados (transformacin logartmica), y el parmetro
estocstico estandarizado.
Si una transformacin a sido aplicada, como la logartmica, una
transformacin inversa es aplicada con:
( )

a Y exp X
, ,
; a partir de esta
se obtiene los caudales sintticos medios mensuales generados.
Segn recomendacin del manual del usuario del SAMS 2000 [14], que recomienda
realizar 100 generaciones de series de caudales; se realizaron esta cantidad de series
generadas para realizar las pruebas estadsticas de validacin. Ejemplo la aplicacin del
66
modelo ARMA (2,1) es mostrado en el cuadro N 3.7.
( )
( )
( ) ( )
mes :
ao :
U U U U U
1 , 2 ARMA
U y q , p ARMA PERIODICO MODELO
1 ,
2
1 t ,
2
, 1 2 t , , 2 1 t , , 1 1 , 1 t , , 1 2 t , , 2 1 t , , 1 ,
, ,

+ + + +
+


Cuadro N 3.7: modelo periodico ARMA (p,q)
:
aos
: mes cualquiera de 1 a 12 (Ene a Dic)
1 ( )
1 0 1 2 0 1 1
U y + + +
2 ( )
1 1 1 0 2 1 1 2
U U y + + +
3 ( )
3 2 1 1 2 2 1 3
U U y + + +
4 ( )
4 3 1 2 2 3 1 4
U U y + + +

( )
1 , 1 t , , 1 2 t , , 2 1 t , , 1 ,
U U y

+ + +
1. ANALISIS COMPARATIVO DE SERIES HISTORICAS Y GENERADAS.
Seleccionado los modelos de la serie por transformacin logartmica y
estandarizacin segn el Criterio de Informacin de Akaike, son generados 100 series
mensuales de longitud igual a los tramos establecidos, el programa SAMS determina la
Media, Desviacin Estndar, Coeficiente De Asimetra, Coeficiente De Variacin,
Mximos y Mnimos mensuales respectivamente; de las series generadas e histricas,
de esta manera tomamos los estadsticos mas representativo como la media y desviacin
estar para realizar las pruebas de validacin.
3.3.8 VALIDACION DE RESULTADOS Y CONTRASTACION DE HIPOTESIS.
Para la validacin de las series sintticas generadas por el programa SAMS 2000, a
partir de las series histricas que son las originales, ser necesaria la realizacin de pruebas
estadsticas descritas en la seccin 2.7.4 utilizando las ecuaciones 2.74 y 2.78 para muestras
independientes y la ecuacin 2.81 para muestras dependientes; con la finalidad de verificar la
semejanza estadstica que tiene los estadsticos ms significantes como la media y desviacin
estndar. Los clculos se realizaron en una hoja automtica de clculo Excel de elaboracin
propia. Para la validacin de series, se realizaron las siguientes pruebas:
1. PRUEBA DE HIPOTESIS REFERENTE A 02 MUESTRAS.
Esta prueba consistente en evaluar la semejanza estadstica de dos muestras, realizando
las siguientes pruebas:
67
i. Prueba de Hiptesis de las Varianzas de 02 Poblaciones.
Prueba necesaria para determinar si las varianzas de dos poblaciones son
homogneas, para esto se aplic la ecuacin 2.70 descritas en la seccin 2.7.4, esta
prueba se realiz estacin por estacin (mes por mes), teniendo en cuenta el numero de
datos de cada serie (estacin hidromtrica), tanto para el promedio mensual de las 100
series generadas, como para cada serie generada.
Esta prueba es necesaria para identificar si las varianzas, son iguales o no,
teniendo la evaluacin de esta prueba se procede a la siguiente prueba estadstica.
ii. Prueba de T para Muestras Independientes.
Identificado si las varianzas son homogneas o no, se realiza la prueba de la
diferencia de dos medias con los estadsticos de prueba de la distribucin t student, esta
prueba tiene dos formas, la primera es cuando las varianzas resulten iguales y la
segunda, para cuando las varianzas resulten diferentes. Para la cuantificacin y
evaluacin de estas pruebas se utilizaron las ecuaciones 2.73 y 2.77 descritas en la
seccin 2.7.4.
iii. Prueba de T para Muestras Dependientes.
Relacionando las medias y varianzas de las series histricas y generadas, para la
relacin se determin la diferencia, se realizaron las pruebas estadsticas para series
dependientes; consistentes en pruebas de media y pruebas de varianza para cada serie
(estacin hidromtrica) aplicando la ecuacin 2.81 para la media y desviacin estndar
de la diferencia de la serie histrica y la generada.
2. INTERVALO DE CONFIANZA A PARTIR DE LAS SERIES GENERADAS.
Otra prueba es la cuantificacin y evaluacin de la serie histrica, en el intervalo
de confianza calculado a partir de las series generadas, para esto se aplicaron las
formulas descritas en la seccin 2.7.4 (Intervalo de Confianza a partir de las Series
Generadas), ecuaciones 2.82, 2.83 y 2.84.
3. PRUEBAS DE BONDAD DE AJUSTE.
Para verificar si las series histricas y las generadas se ajustan a una distribucin
de probabilidad normal, se cuantificaron y evaluaron con las pruebas de Chi- Cuadrado
68
y Kolmogorov Smirnov descritas en la seccin 2.7.4 (Pruebas de bondad de Ajuste) y
utilizando las ecuaciones 2.85 y 2.86 respectivamente.
Para la realizacin de estas pruebas se determina una serie generada optima
teniendo en cuenta como criterio, las pruebas de de hiptesis para dos muestras, se
evaluaron cada una de las 100 series sintticas generadas con las series histricas
respectivamente, de las cuales se simulo con varios valores de nivel de significancia (
probabilidad de error) para que de esta manera quede una sola serie que es la mas
representativa.
69
IV. RESULTADOS
4.1 INFORMACIN HIDROMTRICA.
De los registros histricos se seleccionaron 12 estaciones que cuentan con mayor
cantidad y continuidad de datos hidromtricos; las estaciones seleccionadas se agruparon
para un mejor anlisis de consistencia y completacin de datos. Los grupos de estaciones
seleccionadas fueron agrupadas teniendo en cuenta caractersticas geomorfolgicas,
cercanas y semejanzas de pisos altitudinales, semejanza en el monitoreo de volmenes de
agua.
A continuacin se muestra en el cuadro 4.1, las estaciones seleccionadas en grupos
para los anlisis posteriores y el perodo de registro que se ha considerado para realizar el
anlisis.
GRUPO
Estaciones
Hidromtricas
Seleccionadas
Datos
disponibles
en aos
GRUPO I
Recreta 1956 1995
Pachacoto 1956 1995
Querococha 1956 1995
GRUPO II
Colcas 1956 1995
Cedros 1956 1995
Quitaracsa 1956 1995
GRUPO III
Condorcerro 1956 1995
Puente carretera 1956 1995
La Balsa 1956 1995
GRUPO IV
Chancos 1956 1995
Llanganuco 1956 1995
Parn 1956 1995
Cuadro N 4.1. Estaciones hidromtricas seleccionadas y ordenadas por grupos
70
Los datos de descargas medias mensuales histricas de las estaciones
seleccionadas se muestran en el anexo B-1.
4.2 ANALISIS DE CONSISTENCIA.
4.2.1 IDENTIFICACION VISUAL.
1. ANLISIS DE HIDROGRAMAS.
Se plotearon los valores de caudales medios mensuales versus tiempo, para las
estaciones hidromtricas en estudio, dichos grficos se muestran en las figuras 4.13 al
424.
2. ANALISIS DOBLE MASA.
Para el anlisis de doble masa, se tomo en cuenta las agrupacin de estaciones,
mostradas en el cuadro 4.1, en las figuras 4.1 al 4.4 muestran las rectas de doble masa de
las series histricas seleccionadas por grupos, de las cuales para cada grupo se identifico
las estaciones que tienen menos puntos de quiebre, determinando las estaciones ndices
en cada grupo (ver cuadro 4.2):
Cuadro N 4.2: Estaciones ndices en los grupos de estaciones Hidromtricas
GRUPO DE
ESTACIONES
HIDROMTRICAS
ESTACION
INDICE
GRUPO I PACHACOTO
GRUPO II CEDROS
GRUPO III LA BALSA
GRUPO IV LLANGANUCO
En las figuras 4.5 al 4.8 muestran las rectas doble masa, ploteadas con las
estaciones ndices e identificando los puntos de quiebre y los perodos confiables y
dudosos mostrados en el cuadro 4.3.
4.2.2 ANALISIS DE CONSISTENCIA EN SALTOS.
Tomando en cuenta las consideraciones de anlisis visual de los datos originales
(anlisis de hidrogramas y anlisis doble masa), e identificado los perodos dudosos y
confiables de las series de estaciones analizadas teniendo en cuenta que los perodos
71
confiables son los que tienen mayor longitud y realizando el anlisis estadstico en la media
y desviacin estndar segn las pruebas estadsticas t de Student y F de Fisher Snedecor
indicadas en al seccin 2.1 (anlisis de consistencia de datos hidrolgicos), permitiendo
identificar, cuantificar, evaluar y corregir los perodos dudosos a partir de los perodos
confiables; aumentando as, la bondad de ajuste. Los resultados se muestran en el cuadro N
4.5, donde la parte resaltada indica los perodos donde el anlisis estadstico de tendencia en
la media resulto no significativo.
Cuadro N 4.3 perodos confiables y dudosos en las series de estaciones seleccionadas.
SERIE
ESTACIO
N
PERODOS
CONFIABLE
LONGITU
D (AOS)
DUDOS
O
LONGITU
D (AOS)
RECRETA 1956-1976 21
1977-
1980
1981-
1984
1985-
1989
1990-
1993
4
4
5
4
QUEROCOC
HA
1956-1968 13
1969-
1974
1975-
1981
1982-
1985
1986-
1993
6
7
4
8
COLCAS 1956-1976 21
1977-
1983
1984-
1992
7
9
QUITARACS
A
1956-1992 37
1993-
1995
3
LA BALSA 1956-1978 23
1979-
1995
17
PUENTE
CARRETERA
1956-1971 16
1972-
1979
1980-
1985
1986-
1989
8
6
4
CHANCOS 1956-1977 22
1978-
1986
9
LLANGANU
CO
1956-1976 21
1977-
1995
19
PARON 1956-1976 21 1977-
1984
1985-
1989
1990-
8
5
6
72
1995
4.2.3 ANALISIS DE CONSISTENCIA EN TENDENCIAS
Las tendencias se analizan tanto en la media como en la desviacin estndar utilizando
la prueba de R
2
, siendo evaluada con el estadstico t de Student para el ajuste, teniendo como
resultado final una muestra de datos homogneos, consistentes y libres de tendencias. Se
analizaron las series libres de saltos, realizando el anlisis de tendencia en toda la longitud de
la serie y en algunos perodos donde presentaron visualmente tendencias, de las cuales estos
perodos fueron evaluados y corregidos mostrando los resultados, ver cuadro N 4.6. Las
filas resaltadas indican los perodos donde el anlisis estadstico en tendencias, resulto
significativo.
4.3 COMPLETACION DE DATOS.
Obtenida series homogneas libres de saltos y tendencias, se completaron datos
faltantes en algunos meses de las estaciones en estudio. La completacin se realizo con un
programa de elaboracin propia en hoja de calculo Excel XP, donde el programa realiza la
verificacin de los coeficientes de correlacin R
2
en 7 diferentes modelos de ecuaciones
lineales, de donde se selecciona el mejor valor de R
2
con la prueba de t de Student; si los
coeficientes R
2
no cumplen con la prueba de t Student, se realiza la completacin con el
mtodo de proporciones. Las series hidrolgicas de caudales medios mensuales corregidos
y completados se presentan en el anexo B-2. En las figuras 4.9 al 4.12 se muestran las rectas
doble masa de los caudales corregidos y completados, y en las figuras 4.13 al 4.24 se
muestran hidrogramas comparativos de caudales histricos y corregidos.
Cuadro N 4.4: Modelos de ecuacin de regresin para la completacin de datos.
N
Ecuaciones de
Completacin
1 Y = a*X + b
2 Y = a*LnX + b
3 Y = b*exp(a*X)
4 Y = b*X^a
5 Y = a/X + b
6 Y = X/(a + b*X)
7 Y = exp(b+X*Lna)
73
Donde:
Y : valor completado de la estacin incompleta correspondiente al mes
y ao que se quiere completar.
X : datos de la estacin completa correspondiente al mes y ao que se
quiere completar.
a,b : coeficientes de la ecuacin obtenidas por regresin lineal.
74
CUADRO N 4.5
RESULTADO DE LOS ANALISIS DE CONSISTENCIA EN LOS SALTOS
PERIODOS
N1 X1 S1 N1 X1 S1 Tcal T % 11 Comp Dif.Sig. Fcal F % 11 COMP. D.SIG. COEF.A COEF. B
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt Si . 111111 - . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt NO . 1111 . 1111 Tc>Tt NO . 111111 . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt NO . 1111 . 1111 Tc>Tt Si . 111111 - . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt Si . 111111 . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt NO . 1111 . 1111 Tc>Tt Si . 111111 . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt NO . 1111 . 1111 Tc>Tt NO . 111111 . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt NO . 111111 - . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt NO . 1111 . 1111 Tc>Tt NO . 111111 . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt NO . 111111 - . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt NO . 111111 . 111111
QUITARACSA 1111 1111 1111 1111 111 . 11111 . 1111 11 . 11111 . 11111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt Si . 111111 . 111111
CONDORRCERRO 1111 1111 1111 1111 111 . 111111 . 111111 111 . 111111 . 111111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Fc>Ft NO . 111111 . 1111111
1111 1111 1111 1111 111 . 11111 . 11111 11 . 11111 . 11111 . 1111 . 1111 Tc>Tt NO . 1111 . 1111 Tc>Tt Si . 111111 . 1111111
1111 1111 1111 1111 111 . 11111 . 11111 11 . 11111 . 11111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt Si . 111111 . 111111
1111 1111 1111 1111 111 . 11111 . 11111 11 . 11111 . 11111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt Si . 111111 - . 1111111
CHANCOS 1111 1111 1111 1111 111 . 1111 . 1111 111 . 1111 . 1111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt Si . 111111 . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt Si . 111111 - . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 11111 . 1111 Tc>Tt SI . 1111 . 1111 Tc>Tt Si . 111111 - . 111111
1111 1111 1111 1111 111 . 1111 . 1111 11 . 1111 . 1111 . 1111 . 1111 Tc>Tt SI . 11111 . 1111 Tc>Tt Si . 111111 . 111111
NOTA: X : PROMEDIODELGRUPO 1 1 Tcal: ESTADISTICOTDESTUDENTCALCULADO COEF. A: COEFICIENTEDEREGRESIONA
X : PROMEDIODELGRUPO 1 1 T %: ESTADISTICOTDE STUDENTTABULAR 11 CONST. B: TERMINOCONSTANTEDEREGRESIONB
S(X ): DESVIACIONESTANDARDELGRUPO 1 1 Fcal:ESTADITICOF DESNEDECORCALCULADO N : NUMERODE DATOS DELGRUPO 1 1
S(X ): DESVIACIONESTANDARDELGRUPO 1 1 F %: ESTADISTICOF DE SNEDECOR TABULAR 11 N : NUMERODE DATOS DELGRUPO 1 1
CONFIABLES DUDOSOS
PERIODOCONFIABLE CONSISTENCIAENLADESV.ESTANDAR ECUACION PERIODODUDOSO CONSISTENCIAENLAMEDIA
COLCAS
PUENTE CARRETERA
PARON
ESTACION
RECRETA
QUEROCOCHA
75
CUADRO N 4.6
RESULTADO DE ANALISIS DE TENDENCIA EN LA MEDIA Y DESVIACION ESTANDAR
INICIO FINAL Am Bm Tc Tt (95%)
1956 1995 MEDIA -0.00014 3.22604 -0.10951 1.96494 Tc>=Tt NO
1956 1995 DES. ESTANDAR 0.00060 3.57067 0.02970 2.02439 Tc>=Tt NO
1956 1961 MEDIA 0.01913 3.78773 1.21243 1.99444 Tc>=Tt NO
1956 1961 DES. ESTANDAR 0.04643 2.61614 0.40912 2.77645 Tc>=Tt NO
1962 1964 MEDIA -0.10357 7.08711 -1.86075 2.03224 Tc>=Tt NO
1962 1964 DES. ESTANDAR -0.46582 4.51212 -0.88294 12.70615 Tc>=Tt NO
1968 1970 MEDIA 0.06189 2.79202 1.57983 2.03224 Tc>=Tt NO
1968 1970 DES. ESTANDAR 0.52418 1.27766 4.00999 12.70615 Tc>=Tt NO
1956 1995 MEDIA -0.00218 4.76769 -2.22823 1.96496 Tc>=Tt SI
1956 1995 DES. ESTANDAR -0.01352 3.12928 -1.18879 2.02439 Tc>=Tt NO
1956 1995 MEDIA -0.00002 1.63241 -0.04819 1.96496 Tc>=Tt NO
1956 1995 DES. ESTANDAR 0.00536 1.07724 1.03447 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.00134 5.57188 1.32129 1.96523 Tc>=Tt NO
1993 1994 MEDIA -0.24745 10.21818 -2.73613 2.07388 Tc>=Tt SI
1956 1995 DES. ESTANDAR -0.00206 2.86858 -0.16052 2.02439 Tc>=Tt NO
1956 1995 MEDIA -0.00327 11.47305 -1.77735 1.96521 Tc>=Tt NO
1956 1995 DES. ESTANDAR -0.03707 5.87665 -1.47932 2.02439 Tc>=Tt NO
1956 1995 MEDIA -0.00055 3.61762 -1.21782 1.96510 Tc>=Tt NO
1956 1995 DES. ESTANDAR 0.00902 1.04094 1.31683 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.01218 143.45298 0.30510 1.96494 Tc>=Tt NO
1956 1995 DES. ESTANDAR 0.05814 109.76259 0.08421 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.03430 141.49410 0.72666 1.96521 Tc>=Tt NO
1956 1965 MEDIA -0.80793 204.78879 -2.29287 1.98027 Tc>=Tt SI
1956 1995 DES. ESTANDAR -0.13978 126.48320 -0.19539 2.02439 Tc>=Tt NO
1956 1995 MEDIA -0.03950 94.58298 -1.92749 1.96494 Tc>=Tt NO
1956 1995 DES. ESTANDAR -0.37616 67.30793 -1.28253 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.00013 7.86623 0.10168 1.96501 Tc>=Tt NO
1978 1992 MEDIA -0.01437 9.01481 -2.48362 1.97346 Tc>=Tt SI
1956 1995 DES. ESTANDAR 0.02491 3.28282 1.81144 2.02439 Tc>=Tt NO
1956 1995 MEDIA 0.00089 2.79873 2.43804 1.96505 Tc>=Tt SI
1956 1995 DES. ESTANDAR 0.00667 0.91028 2.30245 2.02439 Tc>=Tt SI
1956 1995 MEDIA -0.00014 1.62258 -0.66393 1.96518 Tc>=Tt NO
1956 1995 DES. ESTANDAR -0.00485 0.63333 -1.82622 2.02439 Tc>=Tt NO
Tc: ESTADISTICOT DE STUDENT CALCULADO AmCOEFICIENTE DE CORRELACIONLINEAL SIMPLE
Tt(95%): ESTADITICOT DE STUDENT TABULAR BmCOEFICIENTE CONSTANTE DE CORRELACION SIMPLE
LA BALSA
CHANCOS
LLANGANUCO
PARON
QUITARACSA
CEDROS
CONDORCERRO
PUENTE CARRETERA
RECRETA
QUEROCOCHA
COLCAS
PACHACOTO
ESTACION COMPROVACION TENDENCIA SIGNIFICATIVA
PERIODO
TENDENCIA
COEFICIENTE ESTADISTICO T
76
CUADRO N 4.7: ECUACIONES DE COMPLETACION DE
DATOS FALTANTES ENTRE ESTACIONES
ESTACION DE COLCAS COMPLETA CON LA ESTACION LA BALSA
MES FORMA DE ECUACIN
SIGNIFICATIVO
PRUEBA R
2
R2 a b
ENE Y = a*X + b SI 0.2139 0.0300 4.4842
FEB Y = a*X + b SI 0.2314 0.0184 6.4364
MAR Y = a*X + b SI 0.3280 0.0235 5.1236
ABR Y = b*X^a SI 0.2290 0.3729 1.1168
MAY Y = b*X^a SI 0.1368 0.3518 1.0607
JUN completado con el mtodo de proporciones
JUL completado con el mtodo de proporciones
AGO completado con el mtodo de proporciones
SET Y = X/(a + b*X) SI 0.1781 6.9124 0.1383
OCT Y = X/(a + b*X) SI 0.2317 7.5656 0.1151
NOV Y = b*X^a SI 0.1719 0.4784 0.6727
DIC Y = X/(a + b*X) SI 0.1945 4.4012 0.1072

ESTACION DE QUITARACSA COMPLETADA CON LA ESTACION LA BALSA
MES FORMA DE ECUACIN
SIGNIFICATIVO
PRUEBA R
2
R2 a b
ENE Y = a/X + b SI 0.5233
-
1125.308
4
23.6419
FEB Y = a*X + b SI 0.4947 0.0626 7.6528
MAR Y = b*X^a SI 0.5499 0.5653 1.0165
ABR Y = X/(a + b*X) SI 0.6451 5.0618 0.0270
MAY Y = b*X^a SI 0.5978 0.6762 0.5680
JUN Y = X/(a + b*X) SI 0.2804 3.2516 0.0556
JUL Y = X/(a + b*X) SI 0.0907 2.1006 0.1020
AGO Y = X/(a + b*X) SI 0.0874 1.7645 0.1224
SET Y = X/(a + b*X) SI 0.1604 1.8996 0.1157
OCT Y = X/(a + b*X) SI 0.2254 3.1223 0.0656
NOV Y = b*X^a SI 0.1789 0.3014 2.5275
DIC Y = b*exp(a*X) SI 0.3692 0.0054 6.1012

ESTACION DE LOS CEDROS COMPLETADA CON LA ESTACION DE LA BALSA
MES FORMA DE ECUACIN
SIGNIFICATIVO
PRUEBA R
2
R2 a b
ENE Y = exp(b+X*Lna) SI 0.1776 1.0028 1.0743
FEB Y = a*X + b SI 0.2718 0.0124 2.7872
MAR Y = a*X + b SI 0.2895 0.0114 3.0248
ABR Y = a*X + b SI 0.3042 0.0154 2.4233
MAY Y = a/X + b SI 0.2680 -70.3681 4.3370
JUN Y = a/X + b SI 0.2391 -61.1357 4.1631
JUL Y = a*X + b SI 0.2247 0.0554 0.6423
AGO Y = X/(a + b*X) SI 0.2448 8.6535 0.1357
SET Y = a/X + b SI 0.2257 -43.3563 3.7416
OCT Y = a*X + b SI 0.3780 0.0320 1.1976
NOV no presento datos faltantes
DIC no presento datos faltantes
77
ESTACION DE PUENTE CARRETARA COMPLETADA CON LA ESTACION DE LA BALSA
ME
S
FORMA DE ECUACIN
SIGNIFICATIVO
PRUEBA R
2
R2 a b
ENE Y = a*X + b SI 0.48713 1.81351 -29.27953
FEB Y = a*X + b SI 0.19642 0.79455 170.50581
MAR Y = b*X^a SI 0.38900 0.69950 9.14637
ABR Y = b*exp(a*X) SI 0.19421 0.00389 156.94583
MAY completado con el mtodo de proporciones
JUN Y = a/X + b SI 0.10286 4497.06107 -25.76121
JUL Y = a/X + b SI 0.08185 2215.82631 -8.64677
AGO completado con el mtodo de proporciones
SET completado con el mtodo de proporciones
OCT completado con el mtodo de proporciones
NOV Y = a*X + b SI 0.24097 0.98324 7.63934
DIC Y = a*X + b SI 0.59513 2.21077 -68.89471

ESTACION DE LLANGANUCO COMPLETADA CON LA ESTACION DE CHANCOS
ME
S
FORMA DE ECUACIN
SIGNIFICATIVO
PRUEBA R
2
R2 a b
ENE Y = exp(b+X*Lna) SI 0.322176916 1.036344466 0.960952534
FEB Y = a*LnX + b SI 0.204788014 1.518250905 0.546333839
MAR no presento datos faltantes
ABR Y = X/(a + b*X) SI 0.241533605 0.922911865 0.182740579
MAY Y = a*X + b SI 0.155135376 0.103892208 2.05057354
JUN completado con el mtodo de proporciones
JUL Y = a*LnX + b SI 0.244706166 1.021244853 0.632261426
AGO no presento datos faltantes
SET Y = b*exp(a*X) SI 0.304720155 0.138302023 1.016054011
OCT Y = a*LnX + b SI 0.357029773 1.129907275 0.159818493
NOV completado con el metodo de proporciones
DIC no presento datos faltantes

ESTACION DE PARON COMPLETADA CON LA ESTACION DE LLANGANUCO
ME
S
FORMA DE ECUACIN
SIGNIFICATIVO
PRUEBA R
2
R2 a b
ENE no presento datos faltantes
FEB no presento datos faltantes
MAR Y = a*X + b SI 0.119536969 0.225814785 1.153181206
ABR Y = a/X + b SI 0.09488374 -3.22315229 2.894830779
MAY Y = b*exp(a*X) SI 0.125719344 0.15577521 1.088293008
JUN Y = b*exp(a*X) SI 0.084470884 0.150854022 0.945756356
JUL completado con el mtodo de proporciones
AGO completado con el mtodo de proporciones
SET Y = b*X^a SI 0.10180336 0.440871607 0.813895089
OCT Y = a*X + b SI 0.107857095 0.173320085 0.741665637
NOV completado con el mtodo de proporciones
DIC Y = b*X^a SI 0.118135859 0.455020161 0.884847988
78
4.4 PROCESO DE DESESTACIONALIZACIN.
4.4.1 ANLISIS PRELIMINAR DE LAS SERIES DE TIEMPO.
De las series de descargas mensuales de las estaciones hidromtricas de la Cuenca del
Ro Santa que fueron seleccionadas y estas, cuentan con registro histrico de 40 aos (1956
1995), tal como se indica en el cuadro 4.1. Estas series de caudales, han sido tratadas y
homogenizadas para luego ser transformadas a series normales como se indica, a
continuacin.
4.4.2 TRANSFORMACIN LOGARTMICA.
La componente residual para las series fueron normalizadas con la transformacin
logartmica utilizando la ecuacin 2.38 descrita en la seccin 2.5.4 y las ecuaciones 3.2 al 3.4
descrita en la seccin 3.3.3, los resultados se presentan en las figuras 4.25 al 4.36.
4.4.3 STANDARIZACIN.
La componente residual para las series con transformacin logartmica fueron
estandarizadas con las formulas de la seccin 2.5.4, los resultados se presentan en las figuras
4.37 al 4.48.
4.4.4 FUNCIN DE AUTOCORRELACIN (FA).
Los grficos de retardos de las residuales de las funciones de autocorrelacin para las
series normalizadas con transformaciones logartmicas y estandarizadas fueron calculados
con la ecuacin 2.17 de la seccin 2.4.1 y utilizando el programa Minitab, los resultados se
presentan en las figuras 4.49 al 4.60 y 4.61 al 4.72.
Los cuadros 4.8 y 4.9 muestran en resumen los retardos que caen fuera de los limites
del correlograma de Anderson para un 95 % de nivel de probabilidad, tanto para las series
con transformacin logartmica (Cuadro N 4.8) y estandarizacin (Cuadro N 4.9).
4.4.5 FUNCIN DE AUTOCORRELACIN PARCIAL (FAP).
Los resultados de los retardos de las residuales de las series con transformacin
logartmica y estandarizada fueron calculados con la ecuacin 2.22 de la seccin 2.4.2 y
utilizando el programa Minitab, los resultados se muestran en los grficos 4.73 al 4.84 y 4.85
al 4.96.
79
CUADRO N 4.9
Los cuadros 4.10 y 4.11 muestran en resumen los retardos que caen fuera de los
lmites del correlograma de Anderson para un 95 % de nivel de probabilidad, tanto para las
series
con transformacin logartmica (Cuadro N 4.10) y estandarizacin (Cuadro N 4.11).
Numero de retardos que caen fuera de la banda de
confianza para la Funcin de Autocorrelacin de las Series
Histricas Corregidas y completadas, con transformacin
Logartmica
Fig. Serie Pts. Fuera del Limite
4.49 Recreta-Ln 28
4.50 Pachacoto-Ln 14
4.51 Querococha-Ln 6
4.52 Colcas-Ln 27
4.53 Cedros-Ln 11
4.54 Quitaracsa-Ln 23
4.55 Condorcerro-Ln 19
4.56
Puente carretera-
Ln
26
4.57 La Balsa-Ln 8
4.58 Chancos-Ln 25
4.59 Llanganuco-Ln 39
4.60 Parn-Ln 25
Nota: Ln, corresponde a series con transformacin logartmica
Numero de retardos que caen fuera de la banda de
confianza para la Funcin de Autocorrelacin de las Series
Histricas Corregidas y completadas, con transformacin
Logartmica y Estandarizadas
Fig. Serie Pts. Fuera del Limite
4.61 Recreta-Stand 32
4.62 Pachacoto-Stand 16
4.63 Querococha-Stand 7
4.64 Colcas-Stand 28
4.65 Cedros-Stand 13
4.66 Quitaracsa-Stand 26
4.67
Condorcerro-
Stand
17
4.68
Puente Carretera-
Stand
30
4.69 La Balsa-Stand 8
CUADRO N 4.8
80
CUADRO N 4.10
4.70 Chancos-Stand 25
4.71 Llanganuco-Stand 37
4.60 Parn-Ln 25
Nota: Stand, corresponde a series estandarizadas
Numero de retardos que caen fuera de la banda de
confianza para la Funcin de Autocorrelacin Parcial de las
Series Histricas Corregidas y completadas, con
transformacin Logartmica
Fig. Serie Pts. Fuera del Limite
4.73 Recreta-Ln 5
4.74 Pachacoto-Ln 5
4.75 Querococha-Ln 2
4.77 Colcas-Ln 4
4.76 Cedros-Ln 6
4.78 Quitaracsa-Ln 5
4.79 Condorcerro-Ln 2
4.80
Puente Carretera-
Ln
7
4.81 La Balsa-Ln 4
4.82 Chancos-Ln 2
4.83 Llanganuco-Ln 3
4.84 Parn-Ln 7
Nota: Ln, corresponde a series normalizadas
Numero de retardos que caen fuera de la banda de
confianza para la Funcin de Autocorrelacin Parcial de las
Series Histricas Corregidas y completadas, con
transformacin Logartmica y Estandarizadas.
Fig. Serie Pts. Fuera del Limite
4.85 Recreta-Stand 4
4.86 Pachacoto-Stand 6
4.87 Querococha-Stand 2
4.89 Colcas-Stand 4
4.88 Cedros-Stand 6
4.90 Quitaracsa-Stand 6
4.91
Condorcerro-
Stand
5
4.92
Puente Carretera-
Stand
5
CUADRO N 4.11
81
4.93 La Balsa-Stand 3
4.94 Chancos-Stand 3
4.95 Llanganuco-Stand 3
4.96 Parn-Stand 10
Nota: Ln, corresponde a series normalizadas
4.5 IDENTIFICACIN DEL MODELO.
De las Funciones de Autocorrelacin y Funciones de Autocorrelacin Parcial
obtenidas con el programa Minitab y del cuadro 2.1 de la seccin 2.5.4, fueron seleccionados
como modelos tentativos ARMA (1,0), ARMA (2,0), ARMA (1,1) y ARMA (2,1); que sern
modelados en el programa SAMS.
Podemos resumir en el cuadro siguiente los modelos seleccionados para las series que
se modelaran.
Cuadro N 4.12
Modelos seleccionados para las series desestacionalizadas de las estaciones hidromtricas
de la cuenca del Ro Santa.
Serie Residual
N = w*N (w
= 12)
Modelo ARMA
Recreta-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Pachacoto-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Querococha-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Colcas-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Cedros-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Quitaracsa-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Condorcerro-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Puente carretera-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
La Balsa-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Chancos-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Llanganuco-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
Parn-Stand y Ln 480 (1,0), (2,0), (1,1) y (2,1)
4.6 ESTIMACIN DE LOS PARMETROS DEL MODELO ARMA (p,q).
Para las diferentes series normalizadas con transformacin logartmica y despus
estandarizadas, se han simulado modelos ARMA (1,0), ARMA (2,0), ARMA (1,1) y ARMA
(2,1) con el programa SAMS.
A continuacin se presentan los resultados de los parmetros estimados de los modelos
establecidos, para las componentes autorregresivas (AR) y las componentes media mvil
82
(MA) tanto para las series normalizadas con transformacin logartmica (cuadros 4.13, 4.14
y 4.15) y estandarizadas (cuadros 4.17, 4.18 y 4.19); adems se muestra la varianza de las
residuales para las series estandarizadas y con transformacin logartmica (cuadros 4.16 y
4.20 respectivamente).
CUADRO N 4.13
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,0)
0.7867 0.5974 0.6674 0.5868 0.4807 0.4211 0.6704 0.7291 0.9215 1.3000 0.4895 1.1236
ARMA (2,0)
0.9745 0.4661 0.6744 0.5934 0.4719 0.4070 0.7346 1.0207 0.7156 1.1382 0.6103 1.1648
ARMA (1,1) 0.5668 0.7524 0.6468 0.5806 0.4910 0.4290 0.6393 0.6683 0.9705 1.3855 0.2415 0.9386
ARMA (2,1) 1.2752 0.6395 1.3563 1.0658 1.2659 0.3053 2.3936 0.8003 0.8775 3.5412 0.7544 1.0619
ARMA (1,0) 0.7082 0.4357 0.4179 0.6150 0.5005 0.7733 0.7904 0.6309 0.7090 0.4044 0.7475 0.6866
ARMA (2,0)
0.8114 0.1959 0.4288 0.5171 0.4870 0.8273 0.9185 0.3679 0.6415 0.2859 0.5089 0.6846
ARMA (1,1) 0.6149 0.7589 0.3761 0.9915 0.5341 0.7168 0.6361 0.9137 0.7645 0.4967 1.8999 0.6906
ARMA (2,1) -14.2598 -1.0155 0.0006 1.6646 0.0386 0.6605 3.9683 1.1195 0.2649 -0.2524 -1.1928 0.6950
ARMA (1,0) 0.6024 0.5603 0.4472 0.4681 0.2360 0.4657 0.7412 0.6756 0.6850 0.3664 0.7975 0.8423
ARMA (2,0)
0.6286 0.2814 0.4534 0.4310 0.3144 0.4872 0.5972 0.8151 0.5879 0.1981 0.7650 0.8390
ARMA (1,1) 0.5739 0.8288 0.4237 0.5782 0.1223 0.2661 0.8614 0.5943 0.7484 0.9241 1.3344 0.8497
ARMA (2,1) 0.3504 -2.4500 0.4025 -4.9039 0.7353 1.0303 0.7811 0.8880 0.4753 2.4916 0.3166 1.7682
ARMA (1,0) 0.6374 0.7198 0.3726 0.5897 0.4033 0.7138 0.7557 0.8633 0.7004 0.6882 0.8157 0.6849
ARMA (2,0) 0.4632 0.7714 0.5090 0.6485 0.4391 0.9337 0.6180 0.8554 0.5705 0.8114 0.5927 0.7897
ARMA (1,1) 0.8599 0.5669 0.1804 0.2422 0.3529 0.4609 0.8984 0.8707 0.7932 0.5741 1.0241 0.5833
ARMA (2,1) 0.3413 -0.1211 -0.0664 0.8883 -0.0985 0.8530 1.2348 0.5701 -1.0353 0.3475 -0.0250 2.0750
ARMA (1,0) 0.6832 0.3959 0.4377 0.2816 0.5670 0.5173 0.8470 0.8808 0.7105 0.7302 0.6221 0.4645
ARMA (2,0) 0.7113 0.3432 0.5983 0.2958 0.5548 0.6685 0.7629 0.8407 0.8590 0.7731 0.8474 0.3303
ARMA (1,1) 0.5955 0.4891 -0.2741 0.1837 0.6649 0.3316 1.2476 0.9018 0.6715 0.6847 0.4774 0.6353
ARMA (2,1) 1.4732 -5.1465 0.6859 -0.0050 0.0540 -3.8483 0.7756 0.6348 8.2700 1.5663 1.7721 0.5099
ARMA (1,0) 0.5990 0.4534 0.4083 0.5796 0.6283 0.6781 1.0387 0.9645 0.6646 0.3507 0.1612 0.5999
ARMA (2,0) 0.5748 0.4349 0.4003 0.5282 0.6391 0.7015 1.1865 1.0525 0.7276 0.4126 0.2090 0.6534
ARMA (1,1) 0.7066 0.5103 0.4306 0.8522 0.6120 0.6533 0.9228 0.9061 0.6435 0.3047 -0.1761 -0.2724
ARMA (2,1) 0.7754 -0.3473 -1.0654 -0.6671 0.9178 0.2549 0.6543 1.0108 0.6688 -2.3013 -0.1984 1.3411
ARMA (1,0) 0.4923 0.5121 0.5233 0.5826 0.4266 0.5870 0.6706 0.7474 0.4947 0.2530 0.7003 1.1782
ARMA (2,0) 0.4101 0.3875 0.5182 0.6013 0.3320 0.5798 0.3833 0.8005 0.6991 0.1736 0.6454 1.2078
ARMA (1,1) 0.5237 0.6988 0.5470 0.5202 0.5595 0.5971 0.8235 0.6985 0.4263 0.5635 2.0876 1.0869
ARMA (2,1) -0.8800 -2.5136 0.4987 4.3883 -1.3123 0.0912 1.1528 0.7794 -0.3603 -0.3671 -0.1057 1.2032
ARMA (1,0) 0.7069 0.4519 0.5789 0.3282 0.6099 0.7361 0.6874 0.5778 0.7672 0.7812 1.0107 0.9534
ARMA (2,0) 0.7328 0.3685 0.4097 0.5026 0.6901 0.8135 0.9668 0.7955 1.0413 1.1649 1.0752 1.2657
ARMA (1,1) 0.6674 0.5373 1.0595 -0.0573 0.1805 0.5340 0.5104 0.4612 0.5596 0.5989 0.9664 0.7621
ARMA (2,1) 0.4484 0.9743 -0.1976 0.6253 0.3551 0.6430 -0.1914 0.8533 1.0663 1.3962 0.9287 5.9342
ARMA (1,0) 0.4998 0.5622 0.5601 0.4840 0.4744 0.3585 0.7265 0.9861 0.4403 0.3794 0.5423 0.8111
ARMA (2,0) 0.3726 0.5182 0.6266 0.4362 0.4736 0.2822 0.8358 1.0879 0.8567 0.4320 0.4528 0.8487
ARMA (1,1) 0.7035 0.6931 0.3302 0.6156 0.4762 0.4415 0.5596 0.9220 0.2162 -0.1483 1.0508 0.7020
ARMA (2,1) -2.1618 0.9478 -0.2642 -0.6234 0.5417 1.5151 0.6745 2.0393 0.8254 0.3885 1.0824 0.3290
ARMA (1,0) 0.6216 0.4791 0.4297 0.3192 0.6626 0.7323 0.7854 0.8722 0.3655 0.5984 0.7535 0.5474
ARMA (2,0) 0.5287 0.5267 0.4139 0.2877 0.6139 0.8488 0.7640 0.8291 0.3727 0.4827 0.8236 0.4592
ARMA (1,1) 0.7719 0.4282 0.4643 0.4841 1.2029 0.5006 0.8027 0.8932 0.3646 1.2730 0.6037 0.6916
ARMA (2,1) 0.6360 0.9033 2.6994 0.7237 1.5226 0.9858 1.6400 0.8041 2.2055 5.2955 1.3491 0.9783
ARMA (1,0) 0.6710 0.4183 0.5727 0.4543 0.5977 1.0190 0.4146 0.8473 0.8342 0.7444 0.6800 0.3658
ARMA (2,0) 0.7036 0.3007 0.6093 0.4846 0.6938 0.9854 0.0140 0.8452 1.2186 0.7229 0.7882 -0.1188
ARMA (1,1) 0.5114 0.6537 0.4415 0.3842 0.3044 1.0711 1.0029 0.8541 0.7452 0.7602 0.6146 0.7131
ARMA (2,1) 0.2823 0.3934 -0.4684 -0.6715 1.8798 0.8203 -1.0411 0.8844 1.6265 0.9027 1.9451 -0.7189
ARMA (1,0) 0.9540 0.7014 0.6666 0.8622 0.5168 0.4238 0.8739 1.0437 0.7040 0.6249 0.7623 0.7770
ARMA (2,0) 1.2765 0.9216 0.6642 0.8880 0.7062 0.8166 0.9600 1.1791 0.7621 0.8589 1.1283 1.1390
ARMA (1,1) 0.5604 0.4950 0.6696 0.8363 0.4735 0.0752 0.3160 0.8707 0.6888 0.5676 0.6363 0.5943
ARMA (2,1) 1.4577 2.4944 0.6342 -0.7128 3.4004 -0.6933 1.6983 2.0215 0.6212 1.1304 1.5879 2.5179
CHANCOS - Ln
LLANGANUCO - Ln
PARON - Ln
SERIE
QUITARACSA - Ln
CONDORCERRO -
Ln
PUENTE
CARRETERA - Ln
PACHACOTO - Ln
QUEROCOCHA - Ln
CEDROS - Ln
COLCAS - Ln
PARAMETROS AUTORREGRESIVOS (AR) DE ORDEN 1 -
1
RECRETA - Ln
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES CON TRANSFORMACION LOGARITMICA
LA BALSA - Ln
83
CUADRO N 4.14
CUADRO N 4.15
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (2,0)
-0.4581 0.2252 -0.0165 -0.0085 0.0112 0.0106 -0.0401 -0.2363 0.1859 0.2278 -0.4794 -0.1107
ARMA (2,1) -0.7953 0.0888 -0.4238 -0.3238 -0.4547 0.0594 -0.7387 -0.0885 0.0679 -1.9865 -0.6668 -0.0603
ARMA (2,0) -0.1349 0.3987 -0.0229 0.1982 0.0290 -0.0553 -0.2184 0.4314 0.0776 0.1495 0.5626 0.0045
ARMA (2,1) 10.2160 1.2633 0.1636 -0.2812 0.3047 0.0282 -2.5769 -0.1626 0.3152 0.5311 1.2508 -0.0033
ARMA (2,0) -0.0461 0.3297 -0.0166 0.0658 -0.0899 -0.0522 0.1230 -0.1637 0.1085 0.4973 0.2086 0.0085
ARMA (2,1) 0.1872 1.9797 0.0119 2.4515 -0.2871 -0.1803 0.0374 -0.2177 0.1845 -1.0737 0.3729 -0.7325
ARMA (2,0) 0.2717 -0.1303 -0.2365 -0.1514 -0.0509 -0.1907 0.2001 0.0115 0.1922 -0.1662 0.2968 -0.1683
ARMA (2,1) 0.3661 0.4396 0.1777 -0.2408 0.2661 -0.1582 -0.2401 0.2272 1.5786 0.1587 0.7219 -1.2167
ARMA (2,0) -0.0538 0.0996 -0.3454 -0.0491 0.0310 -0.1910 0.2508 0.0517 -0.1651 -0.0628 -0.2702 0.1898
ARMA (2,1) -0.4077 3.8503 -0.3800 0.0826 0.1720 2.3701 0.2442 0.2261 -6.6930 -0.6263 -0.9453 0.0780
ARMA (2,0) 0.0791 0.0452 0.0137 0.1323 -0.0157 -0.0303 -0.1788 -0.1521 -0.0811 -0.0717 -0.1351 -0.1492
ARMA (2,1)
-0.0360 0.5148 0.6782 0.6203 -0.1772 0.2503 0.1820 -0.1088 -0.0244 1.7320 0.0078 -0.2600
ARMA (2,0) 0.1338 0.1533 0.0148 -0.0424 0.1326 0.0074 0.2584 -0.0684 -0.2039 0.1929 0.3649 -0.0847
ARMA (2,1) 1.6539 1.5816 0.0248 -2.0243 1.0906 0.2158 -0.1933 -0.0542 0.5879 0.4603 0.5550 -0.0814
ARMA (2,0) -0.0624 0.1193 0.2936 -0.3242 -0.1672 -0.1704 -0.3359 -0.2299 -0.2783 -0.4342 -0.0850 -0.5090
ARMA (2,1) 0.2087 -0.3089 0.5680 -0.3952 -0.0573 -0.0665 0.5166 -0.2696 -0.2928 -0.6117 0.0294 -5.2273
ARMA (2,0) 0.2684 0.0874 -0.1666 0.1005 0.0012 0.0756 -0.0990 -0.1206 -0.6316 -0.2555 0.2269 -0.0796
ARMA (2,1) 2.3266 -0.1287 0.3342 0.6939 -0.0317 -0.5093 -0.0412 -0.8118 -0.6008 -0.2363 -0.0120 0.2022
ARMA (2,0) 0.1331 -0.0612 0.0241 0.0844 0.1880 -0.2307 0.0283 0.0503 -0.0071 0.2889 -0.1316 0.1751
ARMA (2,1) 0.0745 -0.2954 -1.0709 -0.1029 -0.1020 -0.3214 -0.6132 0.0700 -1.6057 -1.4701 -0.4460 -0.2160
ARMA (2,0) -0.0703 0.2368 -0.0702 -0.0575 -0.1769 0.0512 1.0076 0.0037 -0.4011 0.0311 -0.1292 0.5657
ARMA (2,1) 0.0841 0.1751 0.3806 0.6046 -0.7157 0.1499 2.0828 -0.0126 -0.7468 -0.1189 -0.9904 0.9737
ARMA (2,0) -0.5564 -0.4070 0.0038 -0.0345 -0.2006 -0.3831 -0.2729 -0.2696 -0.0765 -0.2050 -0.3075 -0.4153
ARMA (2,1) -0.7042 -1.9079 0.0249 1.0325 -2.5235 0.3971 -0.5858 -1.0058 0.0706 -0.3962 -0.5947 -1.4665
RECRETA - Ln
PACHACOTO - Ln
LLANGANUCO - Ln
PARON - Ln
PARA "PARON - Ln" Y EL RESTO DE LAS SERIES, INDICA QUE LA SERIE HA SIDO NORMALIZADA CON TRANSFORMACION LOGARITMICA
CONDORCERRO -
Ln
PUENTE
CARRETERA - Ln
LA BALSA - Ln
CHANCOS - Ln
QUEROCOCHA - Ln
CEDROS - Ln
COLCAS - Ln
QUITARACSA - Ln
SERIE
PARAMETROS AUTORREGRESIVOS (AR) DE ORDEN 2 -
2
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES CON TRANSFORMACION LOGARITMICA
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,1)
-0.4101 0.3036 -0.0283 -0.0128 0.0191 0.0220 -0.0955 -0.3601 0.2978 0.2542 -0.3703 -0.2327
ARMA (2,1) 0.3029 0.1840 0.6960 0.4809 0.7980 -0.1031 1.6622 -0.2294 0.1889 2.4630 0.1468 -0.1058
ARMA (1,1) -0.1965 0.5712 -0.0592 0.4749 0.0490 -0.1107 -0.2836 0.5625 0.1622 0.2141 1.4111 0.0082
ARMA (2,1) -15.0753 -1.2313 -0.4915 1.1863 -0.4855 -0.1750 3.0657 0.8072 -0.5331 -0.5835 -1.7496 0.0149
ARMA (1,1) -0.0547 0.5486 -0.0317 0.1472 -0.1946 -0.2252 0.2719 -0.2342 0.1675 0.7291 0.5951 0.0110
ARMA (2,1) -0.3025 -2.7602 -0.0564 -5.3383 0.4449 0.5589 0.1974 0.0773 -0.1171 2.3030 -0.4719 0.9471
ARMA (1,1) 0.4051 -0.2116 -0.3327 -0.4201 -0.0909 -0.4780 0.3142 0.0160 0.2227 -0.2437 0.4462 -0.2235
ARMA (2,1) -0.1338 -0.9264 -0.6005 0.2504 -0.5636 -0.0852 0.6897 -0.3102 -1.6163 -0.4842 -0.6448 1.4040
ARMA (1,1) -0.1206 0.1464 -0.8787 -0.1233 0.1105 -0.3379 0.4958 0.0680 -0.1883 -0.0893 -0.3722 0.3269
ARMA (2,1) 0.8032 -5.6698 1.0535 -0.3495 -0.5123 -4.5898 0.0153 -0.2264 7.4950 1.0611 1.3701 0.2960
ARMA (1,1) 0.1387 0.0756 0.0303 0.3241 -0.0279 -0.0482 -0.2641 -0.1500 -0.0856 -0.1084 -0.3864 -0.9634
ARMA (2,1) 0.2093 -0.7853 -1.4731 -1.2064 0.2934 -0.4494 -0.5339 -0.0427 -0.0598 -2.7251 -0.4150 0.7197
ARMA (1,1) 0.1143 0.3135 0.0294 -0.0811 0.2281 0.0182 0.4405 -0.1141 -0.2776 0.3959 1.4662 -0.1304
ARMA (2,1) -1.2977 -2.9444 -0.0213 3.7876 -1.6546 -0.5354 0.8306 -0.0248 -1.0745 -0.5510 -0.7649 -0.0049
ARMA (1,1) -0.0684 0.1692 0.6579 -0.6328 -0.6107 -0.3038 -0.4854 -0.4262 -0.5620 -0.7681 -0.1460 -0.5072
ARMA (2,1) -0.3119 0.6127 -0.6170 0.1387 -0.3804 -0.1792 -1.2174 0.0825 0.0278 0.2905 -0.1781 4.7042
ARMA (1,1) 0.3326 0.1813 -0.2982 0.1827 0.0026 0.1593 -0.2854 -0.1765 -0.6494 -0.6102 0.6315 -0.1584
ARMA (2,1) -2.5842 0.4951 -0.9130 -1.0986 0.0730 1.2341 -0.1674 1.0086 -0.0331 -0.0457 0.6517 -0.5571
ARMA (1,1) 0.2501 -0.1022 0.0506 0.1966 0.5918 -0.3596 0.0415 0.0641 -0.0082 0.7903 -0.2450 0.2360
ARMA (2,1) 0.1133 0.3901 2.3087 0.4533 0.9181 0.1425 0.9354 -0.0272 1.8503 4.8354 0.6767 0.5579
ARMA (1,1) -0.2620 0.3595 -0.1761 -0.1012 -0.3908 0.0904 0.9902 0.0153 -0.4736 0.0400 -0.1738 0.8501
ARMA (2,1) -0.5734 0.0996 -1.1286 -1.2338 1.3220 -0.2261 -1.0606 0.0681 0.4101 0.1928 1.1614 -0.6170
ARMA (1,1) -0.8134 -0.5290 0.0061 -0.0517 -0.2336 -0.7680 -0.7364 -0.3435 -0.0817 -0.2937 -0.5471 -0.6651
ARMA (2,1) 0.2421 1.8701 -0.0519 -1.6022 2.7226 -1.6672 0.9389 1.0280 -0.2305 0.2796 0.5123 1.6783
LA BALSA - Ln
CHANCOS - Ln
LLANGANUCO - Ln
PARON - Ln
PARA "PARON - Ln" Y EL RESTO DE LAS SERIES, INDICA QUE LA SERIE HA SIDO NORMALIZADA CON TRANSFORMACION LOGARITMICA
COLCAS - Ln
QUITARACSA - Ln
CONDORCERRO -
Ln
PUENTE
CARRETERA - Ln
RECRETA - Ln
PACHACOTO - Ln
QUEROCOCHA - Ln
CEDROS - Ln
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES CON TRANSFORMACION LOGARITMICA
SERIE
PARAMETROS MEDIA MOVIL(Movie Averag - MA) DE ORDEN 1 -
1
84
CUADRO N 4.16
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,0)
0.1093 0.2106 0.1175 0.0992 0.0235 0.0056 0.0016 0.0012 0.0028 0.0279 0.0446 0.0807
ARMA (2,0)
0.1031 0.2065 0.1174 0.0992 0.0235 0.0056 0.0016 0.0010 0.0027 0.0278 0.0434 0.0803
ARMA (1,1) 0.1030 0.2059 0.1174 0.0992 0.0235 0.0056 0.0016 0.0010 0.0027 0.0278 0.0434 0.0802
ARMA (2,1) 0.1026 0.2065 0.1154 0.0987 0.0232 0.0056 0.0016 0.0010 0.0027 0.0274 0.0434 0.0802
ARMA (1,0) 0.0625 0.0791 0.0670 0.0797 0.0293 0.0412 0.0507 0.0320 0.0278 0.0501 0.0693 0.0439
ARMA (2,0) 0.0616 0.0706 0.0669 0.0766 0.0292 0.0411 0.0492 0.0247 0.0275 0.0494 0.0526 0.0439
ARMA (1,1) 0.0616 0.0703 0.0669 0.0766 0.0292 0.0410 0.0492 0.0243 0.0273 0.0494 0.0512 0.0439
ARMA (2,1) 0.0625 0.0627 0.0648 0.0759 0.0277 0.0412 0.0474 0.0225 0.0256 0.0488 0.0484 0.0439
ARMA (1,0) 0.0270 0.0655 0.0492 0.0209 0.0182 0.0037 0.0026 0.0021 0.0082 0.0236 0.0364 0.0401
ARMA (2,0) 0.0269 0.0614 0.0491 0.0206 0.0179 0.0036 0.0024 0.0020 0.0082 0.0226 0.0359 0.0401
ARMA (1,1) 0.0269 0.0614 0.0491 0.0206 0.0179 0.0035 0.0024 0.0020 0.0081 0.0226 0.0356 0.0401
ARMA (2,1) 0.0266 0.0596 0.0489 0.0198 0.0177 0.0033 0.0024 0.0020 0.0082 0.0224 0.0357 0.0395
ARMA (1,0) 0.0321 0.0313 0.0440 0.0252 0.0081 0.0080 0.0083 0.0092 0.0100 0.0092 0.0123 0.0150
ARMA (2,0) 0.0311 0.0310 0.0426 0.0242 0.0080 0.0071 0.0080 0.0092 0.0097 0.0089 0.0114 0.0147
ARMA (1,1) 0.0310 0.0310 0.0425 0.0239 0.0080 0.0071 0.0079 0.0092 0.0097 0.0089 0.0114 0.0147
ARMA (2,1) 0.0309 0.0300 0.0421 0.0240 0.0076 0.0071 0.0076 0.0091 0.0096 0.0088 0.0113 0.0128
ARMA (1,0) 0.0413 0.0449 0.0725 0.0527 0.0234 0.0542 0.0245 0.0146 0.0375 0.0249 0.0314 0.0378
ARMA (2,0) 0.0412 0.0446 0.0663 0.0526 0.0234 0.0530 0.0223 0.0145 0.0371 0.0248 0.0293 0.0365
ARMA (1,1) 0.0412 0.0446 0.0660 0.0525 0.0234 0.0530 0.0220 0.0145 0.0371 0.0248 0.0293 0.0363
ARMA (2,1) 0.0400 0.0037 0.0625 0.0516 0.0231 0.0453 0.0223 0.0144 0.0280 0.0168 0.0191 0.0359
ARMA (1,0) 0.1278 0.0962 0.1158 0.0694 0.0483 0.0339 0.0553 0.0431 0.0564 0.1146 0.0555 0.0940
ARMA (2,0) 0.1275 0.0960 0.1157 0.0674 0.0483 0.0338 0.0539 0.0424 0.0562 0.1142 0.0534 0.0913
ARMA (1,1) 0.1275 0.0960 0.1157 0.0674 0.0483 0.0338 0.0539 0.0424 0.0562 0.1142 0.0533 0.0894
ARMA (2,1) 0.1273 0.0956 0.1148 0.0657 0.0480 0.0338 0.0539 0.0424 0.0562 0.1125 0.0530 0.0901
ARMA (1,0) 0.0730 0.1472 0.1640 0.1017 0.0447 0.0140 0.0167 0.0065 0.0248 0.0504 0.0792 0.0554
ARMA (2,0) 0.0725 0.1443 0.1640 0.1014 0.0425 0.0140 0.0149 0.0064 0.0244 0.0496 0.0752 0.0552
ARMA (1,1) 0.0725 0.1443 0.1640 0.1014 0.0425 0.0140 0.0149 0.0064 0.0244 0.0496 0.0734 0.0551
ARMA (2,1) 0.0718 0.1317 0.1641 0.1011 0.0412 0.0130 0.0143 0.0064 0.0243 0.0495 0.0746 0.0552
ARMA (1,0) 0.1006 0.1152 0.1153 0.0965 0.1113 0.0529 0.0345 0.0250 0.0162 0.0211 0.0324 0.1187
ARMA (2,0) 0.1004 0.1138 0.1027 0.0852 0.1074 0.0504 0.0278 0.0225 0.0129 0.0176 0.0323 0.1136
ARMA (1,1) 0.1003 0.1138 0.1021 0.0805 0.1024 0.0497 0.0271 0.0214 0.0120 0.0157 0.0322 0.1136
ARMA (2,1) 0.0994 0.1134 0.1020 0.0850 0.1059 0.0503 0.0241 0.0224 0.0129 0.0174 0.0322 0.1082
ARMA (1,0) 0.0707 0.1033 0.1150 0.0836 0.0294 0.0111 0.0061 0.0083 0.0459 0.0413 0.0414 0.0587
ARMA (2,0) 0.0682 0.1028 0.1130 0.0826 0.0294 0.0107 0.0058 0.0082 0.0437 0.0399 0.0392 0.0584
ARMA (1,1) 0.0682 0.1027 0.1129 0.0825 0.0294 0.0107 0.0057 0.0081 0.0436 0.0391 0.0384 0.0584
ARMA (2,1) 0.0612 0.1008 0.1109 0.0778 0.0294 0.0107 0.0057 0.0078 0.0437 0.0399 0.0387 0.0576
ARMA (1,0) 0.0434 0.0422 0.0595 0.0801 0.0763 0.0496 0.0334 0.0100 0.0682 0.0610 0.0833 0.0650
ARMA (2,0) 0.0420 0.0420 0.0595 0.0798 0.0740 0.0465 0.0333 0.0099 0.0682 0.0548 0.0823 0.0633
ARMA (1,1) 0.0419 0.0420 0.0595 0.0798 0.0738 0.0462 0.0333 0.0099 0.0682 0.0548 0.0820 0.0632
ARMA (2,1) 0.0419 0.0418 0.0572 0.0793 0.0733 0.0465 0.0308 0.0099 0.0678 0.0474 0.0775 0.0616
ARMA (1,0) 0.0266 0.0250 0.0242 0.0218 0.0161 0.0403 0.0382 0.0083 0.0225 0.0178 0.0156 0.0245
ARMA (2,0) 0.0265 0.0239 0.0240 0.0218 0.0153 0.0403 0.0222 0.0083 0.0210 0.0177 0.0153 0.0182
ARMA (1,1) 0.0261 0.0238 0.0240 0.0218 0.0153 0.0403 0.0222 0.0083 0.0210 0.0177 0.0153 0.0180
ARMA (2,1) 0.0249 0.0239 0.0227 0.0196 0.0118 0.0401 0.0220 0.0082 0.0210 0.0177 0.0152 0.0181
ARMA (1,0) 0.0221 0.0294 0.0230 0.0078 0.0100 0.0247 0.0278 0.0142 0.0083 0.0057 0.0065 0.0142
ARMA (2,0) 0.0188 0.0273 0.0230 0.0078 0.0096 0.0218 0.0265 0.0130 0.0082 0.0051 0.0055 0.0130
ARMA (1,1) 0.0178 0.0264 0.0230 0.0078 0.0096 0.0216 0.0250 0.0127 0.0082 0.0051 0.0053 0.0125
ARMA (2,1) 0.0186 0.0170 0.0230 0.0077 0.0090 0.0194 0.0228 0.0087 0.0080 0.0051 0.0053 0.0103
LLANGANUCO - Ln
PARON - Ln
CONDORCERRO -
Ln
PUENTE
CARRETERA - Ln
LA BALSA - Ln
CHANCOS - Ln
QUEROCOCHA - Ln
CEDROS - Ln
COLCAS - Ln
QUITARACSA - Ln
SERIE
VARIANZA DE LAS RESIDUALES
RECRETA - Ln
PACHACOTO - Ln
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES CON TRANSFORMACION LOGARITMICA
PARA "PARON - Ln" Y EL RESTO DE LAS SERIES, INDICA QUE LA SERIE HA SIDO NORMALIZADA CON TRANSFORMACION LOGARITMICA
85
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,0) 0.6772 0.5048 0.7192 0.6766 0.8016 0.8209 0.9095 0.8986 0.8088 0.5723 0.4268 0.6787
ARMA (2,0) 0.8389 0.3939 0.7268 0.6842 0.7870 0.7933 0.9967 1.2580 0.6281 0.5011 0.5320 0.7036
ARMA (1,1) 0.4879 0.6358 0.6970 0.6695 0.8188 0.8362 0.8673 0.8236 0.8519 0.6099 0.2105 0.5670
ARMA (2,1) 2.6010 0.3482 1.3023 0.6157 -2.1801 9.0476 1.3349 1.5335 0.2992 -0.0266 -2.3971 0.8271
ARMA (1,0) 0.6526 0.4553 0.4543 0.5347 0.6988 0.6736 0.6941 0.7409 0.7499 0.4141 0.5727 0.7247
ARMA (2,0) 0.7478 0.2047 0.4661 0.4496 0.6800 0.7206 0.8067 0.4320 0.6785 0.2927 0.3899 0.7226
ARMA (1,1) 0.5666 0.7930 0.4089 0.8621 0.7458 0.6244 0.5587 1.0730 0.8086 0.5086 1.4556 0.7290
ARMA (2,1) -12.9887 -1.0344 0.0015 1.4379 0.0450 0.5755 3.4813 1.3141 0.2801 -0.2588 -0.9130 0.7336
ARMA (1,0) 0.7137 0.4568 0.5019 0.6389 0.3122 0.7382 0.7950 0.7776 0.4815 0.2390 0.5518 0.6930
ARMA (2,0) 0.7449 0.2294 0.5089 0.5883 0.4159 0.7723 0.6406 0.9383 0.4132 0.1292 0.5293 0.6904
ARMA (1,1) 0.6800 0.6758 0.4756 0.7892 0.1618 0.4217 0.9239 0.6840 0.5261 0.6028 0.9233 0.6992
ARMA (2,1) 0.4152 -1.9972 0.4516 -6.6801 0.9725 1.6337 0.8376 1.0221 0.3341 1.6256 0.2191 1.4550
ARMA (1,0) 0.5024 0.6443 0.3805 0.6441 0.6820 0.7007 0.7199 0.7637 0.7206 0.7189 0.7125 0.6627
ARMA (2,0) 0.3651 0.6905 0.5197 0.7083 0.7425 0.9166 0.5888 0.7568 0.5870 0.8476 0.5178 0.7640
ARMA (1,1) 0.6778 0.5075 0.1842 0.2645 0.5967 0.4524 0.8558 0.7702 0.8161 0.5997 0.8946 0.5644
ARMA (2,1) 0.2705 -0.1096 -0.0712 0.9678 -0.1632 0.8370 1.1763 0.5043 -1.0649 0.3630 -0.0217 2.0077
ARMA (1,0) 0.6006 0.4291 0.3561 0.3333 0.6699 0.4166 0.8108 0.8901 0.6967 0.7804 0.6633 0.4923
ARMA (2,0) 0.6253 0.3720 0.4868 0.3501 0.6554 0.5383 0.7303 0.8496 0.8423 0.8263 0.9036 0.3500
ARMA (1,1) 0.5235 0.5301 -0.2231 0.2174 0.7855 0.2670 1.1943 0.9112 0.6585 0.7318 0.5091 0.6733
ARMA (2,1) 1.2951 -5.5784 0.5581 -0.0060 0.0638 -3.0986 0.7425 0.6415 8.1097 1.6741 1.8896 0.5404
ARMA (1,0) 0.4944 0.5154 0.3983 0.6323 0.6969 0.7486 0.7751 0.8656 0.7575 0.3526 0.2403 0.4289
ARMA (2,0) 0.4744 0.4944 0.3905 0.5762 0.7089 0.7744 0.8854 0.9445 0.8293 0.4149 0.3116 0.4671
ARMA (1,1) 0.5832 0.5802 0.4200 0.9298 0.6789 0.7212 0.6886 0.8131 0.7335 0.3064 -0.2625 -0.1947
ARMA (2,1) 0.9008 0.0490 -1.3185 -0.4369 1.2306 0.8220 2.4735 0.9756 0.5754 -1.0451 -1.1044 0.8528
ARMA (1,0) 0.6326 0.4222 0.4798 0.6447 0.6440 0.8078 0.7218 0.8657 0.4514 0.1950 0.4951 0.8510
ARMA (2,0) 0.5269 0.3195 0.4751 0.6654 0.5012 0.7980 0.4125 0.9272 0.6380 0.1338 0.4563 0.8724
ARMA (1,1) 0.6728 0.5761 0.5015 0.5757 0.8448 0.8218 0.8864 0.8091 0.3890 0.4343 1.4759 0.7850
ARMA (2,1) -1.2543 -2.0517 0.4817 19.7099 0.2240 -0.0016 1.2134 0.6795 0.7638 -0.6863 0.0088 0.7893
ARMA (1,0) 0.7037 0.5140 0.5612 0.3956 0.5256 0.7834 0.8049 0.7582 0.8221 0.7703 0.7870 0.6317
ARMA (2,0) 0.7314 0.4214 0.3956 0.6090 0.5946 0.8646 1.1373 1.0366 1.1212 1.1432 0.8388 0.8387
ARMA (1,1) 0.6620 0.6084 1.0223 -0.0686 0.1538 0.5707 0.5958 0.6070 0.6009 0.5914 0.7515 0.5045
ARMA (2,1) 0.4495 1.0530 -0.1974 0.7559 0.3053 0.6750 -0.2383 1.1152 1.1481 1.3711 0.7203 3.7548
ARMA (1,0) 0.4972 0.4736 0.5138 0.5533 0.6949 0.6306 0.7846 0.8050 0.3108 0.3879 0.5033 0.6156
ARMA (2,0) 0.3690 0.4378 0.5741 0.4978 0.6928 0.4966 0.9012 0.8881 0.5929 0.4453 0.4194 0.6444
ARMA (1,1) 0.7073 0.5824 0.3050 0.7081 0.6996 0.7742 0.6079 0.7532 0.1577 -0.1493 0.9769 0.5309
ARMA (2,1) -2.2391 0.8103 -0.2740 -0.6273 0.8218 2.4630 0.7745 1.6397 0.6193 0.3905 0.9775 0.2619
ARMA (1,0) 0.6953 0.5600 0.4004 0.2875 0.5785 0.7438 0.8201 0.9413 0.3826 0.5648 0.6159 0.6182
ARMA (2,0) 0.5913 0.6157 0.3857 0.2591 0.5360 0.8621 0.7977 0.8949 0.3901 0.4556 0.6732 0.5186
ARMA (1,1) 0.8634 0.5006 0.4326 0.4360 1.0502 0.5085 0.8381 0.9640 0.3816 1.2015 0.4934 0.7811
ARMA (2,1) 0.7121 1.0559 2.5170 0.6511 1.3291 1.0007 1.7127 0.8680 2.3060 5.0025 1.1028 1.1041
ARMA (1,0) 0.5771 0.4674 0.5499 0.4969 0.6258 0.6365 0.4834 0.9011 0.7597 0.7898 0.7632 0.4120
ARMA (2,0) 0.6052 0.3360 0.5851 0.5301 0.7264 0.6155 0.0163 0.8989 1.1098 0.7670 0.8848 -0.1338
ARMA (1,1) 0.4399 0.7304 0.4239 0.4203 0.3187 0.6690 1.1694 0.9084 0.6786 0.8065 0.6899 0.8031
ARMA (2,1) 0.2429 0.4394 -0.4497 -0.7348 1.9680 0.5124 -1.2147 0.9406 1.4818 0.9577 2.1831 -0.8099
ARMA (1,0) 0.7162 0.6473 0.6942 0.8838 0.7326 0.4337 0.6154 0.8813 0.8962 0.8471 0.7948 0.6426
ARMA (2,0) 0.9446 0.8445 0.6828 0.9086 0.9207 0.7979 0.6955 0.9798 0.9929 1.2122 1.1462 0.9025
ARMA (1,1) 0.3913 0.4602 0.7100 0.8572 0.6799 0.1193 0.2697 0.7196 0.8684 0.7577 0.6566 0.4910
ARMA (2,1) 1.0581 2.1789 0.6446 0.5622 6.5545 -1.3689 0.8982 2.3417 0.9800 -1.6116 0.8018 2.2585
CHANCOS - Estand
LLANGANUCO -
Estand
PARON - Estand
Para "PARON - Estand" yel resto de las series, indica que las serie ha sido primeramente normalizada contransformacinlogartmica yluego estandarizada
QUITARACSA -
Estand
CONDORCERRO -
Estand
PUENTE
CARRETERA -
Estand
QUEROCOCHA -
Estand
CEDROS - Estand
COLCAS - Estand
SERIE
PARAMETROS AUTORREGRESIVOS (AR) DE ORDEN 1 -
1
RECRETA - Estand
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES ESTANDARIZADAS
LA BALSA - Estand
PACHACOTO -
Estand
CUADRO N 4.17
86
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (2,0) -0.238 0.164 -0.015 -0.011 0.022 0.034 -0.106 -0.395 0.201 0.088 -0.184 -0.058
ARMA (2,1) -1.434 0.195 -0.306 0.039 2.029 -6.582 -0.384 -0.646 0.497 0.515 1.492 -0.111
ARMA (2,0) -0.131 0.384 -0.026 0.187 0.035 -0.067 -0.167 0.445 0.096 0.162 0.441 0.004
ARMA (2,1) 9.826 1.199 0.185 -0.262 0.375 0.034 -1.969 -0.167 0.392 0.576 0.981 -0.003
ARMA (2,0) -0.045 0.319 -0.015 0.101 -0.162 -0.109 0.209 -0.202 0.088 0.228 0.094 0.005
ARMA (2,1) 0.182 1.912 0.011 3.749 -0.518 -0.378 0.064 -0.269 0.149 -0.492 0.168 -0.417
ARMA (2,0) 0.207 -0.092 -0.216 -0.169 -0.094 -0.317 0.187 0.010 0.175 -0.179 0.271 -0.142
ARMA (2,1) 0.278 0.311 0.165 -0.268 0.489 -0.262 -0.225 0.191 1.437 0.171 0.659 -1.028
ARMA (2,0) -0.050 0.095 -0.305 -0.047 0.043 -0.182 0.193 0.050 -0.164 -0.066 -0.308 0.214
ARMA (2,1) -0.380 3.669 -0.335 0.080 0.241 2.255 0.188 0.219 -6.632 -0.656 -1.077 0.088
ARMA (2,0) 0.047 0.042 0.015 0.141 -0.019 -0.037 -0.147 -0.102 -0.083 -0.082 -0.202 -0.159
ARMA (2,1) 0.114 0.086 0.030 0.354 -0.031 -0.053 -0.197 -0.135 -0.098 -0.109 -0.576 -0.689
ARMA (2,0) 0.124 0.162 0.011 -0.043 0.222 0.015 0.383 -0.085 -0.216 0.136 0.199 -0.043
ARMA (2,1) 1.640 1.662 0.008 -9.181 0.400 0.530 -0.264 0.093 -0.324 0.506 0.286 -0.002
ARMA (2,0)
-0.044 0.132 0.322 -0.380 -0.174 -0.154 -0.424 -0.346 -0.394 -0.454 -0.067 -0.263
ARMA (2,1) 0.134 -0.313 0.627 -0.463 -0.060 -0.055 0.653 -0.409 -0.415 -0.641 0.024 -2.558
ARMA (2,0) 0.208 0.072 -0.127 0.108 0.004 0.193 -0.185 -0.106 -0.350 -0.185 0.216 -0.057
ARMA (2,1) 1.816 -0.115 0.274 0.686 -0.068 -1.174 -0.105 -0.696 -0.372 -0.168 0.000 0.135
ARMA (2,0) 0.168 -0.080 0.026 0.071 0.148 -0.205 0.030 0.057 -0.008 0.285 -0.102 0.162
ARMA (2,1) -0.134 0.263 0.896 0.544 -0.349 -0.070 -1.336 -0.126 0.137 1.024 0.297 -0.252
ARMA (2,0) -0.068 0.228 -0.075 -0.060 -0.203 0.034 0.734 0.005 -0.388 0.030 -0.154 0.715
ARMA (2,1) 0.081 0.168 0.408 0.635 -0.820 0.098 1.517 -0.016 -0.724 -0.115 -1.179 1.231
ARMA (2,0) -0.356 -0.275 0.018 -0.036 -0.213 -0.497 -0.185 -0.160 -0.110 -0.407 -0.415 -0.327
ARMA (2,1) -0.434 -1.231 0.042 0.205 -5.192 1.090 -0.273 -0.998 -0.098 2.123 -0.123 -1.405
RECRETA - Estand
PACHACOTO -
Estand
LLANGANUCO -
Estand
PARON - Estand
Para"PARON - Estand"yel resto delas series, indicaquelas seriehasido primeramentenormalizadacontransformacinlogartmicayluego estandarizada
CONDORCERRO -
Estand
PUENTE
CARRETERA-
Estand
LA BALSA - Estand
CHANCOS - Estand
QUEROCOCHA -
Estand
CEDROS - Estand
COLCAS - Estand
QUITARACSA -
Estand
PARAMETROS AUTORREGRESIVOS (AR) DE ORDEN 2 -
2
SERIE
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES ESTANDARIZADAS
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,1) -0.353 0.257 -0.030 -0.015 0.032 0.043 -0.130 -0.444 0.261 0.112 -0.323 -0.141
ARMA (2,1) 1.771 -0.049 0.587 -0.069 -2.968 8.276 0.422 0.298 -0.385 -0.545 -2.955 0.136
ARMA (1,1) -0.181 0.597 -0.064 0.413 0.068 -0.096 -0.249 0.661 0.172 0.219 1.081 0.009
ARMA (2,1) -13.740 -1.259 -0.533 1.021 -0.687 -0.152 2.689 0.947 -0.564 -0.598 -1.340 0.016
ARMA (1,1) -0.065 0.447 -0.036 0.201 -0.257 -0.357 0.292 -0.270 0.118 0.476 0.412 0.009
ARMA (2,1) -0.358 -2.250 -0.063 -7.273 0.588 0.887 0.211 0.089 -0.082 1.503 -0.326 0.779
ARMA (1,1) 0.319 -0.189 -0.340 -0.459 -0.154 -0.469 0.299 0.014 0.229 -0.255 0.390 -0.216
ARMA (2,1) -0.104 -0.831 -0.617 0.271 -0.949 -0.084 0.657 -0.274 -1.663 -0.506 -0.563 1.359
ARMA (1,1) -0.106 0.159 -0.715 -0.146 0.131 -0.272 0.475 0.069 -0.185 -0.095 -0.397 0.346
ARMA (2,1) 0.706 -6.146 0.857 -0.414 -0.605 -3.696 0.015 -0.229 7.350 1.134 1.461 0.314
ARMA (1,1) 0.114 0.086 0.030 0.354 -0.031 -0.053 -0.197 -0.135 -0.098 -0.109 -0.576 -0.689
ARMA (2,1) 0.442 -0.450 -1.716 -1.023 0.545 0.048 1.591 0.032 -0.258 -1.467 -1.428 0.407
ARMA (1,1) 0.147 0.258 0.027 -0.090 0.344 0.025 0.474 -0.132 -0.253 0.305 1.037 -0.094
ARMA (2,1) -1.791 -2.409 0.007 19.047 -0.297 -0.846 0.854 -0.287 0.130 -0.832 -0.458 -0.088
ARMA (1,1) -0.073 0.188 0.634 -0.767 -0.529 -0.320 -0.575 -0.549 -0.606 -0.748 -0.117 -0.337
ARMA (2,1) -0.309 0.639 -0.602 0.166 -0.329 -0.199 -1.445 0.113 0.030 0.286 -0.144 2.940
ARMA (1,1) 0.340 0.150 -0.271 0.214 0.007 0.278 -0.303 -0.143 -0.441 -0.625 0.590 -0.123
ARMA (2,1) -2.656 0.429 -0.870 -1.168 0.138 1.969 -0.132 0.795 0.028 -0.058 0.579 -0.410
ARMA (1,1) 0.280 -0.119 0.047 0.177 0.517 -0.365 0.043 0.069 -0.009 0.746 -0.200 0.267
ARMA (2,1) 0.128 0.456 2.153 0.408 0.801 0.144 0.977 -0.029 1.934 4.568 0.553 0.629
ARMA (1,1) -0.225 0.402 -0.169 -0.111 -0.409 0.056 1.155 0.016 -0.431 0.042 -0.195 0.957
ARMA (2,1) -0.493 0.111 -1.084 -1.350 1.384 -0.141 -1.237 0.072 0.374 0.205 1.303 -0.695
ARMA (1,1) -0.606 -0.473 0.030 -0.051 -0.242 -0.693 -0.499 -0.284 -0.137 -0.462 -0.555 -0.488
ARMA (2,1) 0.153 1.592 -0.059 -0.347 5.653 -2.335 0.311 1.470 -0.025 -2.863 -0.427 1.602
Para "PARON - Estand"yel resto delas series, indica quelas serieha sido primeramentenormalizada contransformacinlogartmicayluego estandarizada
COLCAS - Estand
QUITARACSA -
Estand
CONDORCERRO -
Estand
PUENTE
CARRETERA-
Estand
LA BALSA - Estand
CHANCOS - Estand
LLANGANUCO -
Estand
PARON - Estand
RECRETA - Estand
PACHACOTO -
Estand
QUEROCOCHA -
Estand
CEDROS - Estand
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES ESTANDARIZADAS
SERIE
PARAMETROS MEDIA MOVIL(Movie Averag - MA) DE ORDEN 1 -
1
CUADRO N 4.18
CUADRO N 4.19
87
CUADRO N 4.20
MES 01 MES 02 MES 03 MES 04 MES 05 MES 06 MES 07 MES 08 MES 09 MES 10 MES 11 MES 12
ARMA (1,0) 0.5414 0.7452 0.4827 0.5422 0.3575 0.3261 0.1728 0.1925 0.3458 0.6725 0.8179 0.5393
ARMA (2,0) 0.5108 0.7306 0.4826 0.5421 0.3572 0.3257 0.1691 0.1655 0.3380 0.6698 0.7951 0.5366
ARMA (1,1) 0.5104 0.7287 0.4825 0.5421 0.3572 0.3257 0.1691 0.1648 0.3364 0.6697 0.7948 0.5361
ARMA (2,1) 0.5191 0.7320 0.4777 0.5422 0.3566 0.2613 0.1595 0.1644 0.3345 0.6666 0.7438 0.5353
ARMA (1,0) 0.5741 0.7927 0.7936 0.7141 0.5116 0.5462 0.5182 0.4511 0.4376 0.8285 0.6721 0.4748
ARMA (2,0) 0.5659 0.7081 0.7931 0.6862 0.5108 0.5439 0.5029 0.3486 0.4335 0.8170 0.5107 0.4748
ARMA (1,1) 0.5659 0.7052 0.7928 0.6861 0.5106 0.5439 0.5028 0.3420 0.4310 0.8167 0.4971 0.4748
ARMA (2,1) 0.5738 0.6296 0.7679 0.6802 0.4835 0.5458 0.4843 0.3171 0.4043 0.8072 0.4701 0.4748
ARMA (1,0) 0.4906 0.7913 0.7481 0.5918 0.9025 0.4551 0.3681 0.3953 0.7682 0.9429 0.6955 0.5197
ARMA (2,0) 0.4895 0.7415 0.7479 0.5842 0.8869 0.4443 0.3481 0.3803 0.7651 0.9029 0.6872 0.5197
ARMA (1,1) 0.4895 0.7413 0.7478 0.5842 0.8864 0.4423 0.3471 0.3789 0.7649 0.9022 0.6806 0.5197
ARMA (2,1) 0.4841 0.7202 0.7437 0.5611 0.8791 0.4169 0.3470 0.3801 0.7650 0.8959 0.6824 0.5119
ARMA (1,0) 0.7476 0.5848 0.8553 0.5851 0.5349 0.5090 0.4818 0.4167 0.4807 0.4832 0.4924 0.5608
ARMA (2,0)
0.723504 0.578526 0.827927 0.560744 0.529748 0.455387 0.463927 0.416673 0.467961 0.46786 0.456901 0.550877
ARMA (1,1) 0.7223 0.5777 0.8271 0.5550 0.5291 0.4541 0.4595 0.4167 0.4680 0.4671 0.4545 0.5492
ARMA (2,1) 0.7197 0.5604 0.8190 0.5582 0.5066 0.4552 0.4432 0.4140 0.4605 0.4629 0.4507 0.4806
ARMA (1,0)
0.639284 0.815901 0.873163 0.888927 0.551251 0.826485 0.342609 0.207697 0.514607 0.390955 0.559994 0.757661
ARMA (2,0) 0.6374 0.8101 0.7975 0.8870 0.5496 0.8083 0.3117 0.2068 0.5090 0.3887 0.5229 0.7319
ARMA (1,1) 0.6371 0.8101 0.7945 0.8855 0.5495 0.8082 0.3077 0.2067 0.5090 0.3887 0.5226 0.7277
ARMA (2,1) 0.6190 0.0678 0.7518 0.8691 0.5425 0.6904 0.3117 0.2054 0.3847 0.2638 0.3398 0.7188
ARMA (1,0) 0.7556 0.7344 0.8413 0.6001 0.5143 0.4396 0.3992 0.2508 0.4262 0.8757 0.9423 0.8161
ARMA (2,0) 0.7538 0.7330 0.8412 0.5835 0.5141 0.4389 0.3896 0.2467 0.4244 0.8728 0.9064 0.7923
ARMA (1,1) 0.7533 0.7330 0.8412 0.5834 0.5141 0.4389 0.3896 0.2465 0.4244 0.8728 0.9054 0.7755
ARMA (2,1) 0.7534 0.7251 0.8360 0.5721 0.5074 0.4388 0.3879 0.2467 0.4242 0.8685 0.8919 0.7843
ARMA (1,0) 0.5998 0.8218 0.7698 0.5843 0.5852 0.3474 0.4790 0.2506 0.7962 0.9620 0.7549 0.2759
ARMA (2,0) 0.5956 0.8060 0.7697 0.5829 0.5565 0.3472 0.4281 0.2472 0.7846 0.9473 0.7168 0.2744
ARMA (1,1) 0.5955 0.8057 0.7697 0.5829 0.5564 0.3472 0.4281 0.2464 0.7843 0.9462 0.7002 0.2740
ARMA (2,1) 0.5913 0.7575 0.7697 0.5448 0.5535 0.3257 0.4133 0.2425 0.7845 0.9393 0.7122 0.2741
ARMA (1,0) 0.5048 0.7358 0.6851 0.8435 0.7237 0.3863 0.3521 0.4251 0.3242 0.4066 0.3806 0.6010
ARMA (2,0) 0.5036 0.7271 0.6088 0.7444 0.6980 0.3690 0.2826 0.3830 0.2581 0.3399 0.3788 0.5746
ARMA (1,1) 0.5035 0.7270 0.6053 0.7030 0.6653 0.3635 0.2755 0.3649 0.2391 0.3048 0.3777 0.5743
ARMA (2,1) 0.4990 0.7247 0.6048 0.7425 0.6884 0.3676 0.2456 0.3820 0.2580 0.3356 0.3776 0.5485
ARMA (1,0) 0.7528 0.7758 0.7360 0.6938 0.5172 0.6024 0.3845 0.3519 0.9034 0.8496 0.7467 0.6210
ARMA (2,0) 0.7258 0.7719 0.7234 0.6852 0.5171 0.5831 0.3639 0.3476 0.8602 0.8187 0.7070 0.6186
ARMA (1,1) 0.7255 0.7713 0.7231 0.6847 0.5171 0.5831 0.3622 0.3472 0.8593 0.8023 0.6914 0.6178
ARMA (2,1) 0.6525 0.7562 0.7090 0.6497 0.5163 0.5800 0.3635 0.3351 0.8602 0.8186 0.6970 0.6108
ARMA (1,0) 0.5166 0.6863 0.8396 0.9174 0.6654 0.4468 0.3275 0.1139 0.8536 0.6810 0.6207 0.6178
ARMA (2,0) 0.4991 0.6830 0.8392 0.9131 0.6453 0.4190 0.3271 0.1128 0.8536 0.6115 0.6137 0.6016
ARMA (1,1) 0.4978 0.6828 0.8392 0.9131 0.6442 0.4162 0.3270 0.1128 0.8536 0.6115 0.6112 0.6010
ARMA (2,1) 0.4986 0.6794 0.8075 0.9080 0.6394 0.4185 0.3017 0.1128 0.8496 0.5289 0.5775 0.5857
ARMA (1,0) 0.6669 0.7816 0.6976 0.7531 0.6084 0.5949 0.7663 0.1880 0.4229 0.3762 0.4175 0.8303
ARMA (2,0) 0.6631 0.7470 0.6932 0.7506 0.5775 0.5942 0.4459 0.1880 0.3945 0.3759 0.4085 0.6168
ARMA (1,1) 0.6549 0.7451 0.6922 0.7505 0.5771 0.5941 0.4449 0.1879 0.3945 0.3758 0.4085 0.6088
ARMA (2,1) 0.6232 0.7464 0.6537 0.6756 0.4444 0.5918 0.4412 0.1870 0.3943 0.3747 0.4060 0.6114
ARMA (1,0) 0.4871 0.5809 0.5181 0.2189 0.4633 0.8119 0.6213 0.2234 0.1968 0.2824 0.3683 0.5871
ARMA (2,0) 0.4129 0.5440 0.5179 0.2182 0.4534 0.6974 0.5936 0.2075 0.1941 0.2497 0.3197 0.5477
ARMA (1,1) 0.3958 0.5275 0.5179 0.2182 0.4533 0.6927 0.5682 0.2035 0.1938 0.2491 0.3106 0.5361
ARMA (2,1) 0.4152 0.3859 0.5169 0.2182 0.4295 0.5284 0.5786 0.1159 0.1940 0.2276 0.3117 0.4249
Para "PARON - Estand" yel resto de las series, indica que las serie ha sido primeramente normalizada contransformacinlogartmica yluego estandarizada
LLANGANUCO -
Estand
PARON - Estand
CONDORCERRO -
Estand
PUENTE
CARRETERA -
Estand
LA BALSA - Estand
CHANCOS - Estand
QUEROCOCHA -
Estand
CEDROS - Estand
COLCAS - Estand
QUITARACSA -
Estand
SERIE
VARIANZA DE LAS RESIDUALES
RECRETA - Estand
PACHACOTO -
Estand
COEFICIENTES DE LOS PARAMETROS ESTABLECIDOS PARA LAS SERIES ESTANDARIZADAS
88
4.7 BONDAD DE AJUSTE DEL MODELO.
Realizado la corrida del programa SAMS para la simulacin de los diferentes modelos
ARMA (p,q) y calculado las pruebas de ajuste de los modelos, los resultados se indican en
los cuadros que se presentan a continuacin.
4.7.1 PRUEBA DE INDEPENDENCIA EN EL TIEMPO.
El programa SAMS realiza la prueba de Porte Monteau cuyos resultados se muestran
en los cuadros 4.22 y 4.24 correspondientes para las series con transformacin logartmica y
series estandarizadas respectivamente; estos cuadros son el resumen de los resultados que
presenta el SAMS para todos los meses de cada modelo ARMA (p,q) de las series
transformadas (normalizadas y estandarizadas).
El programa determina los valores de los estadsticos tabular y calculado de la prueba
de Porte Monteau y con el correlograma de Anderson; se determinan si la residual de las
series es independiente y se ajustan a una distribucin normal.
4.7.2 PRUEBA DE NORMALIDAD.
El programa SAMS realiza el Test de Residuales para el modelo ARMA (p,q), de tal
manera que realiza la Prueba de Asimetra de Normalidad (Skewness Test of Normality)
cuyos resultados se muestran en los cuadros 4.21 y 4.23 que es un resumen del ploteo que
realiza el SAMS para esta prueba.
89
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12
ARMA(p,q) ValorTab. Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.654
ARMA (2,0) 0.654
ARMA (1,1) 0.654
ARMA (2,1) 0.654
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
NO SE AJ USTA A UNA DISTRIBUCION NORMAL SE AJ USTA A UNA DISTRIBUCION NORMAL
LLANGANUCO-Ln
PARON-Ln
CONDORCERRO-
Ln
PUENTE
CARRETERA-Ln
LA BALSA-Ln
CHANCOS-Ln
QUEROCOCHA-
Ln
CEDROS-Ln
COLCAS-Ln
QUITARACSA-Ln
RECRETA-Ln
PACHACOTO-Ln
Estacin
Grado del Modelo
CUADRO N 4.21
TEST DE RESIDUALES PRUEBA DE ASIMETRIA DE NORMALIDAD PARA LAS SERIES
NORMALIZADAS CON TRANSFORMACION LOGARITMICA

90
CUADRO N 4.22
TEST DE RESIDUALES PRUEBA DE PORTE MONTEAU PARA LAS SERIES NORMALIZADAS CON
TRANSFORMACION LOGARITMICA
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12
ARMA(p,q) ValorTab. Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
ARMA (1,0) 16.92
ARMA (2,0) 15.51
ARMA (1,1) 15.51
ARMA (2,1) 14.07
NO SE AJ USTA A UNA DISTRIBUCION NORMAL SE AJ USTA A UNA DISTRIBUCION NORMAL
Estacion
Grado del Modelo
RECRETA-Ln
PACHACOTO-Ln
QUEROCOCHA-
Ln
CEDROS-Ln
COLCAS-Ln
QUITARACSA-Ln
CONDORCERRO-
Ln
PARON-Ln
PUENTE
CARRETERA-Ln
LA BALSA-Ln
CHANCOS-Ln
LLANGANUCO-
Ln

91
CUADRO N 4.23
TEST DE RESIDUALES PRUEBA DE ASIMETRIA DE NORMALIDAD PARA SERIES NORMALIZADAS
Y ESTANDARIZADAS
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12
ARMA(p,q) ValorTab. Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.654
ARMA (2,0) 0.654
ARMA (1,1) 0.654
ARMA (2,1) 0.654
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
ARMA (1,0) 0.587
ARMA (2,0) 0.587
ARMA (1,1) 0.587
ARMA (2,1) 0.587
NO SE AJ USTA A UNA DISTRIBUCION NORMAL SE AJ USTA A UNA DISTRIBUCION NORMAL
LLANGANUCO-
Stan
PARON-Stan
RECRETA-Stan
Estacion
COLCAS-stan
QUITARACSA-
Stan
CONDORCERRO-
Stan
PUENTE
CARRETERA-
Stan
LA BALSA-Stan
CHANCOS-Stan
Grado del Modelo
PACHACOTO-
Stan
QUEROCOCHA-
Stan
CEDROS-Stan

92
CUADRO N 4.24
TEST DE RESIDUALES PRUEBA DE PORTE MONTEAU PARA LAS SERIES NORMALIZADAS Y
ESTANDARIZADAS
Gradodel Modelo Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12
ARMA(p,q) Valor Tab. Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech Acep/Rech
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
ARMA(1,0) 16.92
ARMA(2,0) 15.51
ARMA(1,1) 15.51
ARMA(2,1) 14.07
NO SE AJ USTA A UNA DISTRIBUCIONNORMAL SE AJ USTA A UNADISTRIBUCIONNORMAL
Estacion
RECRETA-Stan
PACHACOTO-
Stan
QUEROCOCHA-
Stan
CEDROS-Stan
COLCAS-stan
QUITARACSA-
Stan
CONDORCERRO-
Stan
PARON-Stan
PUENTE
CARRETERA-
Stan
LA BALSA-Stan
CHANCOS-Stan
LLANGANUCO-
Stan

93
4.7.3 AJUSTE DE LA DISTRIBUCIN EMPRICA DE LA COMPONENTE
RESIDUAL ESTOCSTICA.
En los cuadros 4.21 y 4.23 se muestran los resultados de las pruebas de ajuste de
normalidad, y es la comprobacin de las residuales que se ajustan a una distribucin normal.
4.7.4 PARSIMONIA DE PARMETROS.
Una regla para seleccionar entre modelos ARMA (p,q) competentes es aplicando el
criterio de Informacin Akaike (AIC(p,q)), la aplicacin de esta regla de decisin con la
varianza de las residuales de cada mes y de c/u de las series modeladas, se selecciona el
modelo que tiene el menor valor del AIC(p,q). Los cuadros 4.25 y 4.26 muestran los
resultados de los valores de AIC (p,q) tanto para las series normalizadas con transformacin
logartmica y estandarizadas. El cuadro 4.27 muestra el resultado del AIC (p,q) que es el
menor valor calculado para cada serie modelada tomados de los cuadros 4.25 y 4.26, donde
se han seleccionados los modelos ARMA(p,q) adecuados y calibrados para realizar la
generacin de descargas medias mensuales sintticas.
El cuadro 4.28 muestra los modelos estocsticos ARMA (p,q) adecuados para la
generacin de caudales sintticos en cada estacin hidromtrica que se ha estudiado, en el
anexo C-1 se muestra el reporte del programa SAMS de los parmetros determinados para
las series seleccionadas.
94
95
CUADRO N 4.25
VALORES DE AIC (Criterio de Informacin de Akaike) PARA LAS SERIES QUE HAN SIDO NORMALIZADOS CON TRANSFORMACION LOGARITMICA
La serie resaltada indica que es el menor valor del AIC de los modelos tentativos ARMA (p,q)
96
CUADRO N 4.26
VALORES DE AIC (Criterio de Informacin de Akaike) PARA LAS SERIES QUE HAN SIDO NORMALIZADOS CON TRANSFORMACION LOGARITMICA Y
ESTANDARIZADAS
La serie resaltada indica que es el menor valor del AIC de los modelos tentativos ARMA (p,q)
97
CUADRO N 4.27
SERIES SELECCIONADAS CON EL AIC (Criterio de Informacin de Akaike) PARA LAS SERIES NORMALIZADAS CON
TRANSFORMACION LOGARITMICA Y ESTANDARIZADAS
98
GRUPO
ESTACION
HIDROMETRICA
SERIE
NORMALIZADA
CON
TRANSFORMACIO
N LOGARITMICA
MODELO
ESTOCASTICO
Y ORDEN
LONGIT
UD DE
LA
SERIE
GRUPO
I
RECERTA RECRETA - Ln ARMA ( 2 1 ) 480
PACHACOTO PACHACOTO - Ln ARMA ( 2 1 ) 480
QUEROCOCHA QUEROCOCHA - Ln ARMA ( 2 1 ) 480
GRUPO
II
LOS CEDROS CEDROS - Ln ARMA ( 2 1 ) 480
COLCAS COLCAS - Ln ARMA ( 2 1 ) 480
QUITARACSA QUITARACSA - Ln ARMA ( 2 1 ) 480
GRUPO
III
CONDORCERRO
CONDORCERRO -
Ln
ARMA ( 2 1 ) 480
PUENTE
CARRETERA
PUENTE CARRETERA
Ln
ARMA ( 2 1 ) 480
LA BALSA LA BALSA - Ln ARMA ( 2 1 ) 480
GRUPO
IV
CHANCOS CHANCOS - Ln ARMA ( 2 1 ) 480
LLANGANUCO LLANGANUCO - Ln ARMA ( 2 1 ) 480
PARON PARON - Ln ARMA ( 2 1 ) 480
Los modelos estacionales obtenidos para la generacin son los siguientes:
Formula General (Ecuacin 2.64, Seccin 2.6):
1 ,
2
1 ,
2
, 1 2 , , 2 1 , , 1 ,
U U U

+ +
Donde: Los valores de U
1,0 ,
U
1,-1 ,

1,0 ,
son iguales a cero
Modelos correspondientes a la Estacin Recreta:
Enero : U1,1 = 1.275231U1,0 - 0.795323U1,-1 - 0.302897*0.1025671,0 + 0.1025671,1
Febrero : U1,2 = 0.639511U1,1 + 0.088803U1,0 - 0.183988*0.2064731,1 + 0.2064731,2
Marzo : U1,3 = 1.356250U1,2 - 0.423804U1,1 - 0.696041*0.1153981,2 + 0.1153981,3
Abril : U1,4 = 1.065753U1,3 - 0.323782U1,2 - 0.480911*0.0987041,3 + 0.0987041,4
Mayo : U1,5 = 1.265946U1,4 - 0.454749U1,3 - 0.797988*0.0231991,4 + 0.0231991,5
Junio : U1,6 = 0.305337U1,5 + 0.059410U1,4 + 0.103050*0.0056361,5 + 0.0056361,6
Julio : U1,7 = 2.393603U1,6 - 0.738725U1,5 - 1.662154*0.0015621,6 + 0.0015621,7
Agosto : U1,8 = 0.800330U1,7 - 0.088542U1,6 + 0.229447*0.0010221,7 + 0.0010221,8
Setiembre : U1,9 = 0.877491U1,8 + 0.067852U1,7 - 0.188918*0.0027121,8 + 0.0027121,9
Octubre : U1,10 = 3.541234U1,9 - 1.986462U1,8 - 2.463045*0.0273871,9 + 0.0273871,10
Noviembre : U1,11 = 0.754409U1,10 - 0.666787U1,9 - 0.146821*0.0433891,10 + 0.0433891,11
Diciembre : U1,12 = 1.005339U1,11 - 0.187302U1,10 - 0.111579*0.2791531,11 + 0.2791531,12
Modelos correspondientes a la Estacin Querococha:
CUADRO N 4.28
Resultados de la bondad de Ajuste de la Simulacin Estocstica de Modelos ARMA (p,q) con la
Prueba de Akaike AIC (p,q), estos modelos estn aptos para la generacin sinttica
99
Enero : U1,1 = 0.350435U1,0 + 0.187155U1,-1 + 0.302454*0.0266391,0 + 0.0266391,1
Febrero : U1,2 = -2.449985U1,1 + 1.979661U1,0 + 2.760159*0.0596091,1 + 0.0596091,2
Marzo : U1,3 = 0.402457U1,2 + 0.011914U1,1 + 0.056422*0.048871,2 + 0.048871,3
Abril : U1,4 = -4.903899U1,3 + 2.451504U1,2 + 5.338287*0.0197881,3 + 0.0197881,4
Mayo : U1,5 = 0.735263U1,4 - 0.287139U1,3 - 0.444853*0.0177211,4 + 0.0177211,5
Junio : U1,6 = 1.030299U1,5 - 0.180263U1,4 - 0.558947*0.0033451,5 + 0.0033451,6
Julio : U1,7 = 0.781067U1,6 + 0.037382U1,5 - 0.197354*0.002421,6 + 0.002421,7
Agosto : U1,8 = 0.887997U1,7 - 0.217707U1,6 - 0.077347*0.0020011,7 + 0.0020011,8
Setiembre : U1,9 = 0.475321U1,8 + 0.184505U1,7 + 0.117082*0.0081511,8 + 0.0081511,9
Octubre : U1,10 = 2.491649U1,9 - 1.073709U1,8 - 2.302979*0.0224331,9 + 0.0224331,10
Noviembre : U1,11 = 0.316634U1,10 + 0.372911U1,9 + 0.471879*0.0356941,10 + 0.0356941,11
Diciembre : U1,12 = 1.768222U1,11 - 0.732520U1,10 - 0.947080*0.0395441,11 + 0.0395441,12
Modelos correspondientes a la Estacin Pachacoto:
Enero : U1,1 = -14.259809U1,0 + 10.216033U1,-1 + 15.075256*0.0625161,0 + 0.0625161,1
Febrero : U1,2 = -1.015503U1,1 + 1.263260U1,0 + 1.231293*0.0626731,1 + 0.0626731,2
Marzo : U1,3 = 0.000559U1,2 + 0.163641U1,1 + 0.491547*0.0648011,2 + 0.0648011,3
Abril : U1,4 = 1.664556U1,3 - 0.281217U1,2 - 1.186298*0.0759391,3 + 0.0759391,4
Mayo : U1,5 = 0.038643U1,4 + 0.304687U1,3 + 0.48548*0.0277051,4 + 0.0277051,5
Junio : U1,6 = 0.660521U1,5 + 0.028189U1,4 + 0.174985*0.0411991,5 + 0.0411991,6
Julio : U1,7 = 3.968258U1,6 - 2.57686U1,5 - 3.065717*0.0473871,6 + 0.0473871,7
Agosto : U1,8 = 1.119457U1,7 - 0.162633U1,6 - 0.807247*0.0224951,7 + 0.0224951,8
Setiembre : U1,9 = 0.264935U1,8 + 0.315171U1,7 + 0.533141*0.0256471,8 + 0.0256471,9
Octubre : U1,10 = -0.252367U1,9 + 0.531097U1,8 + 0.583504*0.0488361,9 + 0.0488361,10
Noviembre : U1,11 = -1.192815U1,10 + 1.250792U1,9 + 1.749567*0.0484391,10 + 0.0484391,11
Diciembre : U1,12 = 0.695028U1,11 - 0.003279U1,10 - 0.014882*0.0439221,11 + 0.0439221,12
Modelos correspondientes a la Estacin Los Cedros:
Enero : U1,1 = 0.341340U1,0 + 0.366061U1,-1 + 0.133840*0.0309061,0 + 0.0309061,1
Febrero : U1,2 = -0.121092U1,1 + 0.439605U1,0 + 0.926421*0.0300341,1 + 0.0300341,2
Marzo : U1,3 = -0.066416U1,2 + 0.177682U1,1 + 0.600489*0.0421071,2 + 0.0421071,3
Abril : U1,4 = 0.888301U1,3 - 0.240751U1,2 - 0.250379*0.0240491,3 + 0.0240491,4
Mayo : U1,5 = -0.098452U1,4 + 0.266145U1,3 + 0.563552*0.0076321,4 + 0.0076321,5
Junio : U1,6 = 0.853000U1,5 - 0.158172U1,4 + 0.085213*0.0071181,5 + 0.0071181,6
Julio : U1,7 = 1.234795U1,6 - 0.240132U1,5 - 0.689653*0.0076361,6 + 0.0076361,7
Agosto : U1,8 = 0.570067U1,7 + 0.227151U1,6 + 0.310231*0.0091151,7 + 0.0091151,8
Setiembre : U1,9 = -1.035296U1,8 + 1.578571U1,7 + 1.61633*0.0095771,8 + 0.0095771,9
Octubre : U1,10 = 0.347533U1,9 + 0.158692U1,8 + 0.484230*0.0088221,9 + 0.0088221,10
100
Noviembre : U1,11 = -0.024999U1,10 + 0.721949U1,9 + 0.644816*0.0112581,10 + 0.0112581,11
Diciembre : U1,12 = 2.074982U1,11 - 1.216691U1,10 - 1.404008*0.0128211,11 + 0.0128211,12
Modelos correspondientes a la Estacin Los Colcas:
Enero : U1,1 = 1.473188U1,0 - 0.407716U1,-1 - 0.803156*0.0399981,0 + 0.0399981,1
Febrero : U1,2 = -5.146542U1,1 + 3.850284U1,0 + 5.669818*0.0037291,1 + 0.0037291,2
Marzo : U1,3 = 0.685881U1,2 - 0.380029U1,1 - 1.053483*0.0624571,2 + 0.0624571,3
Abril : U1,4 = -0.005046U1,3 + 0.082598U1,2 + 0.349470*0.0515541,3 + 0.0515541,4
Mayo : U1,5 = 0.053970U1,4 + 0.172036U1,3 + 0.512260*0.0230561,4 + 0.0230561,5
Junio : U1,6 = -3.84829U1,5 + 2.370136U1,4 + 4.589796*0.0452601,5 + 0.045261,6
Julio : U1,7 = 0.775642U1,6 + 0.244175U1,5 - 0.015284*0.0222981,6 + 0.0222981,7
Agosto : U1,8 = 0.634774U1,7 + 0.226125U1,6 + 0.226366*0.0143871,7 + 0.0143871,8
Setiembre : U1,9 = 8.269968U1,8 - 6.693006U1,7 - 7.494999*0.0280261,8 + 0.0280261,9
Octubre : U1,10 = 1.566293U1,9 - 0.626341U1,8 - 1.061067*0.0168251,9 + 0.0168251,10
Noviembre : U1,11 = 1.77205U1,10 - 0.945320U1,9 - 1.370130*0.0190581,10 + 0.0190581,11
Diciembre : U1,12 = 0.509892U1,11 + 0.07804U1,10 - 0.295991*0.0358931,11 + 0.0358931,12
Modelos correspondientes a la Estacin Quitaracsa:
Enero : U1,1 = 0.775367U1,0 - 0.036030U1,-1 - 0.209321*0.1272771,0 + 0.1272771,1
Febrero : U1,2 = -0.347329U1,1 + 0.514801U1,0 + 0.785297*0.0956121,1 + 0.0956121,2
Marzo : U1,3 = -1.065385U1,2 + 0.678215U1,1 + 1.473110*0.1147611,2 + 0.1147611,3
Abril : U1,4 = -0.667054U1,3 + 0.620337U1,2 + 1.206380*0.0657291,3 + 0.0657291,4
Mayo : U1,5 = 0.917815U1,4 - 0.177214U1,3 - 0.293361*0.0479741,4 + 0.0479741,5
Junio : U1,6 = 0.254893U1,5 + 0.250317U1,4 + 0.449447*0.033781,5 + 0.033781,6
Julio : U1,7 = 0.654330U1,6 + 0.182033U1,5 + 0.533949*0.0539041,6 + 0.0539041,7
Agosto : U1,8 = 1.010816U1,7 - 0.108758U1,6 + 0.042728*0.0423981,7 + 0.0423981,8
Setiembre : U1,9 = 0.668791U1,8 - 0.024356U1,7 + 0.059837*0.0561581,8 + 0.0561581,9
Octubre : U1,10 = -2.301311U1,9 + 1.732041U1,8 + 2.725095*0.1125371,9 + 0.1125371,10
Noviembre : U1,11 = -0.198447U1,10 + 0.007845U1,9 + 0.415036*0.0530271,10 + 0.0530271,11
Diciembre : U1,12 = 1.341076U1,11 - 0.260029U1,10 - 0.719701*0.090081,11 + 0.090081,12
Modelos correspondientes a la Estacin Condorcerro:
Enero : U1,1 = -0.880032U1,0 + 1.653935U1,-1 + 1.297747*0.0718431,0 + 0.0718431,1
Febrero : U1,2 = -2.513644U1,1 + 1.581582U1,0 + 2.944449*0.1316671,1 + 0.1316671,2
Marzo : U1,3 = 0.498656U1,2 + 0.024764U1,1 + 0.021283*0.1640721,2 + 0.1640721,3
Abril : U1,4 = 4.388260U1,3 - 2.024282U1,2 - 3.787577*0.1010611,3 + 0.1010611,4
Mayo : U1,5 = -1.312318U1,4 + 1.090613U1,3 + 1.654560*0.0411731,4 + 0.0411731,5
Junio : U1,6 = 0.091230U1,5 + 0.215781U1,4 + 0.535437*0.0130071,5 + 0.0130071,6
101
Julio : U1,7 = 1.152786U1,6 - 0.193265U1,5 - 0.830559*0.0142971,6 + 0.0142971,7
Agosto : U1,8 = 0.779400U1,7 - 0.054245U1,6 + 0.024753*0.0064061,7 + 0.0064061,8
Setiembre : U1,9 = -0.360302U1,8 + 0.587908U1,7 + 1.074540*0.0243251,8 + 0.0243251,9
Octubre : U1,10 = -0.36706U1,9 + 0.460349U1,8 + 0.550992*0.0495131,9 + 0.0495131,10
Noviembre : U1,11 = -0.105687U1,10 + 0.554963U1,9 + 0.764866*0.0746441,10 + 0.0746441,11
Diciembre : U1,12 = 1.203173U1,11 - 0.081433U1,10 + 0.004895*0.0551591,11 + 0.0551591,12
Modelos correspondientes a la Estacin Puente Carretera:
Enero :U1,1 = 0.448426U1,0 + 0.208747U1,-1 + 0.311946*0.0994241,0 + 0.0994241,1
Febrero :U1,2 = 0.974287U1,1 - 0.308908U1,0 - 0.612668*0.1133701,1 + 0.1133701,2
Marzo :U1,3 = -0.197558U1,2 + 0.568035U1,1 + 0.617048*0.1019721,2 + 0.1019721,3
Abril :U1,4 = 0.625297U1,3 - 0.395175U1,2 - 0.138715*0.0850121,3 + 0.0850121,4
Mayo :U1,5 = 0.355067U1,4 - 0.057292U1,3 + 0.380365*0.1058961,4 + 0.1058961,5
Junio :U1,6 = 0.643019U1,5 - 0.066487U1,4 + 0.179177*0.0502811,5 + 0.0502811,6
Julio :U1,7 = -0.191391U1,6 + 0.516615U1,5 + 1.217389*0.0241441,6 + 0.0241441,7
Agosto :U1,8 = 0.853274U1,7 - 0.269551U1,6 - 0.082536*0.0224421,7 + 0.0224421,8
Setiembre :U1,9 = 1.066282U1,8 - 0.292775U1,7 - 0.027832*0.0129201,8 + 0.0129201,9
Octubre :U1,10 = 1.396230U1,9 - 0.611719U1,8 - 0.290506*0.0173501,9 + 0.0173501,10
Noviembre :U1,11 = 0.928732U1,10 + 0.029424U1,9 + 0.178089*0.0321951,10 + 0.0321951,11
Diciembre :U1,12 = 5.934198U1,11 - 5.22733U1,10 - 4.704155*0.1082391,11 + 0.1082391,12
Modelos correspondientes a la Estacin La Balsa:
Enero : U1,1 = -2.161793U1,0 + 2.326589U1,-1 + 2.584195*0.0612211,0 + 0.0612211,1
Febrero : U1,2 = 0.947828U1,1 - 0.128701U1,0 - 0.495127*0.1007921,1 + 0.1007921,2
Marzo : U1,3 = -0.264165U1,2 + 0.334172U1,1 + 0.912974*0.1109291,2 + 0.1109291,3
Abril : U1,4 = -0.623404U1,3 + 0.693918U1,2 + 1.098608*0.0778271,3 + 0.0778271,4
Mayo : U1,5 = 0.541660U1,4 - 0.031676U1,3 - 0.073043*0.0293711,4 + 0.0293711,5
Junio : U1,6 = 1.515051U1,5 - 0.509324U1,4 - 1.234077*0.0106871,5 + 0.0106871,6
Julio : U1,7 = 0.674542U1,6 - 0.041213U1,5 + 0.167376*0.0057441,6 + 0.0057441,7
Agosto : U1,8 = 2.039335U1,7 - 0.811803U1,6 - 1.008556*0.007821,7 + 0.0078201,8
Setiembre : U1,9 = 0.825438U1,8 - 0.600774U1,7 + 0.033084*0.0436821,8 + 0.0436821,9
Octubre : U1,10 = 0.388525U1,9 - 0.236349U1,8 + 0.045695*0.0399011,9 + 0.0399011,10
Noviembre : U1,11 = 1.08236U1,10 - 0.011976U1,9 - 0.651675*0.0386591,10 + 0.0386591,11
Diciembre : U1,12 = 0.329027U1,11 + 0.202242U1,10 + 0.557148*0.0576441,11 + 0.0576441,12
Modelos correspondientes a la Estacin Chancos:
Enero : U1,1 = 0.635961U1,0 + 0.074506U1,-1 - 0.113307*0.0419271,0 + 0.0419271,1
Febrero : U1,2 = 0.903291U1,1 - 0.295369U1,0 - 0.390052*0.0418131,1 + 0.0418131,2
102
Marzo : U1,3 = 2.699411U1,2 - 1.070878U1,1 - 2.308711*0.0572221,2 + 0.0572221,3
Abril : U1,4 = 0.723701U1,3 - 0.10294U1,2 - 0.453326*0.0793241,3 + 0.0793241,4
Mayo : U1,5 = 1.522611U1,4 - 0.102041U1,3 - 0.918065*0.0732791,4 + 0.0732791,5
Junio : U1,6 = 0.985752U1,5 - 0.321437U1,4 - 0.142525*0.0464911,5 + 0.0464911,6
Julio : U1,7 = 1.640028U1,6 - 0.613171U1,5 - 0.935373*0.0307521,6 + 0.0307521,7
Agosto : U1,8 = 0.804080U1,7 + 0.069961U1,6 + 0.027187*0.0098711,7 + 0.0098711,8
Setiembre : U1,9 = 2.205526U1,8 - 1.605662U1,7 - 1.850287*0.0678381,8 + 0.0678381,9
Octubre : U1,10 = 5.295460U1,9 - 1.470138U1,8 - 4.835355*0.0474001,9 + 0.0474001,10
Noviembre : U1,11 = 1.349062U1,10 - 0.446040U1,9 - 0.676700*0.0774791,10 + 0.0774791,11
Diciembre : U1,12 = 0.978273U1,11 - 0.215973U1,10 - 0.557869*0.0616071,11 + 0.0616071,12
Modelos correspondientes a la Estacin Llanganuco:
Enero : U1,1 = 0.282289U1,0 + 0.084115U1,-1 + 0.573378*0.0248821,0 + 0.0248821,1
Febrero : U1,2 = 0.393441U1,1 + 0.175072U1,0 - 0.099570*0.0238681,1 + 0.0238681,2
Marzo : U1,3 = -0.468441U1,2 + 0.380604U1,1 + 1.128575*0.0226711,2 + 0.0226711,3
Abril : U1,4 = -0.671531U1,3 + 0.604592U1,2 + 1.233791*0.0195851,3 + 0.0195851,4
Mayo : U1,5 = 1.879793U1,4 - 0.715654U1,3 - 1.321960*0.0117501,4 + 0.0117501,5
Junio : U1,6 = 0.820286U1,5 + 0.149920U1,4 + 0.226076*0.0401101,5 + 0.0401101,6
Julio : U1,7 = -1.041144U1,6 + 2.082803U1,5 + 1.060618*0.0219951,6 + 0.0219951,7
Agosto : U1,8 = 0.884448U1,7 - 0.012575U1,6 - 0.068140*0.0082421,7 + 0.0082421,8
Setiembre : U1,9 = 1.626528U1,8 - 0.746773U1,7 - 0.410148*0.0209541,8 + 0.0209541,9
Octubre : U1,10 = 0.902745U1,9 - 0.118930U1,8 - 0.192847*0.0176901,9 + 0.0176901,10
Noviembre : U1,11 = 1.945081U1,10 - 0.990405U1,9 - 1.161448*0.0152111,10 + 0.0152111,11
Diciembre : U1,12 = -0.718941U1,11 + 0.973711U1,10 + 0.617043*0.0180611,11 + 0.0180611,12
Modelos correspondientes a la Estacin Parn:
Enero : U1,1 = 1.457650U1,0 - 0.704197U1,-1 - 0.242105*0.0185951,0 + 0.0185951,1
Febrero : U1,2 = 2.494381U1,1 - 1.907901U1,0 - 1.870081*0.0169841,1 + 0.0169841,2
Marzo : U1,3 = 0.634205U1,2 + 0.024858U1,1 + 0.051895*0.0230221,2 + 0.0230221,3
Abril : U1,4 = -0.712753U1,3 + 1.032537U1,2 + 1.602161*0.0077371,3 + 0.0077371,4
Mayo : U1,5 = 3.400401U1,4 - 2.523458U1,3 - 2.722571*0.0090301,4 + 0.0090301,5
Junio : U1,6 = -0.693262U1,5 + 0.397127U1,4 + 1.667248*0.0194201,5 + 0.0194201,6
Julio : U1,7 = 1.698345U1,6 - 0.585800U1,5 - 0.938861*0.0228111,6 + 0.0228111,7
Agosto : U1,8 = 2.021529U1,7 - 1.005772U1,6 - 1.027956*0.0086721,7 + 0.0086721,8
Setiembre : U1,9 = 0.621159U1,8 + 0.070606U1,7 + 0.230483*0.0080381,8 + 0.0080381,9
Octubre : U1,10 = 1.130424U1,9 - 0.396217U1,8 - 0.279647*0.0050821,9 + 0.0050821,10
Noviembre : U1,11 = 1.587948U1,10 - 0.594719U1,9 - 0.512312*0.0053271,10 + 0.0053271,11
Diciembre : U1,12 = 2.517921U1,11 - 1.466479U1,10 - 1.678349*0.0102911,11 + 0.0102911,12
103
4.8 GENERACIN DE SERIES.
Terminada la parte de modelamiento estocstico de los diferentes modelos ARMA
(p,q) y obteniendo los parmetros adecuados segn las pruebas de ajuste del modelo que
realiz previamente el programa SAMS y mostrando en los cuadros anteriores de donde se
obtuvieron los mejores modelos parsimoniosos; el programa SAMS realiza la generacin de
series sintticas en funciona a los parmetros calculados por el programa para los modelos
ARMA (p,q) adecuados, segn el cuadro 4.28 y con los modelos correspondientes a cada
estacin; luego, el programa realiza las transformaciones inversas, a las realizadas
inicialmente como es la transformacin logartmica.
4.8.1 ANALISIS COMPARATIVO ENTRE SERIES HISTORICAS Y
GENERADAS.
Seleccionado los modelos de la serie por transformacin logartmica y estandarizacin
segn el Criterio de Informacin de Akaike (mostrados en el cuadro 4.28), se generaron 100
series mensuales de longitud igual a los tramos establecidos (40 aos para todas las series
con transformacin logartmica y estandarizacin), el programa SAMS calcula la Media,
Desviacin Estndar, Coeficiente De Asimetra, Coeficiente De Variacin, Mximos y
Mnimos mensuales respectivamente; las series generadas e histricas se presenta en el
anexo C-2.
4.9 VALIDACIN DE RESULTADOS.
Obtenido los resultados de las medias y desviaciones estndar de cada serie generada,
para cada mes con el programa SAMS; se realizaron las pruebas estadsticas para verificar si
las series generadas con el modelo estocstico ARMA (p,q) para cada serie hidrolgica,
reproducen valores de caudales medios mensuales que sean estadsticamente iguales a las
series hidrolgicas histricas.
4.9.1 PRUEBA DE HIPOTESIS PARA DOS MUESTRAS.
La verificacin estadstica de las dos muestras, como son las series histricas y las
series generadas, se realizaron con las siguientes pruebas:
1. PRUBA DE HIPOTESIS DE LAS VARIANZAS DE 02 POBLACIONES.
104
La hiptesis de verificacin si las varianzas son iguales o diferentes se evaluaron
con el estadstico de F (Fisher Snedecor), los resultados de esta prueba se muestra en el
anexo C-3 y en el cuadro 4.29 se muestra en resumen cada una de las pruebas incluida
esta prueba.
2. PRUEBA DE t PARA MUESTRAS INDEPENDIENTES.
Evaluado si las varianzas son homogneas o no, se realiza la prueba de t para
muestras independientes, consistente en la prueba de diferencia de dos medias que
presenta dos casos: para vainazas homogneas y no homogneas. Los resultados se
muestran en el anexo C-3 y en el cuadro 4.29 se muestra en resumen esta prueba.
3. PRUEBA DE t PARA MUESTRAS DEPENDIENTES.
La diferencia entre las muestras histricas y generadas, para cada serie
hidrolgica de una estacin, fueron evaluadas tanto en la media como en la desviacin
estndar; en el anexo C-3 se muestran los resultados y en el cuadro 4.29 se presenta un
resumen de esta prueba.
4.9.2 INTERVALO DE CONFIANZA A PARTIR DE LAS SERIES GENERADAS.
La verificacin del intervalo de confianza de las series histricas a partir de las series
generadas se muestran en el anexo C-3, y en el cuadro 4.29 se muestra un resumen de esta
prueba.
4.9.3 PRUEBAS DE BONDAD DE AJUSTE.
Para determinar la distribucin de probabilidad de la cual provienen las muestras
histricas y generadas, estas fueron evaluadas con las pruebas de bondad de ajuste de Chi
Cuadrado y Kolmogorov Smirnov; para determinar una serie adecuada, de las 100 que se han
generado, se realizaron las pruebas de comprobacin de las medias y la varianza con
respecto a la serie original; simulando con varios valores del nivel de significancia (
probabilidad de error) para que quede una sola serie. El cuadro 4.30 se muestran los
diferentes valores de que se utilizaron para simular el comportamiento de la media y
desviacin estndar y as determinar la serie ms ptima. En el anexo B-3, se muestra las
series sintticas generadas de caudales medios mensuales en cada una de las estaciones
hidromtricas seleccionadas.
105
Definida la serie optima, se realizaron las pruebas de Chi cuadrado y Kolmogorov
Smirnov para evaluar si las series generadas ajustan a una distribucin de probabilidad
normal, en el cuadro 4.31 se muestran los resultados.
106
CUADRO N 4.29
RESUMEN DE LAS PRUEBAS ESTADISTICAS DE VALIDACION Y CONSTRASTACION DE HIPOTESIS
SERIES
SINTETICAS
GENERADAS.
Segn Cuadro N
4.24
ORDEN
DEL
MODELO
ARMA
(p,q)
LONGIT
UD DE
LA
SERIE
PRUEBAS ESTADISTICAS
1 2 3 4
RECRETA-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media en los
12 meses, y 11 meses en la Desviacin
Estndar.
PACHACOTO-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presenta relacin en la media
mas no en la varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media y desv.
Estndar para los 12 meses.
QUEROCOCHA-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media y desv.
Estndar para los 12 meses.
CEDROS-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presenta relacin en la media
mas no en la varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media y desv.
estndar para los 12 meses.
COLCAS-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media en los
12 meses, y 10 meses en la Desviacin
Estndar.
QUITARACSA-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media en los
12 meses; y 11 meses en la Desviacin
Estndar.
CONDORCERRO-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media y desv.
Estndar para los 12 meses.
PUENTE CARRETERA-
Ln
ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media y desv.
Estndar para los 12 meses.
LA BALSA-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media y desv.
Estndar para los 12 meses.
CHANCOS-Ln ARMA (2,1) 480 La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original no
presentan relacin en la media
y en la varianza si tiene
La serie sinttica se encuentra dentro del
intervalo de confianza para la media y desv.
Estndar para los 12 meses.
107
1. Prueba de Varianzas: Verificacin si las varianzas son iguales o diferentes.
2. Prueba de t para la diferencia entre dos medias, prueba para muestras independientes.
3. Prueba de t para la diferencia de dos medias apareadas, prueba para muestras dependientes.
4. Intervalo de Confianza Obtenidos a partir de los datos Generados.
CUADRO N 4.30
SELECCIN DE LA SERIE GENERADA MS ADECUADA
relacin.
LLANGANUCO-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media y desv.
Estndar para los 12 meses.
PARON-Ln ARMA (2,1) 480
La serie present tener
varianzas iguales en los
12 meses
La serie tiene medias
iguales en los 12 meses
La serie sinttica y original
presentan relacin en la media
y varianza.
La serie sinttica se encuentra dentro del
intervalo de confianza para la media en los
12 meses; y 11 meses en la Desviacin
Estndar.
SERIES SINTETICAS
GENERADAS. Segn
Cuadro N 4.24
ORDEN DEL
MODELO
ARMA (p,q)
LONGITU
D DE LA
SERIE
CANTIDAD DE SERIES ADECUADAS SEGN NIVEL DE
SIGNIFICANCIA
0.05 0.1 0.25 0.50
optimo para seleccin de
una serie
RECRETA-Ln ARMA (2,1) 480 53 47 30 19 0.930
PACHACOTO-Ln ARMA (2,1) 480 72 59 42 20 0.967
QUEROCOCHA-Ln ARMA (2,1) 480 89 79 61 39 0.982
CEDROS-Ln ARMA (2,1) 480 81 73 57 29 0.965
COLCAS-Ln ARMA (2,1) 480 86 78 64 40 0.878
QUITARACSA-Ln ARMA (2,1) 480 79 68 51 34 0.965
CONDORCERRO-Ln ARMA (2,1) 480 64 60 49 18 0.883
Aceptacin absoluta de las pruebas
Rechazo parcial de las pruebas
108
PUENTE CARRETERA-
Ln
ARMA (2,1) 480 74 66 52 35 0.973
LA BALSA-Ln ARMA (2,1) 480 82 73 58 40 0.970
CHANCOS-Ln ARMA (2,1) 480 93 85 62 36 0.983
LLANGANUCO-Ln ARMA (2,1) 480 23 11 2 0 0.400
PARON-Ln ARMA (2,1) 480 75 68 42 20 0.958
ESTACION
SELECCIONADA
POR EL AIC (p,q).
Segn Cuadro N
4.18
ORDEN
DEL
MODEL
O ARMA
(p,q)
LONGI
TUD
ANUA
L DE
LA
SERIE
RESUMEN PRUEBA AJUSTE DE NORMALIDAD
Serie Generada
Prueba Chi -Cuadrado
Prueba Smirnov-
Kolmogorov
Ajuste
Valor
Tabular
Valor
Calculado
Valor
Tabular
Valor
Calculado
RECRETA-Ln
ARMA
(2,1)
40 52.1923 39.55 0.21 0.1023 si se ajusta
PACHACOTO-Ln
ARMA
(2,1)
40 52.1923 39.64 0.21 0.1536 si se ajusta
QUEROCOCHA-Ln
ARMA
(2,1)
40 52.1923 39.59 0.21 0.0899 si se ajusta
COLCAS-Ln ARMA 40 52.1923 39.25 0.21 0.0608 si se ajusta
CUADRO N 4.31
RESUMEN DE LAS PRUEBAS ESTADISTICAS DE VALIDACION Y CONTRASTACION DE HIPOTESIS
PRUEBA DE AJUSTE DE NORMALIDAD PARA LAS SERIES GENERADAS
109
(2,1)
QUITARACSA-Ln
ARMA
(2,1)
40 52.1923 32.86 0.21 0.1197 si se ajusta
CEDROS-Ln
ARMA
(2,1)
40 52.1923 39.22 0.21 0.0717 si se ajusta
CONDORCERRO-Ln
ARMA
(2,1)
40 52.1923 38.10 0.21 0.1086 si se ajusta
PUENTE
CARRETERA-Ln
ARMA
(2,1)
40 52.1923 39.63 0.21 0.1222 si se ajusta
LA BALSA-Ln
ARMA
(2,1)
40 52.1923 38.14 0.21 0.1171 si se ajusta
CHANCOS-Ln
ARMA
(2,1)
40 52.1923 38.54 0.21 0.1256 si se ajusta
LLANGANUCO-Ln
ARMA
(2,1)
40 52.1923 39.80 0.21 0.1721 si se ajusta
PARON-Ln
ARMA
(2,1)
40 52.1923 39.68 0.21 0.0882 si se ajusta
110
V. DISCUSION DE RESULTADOS
5.1 INFORMACION HIDROMETRICA.
De las estaciones hidromtricas de la cuenca del ro Santa, se seleccionaron 12
estaciones, las cuales han sido agrupadas en 4 grupos para el anlisis respectivo, esta
agrupacin simplifico e identifico rpidamente las inconsistencias.
5.2 ANALISIS VISUAL.
Para la identificacin de inconsistencias se plotearon las series de caudales en
hidrogramas y rectas doble masa; las rectas doble masa, se obtuvieron del ploteo que se
realiz utilizando lamina escurrida para series de caudales en las estaciones analizadas,
resultando una rpida identificacin de los quiebres. Los quiebres en la recta doble masa
probablemente, representan las inconsistencias de los datos y la identificacin del tipo de
inconsistencia se tuvo en cuenta observando las rectas doble masa de cada grupo, y tambin
de los hidrogramas.
De los grficos de rectas doble masa (figuras 4.1 al 4.4) se seleccionaron las estaciones
ndices aquellas que presentan menores puntos de quiebre en las rectas doble masa, y en las
figuras 4.5 al 4.8 se identificaron los perodos confiables y dudosos, que con el anlisis
estadstico se comprobaron si estos son significativos o no, teniendo lo siguiente en cada
grupo:
Para el Grupo I: de la figura 4.1 se identific que la serie de Pachacoto tiene
menos puntos de quiebre, definiendo a esta serie como estacin ndice; en la figura
4.5 se muestra el ploteo de la estacin ndice en el eje de las abcisas y las estaciones
de Recreta y Querococha en el eje de las ordenadas; de esta grafica se identificaron
los perodos dudosos y confiables (cuadro 4.3), considerando como perodo
confiable aquella que tiene un perodo mayor de aos con respecto a los perodos
dudosos; los perodos dudosos sern evaluados estadsticamente. Las series de
Recreta y Querococha se identificaron 4 perodos dudosos.
111
Para el Grupo II: de la figura 4.2 se identific que la serie de Cedros tiene muy
pocos puntos de quiebre, definiendo a esta serie como estacin ndice, en la figura
4.6 se muestra el ploteo de la estacin ndice en el eje de las abcisas y las estaciones
de Colcas y Quitaracsa en el eje de las ordenadas; de esta grfica se identificaron los
perodos dudosos y confiables (cuadro 4.3), considerando como perodo confiable
aquella que tiene un mayor perodo de aos con respecto a los perodos dudosos; los
perodos dudosos sern evaluados estadsticamente. Las series de Colcas se
identificaron dos perodos dudosos y en la serie de Quitaracsa se identifico un
perodo dudoso.
Para el Grupo III: de la figura 4.3 se identifico que la serie de la Balsa tiene
pocos puntos de quiebre definiendo a esta serie como estacin ndice. De la figura
4.7 se muestra el ploteo de la estacin ndice en el eje de las abcisas y las estaciones
de Condorcerro y Puente Carretera en el eje de las ordenadas, de esta grfica se
identificaron los perodos dudosos y confiables (cuadro 4.3), considerando como
perodo confiable aquella que tiene un mayor perodo de aos con respecto a los
perodos dudosos; los perodos dudoso sern evaluados estadsticamente. La serie de
Condorcerro presento un perodo dudoso y otro confiable, y la serie de Puente
Carretera presento 3 perodos dudosos y 1 confiable.
Para el Grupo IV: de la figura 4.4 se identific que la serie de Llanganuco
tiene pocos puntos de quiebre, definiendo a esta serie como estacin ndice, de la
figura 4.8 se muestra el ploteo de la estacin ndice en el eje de las abcisas y las
estaciones de Chancos y Parn en el eje de las ordenadas; de esta grfica se
identificaron los perodos dudosos y confiables (cuadro 4.3), considerando como
perodo confiable aquella que tiene un mayor perodo de aos con respecto a los
perodos dudosos; los perodos dudosos sern evaluados. La serie de Chancos
presento 1 punto de quiebre y la serie de Parn presento 3 puntos de quiebre.
5.3 ANALISIS DE CONSISTENCIA
5.3.1 ANALISIS DE CONSISTENCIA EN SALTOS.
Identificado el perodo confiable aquellos perodos que tiene mayor longitud de aos y
los perodos dudosos, se realizaron las pruebas estadsticas para identificar salto en la
media y desviacin estndar para corregir los perodos dudosos que resultaran
significativos segn las pruebas estadsticas de t-Student y F-Fisher Snedecor. De
112
los grupos de estaciones hidromtricas seleccionadas resultaron corregidos los perodos
dudosos como son:
Del Grupo I: las estaciones de Recreta y Querococha presentaron los
siguientes periodos confiables y dudosos, siendo evaluados y cuantificados para
que resulte una ecuacin lineal de correccin de periodos dudosos que resultaron
significativos en una de las pruebas estadsticas de t y F para la media y
desviacin estndar; de esta evaluacin, resultaron significativos 3 periodos de los
4 identificados en la estacin Recreta y 2 periodos de los 4 identificados en la
estacin de Querococha. En el siguiente cuadro se muestra los periodos
significativos con las ecuaciones de correccin.
CUADRO N 5.1: Periodos que resultaron significativos y las ecuaciones de correccin.
ESTACION
PERIODOS Y LONGITUD EN AOS
Diferencia
Significati
va
Diferencia
Significati
va
ECUACION DE
CORRECCION
CONFIABL
ES
LONGIT
UD
DUDOSOS
LONGIT
UD MEDIA
DESV.
EST.
RECRETA
1956
197
6
21
197
7
198
0
4 SI Si
X't = 1.99 * X -
0.111
1956
198
0
25
198
1
198
4
4 NO NO
1956
198
4
29
198
5
198
9
5 NO Si
X't = 1.531 * X -
0.518
1956
198
9
34
199
0
199
3
4 SI Si
X't = 1.839 * X +
0.246
QUEROCOC
HA
1956
196
8
13
196
9
197
4
6 NO Si
X't = 0.834 * X +
0.054
1956
197
4
19
197
5
198
1
7 NO NO
1956
198
1
26
198
2
198
5
4 SI NO
X't = 0.85 * X -
0.107
1956
198
5
30
198
6
199
3
8 NO NO
Del Grupo II: las estaciones de Colcas y Quitaracsa presentaron los
siguientes periodos confiables y dudosos, siendo evaluados y cuantificados para
que resulte una ecuacin lineal de correccin de periodos dudosos que resultaron
significativos en una de las pruebas estadsticas de t y F para la media y
desviacin estndar; de esta evaluacin, todos los periodos dudosos identificados
resultaron significativos. En el siguiente cuadro se muestra los periodos
significativos con las ecuaciones de correccin.
CUADRO N 5.2: Periodos que resultaron significativos y las ecuaciones de correccin.
ESTACION
PERIODOS Y LONGITUD EN AOS
Diferencia
Significativ
a
Diferencia
Significativ
a
ECUACION DE
CORRECCION
CONFIABL
ES
LONGIT
UD
DUDOSOS
LONGITU
D
MEDIA DESV. EST.
113
COLCAS
1956
197
6
21 1977 1983 7 SI NO
X't = 1.02 * X -
1.285
1956
198
3
28 1984 1992 9 SI NO
X't = 1.009 * X
+ 0.68
QUITARACS
A
1956
199
2
37 1993 1995 3 SI Si
X't = 0.37 * X +
5.191
Del Grupo III: las estaciones de Condorcerro y Puente Carretera
presentaron los siguientes periodos confiables y dudosos, siendo evaluados y
cuantificados para que resulte una ecuacin lineal de correccin de periodos
dudosos que resultaron significativos en una de las pruebas estadsticas de t y
F para la media y desviacin estndar; de esta evaluacin, todos los periodos
dudosos identificados resultaron significativos. En el siguiente cuadro se muestra
los periodos significativos con las ecuaciones de correccin.
CUADRO N 5.3: Periodos que resultaron significativos y las ecuaciones de correccin.
ESTACION
PERIODOS Y LONGITUD EN AOS
Diferenci
a
Significa
tiva
Diferencia
Significati
va
ECUACION DE
CORRECCION
CONFIABL
ES
LONGIT
UD
DUDOSOS
LONGITU
D
MEDIA
DESV.
EST.
CONDORRCER
RO
1956
198
4
29 1985
199
3
9 SI NO
X't = 1.086 * X +
18.002
PUENTE
CARRETERA
1956
197
1
16 1972
197
9
8 NO Si
X't = 0.841 * X +
14.611
1956
197
9
24 1980
198
5
6 SI Si
X't = 0.538 * X +
8.326
1956
198
5
30 1986
198
9
4 SI Si
X't = 0.567 * X -
11.726
Del Grupo IV: las estaciones de Chancos y Parn presentaron los
siguientes periodos confiables y dudosos, siendo evaluados y cuantificados para
que resulte una ecuacin lineal de correccin de periodos dudosos que resultaron
significativos en una de las pruebas estadsticas de t y F para la media y
desviacin estndar; de esta evaluacin, todos los periodos dudosos identificados
resultaron significativos. En el siguiente cuadro se muestra los periodos
significativos con las ecuaciones de correccin.
CUADRO N 5.4: Periodos que resultaron significativos y las ecuaciones de correccin.
ESTACION
PERIODOS Y LONGITUD EN AOS Dif.Sig. D.SIG.
ECUACION DE
CORRECCION
CONFIABL
ES
LONGIT
UD
DUDOSOS
LONGIT
UD
MEDIA DESV. EST.
CHANCOS 1956
197
7
22 1978
198
6
9 SI Si
X't = 0.803 * X +
0.041
PARON
1956
197
6
21 1977
198
4
8 SI Si
X't = 0.773 * X -
0.053
1956 198
4
29 1985 198
9
5 SI Si X't = 0.841 * X -
0.492
114
1956
198
9
34 1990
199
5
6 SI Si
X't = 0.309 * X +
0.894
5.3.2 ANALISIS DE CONSISTENCIA EN TENDENCIAS.
Corregido la inconsistencia en los saltos de perodos dudosos, se identificaron las
tendencias en los hidrogramas, teniendo la serie de Pachacoto con el mayor numero de
perodos de posibles tendencias, y el resto de las series presentan entre 2 y 3 perodos de
posibles tendencias; de estos perodos se evaluaron y cuantificaron, resultando las series de
Pachacoto, Colcas, Puente Carretera, Chancos y Llanganuco con un perodo (cada uno) de
presencia de Tendencias; la presencia de inconsistencias en tendencia para las series
evaluadas result significativa en la media, en su mayora, y en la desviacin estndar.
Todas las series fueron analizadas en los posibles perodos que presentaran tendencias
y en la totalidad de la longitud de la serie, no encontrndose tendencias significativas. La
serie de Puente Carretera presenta tendencias notorias y significativas en los perodos de
1956 a 1965 la que resulto notoria y fue corregida, el perodo de 1990 a 1995 no resulto
significativa pese a que en el hidrograma de esta serie, se puede identificar la presencia de
tendencia en este perodo. En el siguiente cuadro se muestra los periodos de las series
analizadas que presentaron tendencias significativas segn el cuadro 4.5 con las
ecuaciones de correccin.
CUADRO N 5.5: Periodos que resultaron significativos y las ecuaciones de correccin.
ESTACION
PERIODO
TENDENCIA
COEFICIENTE
TENDENCIA
SGINIFICATI
VA
ECUACION DE
CORRECCION
INICIO FINAL Am Bm
PACHACOTO 1956 1995 MEDIA -0.00218 4.76769 SI
X't = -0.002175 * X +
4.767694
COLCAS 1993 1994 MEDIA -0.24745
10.2181
8
SI
X't = -0.247455 * X +
10.218185
PUENTE
CARRETERA
1956 1965 MEDIA -0.8079
204.788
8
SI
X't = -0.80793 * X +
204.788791
CHANCOS 1978 1992 MEDIA -0.0144 9.0148 SI
X't = -0.014367 * X +
9.014807
LLANGANUCO
1956 1995 MEDIA 0.0009 2.7987 SI
X't = 0.000893 * X +
2.798725
1956 1995
DES.
ESTANDAR
0.0067 0.9103 SI
X't = 0.006667 * X +
0.910276
5.4 COMPLETACION DE DATOS.
La completacin se realiz con un programa de elaboracin propia, y en otros casos de
forma manual; la completacin de datos en las series analizadas y agrupadas se realiz con
los siguientes criterios.
115
Para el Grupo I, la estacin Recreta no presenta datos faltantes y las estaciones de
Pachacoto y Querococha presentan datos faltantes en dos meses, esto llevo a
completar los datos faltantes con el promedio simple de toda la serie.
Para el Grupo II, las estaciones agrupadas presentan algunos datos faltantes por lo
que se completaron con una estacin cercana que es la estacin de la Balsa, este
criterio se tuvo en cuenta por que las estaciones a completar y la estacin ndice
completa, se encuentran en la parte media y baja; adems la estacin de la Balsa
presento mejor significancia en la prueba de R
2
a comparacin con la estacin de
Parn que es la mas cercana, los meses faltantes fueron completados con ecuaciones
de regresin adecuadas para cada mes.
Para el Grupo III, la estacin de la Balsa y Condorcerro tiene datos completos y la
estacin de Puente Carretera tiene algunos datos incompletos por lo que se
completaron, teniendo en cuenta la estacin de la Balsa que es una estacin que
registra datos de la parte media y alta de la cuenca y esta ubicada en el ro santa y
tambin se comparada con la estacin de Condorcerro, teniendo mejores resultados
con la estacin de la Balsa en la prueba de R
2
, de la completacin algunos meses
(mayo, agosto, setiembre y octubre) no resultaron significativos segn la prueba
estadstica de R
2
, por lo que se completaron esos datos con el mtodo de
proporciones..
Para el Grupo IV, la estacin de Llanganuco presentaron algunos datos faltantes con
lo que fueron completados con la estacin de Chancos y la estacin de Parn fue
completada con la estacin de Llanganuco por presentar mejores resultados que la
estacin de Chancos segn la prueba estadstica de R
2
; la estacin de Chancos se
completaron los datos con el promedio simple de toda la serie por presentar
menores datos faltantes. En la estacin de Llanganuco solo se completo con el
mtodo de proporciones en los meses de junio y noviembre, el resto de meses
fueron completados con ecuaciones de regresin; y en la estacin de Parn se
completo con el mtodo de proporciones en los meses de julio, agosto y noviembre,
en el resto de meses la completacin se realizo con ecuaciones de regresin.
5.5 PROCESO DE DESESTACIONALIZACIN.
5.5.1 ANALISIS PRELIMINAR DE SERIES DE TIEMPO.
En las series libres de saltos y tendencias de Recreta, Querococha, Quitaracsa,
Condorcerro, Puente Carretera y la Balsa, se aprecia claramente que presentan una
116
importante caracterstica de estacionalidad, de tal forma que las componentes aleatorias
parecieran ser pequeas, a diferencia que las series de Pachacoto, Cedros, Colcas, Chancos,
Llanganuco y Parn que presenta una caracterstica casi aleatoria donde la periodicidad es
difcil de ajustar.
5.5.2 TRANSFORMACIN LOGARTMICA.
Los grficos de componentes residuales para series normalizadas con transformacin
logartmica, son los ms representativos para realizar las ltimas verificaciones de
periodicidad, estacionalidad y tendencias, preservando comportamientos de estacionalidad y
periodicidad que son caractersticos con el comportamiento del rgimen de descarga de esta
cuenca y no mostrando tendencias significativas que no sean confundidas con el
comportamiento de las residuales. Los grficos de componentes estacionales solamente
representan el comportamiento constante de la componente estacional, por lo que no ha sido
considerado en la presentacin.
Para el modelamiento se consideran todos los datos de las series de descargas
mensuales de las estaciones hidromtricas seleccionadas.
CUADRO N5.6: SERIES NORMALIZADAS CON TRANSFORMACION
LOGARITMICA
Fig. Serie Comportamiento
4.25 Recreta-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.26 Pachacoto-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.27
Querococha-
Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.28 Colcas-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.29 Cedros-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.30 Quitaracsa-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.31
Condorcerro-
Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.32
Puente
carretera-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.33 La Balsa-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.34 Chancos-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.35 Llanganuco-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.36 Parn-Ln
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
5.5.3 ESTANDARIZACIN.
Los grficos de componentes residuales, para series normalizadas y despus
estandarizadas, no presentaron comportamientos de fuerte periodicidad y el
117
comportamiento estacional que son caractersticos de esta cuenca se manifestaron,
considerando para el modelamiento, a todas las series de descargas mensuales de las
estaciones hidromtricas. Los grficos de componentes estacionales solamente representan
el comportamiento constante de esta componente, por lo que no se ha considerado en los
resultados.
CUADRO N5.7: SERIES NORMALIZADAS CON TRANSFORMACION
LOGARITMICA Y ESTANDARIZADAS
Fig. Serie Comportamiento
4.37 Recreta-Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.38
Pachacoto-
Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.39
Querococha-
Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.40 Colcas-Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.41 Cedros-Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.42
Quitaracsa-
Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.43
Condorcerro-
Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.44
Puente
Carretera-
Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.45 La Balsa-Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.46
Chancos-
Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.47
Llanganuco-
Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
4.48 Parn-Stand
No presenta comportamientos de fuerte periodicidad en toda la serie y en algunos tramos,
la influencia del comportamiento residual no es notoria.
5.5.4 FUNCIN DE AUTOCORRELACIN (F.A.).
1. F.A. PARA SERIES NORMALIZADAS CON TRANSFORMACION
LOGARITMICA.
Las Funciones de Autocorrelacin para series normalizadas con transformacin
logartmica presentan primeros retardos positivos con lento decaimiento exponencial e
118
incompleto comportamiento sinusoidal y ondas amortiguadas, interrumpindose despus
con retardos negativos perdindose dentro de la banda de confianza; solo la serie de
Parn presenta primeros retardos positivos con decaimiento y comportamiento
sinusoidal en un tramo luego se interrumpe.
Las series aleatorias de residuales normalizadas con transformacin logartmica
no presentan una funcin de autocorrelacin totalmente peridica, aun que las series no
se han desestacionalizado aun y que es no estacionaria. Esto demuestra que la correccin
que se hizo para homogenizar los datos influencia en las series residuales obtenidas en
las transformaciones. En el cuadro 5.1 se muestra las caractersticas de cada serie
analizada.
Prueba de Anderson para la Funcin de Autocorrelacin de las Series
Histricas Corregidas y Completada, con Transformacin Logartmica.
Fig. Serie Comportamiento
4.49 Recreta-Ln
Primeros retardos positivos con lento decaimiento exponencial y
comportamiento sinusoidal de ondas amortiguadas, interrumpindose despus
con retardos negativos.
4.50 Pachacoto-Ln
Primeros retardos positivos con lento decaimiento exponencial y ondas
amortiguadas, luego interrumpindose con retardos negativos y
comportamiento sinusoidal no definido.
4.51
Querococha-
Ln
Primeros retardos positivos con lento decaimiento exponencial y luego se
interrumpe con retardos negativos y comportamiento sinusoidal no definido.
4.52 Colcas-Ln
Primeros retardos positivos con decaimiento exponencial y luego se interrumpe
con retardos negativos y comportamiento sinusoidal no definido.
4.53 Cedros-Ln
Primeros retardos positivos con decaimiento exponencial y ondas
amortiguadas, luego interrumpindose con retardos negativos y positivos y
comportamiento sinusoidal no definido.
4.54 Quitaracsa-Ln
Primeros retardos positivos con decaimiento exponencial y ondas
amortiguadas, luego interrumpindose con retardos negativos y positivos y
comportamiento sinusoidal no definido.
4.55
Condorcerro-
Ln
Primeros retardos positivos con decaimiento exponencial y comportamiento
sinusoidal interrumpindose con ondas amortiguadas de retardos negativos.
4.56
Puente
carretera-Ln
Primeros retardos positivos con decaimiento y comportamiento sinusoidal
interrumpindose con ondas amortiguadas de retardos negativos.
4.57 La Balsa-Ln
Primeros retardos positivos con decaimiento exponencial y se interrumpe con
retardos positivos y negativos con comportamiento sinusoidal no definido y
ondas amortiguadas.
4.58 Chancos-Ln
Primeros retardos positivos con decaimiento exponencial y ondas amortiguadas
interrumpindose con retardos negativos de ondas amortiguadas.
4.59 Llanganuco-Ln
Primeros retardos positivos con decaimiento exponencial y comportamiento
sinusoidal y luego interrumpido con algunas ondas amortiguadas.
4.60 Parn-Ln
Primeros retardos positivos con decaimiento y comportamiento sinusoidal
definido que es notorio a otras series.
CUADRO N 5.8
119
CUADRO N 5.9
2. F.A. PARA SERIES NORMALIZADAS Y LUEGO ESTANDARIZADAS.
Las Funciones de autocorrelacin para series normalizadas y despus
estandarizadas presentan lo primeros retardos positivos, decrece en forma exponencial y
con ondas amortiguadas interrumpindose con retardos negativos de ondas
amortiguadas; la serie de Parn presenta primeros retardos positivos con decaimientos y
comportamiento sinusoidal en un tramo que luego es interrumpido.
Las series aleatorias de residuales normalizadas y luego estandarizadas no
presentan funciones de autocorrelacin totalmente peridicas, presentando
comportamientos semejantes a las funciones de autocorrelacin normalizadas con
transformacin logartmica mostrando las series no se han desestacionalizado aun y que
es no estacionaria. Esto demuestra que la correccin que se hizo para homogenizar los
datos influencia en las series residuales obtenidas en las transformaciones. En el cuadro
4.2 se muestra las caractersticas de las series.
Prueba de Anderson para la Funcin de Autocorrelacin de las Series
Histricas Corregidas y completadas, con transformacin Logartmica y
Estandarizadas
Fig. Serie Comportamiento
4.61 Recreta-Stand
Primeros retardos positivos, decrece en forma exponencial y ondas
amortiguadas interrumpindose con retardos negativos de ondas
amortiguadas.
4.62
Pachacoto-
Stand
Primeros retardos positivos con decaimiento exponencial y ondas
amortiguadas seguidos de comportamiento sinusoidal irregular de retardos
positivos y negativos.
4.63
Querococha-
Stand
Primeros retardos positivos con decaimiento y luego se interrumpe con
retardos positivos y negativos de comportamiento sinusoidal irregular no
definido.
4.64 Colcas-Stand
Primeros retardos positivos con decaimiento y luego interrumpida con
retardos positivos negativos y positivos de comportamiento sinusoidal no
definido.
4.65 Cedros-Stand
Primeros retardos positivos con decaimiento exponencial y pequeos
amortiguamientos seguido de irregular comportamiento sinusoidal.
4.66
Quitaracsa-
Stand
Primeros retardos positivos con decaimiento exponencial y amortiguamientos
interrumpidos con retardos negativos y positivos de comportamiento
amortiguado.
4.67
Condorcerro-
Stand
Primeros retardos positivos con decaimiento exponencial y pequeos
amortiguamientos interrumpidos con retardos negativos de comportamiento
amortiguado.
4.68
Puente
Carretera-
Stand
Primeros retardos positivos con decaimiento exponencial y ondas
amortiguadas interrumpidos con retardos negativos.
4.69 La Balsa-Stand
Primeros retardos positivos y decaimiento con pequeos amortiguamientos
interrumpindose con retardos negativos y positivos de comportamiento
irregular.
4.70
Chancos-
Stand
Primeros retardos positivos y decaimiento exponencial considerable seguido
de pequeos amortiguamientos de comportamiento sinusoidal.
4.71 Llanganuco- Primeros retardos positivos y decaimiento exponencial considerable y
comportamiento sinusoidal seguido de pequeos amortiguamientos.
120
CUADRO N 5.10
Stand
4.72 Parn-Stand
Primeros retardos positivos con decaimiento y comportamiento sinusoidal
definido que es notorio a otras series.
5.5.5 FUNCIN DE AUTOCORRELACIN PARCIAL (FAP).
1. FUNCIN DE AUTOCORRELACIN PARCIAL PARA LAS SERIES
NORMALIZADAS CON TRANSFORMACIN LOGARTMICA.
Las F.A.P. para las series con transformacin Logartmica presentan el primer
retardo positivo y significativamente alto, interrumpido por retardos positivos y
negativos que se pierden dentro de la banda de confianza. Los retardos no presentan
patrones definidos en su comportamiento para los 4 grupos y sus respectivas series, esto
hace marcar un comportamiento no estacionario en los retardos con marcada
aleatoriedad entre los grupos de series para el anlisis. En el cuadro 5.3 se muestra las
caractersticas de las series.
Prueba de Anderson para las Funciones de Autocorrelacin Parcial de
las Series Histricas Corregidas y completadas, con Transformacin
Logartmica.
Fig. Serie Comportamiento
4.73 Recreta-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.74 Pachacoto-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.75
Querococha-
Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.77 Colcas-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.76 Cedros-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.78 Quitaracsa-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.79
Condorcerro-
Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.80
Puente
Carretera-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
121
CUADRO N 5.11
4.81 La Balsa-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.82 Chancos-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.83 Llanganuco-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
4.84 Parn-Ln
Primer retardo positivo luego se interrumpe con retardos negativos y positivos de
comportamiento irregular perdindose dentro de la banda de confianza.
2. FUNCIN DE AUTOCORRELACIN PARCIAL PARA LAS SERIES
ESTANDARIZADAS.
Las F.A.P. de las series estandarizadas, el primer retardo es positivo y altamente
significativo seguido de retardos positivos y negativos que se pierden dentro de la banda
de confianza. Al igual que las series de funcin de autocorrelacin parcial de series
normalizadas, presentan comportamientos semejantes marcando comportamiento no
estacionario en los retados con marcada aleatoriedad entre los grupos de series. En el
cuadro 5.4 se muestra las caractersticas de la serie.
Prueba de Anderson para las Funciones de Autocorrelacin Parcial de las
Series Histricas Corregidas y completadas, con Transformacin
Logartmica y Estandarizadas.
Fig. Serie Comportamiento
4.85 Recreta-Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.86
Pachacoto-
Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.87
Querococha-
Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.89 Colcas-Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.88 Cedros-Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
122
4.90
Quitaracsa-
Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.91
Condorcerro-
Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.92
Puente
Carretera-
Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.93 La Balsa-Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.94
Chancos-
Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.95
Llanganuco-
Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
4.96 Parn-Stand
Primer retardo positivo luego se interrumpe con retardos negativos y
positivos de comportamiento irregular perdindose dentro de la banda de
confianza.
5.6 IDENTIFICACIN DEL MODELO.
De acuerdo al anlisis realizados de los cuadros 4.4 al 4.7 en las Funciones de
Autocorrelacin y Funciones de Autocorrelacin Parcial y de acuerdo al cuadro 2.1 para las
series normalizadas con transformacin logartmica y estandarizadas es evidente la presencia
de que los primeros o primer retardo es significativo, seguido de decaimiento exponencial
consistente de ondas amortiguadas y retardos que se pierden dentro de la banda de confianza,
estas caractersticas se presentan con mayor nfasis en las Funciones de Autocorrelacin,
mostrando comportamiento tpico de modelos autorregresivos AR. De las Funciones de
Autocorrelacin Parcial, presentan un mximo retardo luego se interrumpe y en otras series
(Chancos y Llanganuco) decrecen, y luego se pierden en la banda de confianza mostrando
una marca presencia de la componente media mvil en todas las series.
Del anlisis de las Funciones de Autocorrelacin y Funciones de Autocorrelacin
Parcial indicados en 4.4.4 y 4.4.5 seleccionamos como modelos a ARMA (1,0), ARMA
(2,0), ARMA (1,1) y ARMA (2,1); que sern modelados en el programa SAMS.
5.7 ESTIMACIN DE PARMETROS DEL MODELO ARMA (p,q).
Para obtener los parmetros autorregresivos y media mvil se us del software SAMS
(Simulacin y Anlisis de Modelos estocsticos), que modela series con el mtodo ARMA
de Box y Jenkins, el SAMS tiene 02 presentaciones del modelo ARMA, para series anuales y
para series estacionales, que en este caso se denomina PARMA (Peridico ARMA).
Se aplic el modelamiento ARMA peridico (en el SAMS esta definido como
PARMA) que es para series estacionales. Inicialmente el software presenta opciones para
realizar transformaciones para aproximar a una serie normal (transformacin logartmica,
123
potencia y Box-Cox), para luego elegir la opcin de realizar la estandarizacin de las series;
luego determina los parmetros estadsticos, seguidamente calcula los p parmetros
autorregresivos y luego los q parmetros de media mvil; los parmetros de los modelos
son calculados por el mtodo de los momentos y de la suma de cuadrados que da
aproximaciones.
En la estimacin de parmetros se tuvo en cuenta que la varianza de residuales de los
modelos, sean positivos; esto implicaba que si los valores resultan negativos, el programa no
generaba valores. En estos casos se determin los parmetros con el mtodo de la suma de
cuadrados que presentaba valores adecuados para realizar la generacin.
5.8 BONDAD DE AJUSTE DEL MODELO.
5.8.1 PRUEBA DE INDEPENDENCIA EN EL TIEMPO.
1. DE LA SERIES
CON TRANSFORMACIN LOGARTMICA
De la prueba de porte Monteau mostrada en el cuadro 4.22 se observa que
presenta pocos recuadros resaltados con color verde indicando estos el rechazo de la
prueba. Esto hacer notar que la mayora de las series con transformacin logartmica
mantienen la independencia de las residuales de cada una de las series generadas por el
modelo ARMA (p,q), la prueba de Porte Monteau es evaluada con los limites de
Anderson, las series preservaron mantenerse dentro del rango de confianza sin presentar
inconvenientes en momentos que el programa realizaba la generacin de datos, el
programa SAMS no realiza la generacin de datos si es que no cumple con estas
pruebas.
2. DE LA SERIES ESTANDARIZADAS.
De la prueba de Porte Monteau mostrada en el cuadro 4.24 se observa que al
igual que para las series transformadas, presenta pocos recuadros resaltados con color
verde, indicando rechazo de la prueba. Esto hace notar que las series estandarizadas
mantiene la independencia de las residuales de cada serie generada con el modelo
ARMA (p,q), en la prueba de Anderson, las series preservaron mantenerse dentro del
rango de confianza, razn por la cual el programa SAMS ha generados los caudales
sintticos normalmente.
124
5.8.2 PRUEBA DE NORMALIDAD.
1. DE LAS SERIES CON TRANSFORMACIN LOGARTMICA.
De la prueba de asimetra de normalidad para las diferentes series estocsticas
ARMA (p,q) mostrado en el cuadro 4.21 se observa que presenta pocos recuadros
resaltados con color verde, indicando los meses de rechazo de esta prueba, y el resto de
meses preserva las caractersticas de ajuste de normalidad. Esto hace definir que las
residuales de las series normalizadas con transformacin logartmica se ajustan a una
distribucin normal en la mayora de los meses.
2. DE LAS SERIES ESTANDARIZADAS.
De la prueba de asimetra de normalidad mostrada en el cuadro 4.23 para las
diferentes series estocsticas ARMA (p,q), se observa que las series presentan pocos
recuadros resaltados con color verde, indicando rechazo de la prueba a excepcin de la
serie de Parn que presenta en la mayora de los meses rechazos; al igual que en series
normalizadas con transformacin logartmica, la mayora de meses preserva las
caractersticas de ajuste de normalidad; haciendo definir que las residuales en las series
normalizadas y luego estandarizadas se ajustan una distribucin normal en la mayora de
los meses.
5.8.3 AJUSTE DE LA DISTRIBUCIN EMPRICA DE LA COMPONENTE
RESIDUAL ESTOCSTICA.
Una vez probada la independencia de la serie residual
t
, se ajusta la distribucin
emprica a la funcin de distribucin simtrica normal. El programa SAMS verifica en forma
general que la funcin de distribucin acumulada emprica de la serie residual tiende a seguir
aproximadamente una normal, llegando as a la conclusin de aceptar la hiptesis de que los
registros residuales se aproximan o distribuyen probabilsticamente a la funcin de
distribucin normal, si una serie no cumple con los limites de confianza de Porte Monteau, el
programa no realiza la generacin de datos; indicando as que no ha cumplido con una de las
pruebas y automticamente no realiza la generacin de datos.
5.8.4 PARSIMONIA DE PARMETROS.
Se puede notar claramente que los valores del criterio de informacin de Akaike
para todas las residuales de los modelos ARMA (p,q) generados para cada serie hidrolgica
con las transformaciones logartmicas y estandarizadas, presentan pocas diferencias en los
125
mismos tipos de series; determinando as que los modelos ARMA (2,1) para todas las series
tiene un mejor valor de esta prueba y comparando entre series normalizadas con
transformacin logartmica y estandarizadas las series con transformadas logartmica
presentan mejores valores.
Se aceptar entonces estos modelos para la generacin de series, y se vera en las
pruebas de validacin, que es el motivo de la tesis, qu modelo reproduce mejor las
caractersticas estadsticas de la serie original
5.9 GENERACIN DE SERIES.
De los modelos estocsticos ARMA (p,q) que son los ms competentes segn la
prueba de Akaike y son presentados en el cuadro 4.28, se generaron 100 series de caudales
medios mensuales, de longitudes iguales a 40 aos, para realizar las pruebas de validacin de
resultados.
5.9.1 ANALISIS COMPARATIVO ENTRE SERIES HISTORICAS Y
GENERADAS.
El programa SAMS, presenta el reporte de la comparacin de estadsticos como la
Media, Desviacin Estndar, Coeficiente De Asimetra, Coeficiente De Variacin, Mximos
y Mnimos mensuales, para series histricas y generadas; de las cuales se evaluaron los
parmetros mas importantes que son la media y desviacin estndar, mostrando visualmente
semejanzas entre si. De estos resultados obtenidos por el SAMS, se analizaran los
estadsticos ms representativos como son la Media y Desviacin Estndar.
Del Grupo I, de las series seleccionadas (Recreta, Pachacoto y
Querococha) muestran apreciable semejanza en la media para todas las series, y en
la desviacin estndar las series en anlisis presentan 2 puntos de alejamientos
pequeos que no son tan notorias pero si mantiene el comportamiento del
estadstico; esto indica que los dos parmetros conserva el mismo comportamiento
a del rgimen de descarga. Estas series mantienen un comportamiento estacional
definido, mostrando as que las series generadas con sus respectivos modelos
ARMA (p,q) preservan las caractersticas estadsticas de las series originales.
Del Grupo II de las series seleccionadas (Cedros, Colcas y Quitaracsa)
muestran apreciable semejanza en la media y mantiene el mismo rgimen, en la
desviacin estndar las series presentan pequeos saltos en 3 puntos, manteniendo
un comportamiento definido; mostrando as que las series generadas con sus
126
respectivos modelos ARMA (p,q) preservan las caractersticas estadsticas de las
series originales.
Del Grupo III de las series seleccionadas (Condorcerro, Puente Carretera
y La Balsa) muestran apreciable semejanza en la media, manteniendo el mismo
rgimen de descarga, en la desviacin estndar las series presentan pequeos
alejamientos en 2 puntos que no son notorios porque siguen preservando el
comportamiento del estadstico. Estos estadsticos mantienen un comportamiento
estacional definido; mostrando as que las series generadas con sus respectivos
modelos ARMA (p,q) preservan las caractersticas estadsticas de las series
originales.
Del Grupo IV de las series seleccionadas (Chancos, Llanganuco y
Parn) muestran apreciable semejanza en la media, manteniendo el mismo
rgimen de descarga; y en la desviacin estndar la serie de Parn presenta un
salto significativo, y en las dems tiene saltos no significativos. Los valores de la
serie generada e histrica mantienen un comportamiento estacional definido;
mostrando as que las series generadas con sus respectivos modelos ARMA (p,q)
preservan la caracterstica estadstica de la media y la desviacin estndar con
algunos saltos.
Por lo tanto las series generadas a partir de las series histricas, en su mayora,
preservan las caractersticas estadsticas tanto en la media y la desviacin estndar, con
mayor nfasis en la media, como ha sido mostrado en el anexo C-2; se realizara las pruebas
estadsticas para la verificar si los estadsticos calculados de las series generadas son
estadsticamente iguales con la serie histrica.
5.10 VALIDACIN DE RESULTADOS.
5.10.1 PRUEBA DE HIPOTESIS DE 02 MUESTRAS.
1. PRUBA DE HIPOTESIS DE LAS VARIANZAS DE 02 POBLACIONES.
Segn el cuadro 4.29, las series sintticas generadas preservan absoluta
aceptacin en la mayora de los meses de cada serie generada, indicando que las
varianzas entre las series histricas y generadas son estadsticamente iguales.
2. PRUEBA DE t PARA MUESTRAS INDEPENDIENTES.
127
Segn el cuadro 4.29, las series sintticas generadas presentan absoluta
aceptacin de esta prueba, indicando que las medias son estadsticamente iguales entre
los dos grupos de muestra que son las series histricas y generadas.
3. PRUEBA DE t PARA
MUESTRAS DEPENDIENTES.
Segn el cuadro 4.29, las series sintticas generadas presentan aceptacin en las
pruebas de hiptesis en la media y desviacin estndar en muestras apareadas, en las
series de Pachacoto y Cedros no presenta relacin en la prueba de varianzas y en la serie
de Chancos no tiene aceptacin en la prueba de medias; de esta manera las series
histricas y generadas presentan relacin de dependencia.
5.10.2 INTERVALO DE CONFIANZA A PARTIR DE LAS SERIES GENERADAS.
Segn el cuadro 4.29, las series sintticas generadas presentan aceptacin en la
prueba de verificacin del intervalo de confianza en la media y desviacin estndar para la
mayora de los meses de cada serie generada, indicando as que las series generadas se
encuentran dentro del intervalo de aceptacin.
5.10.3 PRUEBAS DE BONDAD DE AJUSTE.
La verificacin de que las series generadas se ajustan a una distribucin de
probabilidad normal ha sido evaluada, resultando aceptable en la totalidad de las series
generadas segn los resultados obtenidos en el cuadro N 4.31.
128
VI. CONCLUSIONES Y RECOMENDACIONES
6.1 CONCLUSIONES
a) Para el modelamiento estocstico de las series, con el modelo ARMA, se
emplearon registros histricos de caudales medios mensuales de las estaciones
hidromtricas de Recreta, Pachacoto, Querococha, Cedros, Colcas, Quitaracsa,
Condorcerro, Puente Carretera, La Balsa, Chancos, Llanganuco y Parn; con un
periodo de registro histrico comn de 40 aos (1956 1995)
b) Los modelos estocsticos ARMA que han sido seleccionados para la
generacin de descargas medias mensuales sintticas son de orden (2,1), que
previamente han sido normalizados mediante transformacin logartmica. Los
modelos seleccionados para la generacin son:
ESTACION
HIDROMETRICA
SERIE CON
TRANSFORMACION
LOGARITMICA
ORDEN DEL
MODELO
ARMA (p,q)
RECRETA RECRETA-Ln ARMA (2,1)
PACHACOTO PACHACOTO-Ln ARMA (2,1)
QUEROCOCHA QUEROCOCHA-Ln ARMA (2,1)
CEDROS CEDROS-Ln ARMA (2,1)
COLCAS COLCAS-Ln ARMA (2,1)
QUITARACSA QUITARACSA-Ln ARMA (2,1)
CONDORCERRO CONDORCERRO-Ln ARMA (2,1)
PUENTE CARRETERA PUENTE CARRETERA-Ln ARMA (2,1)
LA BALSA LA BALSA-Ln ARMA (2,1)
CHANCOS CHANCOS-Ln ARMA (2,1)
Llanganuco LLANGANUCO-Ln ARMA (2,1)
PARON PARON-Ln ARMA (2,1)
c)Los modelos estocsticos para generar caudales medios mensuales
seleccionados, correspondientes a series de caudales para las estaciones
hidromtricas seleccionadas son:
129
Donde:
X,1: caudal medio mensual generado
U,1: componente estocstica normalizada
1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Recreta:
Enero : X,1= exp (1.5872 + 0.4493(1.275231U1,0 - 0.795323U1,-1 - 0.302897*0.1025671,0 + 0.1025671,1)) - 1.5
Febrero : X,2= exp (1.9850 + 0.5316(0.639511U1,1 + 0.088803U1,0 - 0.183988*0.2064731,1 + 0.2064731,2)) - 1.5
Marzo : X,3= exp (2.2292 + 0.4933(1.356250U1,2 - 0.423804U1,1 - 0.696041*0.1153981,2 + 0.1153981,3)) - 1.5
Abril : X,4= exp (1.7740 + 0.4278(1.065753U1,3 - 0.323782U1,2 - 0.480911*0.0987041,3 + 0.0987041,4)) - 1.5
Mayo : X,5= exp (1.1672 + 0.2565(1.265946U1,4 - 0.454749U1,3 - 0.797988*0.0231991,4 + 0.0231991,5)) - 1.5
Junio : X,6= exp (0.8743 + 0.1316(0.305337U1,5 + 0.059410U1,4 + 0.103050*0.0056361,5 + 0.0056361,6)) - 1.5
Julio : X,7= exp (0.7822 + 0.097(2.393603U1,6 - 0.738725U1,5 + 1.662154*0.0015621,6 + 0.0015621,7)) - 1.5
Agosto : X,8= exp (0.7210 + 0.0787(0.800330U1,7 - 0.088542U1,6 + 0.229447*0.0010221,7 + 0.0010221,8)) - 1.5
Setiembre : X,9= exp (0.7047 + 0.0897(0.877491U1,8 + 0.067852U1,7 - 0.188918*0.0027121,8 + 0.0027121,9)) - 1.5
Octubre : X,10= exp(0.8296 + 0.2037(3.541234U1,9 - 1.986462U1,8 - 2.463045*0.0273871,9 + 0.0273871,10 )) -1.5
Noviembre : X,11= exp(0.9675 + 0.2336(0.754409U1,10 - 0.666787U1,9 - 0.146821*0.0433891,10 + 0.0433891,11)) 1.5
Diciembre : X,12= exp (1.2469 + 0.3868(1.005339U1,11 - 0.187302U1,10 - 0.111579*0.2791531,11 + 0.2791531,12)) - 1.5
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Querococha:
Enero :X,1= exp (1.1442 + 0.2346(0.350435U1,0 + 0.187155U1,-1 +0.302454*0.0266391,0 + 0.0266391,1)) 0.8
Febrero :X ,2 =exp (1.3180 + 0.2877(-2.449985U1,1 + 1.979661U1,0 +2.760159*0.0596091,1 + 0.0596091,2)) 0.8
Marzo :X ,3= exp (1.3900 + 0.2563(0.402457U1,2 + 0.011914U1,1 +0.056422*0.048871,2 + 0.048871,3)) 0.8
Abril :X ,4= exp (1.1200 + 0.1878(-4.903899U1,3 + 2.451504U1,2 + 5.338287*0.0197881,3 + 0.0197881,4)) 0.8
Mayo :X ,5= exp (0.6850 + 0.1420(0.735263U1,4 0.287139U1,3 - 0.444853*0.0177211,4 + 0.0177211,5)) 0.8
Junio :X ,6= exp (0.3902 + 0.0896(1.030299U1,5 0.180263U1,4 - 0.558947*0.0033451,5 + 0.0033451,6)) 0.8
Julio :X ,7= exp (0.2504 + 0.0835(0.781067U1,6 + 0.037382U1,5 - 0.197354*0.002421,6 + 0.002421,7)) 0.8
Agosto :X ,8= exp (0.2483 + 0.0726(0.887997U1,7 0.217707U1,6 - 0.077347*0.0020011,7 + 0.0020011,8)) 0.8
Setiembre :X ,9= exp (0.3549 + 0.1032(0.475321U1,8 + 0.184505U1,7 + 0.117082*0.0081511,8 + 0.0081511,9)) 0.8
Octubre :X ,10= exp (0.6281 + 0.1582(2.491649U1,9 1.073709U1,8 - 2.302979*0.0224331,9 + 0.0224331,10)) 0.8
Noviembre :X ,11= exp (0.8080 + 0.2287(0.316634U1,10 + 0.372911U1,9 + 0.471879*0.0356941,10 + 0.0356941,11)) 0.8
Diciembre :X ,12= exp (0.9910 + 0.2779(1.768222U1,11 0.732520U1,10 - 0.947080*0.0395441,11 + 0.0395441,12)) 0.8
130
Donde:
X,1: caudal medio mensual generado
U,1: componente estocstica normalizada
1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Pachacoto:
Enero :X,1= exp (1.8490 + 0.3300(-14.259809U1,0 + 10.216033U1,-1 + 15.075256*0.0625161,0 + 0.0625161,1)) - 0.25
Febrero :X,2= exp (2.0479 + 0.3158(-1.015503U1,1 + 1.263260U1,0 + 1.231293*0.0626731,1 + 0.0626731,2)) - 0.25
Marzo :X,3= exp (2.1666 + 0.2905(0.000559U1,2 + 0.163641U1,1 + 0.491547*0.0648011,2 + 0.0648011,3)) - 0.25
Abril :X,4= exp (1.7801 + 0.3341(1.664556U1,3 - 0.281217U1,2 - 1.186298*0.0759391,3 + 0.0759391,4)) - 0.25
Mayo :X,5= exp (1.1394 + 0.2393(0.038643U1,4 + 0.304687U1,3 + 0.48548*0.0277051,4 + 0.0277051,5)) - 0.25
Junio :X,6= exp (0.7105 + 0.2747(0.660521U1,5 + 0.028189U1,4 + 0.174985*0.0411991,5 + 0.0411991,6)) - 0.25
Julio :X,7= exp (0.5138 + 0.3128(3.968258U1,6 - 2.57686U1,5 - 3.065717*0.0473871,6 + 0.0473871,7)) - 0.25
Agosto :X,8= exp (0.5267 + 0.2664(1.119457U1,7 - 0.162633U1,6 - 0.807247*0.0224951,7 + 0.0224951,8)) - 0.25
Setiembre :X,9= exp (0.7079 + 0.2518(0.264935U1,8 + 0.315171U1,7 + 0.533141*0.0256471,8 + 0.0256471,9)) - 0.25
Octubre :X,10= exp (1.1370 + 0.2460(-0.252367U1,9 + 0.531097U1,8 + 0.583504*0.0488361,9 + 0.0488361,10)) - 0.25
Noviembre :X,11= exp (1.3813 + 0.3210(-1.192815U1,10 + 1.250792U1,9 + 1.749567*0.0484391,10 + 0.0484391,11)) - 0.25
Diciembre :X,12= exp (1.6338 + 0.3042(0.695028U1,11 - 0.003279U1,10 - 0.014882*0.0439221,11 + 0.0439221,12)) - 0.25
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Los Cedros:
Enero :X,1= exp (1.714 + 0.2072(0.341340U1,0 + 0.366061U1,-1 + 0.133840*0.0309061,0 + 0.0309061,1)) 1.3
Febrero :X,2= exp (1.7647 + 0.2315(-0.121092U1,1 + 0.439605U1,0 + 0.926421*0.0300341,1 + 0.0300341,2)) 1.3
Marzo :X,3= exp (1.8506 + 0.2267(-0.066416U1,2 + 0.177682U1,1 + 0.600489*0.0421071,2 + 0.0421071,3)) 1.3
Abril :X,4= exp (1.7343 + 0.2076(0.888301U1,3 0.240751U1,2 - 0.250379*0.0240491,3 + 0.0240491,4)) 1.3
Mayo :X,5= exp (1.4946 + 0.1228(-0.098452U1,4 + 0.266145U1,3 + 0.563552*0.0076321,4 + 0.0076321,5)) 1.3
Junio :X,6= exp (1.3404 + 0.1250(0.853000U1,5 0.158172U1,4 + 0.085213*0.0071181,5 + 0.0071181,6)) 1.3
Julio :X,7= exp (1.2786 + 0.1313(1.234795U1,6 0.240132U1,5 - 0.689653*0.0076361,6 + 0.0076361,7)) 1.3
Agosto :X,8= exp (1.3065 + 0.1484(0.570067U1,7 + 0.227151U1,6 + 0.310231*0.0091151,7 + 0.0091151,8)) 1.3
Setiembre :X,9= exp (1.3176 + 0.1442(-1.035296U1,8 + 1.578571U1,7 + 1.61633*0.0095771,8 + 0.0095771,9)) 1.3
Octubre :X,10= exp (1.4312 + 0.1381(0.347533U1,9 + 0.158692U1,8 + 0.484230*0.0088221,9 + 0.0088221,10)) 1.3
Noviembre :X,11= exp (1.5144 + 0.1580(-0.024999U1,10 + 0.721949U1,9 + 0.644816*0.0112581,10 + 0.0112581,11)) 1.3
Diciembre :X,12= exp (1.6259 + 0.1633(2.074982U1,11 1.216691U1,10 - 1.404008*0.0128211,11 + 0.0128211,12)) 1.3
131
Donde:
X,1: caudal medio mensual generado
U,1: componente estocstica normalizada
1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Colcas:
Enero :X,1= exp (2.1249 + 0.2542(1.473188U1,0 - 0.407716U1,-1 - 0.803156*0.0399981,0 + 0.0399981,1)) 0.5
Febrero :X,2= exp (2.2545 + 0.2345(-5.146542U1,1 + 3.850284U1,0 + 5.669818*0.0037291,1 + 0.0037291,2)) 0.5
Marzo :X,3= exp (2.2776 + 0.2882(0.685881U1,2 - 0.380029U1,1 - 1.053483*0.0624571,2 + 0.0624571,3)) 0.5
Abril :X,4= exp (1.9883 + 0.2436(-0.005046U1,3 + 0.082598U1,2 + 0.349470*0.0515541,3 + 0.0515541,4)) 0.5
Mayo :X,5= exp (1.6242 + 0.2062(0.053970U1,4 + 0.172036U1,3 + 0.512260*0.0230561,4 + 0.0230561,5)) 0.5
Junio :X,6= exp (1.3870 + 0.2560(-3.84829U1,5 + 2.370136U1,4 + 4.589796*0.0452601,5 + 0.045261,6)) 0.5
Julio :X,7= exp (1.2381 + 0.2675(0.775642U1,6 + 0.244175U1,5 - 0.015284*0.0222981,6 + 0.0222981,7)) 0.5
Agosto :X,8= exp (1.2237 + 0.2647(0.634774U1,7 + 0.226125U1,6 + 0.226366*0.0143871,7 + 0.0143871,8)) 0.5
Setiembre :X,9= exp (1.2786 + 0.2699(8.269968U1,8 - 6.693006U1,7 - 7.494999*0.0280261,8 + 0.0280261,9)) 0.5
Octubre :X,10= exp (1.4983 + 0.2525(1.566293U1,9 - 0.626341U1,8 - 1.061067*0.0168251,9 + 0.0168251,10)) 0.5
Noviembre :X,11= exp (1.7368 + 0.2368(1.77205U1,10 - 0.945320U1,9 - 1.370130*0.0190581,10 + 0.0190581,11)) 0.5
Diciembre :X,12= exp (1.9323 + 0.2235(0.509892U1,11 + 0.07804U1,10 - 0.295991*0.0358931,11 + 0.0358931,12)) 0.5
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Quitaracsa:
Enero : X,1= exp (0.2766 + 0.4113(0.775367U1,0 - 0.036030U1,-1 - 0.209321*0.1272771,0 + 0.1272771,1)) + 3
Febrero : X,2= exp (2.5986 + 0.3618(-0.347329U1,1 + 0.514801U1,0 + 0.785297*0.0956121,1 + 0.0956121,2)) + 3
Marzo : X,3= exp (2.7648 + 0.3709(-1.065385U1,2 + 0.678215U1,1 + 1.473110*0.1147611,2 + 0.1147611,3)) + 3
Abril : X,4= exp (2.4617 + 0.3400(-0.667054U1,3 + 0.620337U1,2 + 1.206380*0.0657291,3 + 0.0657291,4)) + 3
Mayo : X,5= exp (1.8375 + 0.3065(0.917815U1,4 - 0.177214U1,3 - 0.293361*0.0479741,4 + 0.0479741,5)) + 3
Junio : X,6= exp (1.4112 + 0.2776(0.254893U1,5 + 0.250317U1,4 + 0.449447*0.033781,5 + 0.033781,6)) + 3
Julio : X,7= exp (1.0264 + 0.3720(0.654330U1,6 + 0.182033U1,5 + 0.533949*0.0539041,6 + 0.0539041,7)) + 3
Agosto : X,8= exp (0.8978 + 0.4146(1.010816U1,7 - 0.108758U1,6 + 0.042728*0.0423981,7 + 0.0423981,8)) + 3
Setiembre : X,9= exp (1.0424 + 0.3638(0.668791U1,8 - 0.024356U1,7 + 0.059837*0.0561581,8 + 0.0561581,9)) + 3
Octubre : X,10= exp (1.6098 + 0.3618(-2.301311U1,9 + 1.732041U1,8 + 2.725095*0.1125371,9 + 0.1125371,10)) + 3
Noviembre : X,11= exp (1.8033 + 0.2427(-0.198447U1,10 + 0.007845U1,9 + 0.415036*0.0530271,10 + 0.0530271,11)) + 3
Diciembre : X,12= exp (1.9140 + 0.3395(1.341076U1,11 - 0.260029U1,10 - 0.719701*0.090081,11 + 0.090081,12)) + 3
132
Donde:
X,1: caudal medio mensual generado
U,1: componente estocstica normalizada
1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Condorcerro:
Enero : X,1= exp (5.2073 + 0.3489(-0.880032U1,0 + 1.653935U1,-1 + 1.297747*0.0718431,0 + 0.0718431,1))
Febrero : X,2= exp (5.4378 + 0.4232(-2.513644U1,1 + 1.581582U1,0 + 2.944449*0.1316671,1 + 0.1316671,2))
Marzo : X,3= exp (5.7450 + 0.4616(0.498656U1,2 + 0.024764U1,1 + 0.021283*0.1640721,2 + 0.1640721,3))
Abril : X,4= exp (5.4786 + 0.4171(4.388260U1,3 - 2.024282U1,2 - 3.787577*0.1010611,3 + 0.1010611,4))
Mayo : X,5= exp (4.6386 + 0.2763(-1.312318U1,4 + 1.090613U1,3 + 1.654560*0.0411731,4 + 0.0411731,5))
Junio : X,6= exp (4.2079 + 0.2007(0.091230U1,5 + 0.215781U1,4 + 0.535437*0.0130071,5 + 0.0130071,6))
Julio : X,7= exp (3.9724 + 0.1865(1.152786U1,6 - 0.193265U1,5 - 0.830559*0.0142971,6 + 0.0142971,7))
Agosto : X,8= exp (3.9231 + 0.1610(0.779400U1,7 - 0.054245U1,6 + 0.024753*0.0064061,7 + 0.0064061,8))
Setiembre : X,9= exp (4.0407 + 0.1764(-0.360302U1,8 + 0.587908U1,7 + 1.074540*0.0243251,8 + 0.0243251,9))
Octubre : X,10= exp (4.4253 + 0.2289(-0.36706U1,9 + 0.460349U1,8 + 0.550992*0.0495131,9 + 0.0495131,10))
Noviembre : X,11= exp (4.6997 + 0.3238(-0.105687U1,10 + 0.554963U1,9 + 0.764866*0.0746441,10 + 0.0746441,11))
Diciembre : X,12= exp (4.9673 + 0.4483(1.203173U1,11 - 0.081433U1,10 + 0.004895*0.0551591,11 + 0.0551591,12))
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Puente Carretera:
Enero : X,1= exp (5.3234 + 0.4457(0.448426U1,0 + 0.208747U1,-1 + 0.311946*0.0994241,0 + 0.0994241,1)) 33
Febrero : X,2= exp (5.7218 + 0.3947(0.974287U1,1 - 0.308908U1,0 - 0.612668*0.1133701,1 + 0.1133701,2)) 33
Marzo : X,3= exp (5.9414 + 0.4093(-0.197558U1,2 + 0.568035U1,1 + 0.617048*0.1019721,2 + 0.1019721,3)) 33
Abril : X,4= exp (5.7027 + 0.3385(0.625297U1,3 - 0.395175U1,2 - 0.138715*0.0850121,3 + 0.0850121,4)) 33
Mayo : X,5= exp (5.0899 + 0.3923(0.355067U1,4 - 0.057292U1,3 + 0.380365*0.1058961,4 + 0.1058961,5)) 33
Junio : X,6= exp (4.7623 + 0.3691(0.643019U1,5 - 0.066487U1,4 + 0.179177*0.0502811,5 + 0.0502811,6)) 33
Julio : X,7= exp (4.5408 + 0.3145(-0.191391U1,6 + 0.516615U1,5 + 1.217389*0.0241441,6 + 0.0241441,7)) 33
Agosto : X,8= exp (4.4045 + 0.2409(0.853274U1,7 - 0.269551U1,6 - 0.082536*0.0224421,7 + 0.0224421,8)) 33
Setiembre : X,9= exp (4.4041 + 0.2244(1.066282U1,8 - 0.292775U1,7 - 0.027832*0.0129201,8 + 0.0129201,9)) 33
Octubre : X,10= exp (4.5363 + 0.2277(1.396230U1,9 - 0.611719U1,8 - 0.290506*0.0173501,9 + 0.0173501,10)) 33
Noviembre : X,11= exp (4.6762 + 0.2922(0.928732U1,10 + 0.029424U1,9 + 0.178089*0.0321951,10 + 0.0321951,11)) 33
Diciembre : X,12= exp (4.9876 + 0.4431(5.934198U1,11 - 5.22733U1,10 - 4.704155*0.1082391,11 + 0.1082391,12)) 33
133
Donde:
X,1: caudal medio mensual generado
U,1: componente estocstica normalizada
1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica La Balsa:
Enero : X,1= exp (4.8176 + 0.3074(-2.161793U1,0 + 2.326589U1,-1 + 2.584195*0.0612211,0 + 0.0612211,1))
Febrero : X,2= exp (5.0311 + 0.3650(0.947828U1,1 - 0.128701U1,0 - 0.495127*0.1007921,1 + 0.1007921,2))
Marzo : X,3= exp (5.2431 + 0.3960(-0.264165U1,2 + 0.334172U1,1 + 0.912974*0.1109291,2 + 0.1109291,3))
Abril : X,4= exp (4.8957 + 0.3468(-0.623404U1,3 + 0.693918U1,2 + 1.098608*0.0778271,3 + 0.0778271,4))
Mayo : X,5= exp (4.1960 + 0.2376(0.541660U1,4 - 0.031676U1,3 - 0.073043*0.0293711,4 + 0.0293711,5))
Junio : X,6= exp (3.6854 + 0.1355(1.515051U1,5 - 0.509324U1,4 - 1.234077*0.0106871,5 + 0.0106871,6))
Julio : X,7= exp (3.4354 + 0.1256(0.674542U1,6 - 0.041213U1,5 + 0.167376*0.0057441,6 + 0.0057441,7))
Agosto : X,8= exp (3.4188 + 0.1536(2.039335U1,7 - 0.811803U1,6 - 1.008556*0.007821,7 + 0.0078201,8))
Setiembre : X,9= exp (3.5931 + 0.2246(0.825438U1,8 - 0.600774U1,7 + 0.033084*0.0436821,8 + 0.0436821,9))
Octubre : X,10= exp (4.0123 + 0.2204(0.388525U1,9 - 0.236349U1,8 + 0.045695*0.0399011,9 + 0.0399011,10))
Noviembre : X,11= exp (4.3122 + 0.2361(1.08236U1,10 - 0.011976U1,9 0.651675*0.0386591,10 + 0.0386591,11))
Diciembre : X,12= exp (4.5037 + 0.3088(0.329027U1,11 + 0.202242U1,10 + 0.557148*0.0576441,11 + 0.0576441,12))
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Chancos:
Enero : X,1= exp (2.2483 + 0.2900(0.635961U1,0 + 0.074506U1,-1 - 0.113307*0.0419271,0 + 0.0419271,1)) + 1
Febrero : X,2= exp (2.4075 + 0.2481(0.903291U1,1 - 0.295369U1,0 - 0.390052*0.0418131,1 + 0.0418131,2)) + 1
Marzo : X,3= exp (2.4809 + 0.2662(2.699411U1,2 - 1.070878U1,1 - 2.308711*0.0572221,2 + 0.0572221,3)) + 1
Abril : X,4= exp (2.2058 + 0.2956(0.723701U1,3 - 0.10294U1,2 - 0.453326*0.0793241,3 + 0.0793241,4)) + 1
Mayo : X,5= exp (1.6417 + 0.3385(1.522611U1,4 - 0.102041U1,3 - 0.918065*0.0732791,4 + 0.0732791,5)) + 1
Junio : X,6= exp (1.1932 + 0.3333(0.985752U1,5 - 0.321437U1,4 - 0.142525*0.0464911,5 + 0.0464911,6)) + 1
Julio : X,7= exp (1.0648 + 0.3192(1.640028U1,6 - 0.613171U1,5 - 0.935373*0.0307521,6 + 0.0307521,7)) + 1
Agosto : X,8= exp (1.1194 + 0.2958(0.804080U1,7 + 0.069961U1,6 + 0.027187*0.0098711,7 + 0.0098711,8)) + 1
Setiembre : X,9= exp (1.2151 + 0.2826(2.205526U1,8 - 1.605662U1,7 - 1.850287*0.0678381,8 + 0.0678381,9)) + 1
Octubre : X,10 =exp (1.6638 + 0.2994(5.295460U1,9 - 1.470138U1,8 - 4.835355*0.0474001,9 + 0.0474001,10)) + 1
Noviembre : X,11 =exp (1.8797 + 0.3663(1.349062U1,10 - 0.446040U1,9 - 0.676700*0.0774791,10 + 0.0774791,11)) + 1
Diciembre : X,12 =exp (2.0731 + 0.3243(0.978273U1,11 - 0.215973U1,10 - 0.557869*0.0616071,11 + 0.0616071,12)) + 1
134
Donde:
X,1: caudal medio mensual generado
U,1: componente estocstica normalizada
1,10: Variable aleatoria con media cero y varianza uno.
Los valores de U1,0 ,U1,-1 ,1,0 , son iguales a cero
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Llanganuco:
Enero : X,1= exp (1.3496 + 0.1998(0.282289U1,0 + 0.084115U1,-1 + 0.573378*0.0248821,0 + 0.0248821,1))
Febrero : X,2= exp (1.4514 + 0.1788(0.393441U1,1 + 0.175072U1,0 - 0.099570*0.0238681,1 + 0.0238681,2))
Marzo : X,3= exp (1.4755 + 0.1862(-0.468441U1,2 + 0.380604U1,1 + 1.128575*0.0226711,2 + 0.0226711,3))
Abril : X,4= exp (1.2977 + 0.1703(-0.671531U1,3 + 0.604592U1,2 + 1.233791*0.0195851,3 + 0.0195851,4))
Mayo : X,5= exp (0.9876 + 0.1626(1.879793U1,4 - 0.715654U1,3 - 1.321960*0.0117501,4 + 0.0117501,5))
Junio : X,6= exp (0.7582 + 0.2603(0.820286U1,5 + 0.149920U1,4 + 0.226076*0.0401101,5 + 0.0401101,6))
Julio : X,7= exp (0.6830 + 0.2233(-1.041144U1,6 + 2.082803U1,5 + 1.060618*0.0219951,6 + 0.0219951,7))
Agosto : X,8= exp (0.6581 + 0.2099(0.884448U1,7 - 0.012575U1,6 - 0.068140*0.0082421,7 + 0.0082421,8))
Setiembre : X,9= exp (0.6387 + 0.2305(1.626528U1,8 - 0.746773U1,7 - 0.410148*0.0209541,8 + 0.0209541,9))
Octubre : X,10= exp (0.7851 + 0.2173(0.902745U1,9 - 0.118930U1,8 - 0.192847*0.0176901,9 + 0.0176901,10))
Noviembre : X,11= exp (1.0635 + 0.1936(1.945081U1,10 - 0.990405U1,9 - 1.161448*0.0152111,10 + 0.0152111,11))
Diciembre : X,12= exp (1.2419 + 0.1719(-0.718941U1,11 + 0.973711U1,10 + 0.617043*0.0180611,11 + 0.0180611,12))
Modelos ARMA (2,1) Estacionales Correspondientes a la Estacin Hidromtrica Parn:
Enero : X,1= exp (0.9073 + 0.2138(1.457650U1,0 - 0.704197U1,-1 - 0.242105*0.0185951,0 + 0.0185951,1)) 1.5
Febrero : X,2= exp (1.0102 + 0.2278(2.494381U1,1 - 1.907901U1,0 - 1.870081*0.0169841,1 + 0.0169841,2)) 1.5
Marzo : X,3= exp (0.9930 + 0.2147(0.634205U1,2 + 0.024858U1,1 + 0.051895*0.0230221,2 + 0.0230221,3)) 1.5
Abril : X,4= exp (0.9360 + 0.2051(-0.712753U1,3 + 1.032537U1,2 + 1.602161*0.0077371,3 + 0.0077371,4)) 1.5
Mayo : X,5= exp (0.8204 + 0.1456(3.400401U1,4 - 2.523458U1,3 - 2.722571*0.0090301,4 + 0.0090301,5)) 1.5
Junio : X,6= exp (0.6598 + 0.1688(-0.693262U1,5 + 0.397127U1,4 + 1.667248*0.0194201,5 + 0.0194201,6)) 1.5
Julio : X,7= exp (0.5749 + 0.2227(1.698345U1,6 - 0.585800U1,5 - 0.938861*0.0228111,6 + 0.0228111,7)) 1.5
Agosto : X,8= exp (0.5428 + 0.2612(2.021529U1,7 - 1.005772U1,6 - 1.027956*0.0086721,7 + 0.0086721,8)) 1.5
Setiembre : X,9= exp (0.5292 + 0.2052(0.621159U1,8 + 0.070606U1,7 + 0.230483*0.0080381,8 + 0.0080381,9)) 1.5
Octubre : X,10= exp (0.5378 + 0.1487(1.130424U1,9 - 0.396217U1,8 - 0.279647*0.0050821,9 + 0.0050821,10)) 1.5
Noviembre : X,11= exp (0.6473 + 0.1390(1.587948U1,10 - 0.594719U1,9 - 0.512312*0.0053271,10 + 0.0053271,11)) 1.5
Diciembre : X,12= exp (0.7741 + 0.1610(2.517921U1,11 - 1.466479U1,10 - 1.678349*0.0102911,11 + 0.0102911,12)) 1.5
135
d) Para las estaciones modeladas, se generaron 100 series de longitudes
iguales al periodo de registr de 40 aos.
e) Las series sintticas generadas preservan las caractersticas de igualdad en
la media y varianzas con respecto a las series histricas, esta igualdad se
manifiesta en los 12 meses.
f)De las 12 estaciones hidromtricas modeladas, 9 de ellas presentan que las
pruebas de medias y varianzas, para muestras dependientes, fueron aceptadas; en
el resto de las estaciones, presentaron aceptacin relativa tanto en la media y/o
varianza.
g) Se verific el intervalo de confianza a partir de las series generadas, para
evaluar si las series histricas estn en el rango de confianza que condicionan las
series generadas, se tiene aceptacin en 8 estaciones para los 12 meses en la
verificacin de intervalos para la media y desviacin estndar; en el resto de las
estaciones la verificacin de los intervalos en la media es aceptable en los 12
meses y para la desviacin estndar esta entre 11 y 10 meses.
h) De la prueba de ajuste de normalidad que se realiz mediante las pruebas
de Chi-Cuadrado y Kolmogorov Smirnov, para las series sintticas generadas,
resultaron significativas en ambas pruebas, por lo que las series sintticas se
ajustan a una distribucin de probabilidad normal.
i) Las pruebas estadsticas de validacin cumplen satisfactoriamente las
expectativas, corroborando as que los modelos ARMA (2,1) para las sub cuencas
seleccionadas de la cuenca del ro Santa, preservan las caractersticas estadsticas
de las series histricas cumpliendo satisfactoriamente los objetivos especficos de
la tesis.
6.2 RECOMENDACIONES.
a) Para el anlisis estocstico de series de tiempo se recomienda realizar el
anlisis de consistencia en saltos y tendencias, realizar la completacin y extensin
de la informacin, luego realizar la normalizacin de datos con transformacin
logartmica, otras transformaciones son presentadas en el programa SAMS como
transformacin potencial, Box Cox y estandarizacin; las cuales deben ser
aplicadas y evaluadas en otros trabajos.
136
b) Para la generacin de descargas medias mensuales en las estaciones
hidromtricas de la cuenca del ro Santa, se recomienda emplear los modelos
estocsticos ARMA (2,1) obtenidas en la presente tesis.
c) Se recomienda emplear la metodologa utilizada en la presente tesis para
determinar los parmetros estocsticos del modelo y la calibracin de los mismos;
se sugiere utilizar el programa SAMS como herramienta de trabajo para el anlisis
estocstico y generacin de series.
d) Para la validacin de las series generadas, se recomienda emplear las
pruebas de hiptesis para la varianza de dos poblaciones como son la prueba de
homogeneidad de varianzas, prueba de t para muestras independientes y la
prueba de t para muestras dependientes; intervalo de confianza a partir de las
series generadas y las pruebas de bondad de ajuste de Chi-Cuadrado y Smirnov
Kolmogorov.
e) Impulsar las investigaciones en la escuela de Ingeniera Agrcola referente
a modelos hidrolgicos funcionales para la cuenca del ro Santa, que es la cuenca
tropical que cuenta con caractersticas muy particulares a otras cuencas del Per y
adems es la cuenca con ms rea glaciar en el mundo.
137
VII. BIBLIOGRAFIA
1. Aguirre Nez, Mario. Sistema De Informacin Hidrolgica-Manual Del Usuario
Publicacin Ministerio de Agricultura, ATDR Huaura, Abril, 1999.
2. Aliaga Araujo, S. Vito. Tratamientos de Datos Hidrometeorolgicos. Lima Per,
1983.
3. Aliaga Araujo, Segundo Vito. Hidrolgica Estadstica, Lima Per, febrero de 1985.
4. Aliaga Araujo, Segundo Vito. Notas del Curso de Hidrolgica Avanzada para Post
Grado San Jos, Costa Rica, Marzo 1982.
5. Box, G., Jenkins, G., Time Series Analysis Forecasting And Control San Francisco,
Holden Day, 1976.
6. Chatfield, C. Time Analysis of Time Series: And Introduction Chapman & Hall
Ltda., 1975.
7. Chereque Morn, Wendor. Hidrolgica 2da Edicin, CONCYTEC, Lima-Per, 1989.
8. Chow, Ven Te. Handbook of applied Hydrology Mc. Graw Hill Book Co. USA,
1964.
9. Chow, Ven Te; R. Maidment, David; W. Mays Larry. Hidrologa Aplicada. Editorial
Mc Graw Hill, Colombia, 1998.
10. Instituto Nacional de Recursos Naturales (INRENA) M apas Ambientales del Per ,
Lima Per, 2002.
11. Meja M., J. Abel Curso De Hidrometeorologa Para el Personal Tcnico de Electro
Per", Huaraz, 1981.
12. Menndez Raymat, A. Prueba de Hiptesis de dos Muestras www. Prueba de
medias.html, conf639015, 2003.
13. Mitacc Meza, Mximo. Inferencia Estadstica 2da Edicin. Editorial Thales S.R.L.
Agosto de 1999, Lima Per.
138
14. Pouyaud, Bernard Glaciares y Recursos Hdricos en la Cuenca del Ro Santa
Reporte de los estudios realizados por el IRD Francia, INRENA, EGENOR y
SENAMHI, Huaraz Per, febrero del 2003.
15. R. Azarang, Mohammad; Garca Dunna, Eduardo. Simulacin y Anlisis de Modelos
Estocsticos Mc Graw Hill, Mxico 1996.
16. RAY K. LINSLEY, JR. et al. Hidrologa para Ingenieros 2 Edicin. Mc Graw-Hill,
Mxico, 1986.
17. Sadhe, W. Z. Data Collection Analysis and Instrumentation Stochastic Approaches
to Water Resources, Vol I. For Collins Colorados, USA, 1976.
18. Salas De la Cruz, Jos. Modelamiento Estocstico de Series Hidrolgicas.
Publicacin N 67. Publidrat, Lima Per. 1979.
19. Salas De la Cruz, Jos. Tcnicas para el Anlisis de Problemas Hidrolgicos
Seminario de Actualizacin en Hidrolgica, Pn PMI. Lima Per, 1980.
20. Salas De la Cruz, Jose; Delleur, J. W.; Yevjevich, V. y Lane, W. L.Applied Modeling
of Hydrologic Time Series Water Resources Publications, Fort Collins, Colorado,
USA, 1980.
21. Salas De la Cruz, Jose; N. Saada, C. H. Cheng, W.L. Lane, y D. K. Frevert Stochastic
Analysis, Modeling, And Simulation (SAMS) Version 2000-Users Manual.
22. Salvatierra Romero, Alberto Los Modelos Arima y Broken Line Aplicados a las
Descargas Mensuales de los Ros Santa y Tablacacha, Anlisis Critico. Tesis para
Optar el Titulo de Ingeniero Civil, F.I.C. U.NA.S.A.M., Huaraz Per, 1999.
23. Saturnino Snchez, Hctor Simulacin de Series Hidrolgicas Mensuales Mediante
Modelos ARIMA, aplicados en dos Ros Tpicos del Per; Pisco Chicama. Tesis
para Optar el Ttulo de Ingeniero Civil, F.I.C., U.N.I., Lima Per, 1991.
24. Silva, Gustavo A: Hidrolgica Estocstica www. ESTOCSTICA _ G_ SILVA
M.html, Bogota Colombia, 2001
25. UNALM. Simulacin Hidrolgica Para La Gestin Integral de Cuencas. Apoyo de
la Fundacin Polar, Lima - Per.
26. Vignon, Francois Glaciares y Recursos Hdricos en el Valle Alto del Ro Santa
Tesis: Diploma del Estudio Doctoral de la Universidad Paris VII, Noviembre del 2002.
27. Villn Bejar, Mximo. Hidrologa Estadstica 2 Edicin. Instituto Tecnolgico de
Costa Rica, Enero del 2002, Lima-Per.
28. Villn Bejar, Mximo. Hidrologa 2 Edicin. Instituto Tecnolgico de Costa Rica,
Febrero del 2002, Lima-Per.
139
29. Yevjevich, V. Structure of Natural Hydrology Time Processes Stochastic
Approachs to Water Resources Vol I, Fort Collins, Colorado, USA, 1976.
30. Yevjevich, V., Stochastic Processes in Hydrology Water Resources
Publications, Fort Collins, Colorado, USA, 1972.
140