Tesis 2018

UNIVERSIDAD NACIONAL
SANTIAGO ANTÚNEZ DE MAYOLO

FACULTAD DE CIENCIAS AGRARIAS
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA

AGRÍCOLA
“GENERACIÓN DE CAUDALES MENSUALES MEDIANTE REDES

NEURONALES ARTIFICIALES A PARTIR DE PRECIPITACIONES
MENSUALES EN LA SUB CUENCA QUEROCOCHA, RECUAY -2017”
PRESENTADO POR:
Bach. PINEDA PARIAMACHI, Alex Hessler
TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE
INGENIERO AGRÍCOLA
HUARAZ, PERÚ
UNIVERSIDAD NACIONAL
SANTIAGO ANTÚNEZ DE MAYOLO
FACULTAD DE CIENCIAS AGRARIAS
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA

AGRÍCOLA
“GENERACIÓN DE CAUDALES MENSUALES MEDIANTE REDES

NEURONALES ARTIFICIALES A PARTIR DE PRECIPITACIONES
MENSUALES EN LA SUB CUENCA QUEROCOCHA, RECUAY -2017”
TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE
INGENIERO AGRÍCOLA
PRESENTADO POR:
Bach. PINEDA PARIAMACHI, Alex Hessler
Sustentada y aprobada ante el siguiente Jurado:
Dr. Fidel Gregorio Aparicio Roque Ing. M.Sc. Luis Alberto, Orbegoso Navarro
Presidente del Jurado Secretario del Jurado
Ing. M.Sc. Abelardo Manrique, Salas Díaz

Ing. Remo Crisanto, Bayona Antúnez
Vocal del Jurado Asesor de Tesis
HUARAZ, PERÚ
INDICE
DEDICATORIA 1
AGRADECIMIENTO 2
ÍNDICE DE TABLAS 3
ÍNDICE DE FIGURAS 4
INDICE DE ANEXOS 5
RESUMEN 6
I. INTRODUCCION 8
1.1 Generalidades 8
1.2 Objetivo General 9
1.2.1 Objetivo general 9
1.2.2 Objetivos específicos 9
II. REVISION BIBLIOGRAFICO 10
2.1 Antecedentes 10
2.1.1 Antecedentes bibliográficos internacionales 10
2.1.2 Antecedentes bibliográficos nacionales 11
2.2 Marco Teórico 12
2.2.1 Precipitación 12
2.2.2 Caudal 13
2.2.3 Análisis de consistencia 13
A. Análisis de saltos 13
B. Análisis de tendencias 17
2.2.4 Red neuronal 20
2.2.4.1 Estructura de una red neuronal 21
A. Niveles o capas de neuronas 22
B. Estado de activación y función de activación 23
C. Función de Salida o transferencia 24
D. Regla de aprendizaje 26
2.2.4.2 La red backpropagation 26
A. Ejecución del modelo backpropagation 28
2.2.5 Tipos de redes neuronales a probarse 31
A. Cascade forward – backpropagation 31
B. Elman backpropagation 33
C. Feed forward backpropagation 36
2.2.6 Modelos estadísticos para la validación de la simulación 37
A. Raíz del error cuadrático medio (RMSE) 37
B. Eficiencia de Nash-Sutcliffe (NSE) 38
C. Error cuadrático medio normalizado (ECMN) 39
D. Coeficiente de determinación (R2) 40
E. Coeficientes de análisis provenientes del Excel 2016 40
III. MATERIALES Y METODOS 42
3.1 Tipo de investigación 42

3.2 Descripción de la zona de estudio 42
Información básica 43
3.2.1 Información cartográfica 43
3.2.2 Información hidrológica 43
3.2.3 Parámetros morfométricos de la cuenca 43
3.3 Materiales 44
3.4 Métodos 44
3.4.1 Trabajo en campo 44
3.4.1.1 Recopilación de información 44
3.4.2 Trabajo en gabinete 45
3.4.2.1 Completación de datos y análisis de consistencia. 46
3.4.2.2 Selección del tipo de red. 46
A. Agrupación 46
B. Proceso I. Iteración, verificación y selección de red. 48
3.4.2.3 Aplicación de una estructura funcional para el tipo de red elegida. 50
A. Proceso II. Generación de caudales. 51
3.4.2.4 Verificación de la relación que existe entre caudales mensuales generado y los
caudales mensuales reales analizando la validez de la generación 51
IV. RESULTADOS Y DISCUSIONES 53
4.1 Selección del tipo de red que se adecue a los datos generados 53
4.2 Aplicar una estructura funcional para el tipo de red elegida. 53
4.2.1 Elman backpropagation, Precipitaciones mensuales 54
A. Precipitaciones mensuales grupo A. 54
B. Precipitaciones mensuales grupo B. 56
4.2.2 Elman backpropagation, Caudales mensuales 58
A. Caudales mensuales grupo A. 58
B. Generación de caudales mensuales Grupo B 60
C. Generación de caudales mensuales grupo C. 63
4.3 Análisis de la validez de las generaciones 64
4.3.1 Elman backpropagation, Precipitaciones mensuales. 65
A. Verificación de Precipitaciones mensuales Grupo A 65
B. Verificación de precipitaciones mensuales Grupo B 65
4.3.2 Elman backpropagation, Caudales mensuales. 66
A. Verificación de Caudales mensuales Grupo A 66
B. Validación de caudales mensuales Grupo B 67
C. Validación de caudales mensuales Grupo C 68
V. CONCLUSIONES 69
VI. RECOMENDACIONES 70
VII. BIBLIOGRAFIA 71
VIII. ANEXOS 74
DEDICATORIA
Para Clarita, a quien Dios me dio la bendición de poder

llamar madre.
1
AGRADECIMIENTO
Quiero agradecer a Dios por bendecirme con el regalo de la vida, por guiarme a lo largo de mi
existencia, ser el apoyo y fortaleza en aquellos momentos de dificultad y de debilidad.
Gracias a mi madre Clarita Luisa Pariamachi García y mi padre Alex Feliz Pineda Pariamachi,
por ser los principales promotores de mis sueños, por confiar y creer en mis expectativas, por
los consejos, valores y principios que me han inculcado.
Agradecer también a mis docentes de la Escuela de Ingeniería Agrícola de la Universidad

Nacional de Santiago Antúnez de Mayolo, por haber compartido sus conocimientos a lo largo
de la preparación de mi profesión, de manera especial, al master Abelardo Manrique, Salas Díaz
tutor de mi proyecto de investigación quien ha guiado con su paciencia, y su rectitud como
docente, al doctor Fidel Gregorio Aparicio Roque por el apoyo tanto en la carrera como a nivel
personal, a los ingenieros y personal administrativo de la Unidad de Glaciología del ANA por
la información y direccionamiento brindado.
2
ÍNDICE DE TABLAS
Tabla 1. Características geomorfométricas de la cuenca 43
Tabla 2. Registro de datos de acuerdo a los años 46
Tabla 3. Matrices de agrupación de datos de acuerdo al tipo de red 47
Tabla 4. Distribución de datos respecto a los años. 47
Tabla 5. Distribución de datos para la selección del tipo de función de entrenamiento. 49
Tabla 6. Estructura inicial para cada entrenamiento. Grupo A 49
Tabla 7. Periodo de años para la fase de validación 52
Tabla 8. Datos generados por la RNA N°02. Precipitaciones mensuales 55
Tabla 9. Estructura de las redes neuronales, Elman backpropagation generación de
precipitaciones Grupo B. 56
Tabla 10. Datos generados por la RNA N°02_4. Precipitaciones mensuales 57
Tabla 11. Datos generados por la RNA N°Q7. Caudales mensuales 59
Tabla 12. Estructura de las redes neuronales, Elman backpropagation generación de caudales
Grupo B. 61
Tabla 13. Datos generados por la RNA N°Q7_1. Caudales mensuales 61
Tabla 14. Estructura de generación de precipitación mensual, Elman backpropagation 63
Tabla 15. Estructura de generación de precipitación mensual, Elman backpropagation 63
Tabla 16. Resumen de los coeficientes de validación. Elman backpropagation precipitaciones
mensuales Grupo A. 65
Tabla 17. Resumen de los coeficientes de validación. Elman backpropagation precipitaciones
mensuales Grupo B. 66
Tabla 18. Resumen de los coeficientes de validación. Elman backpropagation, caudales
mensuales Grupo A 67
Tabla 19. Resumen de los coeficientes de validación para caudales mensuales Grupo B 68
3
Tabla 20. Resumen de los coeficientes de validación. Grupo C 68
ÍNDICE DE FIGURAS
Figura 1. Ejemplo de una red Neuronal totalmente conectada 23
Figura 2. Funcionamiento general backpropagation. 29
Figura 3. Red Cascade forward backpropagation. 32
Figura 4. Red básica de Elman. 35
Figura 5. Diagrama de flujo de la metodología aplicada 45
Figura 6. Iteración de las estructuras para el Grupo B. 50
Figura 7. Diagrama de flujo para el proceso II 52
Figura 8. Distribución de grupos para cada tipo de red 53
Figura 9. Generación de datos de precipitaciones mensuales modelo Elman backpropagation,
Grupo A. 54
Figura 10. Generación de precipitaciones Red Neuronal Artificial N° 02. 55
Figura 11. Generación de datos de precipitaciones mensuales modelo Elman
backpropagation, Grupo B. 57
Figura 12. Generación de precipitaciones Red Neuronal Artificial N° 02_4. 58
Figura 13. Generación de datos de caudales mensuales con el modelo Elman
backpropagation, Grupo A. 59
Figura 14. Generación de caudales mensuales Red Neuronal Artificial N° Q7. 60
backpropagation, Grupo B. 61
Figura 16. Generación de caudales mensuales Grupo B por la Red Neurona Artificial N° 7_1
62
4
backpropagation, Grupo C 64
INDICE DE ANEXOS
Anexo 1. Carta Nacional Recuay 20-i 74
Anexo 2. Delimitación de la sub cuenca Querococha. 74
Anexo 3. Precipitaciones mensuales estación Querococha. 75
Anexo 4. Caudales mensuales estación Querococha. 76
Anexo 5. Precipitaciones mensuales estación Querococha datos para generación. 77
Anexo 6. Caudales mensuales estación Querococha datos para generación. 77
Anexo 7. Diagrama de flujo del proceso I 78
Anexo 8. Mejor validación para generación de datos de precipitación mensual por el modelo
Elman backpropagation. 79
Anexo 9. Mejor validación para la generación de datos de caudales mensuales por el modelo
Elman backpropagation. 79
5
RESUMEN
El objetivo principal de la investigación fue generar caudales mensuales a partir de
precipitaciones mensuales en la sub cuenca Querococha ubicada en la provincia de Recuay. La
tipificación del estudio es aplicada de nivel predictivo, según el diseño de la investigación es
no experimental y según la naturaleza de los datos manejados es cuantitativo. El método
consistió en la aplicación de redes neuronales artificiales, específicamente, del modelo
backpropagation, de este se probaron tres tipos de red neuronal artificial: Cascade forward
backpropagation, Elman backpropagation y Feed forward backpropagation. Para definir la
estructura más eficiente, se realizaron iteraciones en las funciones fundamentales basados en
tres procesos principales: entrenamiento, validación y generación para cada tipo de red, se
priorizo la generación de caudales mensuales, analizando previamente estos procesos en las
precipitaciones mensuales; estos procesos se especifican en el contenido de la investigación.
Se obtuvo un resultado satisfactorio en el uso de los tres tipos de red, resaltando de los tres el
tipo Elman backpropagation, el cual presenta un coeficiente de correlación de 0.90 y un error
máximo de 0.60 m3/seg. Desde esta perspectiva una de las conclusiones más importantes es la
viabilidad de la generación de caudales mensuales mediante la aplicación de las redes
neuronales artificiales solo con una variable de apoyo en este caso las precipitaciones
mensuales.
Palabras claves. Redes Neuronales, Elman backpropagation, caudales mensuales

6
SUMMARY
The main objective of the research was to generate monthly flows from monthly rainfall in the
Querococha sub-basin located in the province of Recuay. The typification of the study is applied
at the predictive level, according to the design of the research it is non-experimental and
according to the nature of the data handled, it is quantitative. The method consisted of the
application of artificial neural networks, specifically, of the backpropagation model, of which
three types of artificial neural network were tested: Cascade forward backpropagation, Elman
backpropagation and Feed forward backpropagation. To define the most efficient structure,
iterations were made in the fundamental functions based on three main processes: training,
validation and generation for each type of network, the generation of monthly flows was
prioritized, previously analyzing these processes in the monthly rainfall; these processes are
specified in the content of the investigation.
A satisfactory result was obtained in the use of the three types of network, highlighting of the
three the Elman backpropagation type, which has a correlation coefficient of 0.90 and a
maximum error of 0.60 m3 / sec. From this perspective, one of the most important conclusions
is the feasibility of generating monthly flows through the application of artificial neural
networks with only one supporting variable in this case, monthly rainfall.
Key Words: Neural Networks, Elman backpropagation, monthly flows
7
I. INTRODUCCION
1.1 Generalidades
A diferencia de la Cordillera Negra, la Cordillera Blanca tradicionalmente ha tenido agua
suficiente en sus lagos, lagunas, bojedales y manantiales gracias a los glaciares, sin embargo,
parece que la abundancia de agua tendrá un fin cercano al ritmo de retroceso de los glaciares.
Desde el pueblo vecino de Cátac han ido surgiendo historias de escasez de agua por varios años
durante la temporada seca. Son noticias que incluso han llegado a la prensa limeña (Borg, 2011,
pág. 6).
Los reportes de una crisis de agua venidera también han llegado a la puna, y aquí tenemos una
interacción interesante entre las experiencias propias de los pobladores y la información que
llega desde afuera. Entre otras cosas, ha significado una mayor politización del agua. A medida
que se incrementa la presión sobre el abastecimiento de agua irán surgiendo conexiones
parciales entre los usuarios individuales y la organización mayor del agua. Estas conexiones
son las que influyen en el hecho de que “menos agua” lleva una experiencia de escasez de agua.
El agua en el río viene de la laguna Querococha. Aparte del Canal Querococha 3 Bases, el río
también es inicio de tres canales más que van para los comuneros de Catac, el caserío Buenos
Aires y la Mina Toma la Mano. Significa que es necesario coordinar a mayor escala entre
quienes tienen derecho a cuál agua.
Puntualizando tenemos un problema de escases de recurso hídrico, el cual es necesario para
abastecer cuatro sectores principales, agricultura, ganadería, consumo humano y minería. La
tendencia de escasez es notoria y cíclica cada año, y muestra un aumento debido al incremento
en su uso por el crecimiento poblacional
Centrados en el problema que afecta mi sector de estudio se puede ver la necesidad de una
distribución correcta de caudales para los cuatro sectores mencionados teniendo este problema
8
una justificación académica por el uso de un modelo novedoso, una implicancia social ya que
se tiene un uso humano y principalmente, económica al dotar de agua a medios productivos
como la agricultura ganadería y minería.
“El análisis y la predicción de series de tiempo permiten obtener información básica para la
planeación, diseño, y evaluación de hidrosistemas, con base en la optimización del manejo de
los recursos hídricos para el bienestar social” (Alvarez, Gomez, & Obregon, 2012).
Entonces podemos mencionar que la creciente escasez de agua conjuntamente con un sistema
de distribución con poco control, la necesidad de un manejo más estable y basado en estudios
de caudales que favorezcan el planeamiento y repartición de los mismos, son los problemas
principales en mi sector de estudio.
1.2 Objetivo General
1.2.1 Objetivo general
Generar caudales mensuales aplicando redes neuronales artificiales mediante
precipitaciones mensuales en la sub cuenca Querococha, Recuay.
1.2.2 Objetivos específicos
a. Encontrar el tipo de red que se adecue a los datos generados.
b. Aplicar una estructura funcional para el tipo de red elegida.
c. Verificar la relación que existe entre los caudales mensuales y la precipitación mensual
analizando la validez de la generación.
9
II. REVISION BIBLIOGRAFICO
2.1 Antecedentes
2.1.1 Antecedentes bibliográficos internacionales
Pujol (2009) Presenta en su tesis doctoral una comparación entre un modelo
autorregresivo de media móvil con variable exógena ARMAX, una red neuronal
artificial tipo perceptrón multicapa y un modelo modular con una red neuronal auto-
organizada para la predicción de caudales horarios en diferentes secciones del rio
Paraná, cambiando las estructuras de las redes neuronales, midiendo su asertividad y
analizando el desfase, finalmente concluye considerando la capa de entrada y la
cantidad de datos como fundamental en el proceso de predicción, menciona también
que las redes utilizadas presentan un menor desfase respecto al modelo autor
regresivo, dándoles una mayor proximidad de predicción.
Campozano (2011). Estudia en su tesis de maestría la implementación de tres tipos
de redes MLP con diferentes estructuras variando principalmente en el número de
capas ocultas y tipo de salida esto para la predicción de caudales y el análisis posterior
de la robustez de sus modelos. Concluye con resultados satisfactorios para los tres
modelos de las redes neuronales considerando el mejor a la red tipo MLP con 25
neuronas, función de activación sigmoidal, una capa de salida con activación lineal
y entrenada mediante algoritmo Levenberg-Marquardt.
Álvarez, et al. (2012). Muestran en su artículo científico la comparación en la
predicción de caudales medios mensuales implementando de un modelo neurodifuso
ANFIS y las redes neuronales tipo perceptrón multicapa utilizando para estos
métodos el programa Matlab, concluye con correlaciones promedio moderadamente
aceptables para ambos métodos siendo superior por mayor flexibilidad en este caso
10
el modelo ANFIS, además recomienda utilizar estructuras y topologías sencillas al
implementar la red.
Talento (2011). Realiza en su tesis para maestría una comparación de predicción de
caudales de aporte utilizando métodos estadísticos, una red neuronal simple
backpropagation y un clustering, llegando a concluir la red neuronal como un modelo
de predicción eficiente en los meses que se presentan mayor cantidad de datos y a los
modelos estadísticos tanto como el clustering cuando existen pocos datos esto solo
referido a la relación de caudales de aporte.
2.1.2 Antecedentes bibliográficos nacionales
Herrera , Luque , Tupac, & Yari, (2013). Basan su artículo científico en la generación
de caudales mensuales utilizando una red neuronal feedforward backpropagation
con funciones de salida sigmoidales esto en dos estructuras similares utilizando el
programa Network Neural 4.0, ello llegan a una conclusión satisfactoria respecto a
la semejanza de los caudales en la serie temporal histórica esto en el sentido
estadístico dejando claro que no se puede definir las características que deben ser
reproducidas por el modelo o la interpretación de las mismas ya que sus muestras son
anuales y no poseen otro indicador. (pág. 47)
Laqui (2010). Menciona en su artículo científico la aplicación de modelos de redes
neuronales artificiales del tipo retropropagación para la previsión y modelación de
caudales medios mensuales a partir de precipitaciones, caudales y evaporación,
compara los resultados con un modelo de serie temporal estocástico PAR(1),
concluyendo que los modelos de redes neuronales artificiales presentan un porcentaje
de ajuste superior al modelo autor regresivo volviéndolos eficientes en la previsión
de caudales medios mensuales. (pág. 43)
11
Laqui & Sanchez (2009). Prueban en su artículo científico la predicción de caudales
medios mensuales a través de 10 modelos de redes neuronales del tipo Perceptrón
multicapa tomando un periodo de tiempo de 1964 a 1996 para realizar el
entrenamiento y datos de 1997 al 2002 para su validación, se compara el modelo
optimo con un modelo autorregresivo de primer orden PAR(1), el grupo concluye
como positiva la predicción de caudales medios mensuales utilizando precipitación
y evaporación al evaluar los errores de predicción en comparación con el modelo
autorregresivo. (pág. 205)
Lujano, Lujano, Lujano, & Quispe (2010). Manifiestan en su artículo científico el
uso de 06 modelos de redes neuronales artificiales del tipo perceptrón multicapa los
caudales son evaluados estadísticamente en su error llegando a la conclusión de que
las redes muestran un buen desempeño en la estimación de fenómenos de
comportamiento no lineal como los caudales. (pág. 99)
2.2 Marco Teórico
2.2.1 Precipitación
Es toda forma de humedad que se origina en las nubes para llegar a la superficie
terrestre en forma de lluvia, granizo, nieve y otros.
Desde el punto de vista de la ingeniería hidrológica la precipitación es la fuente
primaria de agua en la superficie terrestre y su medición es el punto de partida para
estudios relacionados al uso y control del agua. (Ledesma , 2006, pág. 26).
Se puede decir entonces que la precipitación es toda forma hidrometeorológica que
se precipita de la atmósfera hacia la superficie terrestre. Se puede incluir en esto la
lluvia, llovizna, nieve, aguanieve, granizo. Para nuestro caso he tomado datos de
12
precipitación mensual la cual se puede describir como la suma de las alturas de
precipitaciones diarias ocurridas durante un mes.
2.2.2 Caudal
También conocido como gasto o escurrimiento, el cual es otro elemento del ciclo
hidrológico, básicamente es el agua que proveniente de la precipitación que avanza
sobre la superficie terrestre y que es transportada por una corriente hasta un
determinado punto de aforo.
El exceso de precipitación o precipitación efectiva es la precipitación que no ser
retiene en la superficie terrestre y tampoco se infiltra en el suelo. Después de fluir a
traces de la superficie de la cuenca, el exceso de precipitación se convierte en
escorrentía directa a la salida de la cuenca bajo la suposición de flujo superficial
hortoniano. (Chow, Maidment, & Mays, 1994, pág. 138).
2.2.3 Análisis de consistencia
Las referencias a continuación se han tomado del libro del Hidrología Estadística del
Ingeniero Máximo Villón Béjar.
A. Análisis de saltos
A.1 Análisis de consistencia de la media
Consiste en probar mediante la prueba t (prueba de hipótesis) si los valores medios
de las submuestras son estadísticamente iguales o diferentes con una probabilidad
del 95 % o con 5% de nivel de significancia, de la siguiente manera:
Calcula de la media y de la desviación estándar para las submuestras, según:
1
𝑛1 𝑛1 2
1 1
𝑥1 =
̅̅̅ ∑ 𝑥𝑖 ; 𝑆1 (𝑥) = [ 𝑥1 2 ]
∑(𝑥𝑖 − ̅̅̅) ( 1)
𝑛1 𝑛1 − 1
𝑖=1 𝑖=1
13
1
𝑛2 𝑛1 2
1 1
𝑥2 =
̅̅̅ ∑ 𝑥𝑖 ; 𝑆2 (𝑥) = [ 𝑥2 2 ]
∑(𝑥𝑗 − ̅̅̅) ( 2)
𝑛2 𝑛2 − 1
𝑗=1 𝑗=1
Donde:
𝑥𝑖 = valores de la serie del periodo 1
𝑥𝑖 = valores de la serie del periodo 2
𝑥1 ̅̅̅
̅̅̅, 𝑥2 = media de los periodos 1 y 2 respectivamente
𝑆1 (𝑥), 𝑆2 (𝑥) = desviación estándar de los periodos 1 y 2 respectivamente.
𝑛 = tamaño de la muestra
𝑛1 , 𝑛2 = tamaño de las submuestras
𝑛 = 𝑛1 + 𝑛2
Calculo del t calculado (𝑡𝑐 ) según:
(𝑥
̅̅̅1 − ̅̅̅)
𝑥2 − (𝜇1 − 𝜇2 )
𝑡𝑐 = ( 3)
𝑆𝑑̅
Donde: 𝜇1 − 𝜇2 = 0 (por hipótesis, la hipótesis es que las medias son iguales)
Quedando:
𝑥1 − ̅̅̅
̅̅̅ 𝑥2
𝑡𝑐 = ( 4)
𝑆𝑑̅
Además:
1
1 1 2
𝑆𝑑̅ = 𝑆𝑝 [ + ] ( 5)
𝑛1 𝑛2
1
(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22 2
𝑆𝑝 = [ ] ( 6)
𝑛1 + 𝑛2 − 2
14
Siendo:
𝑆𝑑̅ = desviación de las diferencias de los promedios
𝑆𝑝 = desviación estándar de la ponderada
Calculo del t tabular 𝑡𝑡 :
El valor critico de t se obtiene de la tabla t de Student, con una probabilidad del
95% o con un nivel de significación del 5%, es decir con /2 = 0.025 y con grados
de libertad v= 𝑛1 + 𝑛2 − 2.
Comparación del 𝑡𝑐 con el 𝑡𝑡 :
Si |𝑡𝑐 | ≤ 𝑡𝑡 (95%) → ̅̅̅

𝑥1 = 𝑥
̅̅̅2 (estadísticamente)
En este caso, siendo las medias ̅̅̅

𝑥1 = 𝑥
̅̅̅2 estadísticamente, no se debe realizar
proceso de corrección.
Si |𝑡𝑐 | > 𝑡𝑡 (95%) → ̅̅̅

𝑥1 ≠ 𝑥
̅̅̅2 (estadísticamente)
En este caso, siendo las medias ̅̅̅

𝑥1 ≠ 𝑥
̅̅̅2 estadísticamente, se debe realizar proceso
de corrección.
A.2 Análisis de consistencia de la desviación estándar
El análisis estadístico consiste en probar, mediante la prueba F, si los valores de
las desviaciones estándar de las submuestras son estadísticamente iguales o
diferentes, con un 95% de probabilidad o con un 5% de nivel de significación, de
la siguiente forma:
Calculo de las varianzas de ambos periodos:
15
𝑛1
1
𝑆12 (𝑥) = 𝑥1 2
∑(𝑥𝑖 − ̅̅̅) ( 7)
𝑛1 − 1
𝑖=1
𝑛1
1 2
𝑆22 (𝑥) = ∑(𝑥𝑗 − ̅̅̅)
𝑥2 ( 8)
𝑛2 − 1
𝑗=1
Calculo del F calculado (𝐹𝑐 ), según:
𝑆12 (𝑥)
𝐹𝑐 = , 𝑠𝑖 𝑆12 (𝑥) > 𝑆22 (𝑥) ( 9)
𝑆22 (𝑥)
𝑆22 (𝑥)
𝐹𝑐 = , 𝑠𝑖 𝑆22 (𝑥) > 𝑆12 (𝑥) ( 10)
𝑆12 (𝑥)
Calculo del F tabular (valor critico de F o 𝐹𝑡 ), se obtiene de las tablas F para una
probabilidad del 95%, es decir, con un nivel de significancia =0.05 y grados de
libertad:
𝐺. 𝐿. 𝑁 = 𝑛1 − 1
} , 𝑠𝑖 𝑆12 (𝑥) > 𝑆22 (𝑥)
𝐺. 𝐿. 𝐷 = 𝑛2 − 1
𝐺. 𝐿. 𝑁 = 𝑛2 − 1
} , 𝑠𝑖 𝑆22 (𝑥) > 𝑆12 (𝑥)
𝐺. 𝐿. 𝐷 = 𝑛1 − 1
Donde:
G.L.N = grados de libertad del numerador
G.L.D = grados de libertad del denominador
Comparación del Fc con el Ft:
Si 𝐹𝑐 ≤ Ft (95%) → 𝑆1 (𝑥) = 𝑆2 (𝑥) (estadísticamente)
Si 𝐹𝑐 > Ft (95%) → 𝑆1 (𝑥) = 𝑆2 (𝑥) (estadísticamente), por lo que se debe
corregir.
16
A.3 Corrección de los datos
En los casos en que los parámetros media y desviación estándar de las submuestras
de las series de tiempo, resultan estadísticamente iguales, la información original
no se corrige, por ser consistente con un 95 % de probabilidad, aun cuando en la
doble masa se observe quiebres. En caso contrario, se corrigen los valores de las
submuestras mediante las ecuaciones (11) y (12):
𝑥𝑡 − ̅̅̅
𝑥1
𝑋′(𝑡) = . 𝑆 (𝑥) + ̅̅̅
𝑥2 ( 11)
𝑆1 (𝑥) 2
𝑥𝑡 − ̅̅̅
𝑥1
𝑋′(𝑡) = . 𝑆 (𝑥) + ̅̅̅
𝑥1 ( 12)
𝑆2 (𝑥) 1
Donde:
𝑋′(𝑡) = valor corregido de saltos
𝑥𝑡 = valor a ser corregido
La ecuación (11), se utiliza cuando se deben corregir los valores de la submuestra
de tamaño 𝑛1 , y la ecuación (12), si se debe corregir la submuestra de tamaño 𝑛2 .
B. Análisis de tendencias
Antes de realizar el análisis de tendencias, se realiza el análisis de saltos y con la
serie libre de saltos, se procede a analizar las tendencias en la media y en la y en la
desviación estándar.
B.1 Tendencia en la media
La tendencia en la media Tm, puede ser expresada en forma general por la
ecuación polinómica:
𝑇𝑚 = 𝐴𝑚 + 𝐵𝑚 𝑡 + 𝐶𝑚 𝑡 2 + 𝐷𝑚 𝑡 3 + ⋯ ( 13)
17
Y en forma particular por la ecuación de regresión lineal simple:
𝑇𝑚 = 𝐴𝑚 + 𝐵𝑚 𝑡 ( 14)
Donde:
t= tiempo en años, tomado como la variable independiente de la tendencia.
T=1,2,3, …, n
Tm= tendencia en la media, para este caso:
Tm= 𝑋′(𝑡) valor corregido de saltos, es decir, datos a usarse para el cálculo de los
parámetros.
𝐴𝑚 , 𝐵𝑚 , 𝐶𝑚 , 𝐷𝑚 , = coeficientes del polinomio de regresión, que deben ser
estimados con los datos.
Los parámetros de regresión de estas ecuaciones, pueden ser estimados por el
método de mínimos cuadrados, o por el método de regresión lineal múltiple.
Evaluación de la tendencia Tm
Para averigua si la tendencia es significativa, se analiza el coeficiente de regresión
Bm o también el coeficiente de correlación R.
El análisis de R según el estadístico t, es como sigue:
Calculo estadístico tc según:
𝑅√𝑛 − 2
𝑡𝑐 = ( 15)
√1 − 𝑅 2
Donde:
𝑡𝑐 = valor estadístico t calculado.
N= número total de datos

18
R= coeficiente de correlación.
Calculo de 𝑡𝑡 :
El valor critico de t, se obtiene de la tabla t de Student, con 95% de probabilidad o
con un nivel de significación del 5%, es decir:
/2 = 0.025
G.L = n-2
3. Comparación del 𝑡𝑐 con el 𝑡𝑡 :
Si |𝑡𝑐 | ≤ 𝑡𝑡 (95%) → 𝑅 = no es significativo
En este caso, la tendencia no es significativa y no hay que corregir.
Si |𝑡𝑐 | > 𝑡𝑡 (95%) → 𝑅 = si es significativo
En este caso, la tendencia es significativa y hay necesidad de corregir la
información de tendencia en la media.
B.2 Corrección de la información:
La tendencia es la media se elimina haciendo uso de la ecuación:
𝑌𝑡 = 𝑋′(𝑡) − 𝑇𝑚 ( 16)
𝑌𝑡 = 𝑋′(𝑡) − (𝐴𝑚 + 𝐵𝑚 𝑡) ( 17)
Donde:
𝑋′(𝑡)= Serie corregida de saltos
𝑇𝑚 = tendencias en la media, obtenida de la ecuación (14)
𝑌𝑡 = serie sin tendencia en la media.
19
Para que el proceso 𝑋𝑡 preserve la media constante, se devuelve el promedio de
̅̅̅̅
las 𝑋′(𝑡) o 𝑇 𝑚 , luego las ecuaciones (16) y (17) toman la forma :
̅̅̅̅
𝑌𝑡 = 𝑋′(𝑡) − 𝑇𝑚 + 𝑇 𝑚 ( 18)
̅̅̅̅
𝑌𝑡 = 𝑋′(𝑡) − (𝐴𝑚 + 𝐵𝑚 𝑡) + 𝑇 𝑚 ( 19)
̅̅̅̅
Donde 𝑇 𝑚 es el promedio de la tendencia en la media o promedio de los valores
corregidos de saltos.
2.2.4 Red neuronal
Se puede definir de muchas formas lo que son las redes neuronales, desde las formas
generales y abreviadas hasta las que se basan en explicar al detalle lo que significa
red neural. Podemos mencionar algunos ejemplos de ambos casos:
Las redes neuronales son más que otra forma de emular ciertas características propias
de los humanos, como la capacidad de memorizar y de asociar hechos. Si se
examinan con atención aquellos problemas que no pueden expresarse a través de un
algoritmo, se observará que todos ellos tienen una característica en común: la
experiencia. (Matich, 2011).
Las Redes Neuronales Artificiales (RNA) son sistemas de procesamiento de la
información cuya estructura y funcionamiento están inspirados en las redes
neuronales biológicas (Mercado, Pedraza, & Martinez, 2015).
Una red neuronal artificial es un proceso sólido y paralelamente distribuido con la
propensión natural a acumular procedimientos experimentales y hacerlos disponibles
para su uso. Se parece al cerebro en dos aspectos, por una parte, la red adquiere
conocimientos a través de un proceso de aprendizaje, y por otra las conexiones
20
interneuronales, conocidas como cargas sinápticas presentan una gran solidez de se
encargan de almacenar los conocimientos. (Castellano, 2009).
Podemos definir utilizando estas perspectivas a una red neuronal como un sistema
de computación inspirada en modelos biológicos compuesto por un gran número de
elementos procesales organizados en niveles siguiendo un modelo matemático de
procesos interconectados que procesan información mediante estados dinámicos
como respuesta a entradas externas.
2.2.4.1 Estructura de una red neuronal
Las redes neuronales artificiales son modelos que tratan de emular el
comportamiento humano del cerebro, en tal caso realiza una simplificación,
averiguando cuáles son los elementos de los que se pude prescindir en el
sistema ya sea porque la cantidad de datos disponibles es demasiada o porque
es redundante. La elección optima de sus características, sumado a una
estructura eficiente es el proceso convencional para construir una red capaz de
realizar una tarea en particular.
En todos los modelos de redes existe una parte elemental la cual es generadora
de los procesos, en este caso las neuronas, por lo que ya vimos lleva ese nombre
debido a que trata de emular el funcionamiento de las mismas
Entonces, se puede considerar que una neurona artificial, es un procesador
elemental que recibe una serie de entradas con ponderaciones diferentes que al
agregarse producen el nivel de excitación S. La activación de la neurona
artificial se produce mediante la aplicación de una función de activación F,
generalmente no lineal, a cada nivel de excitación, proporcionando una salida
(Correa, 2009, pág. 10).
En general podemos encontrar tres tipos de neuronas:

21
Aquellas que reciben estímulos externos. La que tomara la información de
entrada; (Correa, 2009) afirma que “Las entradas pueden ser binarias o
continuas y se suelen representar con un vector de entrada: 𝑋 =
(𝑤1 , 𝑤2 , … … … , 𝑤𝑛 )” .
Luego está el procesamiento de estos elementos la cual se da por trasmisión.
Emulando la forma biológica del cerebro y en comparación con la sinapsis y
neuronas es donde se genera la representación interna de la información inicial,
a pesar de ello no se da una relación directa con la información de entrada ni
de salida, estos elementos se denominan capas ocultas.
La empresa IBM menciona que “Las capas ocultas de una red neuronal
contienen unidades no observables. El valor de cada unidad oculta es alguna
función de los predictores; la forma exacta de la función depende en parte del
tipo de red.”
Finalizando el proceso se encuentras las unidades de salida las cuales dan la
respuesta del sistema.
A. Niveles o capas de neuronas
Las neuronas dentro de la red se distribuyen formando niveles o capas de
un número determinado de neuronas cada una. A partir de su situación
dentro de la red, se puede distinguir tres tipos de capas:
 De entrada: La que recibe la información de la parte externa de la red.
 Ocultas: Son internas a la red y no tienen contacto directo con el entorno
exterior, pueden estar entre cero y un número elevado.
22
 De salida: Transfieren información de la red hacia el exterior.
Figura 1. Ejemplo de una red Neuronal totalmente conectada

Fuente. Matich, 2001, p.12.
B. Estado de activación y función de activación
Adicionalmente al conjunto de unidades, la representación necesita los
estados del sistema en un tiempo t, (Bojorquez, 2011), menciona que
proporciona el estado de activación actual, 𝑎𝑖 (𝑡) de la neurona i en función
de su estado anterior, 𝑎𝑖 (𝑡 − 1) y de su potencial pos sináptico actual. Es
decir:
𝑎𝑖 (𝑡) = 𝑓𝑖 (𝑎𝑖 (𝑡 − 1), 𝑛𝑖 (𝑡)) ( 20)
Donde:
𝑎𝑖 (𝑡) = 𝑒𝑠𝑡𝑎𝑑𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑛𝑒𝑟𝑢𝑜𝑛𝑎
𝑎𝑖 (𝑡 − 1) = 𝑒𝑠𝑡𝑎𝑑𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑛𝑒𝑢𝑟𝑜𝑛𝑎
𝑛𝑖 (𝑡) = 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑠𝑖𝑛𝑎𝑝𝑡𝑖𝑐𝑜 𝑎𝑐𝑡𝑢𝑎𝑙
23
En muchos modelos de Redes neuronales artificiales se considera que el
estado actual de la neurona no depende de su estado anterior, sino
únicamente del actual, es decir:
𝑎𝑖 (𝑡) = 𝑓𝑖 (𝑛𝑖 (𝑡)) ( 21)

Donde:
𝑎𝑖 (𝑡) = 𝑒𝑠𝑡𝑎𝑑𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑛𝑒𝑟𝑢𝑜𝑛𝑎
𝑛𝑖 (𝑡) = 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑠𝑖𝑛𝑎𝑝𝑡𝑖𝑐𝑜 𝑎𝑐𝑡𝑢𝑎𝑙
La función de activación f () se suele considerar determinista, y en la mayor
parte de los modelos es monótona creciente y continua. Las formas y = f(x)
de las funciones de activación más empleadas se puede ver que x representa
el potencial pos sináptico, y el estado de activación.
En ocasiones los algoritmos de aprendizaje requieren que la función de
activación cumpla con la condición de ser derivable.
Podemos mencionar las funciones de activación utilizadas con mayor
frecuencia, entre estas tenemos
Función de activación escalón.
Función de activación lineal o identidad.
Función de activación lineal-mixta.
Función de activación sigmoidal.
C. Función de Salida o transferencia
El componente final que una neurona necesita es la función de salida. El
valor total de esta función es la salida de la neurona i (𝑜𝑢𝑡𝑖 ); por lo tanto, la
24
función de salida determina qué valor se transfiere a las neuronas
vinculadas. Entonces si la función de activación está por debajo de un
umbral determinado, ninguna salida se pasa a la neurona subsiguiente. Se
debe considerar que de acuerdo al modelo esta puede ser binaria, el cual es
el caso más sencillo, para nuestros modelos utilizaremos redes de una
función identidad diferente.
Tenemos que recordar que las neuronas que forman una red neural artificial
se da un grupo de conexiones que unen unas con otras. Cada unidad
transmite señales a aquellas que están conectadas con su salida. Desde una
perspectiva matemática, asociada con cada unidad 𝑈𝑖 hay una función de
salida 𝑓𝑖 (𝑎𝑖 (𝑡)), que trasforma el estado que tenga la neurona en una señal
de salida, podemos describir esto así:
𝑦𝑖 (𝑡) = 𝑓𝑖 (𝑎𝑖 (𝑡)) ( 22)

Donde:
𝑦𝑖 (𝑡) = 𝑒𝑠𝑡𝑎𝑑𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑛𝑒𝑟𝑢𝑜𝑛𝑎
𝑓𝑖 (𝑎𝑖 (𝑡)) = 𝑓𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎 𝑒𝑛 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛 𝑎𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑛𝑒𝑢𝑟𝑜𝑛𝑎
Existen cuatro funciones de transferencia que son de uso común las cuales
determinan diversos tipos de neuronas:
 Función Escalón
 Función Lineal y Mixta
 Sigmoidal
 Función Gaussiana
25
De estas podemos decir que la función escalón se utiliza cuando las salidas
son binarias, es decir cuando son dos posibles valores. La función lineal
equivale a no aplicar una función, esto para comandos que se necesiten
puros en la trasmisión de datos, en nuestro caso no será utilizado. Las
funciones mixtas y sigmoidales son las más adecuadas cuando se requiere
una salida de información una serie analógica. (Hilera & Victor, 2000)
D. Regla de aprendizaje
Biológicamente, se suele aceptar la información memorizada en el cerebro
está más relacionada con los valores sinápticos de las conexiones entre las
neuronas que con ellas mismas; es decir, el conocimiento se encuentra en
las sinapsis. En el caso de las redes neuronales artificiales, se puede
considerar que el conocimiento se encuentra representado en los pesos de
las conexiones entre neuronas. Todo proceso de aprendizaje implica cierto
número de cambios en estas conexiones. En realidad, puede decirse que se
aprende modificando los valores de los pesos de la red.
Al igual que el funcionamiento de una red depende del número de neuronas
de las que disponga y de cómo estén conectadas entre sí, cada modelo
dispone de su o sus propias técnicas de aprendizaje. (Hilera & Victor, 2000).
2.2.4.2 La red backpropagation
Es un método muy utilizado para la formación de redes neuronales artificiales
complementado con un método de optimización, tales como descenso de
gradiente. El algoritmo se repite en un ciclo de actualización de dos fases,
propagación y consideración de los pesos. Cuando un vector de entrada es
presentado se propaga hacia adelante a través de la red, capa por capa, hasta
26
que llega a la capa de salida. Los datos de salida se comparan entonces con la
salida deseada, esto se da usando una función de pérdida, el valor de error se
calcula para cada una de las neuronas en la capa de salida. Los valores de error
se propagan entonces hacia atrás, a partir de la salida, EL método de
retropropagación utiliza estos valores de error para calcular el gradiente de la
función de pérdida con respecto a los pesos de la red.
En la segunda fase, este gradiente alimenta a la red a través de un método de
optimización, que a su vez lo utiliza para actualizar los pesos, en un intento de
minimizar la función de pérdida.
Se desarrolla el algoritmo Backpropagation como un mecanismo de
aprendizaje para perceptrónes multicapas. De alta popularidad para la solución
de problemas de clasificación y pronóstico.
Es un método de entrenamiento general para redes multicapas, requiriendo ser
diferente en la capa de salida. Es decir, la función debe ser diferenciable
(sigmoidal). (Colmenares, s.f)
La importancia de este proceso se basa en que las neuronas de las capas
intermedias se organizan de tal manera que las diferentes neuronas aprenden a
reconocer diferentes características del espacio de entrada total. Después del
entrenamiento, cuando un patrón de entrada arbitraria está presente, que
contenga ruido o sea incompleta, las neuronas en la capa oculta de la red
responderán con una salida activa, esto claro si la nueva entrada contiene un
patrón que se asemeja a una característica que las neuronas individuales han
aprendido a reconocer durante su formación.
Este modelo requiere una salida conocida deseado para cada valor de entrada
con el fin de calcular el gradiente de la función de pérdida - por lo tanto,
27
generalmente se considera que es un aprendizaje supervisado; Sin embargo,
también se utiliza en algunos sin supervisión de redes tales como el modelo de
Autoencoders; este es una generalización de la regla delta de capas múltiples
redes de alimentación hacia adelante , hecha posible mediante el uso de la regla
de la cadena para calcular iterativamente gradientes para cada capa.
A. Ejecución del modelo backpropagation
Hay que recalcar que a diferencia del Perceptrón, la técnica
Backpropagation o generalización de la regla delta requiere el uso de
neuronas cuya función de activación sea continua, y por tanto diferenciable,
esta función en general es del tipo sigmoidal, el recorrido se basa
íntegramente en el error y su adecuación a los datos de salida, como ya se
mencionó antes la red corre de atrás hacia adelante.
Para comprender el proceso de generación se planteará un esquema pequeño
utilizando las variables de aplicación.
Inicialización de los pesos
Se debe iniciar con un patrón de entrada de pesos aleatorios pequeños
preferentemente; 𝑊𝑖𝑗 = 𝑊𝑖𝑗1 , 𝑊𝑖𝑗2 , … 𝑊𝑖𝑗𝑚 , luego se requiere una
especificación de la salida deseada: 𝑄1 , 𝑄2 , 𝑄𝑚 esto de acuerdo al patrón de
salida requerida, en nuestro caso no será binario serán caudales por lo que
la nomenclatura será Q.
28
Figura 2. Funcionamiento general backpropagation.
Fuente. Elaboración propia.
Calcular la salida actual de la red
Para esto se presentan las entradas a la red que serán 𝑃𝑝1 , 𝑃𝑝2 , 𝑃𝑝𝑚 y se
van calculando las salidas que presenta cada capa hasta llegar a la capa de
salida esta será la salida de la red 𝑄𝑔1 , 𝑄𝑔2 , … 𝑄𝑔𝑚 .
Retropropagación hasta la capa de entrada.
Se genera un error de salida, considerando la Figura 2 el error se encuentra
en las flechas amarillas de la capa de salida (output) este sería:
𝐸𝑘1 = (𝑄1 − 𝑄𝑔1 ) × 𝐹𝑚 ( 23)
Donde:
𝐸𝑘1 = 𝐸𝑟𝑟𝑜𝑟 𝑒𝑛 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎 𝑘1
𝑄1 = 𝐶𝑎𝑢𝑑𝑎𝑙 𝑟𝑒𝑎𝑙
𝑄𝑞1 = 𝐶𝑎𝑢𝑑𝑎𝑙 𝑔𝑒𝑛𝑒𝑟𝑎𝑑𝑜
𝐹𝑚 = 𝑓𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜
29
Ahora el peso para ese error el cual no brinda la importancia del dato
generado, este sería:
𝑊𝑗𝑘 = 𝑊𝑗𝑘 + 𝐿 × 𝐸𝑘1 × 𝑄𝑗1 ( 24)
Donde:
𝑊𝑗𝑘 = 𝑃𝑒𝑠𝑜 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎 𝑎 𝑠𝑎𝑙𝑖𝑑𝑎
𝐿 = 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑎𝑝𝑟𝑒𝑛𝑑𝑖𝑧𝑎𝑗𝑒
𝐸𝑘1 = 𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎 𝑘1
𝑄𝑗1 = 𝐶𝑎𝑢𝑑𝑎𝑙 𝑔𝑒𝑛𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎
Es en la capa oculta J donde se hace la variación de Precipitaciones
mensuales a caudales mensuales, para esta capa tenemos
𝐸𝑗 = 𝐹𝑚 × ∑ 𝐸𝑘𝑛 × 𝑊𝑗𝑘𝑛 ( 25)

Donde:
𝐸𝑗 = 𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎
𝐹𝑚 = 𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜
𝐸𝑘𝑛 = 𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑐𝑎𝑝𝑎𝑠 𝑘
𝑊𝑗𝑘𝑛 = 𝑃𝑒𝑠𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎 𝑎 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎
Y para finalizar los pesos para los errores de la capa oculta
𝑊𝑖𝑗 = 𝑊𝑖𝑗 + 𝐿 × 𝐸𝑗 × 𝑃𝑝𝑖 ( 26)
Donde:
30
𝑊𝑖𝑗 = 𝑃𝑒𝑠𝑜 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑑𝑒 𝑖𝑛𝑔𝑟𝑒𝑠𝑜 𝑎 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎
𝑃𝑝𝑖 = 𝑃𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑖𝑛𝑔𝑟𝑒𝑠𝑜
Este proceso se realiza para cada entrada para todas las capas ocultas para
cada caudal de salida en una relación matricial.
2.2.5 Tipos de redes neuronales a probarse
Se han considerado aquellos que se probarán en la generación de caudales, tanto en
su uso para proyecciones como en su eficiencia para la relación de variables para
generar datos.
A. Cascade forward – backpropagation
El modelo de propagación en retroceso en cascada mostrado en la Figura 3 es
similar a las redes de avance directo, pero incluyen una conexión de peso
desde la entrada a cada capa y desde cada capa a las capas sucesivas. Mientras
las redes de alimentación de dos capas pueden aprender virtualmente cualquier
relación de salida y entrada, feed-forward, las redes con más capas pueden
aprender relaciones complejas más rápidamente, a esto se le llama
propagación trasera en cascada (Dheeraj, Anil, & Vinayak, 2013, pág. 2).
Podemos también mencionar que la alimentación de esta red es similar a la
red neural de propagación posterior, Backpropagation, la actualización de los
pesos se puede hacer utilizando un algoritmo de este, recalcando que la
principal característica de este método es la relación de cada capa con las
anteriores capas de neuronas.
31
Las redes de conexión en cascada son similares a las redes de feed-forward,
pero incluyen una conexión desde la entrada y cada capa anterior a las capas
siguientes.
Figura 3. Red Cascade forward backpropagation.

Fuente. Dheeraj, Anil y Vinayak, 2013, p.3.
“Al igual que con las redes feed-forward, una red en cascada de dos o más
capas puede aprender cualquier relación de entrada-salida finita
arbitrariamente bien dada con suficientes neuronas ocultas” (MathWorks,
1994-2018).
Podemos describir para el modelo usado que cumple con las características
principales del backpropagation considerando la proyección en cascada
basada en la siguiente ecuación para la función modelo
𝐹𝑚 = ∑𝑄𝑗=1 𝑊𝑖𝑗 × 𝑄𝑗 − 𝑏 ( 27)
… (16)
𝐹𝑚 = 𝑊 𝑡 × 𝐷𝑔 − 𝑏 ( 28)
Donde:
32
𝑄𝑗 = 𝐶𝑎𝑢𝑑𝑎𝑙 𝑔𝑒𝑛𝑒𝑟𝑎𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎
𝑊 𝑡 = 𝑃𝑒𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
𝐷𝑔 = 𝐷𝑎𝑡𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑑𝑎
𝑏 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑠𝑒𝑠𝑔𝑜
Para el coeficiente de sesgo este se alterna en la capa oculta considerando el
algoritmo de cascada en el que se trabaja la matriz como un conjunto con
intromisión directa a la capa oculta, este coeficiente depende de la función en
si por esta relación, por comparación podemos mencionar que si la función se
vuelve cero o negativo la activación vuelve al sesgo superior o positivo.
B. Elman backpropagation
La Red Neural Elman (ENN) es un tipo de la recurrencia parcial de redes
neuronales, que consiste en una red de propagación posterior de dos capas con
conexión de realimentación adicional desde la salida de la capa oculta a su
entrada.
La ventaja de esta vía de retroalimentación es que permite a la ENN reconocer
y generar patrones temporales y patrones espaciales. Esto significa que
después del entrenamiento, las interrelaciones entre la entrada actual y los
estados internos se procesan para producir la salida y representan la
información pasada relevante en los estados internos. Como resultado, la ENN
ha sido ampliamente utilizado en diversos campos que incluye la clasificación,
predicción e identificación del sistema, etc. Sin embargo, dado que el ENN
usualmente utiliza los algoritmos basados en la propagación las diversas
33
señales, se ha demostrado que sufre frecuentemente de una solución problema
al mismo tiempo, la eficiencia de la ENN es limitada a un sistema de orden
inferior debido a la insuficiente capacidad de memoria cuando la propagación
trasera al algoritmo se emplea. Así, han sugerido varios enfoques en la
literatura para mejorar el desempeño de la ENN entrenada por BP con simples
modificaciones en la estructura de la red, pero no en los algoritmos. Estas
modificaciones mejoradas intentan agregar conexiones de retroalimentación
al modelo que aumenten la capacidad de la memoria y así acelerar la
convergencia y escapar de los mínimos locales. Sin embargo, en la ENN es
difícil superar la debilidad o características inherentes de los algoritmos
basados en BP la cual sufre de la lentitud de convergencia y se queda
fácilmente pegado en resultados locales. (Zhiqiang, Shangce, Gang, Fangjia,
& Zheng, 2009, pág. 2997).
Las redes Elman son redes de feedforward con la adición de conexiones
recurrentes de capa con retardos de derivación. Con la disponibilidad de
cálculos completos de derivativos dinámicos; La red Elman ya no se
recomienda excepto con fines históricos y de investigación.
Se debe mencionar que el servidor no considera la inclusión del modelo
Backpropagation, esto con la suposición de no librarse de la memoria corta. O
las alteraciones de similitudes grandes respecto a los resultados de entrada y
salida. (MathWorks, 1994-2018)
34
Figura 4. Red básica de Elman.
Fuente. Phamt y Liut, 1196, p.221
Para este modelo podemos considerar la función modelo como:
𝐹𝑚 = 𝑊𝑗𝑛 × (𝑄𝑗 × (1 − 𝑄𝑗 )) × 𝑏 ( 29)
Donde:
𝑊𝑗𝑛 = 𝑃𝑒𝑠𝑜 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑑𝑒 𝑖𝑛𝑔𝑟𝑒𝑠𝑜 𝑎 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎
𝑄𝑗 = 𝐶𝑎𝑢𝑑𝑎𝑙 𝑔𝑒𝑛𝑒𝑟𝑎𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎
𝑏 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑠𝑒𝑠𝑔𝑜
A diferencia del modelo de cascada la salida tiene relación individual con cada
entrada priorizando el orden de ingreso para su análisis, es por tal fin que la
proyección es ideal para series históricas, en este caso el valor de sesgo se
relaciona con filas anteriores que mejoren el resultado ajustando el peso desde
35
la capa oculta con el coeficiente de aprendizaje, este sesgo es ajustable y se
presenta como una constante igual a 1.
C. Feed forward backpropagation
Es un tipo de arquitectura de Red Neural donde las conexiones son
"alimentadas hacia delante", es decir, no forman ciclos (como en redes
periódicas). El término "forward" también se utiliza cuando se introduce algo
en la capa de entrada y se desplaza de la entrada a la ocultada y de la capa
oculta a la salida. Los valores son "avanzados".
Ambos usos de la frase "feed forward" se encuentran en un contexto que no
tiene nada que ver con la formación en sí de la red.
Backpropagation es un algoritmo de entrenamiento que consta de dos pasos
básicamente: Avanzar, los valores, corriéndolos en la red y calcular el error y
propagarlo de nuevo a las capas anteriores. Así que, para ser exactos, forward-
propagation es parte del algoritmo backpropagation, pero viene antes de
propagarse de nuevo.
Debemos entender el modelo Feed forward como un ajuste individual que
sumado a las redes Backpropagation crean un sistema nuevo, tenemos
entonces un modelo de red neuronal que sintetiza sistemas que realizan una
determinada asociación de datos entrada/salida. Los pesos sinápticos de las
neuronas se ajustan de tal manera que ante cada entrada la red responda de una
manera preestablecida.
Esta red posee también funciones de asociación con el problema de
aproximación de funciones, referido a datos de entrada y salida que se asimilan
con vectores multidimensionales; Pretende que el valor real de la salida

36
generada por la red cuando se estimule con un cierto dato de entrada, se
parezca lo más posible al correspondiente dato de salida. La ventaja de usar
redes neuronales para este problema de aproximación de funciones es las
aproximaciones que nos ofrecen esta serie de modelos, en este caso ligado a
otro.
Para este modelo tenemos que la función modelo para una salida seria la
siguiente:
𝑄
1
𝐹𝑚 = ∑ 𝑊𝑖𝑗 × ( 30)
− ∑𝑖𝑗=0 𝑊𝑖𝑗 ×𝑋𝑗
𝑗=1 1+𝑒
Donde:
𝑋𝑗 = 𝐷𝑎𝑡𝑜𝑠 𝑑𝑒 𝑖𝑛𝑔𝑟𝑒𝑠𝑜 𝑝𝑜𝑟 𝑛𝑒𝑢𝑟𝑜𝑛𝑎
2.2.6 Modelos estadísticos para la validación de la simulación
Para la saber si la generación o simulaciones están trabajando cerca de los parámetros
establecidos se aplican modelos estadísticos, la mayoría de programas presenta sus
propios modelos, el Matlab no es la excepción aun así se plantean los siguientes
modelos estadísticos para el análisis de los datos generados en todas las etapas de
trabajo.
A. Raíz del error cuadrático medio (RMSE)
En este modelo se presentan los valores observados frente a los calculados
ilustrando así el grado con el que los puntos se distribuyen sobre la recta 1:1
37
o de ajuste perfecto, para este caso se trabajaron generando datos de
verificación en periodos que se muestran en la Tabla 05. El error en las
predicciones del modelo se cuantifico de acuerdo a las unidades de la variable
calculada es decir en milímetros o metros cúbicos por segundo. Para este se
utilizó la ecuación (14).
∑𝑁 ̂𝑖 )2
𝑖=1(𝑦𝑖 − 𝑦
𝑅𝑀𝑆𝐸 = √ ( 31)
𝑁
Donde:
N= Número de observaciones
𝑦𝑖 = Valor observado
𝑦̂𝑖 = Valor generado
B. Eficiencia de Nash-Sutcliffe (NSE)
Es un indicador adimensional de la bondad de ajuste, que relaciones las
variables de verificación con las variables generadas por la red neuronal
artificial, este es usado comúnmente para la evaluación de modelos
hidrológicos.
Caracterizado por su flexibilidad para ser aplicado a diversos tipos de modelos
matemáticos. Lujano, et al.(2010)
Este criterio mide cuanto de la variabilidad de las observaciones es explicada
por la simulación. Si la simulación es perfecta NSE = 1; si se intentase ajustar
las observaciones con el valor promedio entonces NSE = 0. Para este criterio
numérico se utilizó la ecuación (15)
38
∑𝑁 ̂𝑖 )2
𝑁𝑆𝐸 = ( 32)
∑𝑁 ̅𝑖 )2
Donde:
N= Número de observaciones
𝑦̅𝑖 = Promedio de los datos observados
C. Error cuadrático medio normalizado (ECMN)
Este es el error cuadrático medio pero normalizado por la varianza de los
datos. Si el resultado es cercano a 0, el ajuste a los valores reales es mayor y
en consecuencia el modelo de generación es mejor, contrario a esto mientras
el valor se aleje a 0 menos representativo es de los datos analizados.
La ecuación que define este método está dada por:
𝑛 − 1 ∑𝑁 ̂𝑖 )2
𝑁𝑆𝐸 = 𝑁
( 33)
𝑛 ∑𝑖=1(𝑦𝑖 − 𝑦̅𝑖 )2
Donde:
N, n = Número de observaciones
𝑦̅𝑖 = Promedio de los datos observados
39
D. Coeficiente de determinación (R2)
Este índice de desempeño, representa la fracción de variación de la variable
dependiente explicada por el modelo.
𝑅 2 = 1 − 𝐸𝐶𝑀𝑁 ( 34)
En el caso de un predictor perfecto el coeficiente debiera ser 1. Si se obtiene
valores cercanos a la unidad se tiene un modelo adecuado. Lujano, et al.
(2010)
E. Coeficientes de análisis provenientes del Excel 2016
Se utilizaron dos fórmulas propias del Excel en su versión 2016, las
explicaciones a continuación han sido extraídas de la página soporte de
Microsoft.
E.1 COEF.DE.CORREL (función COEF.DE.CORREL)
Devuelve el coeficiente de correlación entre dos rangos de celdas definidos
por los argumentos matriz1 y matriz2. Use el coeficiente de correlación
para determinar la relación entre dos propiedades. Por ejemplo, para
examinar la relación entre la temperatura promedio de una localidad y el
uso de aire acondicionado.
Se deben mencionar algunas observaciones respecto a esta formula
 Si el argumento matricial o de referencia contiene texto, valores lógicos
o celdas vacías, estos valores se pasan por alto; sin embargo, se
incluirán las celdas con el valor cero.
 Si los argumentos matriz1 y matriz2 tienen un número diferente de
puntos de datos, COEF.DE.CORREL devuelve el valor de error #N/A.
40
 Si el argumento matriz1 o matriz2 está vacío, o si s (la desviación
estándar) o sus valores son cero, COEF.DE.CORREL devuelve el valor
de error # ¡DIV/0!
 La ecuación para el coeficiente de correlación es:
∑(𝑥 − 𝑥̅ )(𝑦 − 𝑦̅)

𝐶𝑜𝑟𝑟𝑒𝑙(𝑋, 𝑌) = ( 35)
√∑(𝑥 − 𝑥̅ )2 ∑(𝑦 − 𝑦̅)2
Donde
𝑥̅ , 𝑦̅ = son las medias de muestra PROMEDIO(matriz1) y
PROMEDIO(matriz2).
41
III. MATERIALES Y METODOS
3.1 Tipo de investigación
La tipificación del estudio de investigación de acuerdo al objetivo es aplicada, así lo
menciona Tamayo-Tamayo (2000) señalando que la misma depende de los
descubrimientos y aportes de la investigación básica. Se dirige a su aplicación inmediata
y no desarrolla teorías.
El diseño de investigación del presente estudio es no experimental de series de tiempo,
puesto que no se van a ver afectadas las variables de la investigación, se utilizan los
instrumentos o técnicas utilizadas para la realización del mismo, como las Redes
Neuronales Artificiales. Así lo menciona Hernández R, et al, 2010. Es aquella
investigación en la cual no se manipulan intencionalmente las variables, observando
fenómenos tal como se dan en su contexto Población y muestra
3.2 Descripción de la zona de estudio
La investigación se realizó entre las localidades Querococha, pertenecientes al Distrito de
Ticapampa, Provincia Recuay, Departamento de Ancash; hidrográficamente es el Río
Querococha en la salida de la laguna que posteriormente toma el nombre de Yanayacu,
perteneciente a la Sub cuenca Querococha y a la vez a la cuenca del Río Santa.
El área de estudio está localizada entre las longitudes de Greenwich 77°20'45.9" -
77°20'44.3" O y latitudes 9°38'46.53" - 9°38'48.89"
42
Información básica
3.2.1 Información cartográfica
Como información cartográfica se empleó la carta nacional a escala 1:100,000, hoja
20-i (Recuay), descargada del portal del MINEDUM. En el Anexo 01 se muestra la
carta nacional empleada.
3.2.2 Información hidrológica
Los datos precipitaciones y caudales mensuales de los años del 1953 a 1996 se
tomaron de los registros del SENAMHI.
De la base de datos de la Autoridad Nacional del Agua se obtuvo información de las
precipitaciones y caudales mensuales, esto referido a la estación Querococha, desde
el 2006 a 2015.
En el Anexo 03, 04, 05 y 06, se muestran los datos hidrológicos obtenidos y aplicados
en la tesis.
3.2.3 Parámetros morfométricos de la cuenca
Se han enunciado parámetros morfométricos básicos ya que estos en general influyen
en la precipitación escorrentía, pero para los fines de la tesis no representan un factor
influyente en la variación al solo considerarse la relación precipitación – caudal.
Tabla 1. Características geomorfométricas de la cuenca
DESCRIPCION UNIDAD VALOR

Superficie
Área km2 68.21
Perímetro km 39.11
Ancho promedio km 7.81
Longitud promedio km 12.95
43
Cotas
Cota Mínima msnm 3950
Cota Máxima msnm 5300
Centroide
X centroide m 2480008.036
Y centroide m 8927374.282
Z centroide msnm 4723
Índices representativos
Factor de forma 0.603088803
Índice de Compacidad 1.325933742
3.3 Materiales
 Hojas Bond A4
 Datos hidrológicos de la estación Querococha
 Útiles de escritorio.
 Cámara fotográfica
 Computadora e impresora
 Software (Word, Excel, Matlab, entre otros)
 Plotter.
3.4 Métodos
3.4.1 Trabajo en campo
El trabajo en campo consistió en la visita a la localidad y la inspección de los sectores
afectados con la generación de los caudales.
3.4.1.1 Recopilación de información
Consistió en recopilar información básica y necesaria relacionada con los
parámetros necesarios para la generación de caudales mensuales esta
44
información se obtuvo de libros de hidrología e hidráulica, tesis, manuales
relacionadas al tema e información proveniente del internet.
3.4.2 Trabajo en gabinete
Completado el proceso de recopilación de datos se prosiguió con el diagrama de flujo
mostrado en la Figura 5.
Figura 5. Diagrama de flujo de la metodología aplicada

Fuente: Elaboración Propia
45
3.4.2.1 Completación de datos y análisis de consistencia.
Para poder empezar con la selección del tipo de red los datos primarios del
SENAMI se procesaron, completándolos por correlación lineal simple entre
estaciones, esto de manera mensual, posteriormente se realizó el análisis de
consistencia y tendencia utilizando el análisis estadístico que se menciona en
el inciso 2.2.3; se aplicó el mismo proceso para el segundo grupo de datos de
la Unidad de Glaciología.
Con los datos completos y corregidos tanto de precipitación mensual como de
caudales mensuales se realizó la agrupación considerando el vacío temporal
entre los datos del Senamhi y los datos brindados por la Unidad de Glaciología.
Tabla 2. Registro de datos de acuerdo a los años

Precipitación Caudal
ENCARGADO mensual mensual
Senamhi 1953-1996 1953-1996
Unidad de glaciología 2005-2016 2008-2016
Este vacío se completó por correlación con la estación de Recuay para las
precipitaciones mensuales y para los caudales mensuales. Los datos se pueden
ver en el Anexo 05 y Anexo 06.
3.4.2.2 Selección del tipo de red.
A. Agrupación
Para la agrupación de datos se tomó distribuciones de manera aleatoria para
precipitación mensual y caudal mensual, esto considerando el espacio
completado por correlación, es decir se tomó este vacío de generación real
como un parámetro delimitante entre periodos.
46
Para incluir los valores en el programa de acuerdo al tipo de red, se
consideraron matrices con igual número de filas, ya que son 12 meses, pero
diferentes en el número de columnas y número de años, la distribución se
ve en la Tabla 2.
Tabla 3. Matrices de agrupación de datos de acuerdo al tipo de red
Tipo de Red Cascade forward Elman Feed forward

Grupos
Precipitación Caudal Precipitación Caudal Precipitación Caudal
de Data
mensual mensual mensual mensual mensual mensual
análisis
Imput 12x15 12x33 12x15 12x33 12x15 12x33
Grupo
Tarjet 12x15 12x33 12x15 12x33 12x15 12x33
A
Sample 12x7 12x11 12x7 12x11 12x7 12x11
Imput 12x15 12x33 12x15 12x33 12x15 12x33
Grupo
Tarjet 12x15 12x33 12x15 12x33 12x15 12x33
B
Sample 12x7 12x11 12x7 12x11 12x7 12x11
Imput 12x54 12x54 12x54
Grupo
Tarjet 12x54 12x54 12x54
C
Sample 12x10 12x10 12x10
Se utilizó el modelo backpropagation tomando tres tipos de red: Cascade-forward
backpropagation, Elman backpropagation y Feed-forward backpropagation.
Tabla 4. Distribución de datos respecto a los años.
Grupo
Proceso Tipo de datos Años Variable
general
Precipitación 1953-1967 Imput
Precipitación Precipitación 1968-1982 Tarjet
I
Precipitación 1983-1989 Sample
Precipitación 1990-1996 Verificación
47
Caudal 1953-1985 Tarjet
I
Caudal
Caudal 1986-1996 Verificación
Caudal 1953-2006 Tarjet
II
Caudal
Caudal generado 2006-2016 Verificación
B. Proceso I. Iteración, verificación y selección de red.
En este proceso se usaron la distribución de datos del Grupo A y el Grupo
B mostrados en la Tabla 3 siguiendo la secuencia mostrada en el Anexo 7
en correlación con los años y tipo de variable de ingreso mencionados en la
Tabla 4.
Considerando el tipo de datos las estructuras de iteración se armaron en dos
grupos principales, precipitaciones mensuales y caudales mensuales, estos
a su vez en dos grupos más, A y B, el primero para probar el tipo de
entrenamiento más eficiente y el segundo para hacer variaciones en la
función de adaptación de aprendizaje, la función de rendimiento y la función
de trasferencia, de los 2 tipos de entrenamiento que presentaban una mayor
calidad en los coeficientes del análisis estadístico. La estructura base para
el grupo A se puede ver en la Tabla 6 así como las estructuras de prueba
para la selección de la función de entrenamiento se muestran en la Tabla 5,
las iteraciones respecto a la estructura para el grupo B se pueden ver en la
Figura 5, considerando que se optó la estructura que se ajustó más en el
48
periodo de validación respecto a los coeficientes de los modelos de
validación que se mencionaron el inciso 2.2.6.
Tabla 5. Distribución de datos para la selección del tipo de función de

entrenamiento.
Función de
Nominación Función de adaptación Función de Función de
de la red entrenamiento de rendimiento Transferencia
aprendizaje
RNA01 TRAINBFG LEARNGD MSE LOGSIG
RNA02 TRAINBR LEARNGD MSE LOGSIG
RNA03 TRAINCGB LEARNGD MSE LOGSIG
RNA04 TRAINCGF LEARNGD MSE LOGSIG
RNA05 TRAINCGP LEARNGD MSE LOGSIG
RNA06 TRAINGD LEARNGD MSE LOGSIG
RNA07 TRAINGDM LEARNGD MSE LOGSIG
RNA08 TRAINGDA LEARNGD MSE LOGSIG
RNA09 TRAINGDX LEARNGD MSE LOGSIG
RNA10 TRAINLM LEARNGD MSE LOGSIG
RNA11 TRAINOSS LEARNGD MSE LOGSIG
RNA12 TRAINR LEARNGD MSE LOGSIG
RNA13 TRAINRP LEARNGD MSE LOGSIG
RNA14 TRAINSCG LEARNGD MSE LOGSIG
Tabla 6. Estructura inicial para cada entrenamiento. Grupo A
Funciones Descripción
Función de adaptación de aprendizaje LEARNGD
Función de rendimiento MSE
Numero de Capas 2
Numero de Neuronas 12
Función de Transferencia LOGSIG
49
Para la fase de iteración del Grupo B se partió de las dos funciones de
entrenamiento que pasaron con coeficientes aceptables los modelos
estadísticos mencionados en el inciso 2.2.6, de estos se formaron siete
estructuras individuales por cada función de entrenamiento siguiendo el
diagrama de flujo del Anexo 7 así como las iteraciones de la Figura 5
optando siempre por la combinación que afine la salida de datos.
Finalmente, se escogió la estructura de red neuronal que presentó
coeficientes adecuados respecto a los modelos de estadísticos de validación.
Figura 6. Iteración de las estructuras para el Grupo B.

Fuente. Elaboración propia
3.4.2.3 Aplicación de una estructura funcional para el tipo de red elegida.
La estructura de la red neuronal artificial para los tres tipos de red a probar,
consta básicamente por una función de entrenamiento (FE), una función de
adaptación de aprendizaje (FA) una función de rendimiento (FR) un numero
de capas las cuales para todos los modelos serán 2 un numero de neuronas (NN)
y una función de transferencia. Con respecto a la cantidad de neuronas se usó
50
una variación entre 12 y 24 analizando el progreso de acuerdo al periodo de
evaluación.
Para que la estructura de una red neuronal sea funcional se debe saber cuál es
la organización de estos componentes para genera datos con mayor cercanía a
los reales, esta organización ya la tenemos así que pasamos al proceso de
aplicación.
A. Proceso II. Generación de caudales.
En este proceso ya se tiene la estructura de red que se adecua a los datos
brindados para la generación de caudales primero se cambió la agrupación de
ingreso de datos al Grupo C como se muestra en la Tabla 3, y se asoció a la
secuencia mostrada en la Figura 6 en correlación con los años y tipo de variable
de ingreso mencionados en la Tabla 4.
3.4.2.4 Verificación de la relación que existe entre caudales mensuales generado
y los caudales mensuales reales analizando la validez de la generación
Se verificaron los datos generados utilizado una evaluación estadística de los
modelos, en los métodos para tal fin tenemos la raíz del error cuadrático medio
(RMSE), la Eficiencia de Nash – Sutcliffe (NSE), el error cuadrático medio
normalizado (ECMN), el coeficiente de determinación, así como el coeficiente
de relación y el R² provenientes del Excel, el programa nos brinda también un
coeficiente de relación respecto a la función de rendimiento.
Para la fase de verificación en el proceso I, los periodos de verificación fueron
desde los años de 1990 a 1996 para las precipitaciones mensuales y desde 1986
a 1996 para los caudales mensuales, tal como se muestran en la Tabla 7.
51
Figura 7. Diagrama de flujo para el proceso II
Para la fase de verificación en el proceso II, los periodos de verificación fueron
desde los años de 2006 a 2016 para la generación de caudales mensuales.
Tabla 7. Periodo de años para la fase de validación
Procesos Tipo de datos Años Variable
Precipitación 1990-1996 Verificación

Proceso I
Caudal 1986-1996 Verificación
Proceso II Caudales 2006-2016 Verificación
52
IV. RESULTADOS Y DISCUSIONES
4.1 Selección del tipo de red que se adecue a los datos generados
La selección del tipo de red se dio luego de haber optado por la mejor estructura y haber
obtenido coeficientes altos en la verificación de la validez de la generación de caudales
mensuales totales.
4.2 Aplicar una estructura funcional para el tipo de red elegida.
Para este fin se realizó una agrupación de los datos referida en la Tabla 03, en la cual se
pueden ver 3 grupos de análisis, el grupo A que se presenta en la etapa inicial para evaluar
el tipo de entrenamiento más eficiente, el grupo B para evaluar la función de adaptación de
aprendizaje, la función de rendimiento, el número de neuronas y la función de trasferencia.
Por ultimo está el grupo C, en el cual se generó los datos de caudales mensuales.
Se realizó este proceso para las precipitaciones y así ver el efecto de la generación y el tipo
de estructura.
Se considera la generación del modelo más importante siguiendo el esquema de la Figura
8, para la presentación de los resultados.
Figura 8. Distribución de grupos para cada tipo de red

53
4.2.1 Elman backpropagation, Precipitaciones mensuales
A. Precipitaciones mensuales grupo A.
Los procesos de iteración se encuentran explicados en el inciso 3.5.2.2 Los
entrenamientos utilizados están en el orden mostrado en la Tabla 5. La estructura
inicial utilizada se muestra en la Tabla 6, y la generación se dio siguiendo el
Diagrama de flujo adjuntado en el Anexo 7. Los datos generados para cada red
están representados en la Figura 9, los datos específicos de la red más eficiente se
presentan en la Tabla 8 y se grafican en la Figura 10.
350.00
300.00
REAL
RNA01
250.00 RNA02
Precipitaciones (m3/seg)
RNA03
200.00 RNA04
RNA05
RNA06
150.00
RNA07
RNA08
100.00 RNA09
RNA10
RNA11
50.00
RNA12
RNA13
0.00 RNA14
1990:01
1990:05
1990:09
1991:01
1991:05
1991:09
1992:01
1992:05
1992:09
1993:01
1993:05
1993:09
1994:01
1994:05
1994:09
1995:01
1995:05
1995:09
1996:01
1996:05
1996:09
Periodo (años)

backpropagation, Grupo A.
54
Tabla 8. Datos generados por la RNA N°02. Precipitaciones mensuales
1990 1991 1992 1993 1994 1995 1996
167.9287 167.9292 167.9227 167.9267 167.9332 167.9281 167.9329
186.7906 186.7907 186.7896 186.7903 186.7914 186.7905 186.7913
175.2679 175.2681 175.2655 175.2671 175.2697 175.2677 175.2695
84.6121 84.6121 84.6123 84.6122 84.6120 84.6122 84.6120
43.5363 43.5364 43.5353 43.5360 43.5371 43.5362 43.5370
14.4877 14.4877 14.4876 14.4877 14.4878 14.4877 14.4878
11.0715 11.0715 11.0714 11.0715 11.0715 11.0715 11.0715
25.2155 25.2155 25.2150 25.2153 25.2158 25.2154 25.2158
53.4423 53.4426 53.4392 53.4413 53.4448 53.4421 53.4446
88.5864 88.5868 88.5821 88.5850 88.5897 88.5860 88.5895
125.6705 125.6712 125.6630 125.6681 125.6763 125.6698 125.6759
145.4658 145.4662 145.4608 145.4642 145.4695 145.4653 145.4692
350.00
REAL RNA02
300.00
250.00
Precipitaciones (mm)
200.00
150.00
100.00
50.00
0.00
1990:01
1990:04
1990:07
1990:10
1991:01
1991:04
1991:07
1991:10
1992:01
1992:04
1992:07
1992:10
1993:01
1993:04
1993:07
1993:10
1994:01
1994:04
1994:07
1994:10
1995:01
1995:04
1995:07
1995:10
1996:01
1996:04
1996:07
1996:10
Años:meses
Figura 10. Generación de precipitaciones Red Neuronal Artificial N° 02.

55
B. Precipitaciones mensuales grupo B.
inicial utilizada para cada red se muestra en la Tabla 9, y la generación se dio
siguiendo el Diagrama de flujo adjuntado en el Anexo 7. Los datos generados para
cada red están representados en la Figura 11, los datos específicos de la red más
eficiente se presentan en la Tabla 10 y se grafican en la Figura 12.
precipitaciones Grupo B.
Nominación Función de Función de Función de Numero Función de

de la red entrenamiento adaptación de rendimiento de Transferencia
aprendizaje Neuronas
RNA02_1 LEARNGDM MSE 12 LOGSIG
RNA02_2 LEARNGDM MSEREG 12 LOGSIG

TRAINBR
RNA02_4 LEARNGDM MSEREG 24 PURELIN
RNA02_5 LEARNGDM MSEREG 24 TANSIG
RNA02_6 LEARNGDM SSE 24 PURELIN
RNA02_7 LEARNGDM SSE 24 LOGSIG

TRAINSCG
RNA14_4 LEARNGDM MSE 12 PURELIN
RNA14_5 LEARNGDM MSE 12 TANSIG
RNA14_6 LEARNGDM SSE 12 PURELIN
56
350.00
REAL
300.00
RNA02_1
RNA02_2
250.00
RNA02_3
RNA02_4
200.00
RNA02_5
RNA02_6
150.00
RNA02_7
RNA14_1
100.00
RNA14_2
RNA14_3
50.00
RNA14_4
RNA14_5
0.00
RNA14_6
1990:01
1990:05
1990:09
1991:01
1991:05
1991:09
1992:01
1992:05
1992:09
1993:01
1993:05
1993:09
1994:01
1994:05
1994:09
1995:01
1995:05
1995:09
1996:01
1996:05
1996:09
RNA14_7
Periodo (años)

backpropagation, Grupo B.
Fuente. Elaboración Propia
Tabla 10. Datos generados por la RNA N°02_4. Precipitaciones mensuales
1990 1991 1992 1993 1994 1995 1996

168.2471 160.3297 152.4418 158.5216 165.0297 157.8029 159.5848
178.1574 180.4010 190.4406 179.5985 179.7237 180.8665 180.8187
158.3391 176.7887 215.2746 176.3195 171.2844 188.0736 204.2581
93.7601 87.3194 67.4943 87.7840 89.3425 85.1511 88.3476
38.8261 38.0125 35.2150 38.0590 38.0234 37.4532 37.5019
14.4296 14.7925 15.2198 14.8229 14.4978 14.8337 14.9765
10.5728 10.3813 10.0860 10.3642 10.4994 10.3282 10.2815
23.1416 23.4077 25.0231 23.2921 23.7640 23.9186 24.3567
48.1179 46.6991 40.0856 46.8543 45.5532 44.6774 44.5463
100.5789 90.2723 80.9209 88.6501 102.4139 93.4737 99.0952
155.2655 103.0872 58.2988 98.9051 142.9919 97.0571 88.2388
154.2720 134.3536 101.8545 134.1361 148.4185 133.3664 138.9297
57
350.00
REAL RNA02_4
300.00
250.00
200.00
150.00
100.00
50.00
0.00
1990:01
1990:04
1990:07
1990:10
1991:01
1991:04
1991:07
1991:10
1992:01
1992:04
1992:07
1992:10
1993:01
1993:04
1993:07
1993:10
1994:01
1994:04
1994:07
1994:10
1995:01
1995:04
1995:07
1995:10
1996:01
1996:04
1996:07
1996:10
Año:meses
Figura 12. Generación de precipitaciones Red Neuronal Artificial N° 02_4.

4.2.2 Elman backpropagation, Caudales mensuales
A. Caudales mensuales grupo A.
inicial utilizada se muestra en la Tabla 6, y la generación se dio siguiendo el
Diagrama de flujo adjuntado en el Anexo 7. Los datos generados para cada red
están representados en la Figura 13, los datos específicos de la red más eficiente se
presentan en la Tabla 11 y se grafican en la Figura 14. Esta generación se dio
utilizando la estructura de red neuronal artificial número 7, siguiendo la secuencia
de generación utilizada para las precipitaciones, el modelo inicial aplicado a esta
nos permite ver la variación en la generación desde una variable relacionada
directamente
58
8.00
REAL
7.00
RNAQ1
6.00 RNAQ2
RNAQ3
Caudales (m3/seg)
5.00 RNAQ4
RNAQ5
4.00
RNAQ6
RNAQ7
3.00
RNAQ8
2.00 RNAQ9
RNAQ10
1.00 RNAQ11
RNAQ12
0.00
RNAQ13
1986:1
1986:7
1987:1
1987:7
1988:1
1988:7
1989:1
1989:7
1990:1
1990:7
1991:1
1991:7
1992:1
1992:7
1993:1
1993:7
1994:1
1994:7
1995:1
1995:7
1996:1
1996:7
RNAQ14
Periodo (años)

backpropagation, Grupo A.
Tabla 11. Datos generados por la RNA N°Q7. Caudales mensuales
1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
3.0554 2.7791 3.7556 2.7703 3.4710 1.5003 1.6177 3.5118 3.7116 2.0094 2.9850
2.9242 3.2249 4.9673 4.1506 3.4807 2.2575 2.7159 3.9233 5.2411 2.2758 4.6631
3.7428 2.8363 2.3728 3.1142 2.7449 3.1081 3.0358 3.7238 5.1084 4.2076 4.5466
2.6604 2.4436 1.6338 2.4881 3.0337 2.5932 3.2894 3.2863 2.3754 2.6217 2.7502
0.8880 0.9180 1.4255 1.7588 2.0660 0.8891 1.7765 1.6395 1.5882 1.2754 1.2279
0.6506 0.5732 0.4575 0.5136 0.7304 0.7437 0.8021 0.7919 0.5754 0.9131 0.6072
0.3327 0.4155 0.5058 0.3418 0.2721 0.3275 0.3014 0.3624 0.3533 0.2940 0.4325
0.4109 0.4481 0.4142 0.2798 0.3131 0.3695 0.2887 0.6285 0.4390 0.5202 0.4318
0.5206 0.5517 0.8577 0.7691 0.4664 0.4764 0.4594 0.5699 0.8316 0.5248 0.7531
1.4424 1.3906 1.3545 1.4860 1.4977 1.2579 1.2589 0.8766 1.0352 1.3038 1.2854
1.6680 1.8426 1.5487 1.3956 2.4258 1.7148 2.3220 2.9389 1.1976 1.3246 1.1758
2.2493 1.8977 1.6318 1.4366 1.9822 1.8041 1.2996 3.5673 2.7754 2.7084 1.9610
59
8.00
REAL
7.00
RNAQ7
6.00
Caudales mensuales (m3/s)
5.00
4.00
3.00
2.00
1.00
0.00
1986:1
1986:6
1987:4
1987:9
1988:2
1988:7
1989:5
1990:3
1990:8
1991:1
1991:6
1992:4
1992:9
1993:2
1993:7
1994:5
1995:3
1995:8
1996:1
1996:6
1986:11
1988:12
1989:10
1991:11
1993:12
1994:10
1996:11
Año:mes
Figura 14. Generación de caudales mensuales Red Neuronal Artificial N° Q7.

B. Generación de caudales mensuales Grupo B
inicial utilizada para cada red se muestra en la Tabla 12, y la generación se dio
siguiendo el Diagrama de flujo mostrado en la Figura 7. Los datos generados para
cada red están representados en la Figura 15, los datos específicos de la red más
eficiente se presentan en la Tabla 13 y se grafican en la Figura 16.
60
caudales Grupo B.
Función de Numero
Nominación Función de Función de Función de
adaptación de de
de la red entrenamiento rendimiento Transferencia
aprendizaje Neuronas
TRAINGDM

TRAINGDX

RNA09_6 LEARNGDM SSE 12 TANSIG
RNA09_7 LEARNGDM SSE 24 TANSIG
8.00
REAL
7.00
RNAQ7_1
6.00 RNAQ7_2
Caudal (m3/seg)
5.00 RNAQ7_3
RNAQ7_4
4.00
RNAQ7_5
3.00 RNAQ7_6
RNAQ7_7
2.00
RNAQ09_1
1.00
RNAQ09_2
0.00 RNAQ09_3
1986:1
1986:7
1987:1
1987:7
1988:1
1988:7
1989:1
1989:7
1990:1
1990:7
1991:1
1991:7
1992:1
1992:7
1993:1
1993:7
1994:1
1994:7
1995:1
1995:7
1996:1
1996:7
RNAQ09_4
RNAQ09_5
Periodo (años)

backpropagation, Grupo B.
61
Tabla 13. Datos generados por la RNA N°Q7_1. Caudales mensuales
1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
2.784 2.734 3.711 2.771 3.235 1.512 1.625 3.294 3.652 2.006 3.150
2.740 3.197 5.208 4.752 3.551 2.185 2.785 3.513 5.331 2.242 5.090
3.572 2.952 2.460 2.974 2.369 3.020 2.540 4.436 5.387 4.403 4.842
2.541 2.430 1.703 2.478 2.647 2.467 2.846 3.453 2.667 2.523 2.841
0.909 0.934 1.440 1.794 2.010 0.881 1.787 1.515 1.595 1.305 1.291
0.628 0.557 0.456 0.496 0.607 0.713 0.644 0.831 0.582 0.836 0.572
0.356 0.450 0.561 0.396 0.296 0.336 0.338 0.389 0.395 0.323 0.488
0.415 0.443 0.416 0.282 0.311 0.354 0.286 0.648 0.445 0.522 0.419
0.512 0.548 0.833 0.767 0.491 0.479 0.509 0.525 0.798 0.541 0.764
1.267 1.229 1.153 1.289 1.385 1.206 1.183 0.833 0.890 1.141 1.113
1.742 1.904 1.750 1.505 2.381 1.603 2.120 2.872 1.277 1.371 1.260
2.446 2.061 1.675 1.429 2.140 1.953 1.326 3.618 2.521 2.477 1.892
8.00
7.00
REAL RNAQ7_1
6.00
Caudales mensuales (m3/s)
5.00
4.00
3.00
2.00
1.00
0.00
1986:1
1986:6
1987:4
1987:9
1988:2
1988:7
1989:5
1990:3
1990:8
1991:1
1991:6
1992:4
1992:9
1993:2
1993:7
1994:5
1995:3
1995:8
1996:1
1996:6
1986:11
1988:12
1989:10
1991:11
1993:12
1994:10
1996:11
Año : mes
Figura 16. Generación de caudales mensuales Grupo B por la Red Neurona

Artificial N° 7_1
62
C. Generación de caudales mensuales grupo C.
El proceso de aplicación de la estructura se encuentra explicado en el inciso 3.5.2.3
La estructura usada se muestra en la Tabla 14. y la generación se dio siguiendo el
Diagrama de flujo mostrado en la Figura 7. Los datos generados para la red están
representados en la Figura 17, los datos de caudales mensuales generados se
presentan en la Tabla 15.
Tabla 14. Estructura de generación de precipitación mensual, Elman

backpropagation
Función Descripción
Función de entrenamiento TRAINGDM
Función de adaptación de aprendizaje LEARNGDM
Función de rendimiento MSE
Numero de Capas 2
Numero de Neuronas 12
Función de Transferencia LOGSIG
Tabla 15. Estructura de generación de precipitación mensual, Elman

backpropagation
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
2.858 3.115 3.848 1.736 4.150 1.228 1.242 3.639 2.865 1.104
2.127 4.385 5.382 1.520 5.797 1.503 1.536 4.827 3.303 1.656
3.267 2.175 2.160 3.213 3.569 4.409 4.314 4.134 4.351 4.405
2.054 1.741 1.409 3.169 1.642 3.315 3.589 2.313 2.242 3.228
2.076 1.815 1.814 1.443 1.318 1.184 1.354 1.494 2.154 1.627
0.912 0.397 0.273 1.133 0.235 0.939 1.169 0.507 0.370 1.033
0.182 0.357 0.382 0.163 0.417 0.136 0.181 0.330 0.345 0.175
0.532 0.459 0.330 0.472 0.253 0.153 0.256 0.438 0.198 0.278
0.455 0.596 0.881 0.411 1.165 0.464 0.470 0.711 1.323 0.411
0.983 0.990 1.074 1.630 1.421 1.922 1.423 1.066 1.416 1.145
2.599 2.618 1.963 2.204 1.070 1.220 1.850 1.625 1.136 1.655
63
3.068 2.403 2.171 3.802 1.706 1.196 2.341 2.512 0.933 1.564
9.00
REAL
8.00
RNAGC
7.00
6.00
Caudales (m3/s)
5.00
4.00
3.00
2.00
1.00
0.00
2007:01
2007:06
2007:11
2008:04
2008:09
2009:02
2009:07
2009:12
2010:05
2010:10
2011:03
2011:08
2012:01
2012:06
2012:11
2013:04
2013:09
2014:02
2014:07
2014:12
2015:05
2015:10
2016:03
2016:08
Año : mes

backpropagation, Grupo C
V.4.3 Análisis de la validez de las generaciones Formatted: Heading 2, Justified, Indent: Left: 0", Line
spacing: single
Para este fin se aplicaron los modelos definidos en la sección 3.6.2.4 Verificación de la
relación que existe entre caudales mensuales y la precipitación mensual analizando la
validez de la generación, los cuales se mostraran en cuadros agrupados de acuerdo al
Esquema 02 siguiendo la secuencia antes mencionada en el grupo A se verifico la etapa
inicial con la que se evaluó el tipo de entrenamiento más eficiente, en el grupo B se verifico
la evaluación a las funciones de adaptación de aprendizaje, la función de rendimiento, el
número de neuronas y la función de trasferencia.
64
5.1.14.3.1 Elman backpropagation, Precipitaciones mensuales.
A. Verificación de Precipitaciones mensuales Grupo A
La verificación para la selección del mejor entrenamiento se realizó utilizando la
generación que presento los mayores coeficientes respecto a lo mencionado en el
inciso 3.5.2.4. Los resultados se presentan en la Tabla 16 y se oscureció la celda de
la red que presenta los mejores coeficientes.
Tabla 16. Resumen de los coeficientes de validación. Elman backpropagation

precipitaciones mensuales Grupo A.
REDES DESV ECMN R2 RMSE NSE R2 R

RNA01 NO 0.92 0.08 72.353 0.070 0.363 0.603
RNA02 SI 0.47 0.53 51.881 0.522 0.534 0.731
RNA03 NO 0.77 0.23 66.162 0.223 0.412 0.642
RNA04 NO 0.98 0.02 74.906 0.004 0.286 0.534
RNA05 SI 0.69 0.31 62.816 0.299 0.404 0.636
RNA06 NO 1.18 -0.18 82.173 -0.199 0.222 0.471
RNA07 SI 0.80 0.20 67.480 0.191 0.358 0.598
RNA08 SI 0.75 0.25 65.259 0.244 0.350 0.592
RNA09 NO 0.71 0.29 63.552 0.283 0.419 0.648
RNA10 SI 0.65 0.35 60.780 0.344 0.420 0.648
RNA11 SI 0.83 0.17 68.836 0.159 0.273 0.523
RNA12 SI 0.90 0.10 71.808 0.084 0.283 0.532
RNA13 NO 0.77 0.23 66.231 0.221 0.391 0.626
RNA14 SI 0.61 0.39 59.018 0.381 0.467 0.683
B. Verificación de precipitaciones mensuales Grupo B
La verificación para la selección de la mejor estructura se realizó utilizando la
la Red que presenta los mejores coeficientes.

65
Tabla 17. Resumen de los coeficientes de validación. Elman backpropagation
precipitaciones mensuales Grupo B.
RNA02_1 SI 0.66 0.34 61.494 0.328 0.425 0.652
RNA02_2 SI 0.48 0.52 52.564 0.509 0.535 0.732
RNA02_3 SI 0.47 0.53 51.780 0.524 0.540 0.735
RNA02_4 SI 0.45 0.55 50.571 0.546 0.554 0.745
RNA02_5 SI 0.58 0.42 57.328 0.416 0.464 0.682
RNA02_6 SI 0.51 0.49 53.819 0.486 0.520 0.721
RNA02_7 SI 0.69 0.31 62.923 0.297 0.407 0.638
RNA14_1 SI 0.63 0.37 59.875 0.363 0.459 0.678
RNA14_2 SI 0.67 0.33 61.608 0.326 0.429 0.655
RNA14_3 SI 0.64 0.36 60.263 0.355 0.432 0.657
RNA14_4 NO 1.05 -0.05 77.366 -0.063 0.320 0.566
RNA14_5 NO 0.96 0.04 74.139 0.024 0.281 0.530
RNA14_6 NO 1.07 -0.07 78.139 -0.084 0.248 0.498
RNA14_7 NO 0.70 0.30 63.384 0.287 0.432 0.657
5.1.24.3.2 Elman backpropagation, Caudales mensuales.
A. Verificación de Caudales mensuales Grupo A
66
Tabla 18. Resumen de los coeficientes de validación. Elman backpropagation,
caudales mensuales Grupo A
RNAQ1 NO 0.52 0.48 0.970 0.475 0.638 0.799
RNAQ2 SI 0.45 0.55 0.901 0.547 0.626 0.791
RNAQ3 SI 0.56 0.44 1.005 0.435 0.488 0.699
RNAQ4 NO 0.88 0.12 1.258 0.116 0.609 0.780
RNAQ5 NO 1.10 -0.10 1.406 -0.104 0.361 0.601
RNAQ6 SI 0.33 0.67 0.773 0.666 0.702 0.838
RNAQ7 SI 0.24 0.76 0.657 0.759 0.781 0.884
RNAQ8 NO 0.38 0.62 0.826 0.619 0.699 0.836
RNAQ9 SI 0.26 0.74 0.689 0.734 0.776 0.881
RNAQ10 NO 0.37 0.63 0.817 0.627 0.748 0.865
RNAQ11 SI 0.31 0.69 0.752 0.684 0.724 0.851
RNAQ12 SI 0.37 0.63 0.818 0.626 0.669 0.818
RNAQ13 NO 0.38 0.62 0.833 0.612 0.675 0.822
RNAQ14 NO 0.39 0.61 0.838 0.608 0.724 0.851
B. Validación de caudales mensuales Grupo B
67
Tabla 19. Resumen de los coeficientes de validación para caudales mensuales
Grupo B

RNAQ7_1 SI 0.20 0.80 0.603 0.797 0.817 0.904
RNAQ7_2 SI 0.36 0.64 0.801 0.641 0.699 0.836
RNAQ7_3 SI 0.26 0.74 0.686 0.737 0.780 0.883
RNAQ7_4 NO 0.27 0.73 0.692 0.733 0.779 0.883
RNAQ7_5 SI 0.31 0.69 0.745 0.690 0.738 0.859
RNAQ7_6 NO 0.27 0.73 0.699 0.727 0.775 0.881
RNAQ7_7 SI 0.55 0.45 0.995 0.447 0.450 0.671
RNAQ09_1 NO 0.31 0.69 0.751 0.685 0.746 0.864
RNAQ09_2 NO 0.49 0.51 0.943 0.503 0.671 0.819
RNAQ09_3 NO 0.35 0.65 0.797 0.645 0.712 0.844
RNAQ09_4 NO 0.51 0.49 0.956 0.490 0.673 0.821
RNAQ09_5 SI 0.24 0.76 0.664 0.754 0.806 0.898
RNAQ09_6 NO 0.29 0.71 0.724 0.707 0.765 0.874
RNAQ09_7 SI 0.64 0.36 1.077 0.352 0.561 0.749
C. Validación de caudales mensuales Grupo C
inciso 3.5.2.4. Los resultados se presentan en la Tabla 20.
Tabla 20. Resumen de los coeficientes de validación. Grupo C
RED DESV ECMN R2 RMSE NSE R2 R
RNAGC SI 0.55 0.45 1.02 0.45 0.55 0.74
68
VI.V. CONCLUSIONES
6.15.1 Se tomaron en prueba tres tipos de red Cascade forward backpropagation, Elman
backpropagation y Feed forward backpropagation de las cuales se obtuvo mejores
resultados del tipo de red Elman backpropagation con un coeficiente de correlación de
0.904 y un error máximo de 0.60 m3/seg, en la etapa de selección de estructura, y un
coeficiente de correlación de 0.74 con un error máximo de 1.02 m3/seg para la generación
final.
6.25.2 La estructura de red que presento un mayor ajuste en la etapa de entrenamiento y por
ende en la etapa de generación es aquella que posee la función de entrenamiento de
descenso de gradiente con retroceso de impulso o Traingdm (gradient descent with
momentum backpropagation) , la función de adaptación de aprendizaje de descenso del
gradiente con el peso de momento y la función de aprendizaje de sesgo o Learngdm (
gradient descent with momentum weight and bias learning function), la función de
rendimiento cuadratica de rendimiento del error normalizado o Mse (mean squared
normalized error performance function) con dos capas, 12 neuronas y función de
trasferencia sigmoidea o Logsig.
6.35.3 En la etapa de validación se verifico la validez de la mayor parte de las redes haciendo
análisis del coeficiente de relación tanto lineal como el brindado por el Matlab, por lo tanto,
las redes neuronales artificiales son un método viable para la generación y adaptación de
modelos hidrológicos, específicamente para la generación de caudales mensuales en la
zona de estudio.
6.45.4 Se concluye entonces que es factible la generación de caudales mensuales mediante
redes neuronales artificiales a través de una data de precipitación mensual.
69
VII.VI. RECOMENDACIONES
7.16.1 Se debería realizar el análisis con los tipos de redes considerados aislando las estructuras
más eficientes y profundizando en el coeficiente de aprendizaje para cada una
7.26.2 La aplicación de este método de análisis podría aplicarse en otras estaciones, llevar una
generación de datos y previsión de los mismos para abastecimiento y control de sequias,
esto no solo podría generar una predicción de los mismos también podría alternarse con la
ubicación o planos con otras variables relativas a la cuenca y así crear una red neuronal
artificial que se extienda en la misma.
7.36.3 Para completar el análisis estadístico se podría estudiar los modelos de validación del
mismo programa y llevar este análisis en comparación con otros como los generados por
el programa Spss o el Eviews así se vería las cualidades del modelo para plantear
coeficientes de mejora no solo en su promedio lineal si no en su algoritmo.
70
VIII.VII. BIBLIOGRAFIA
Alvarez, L., Gomez, E., & Obregon, N. (2012). Predicción De Caudales De Ríos Aplicando El
Modelo Neurodifuso Anfis Y Redes Neuronales. Sistemas, Cibernética E Informática,
9(1).
Borg, M. (2011). La Historia de un Canal: Cambio Climático y. Lima: Corporación Gráfica
Andina.
Campozano, L. (2011). Análisis de la Robustez de un Modelo de Redes Neuronales para la
Predicción de Caudales en la cuenca alta del río Paute. (tesis de maestria), Universidad
Politécnica Salesiana, Cuenca, Ecuador.
Castellano, M. (2009). Modelización estadística con Redes Neuronales. (tesis doctoral),
Universidad Da Coruña, Departamento de Matemáticas, Barcelona, España.
Chow, V., Maidment, D., & Mays, L. (1994). Hidrologia Aplicada. Santafe de Bogota:
McGram - Hill.
Correa, R. (2009). Redes Neuronales Artificiales en Ingeniería y Física Nuclear.
Caracterización de Espectros PIXE. (tesis doctoral), Universidad de Granada, Granada,
España.
Dheeraj, B., Anil, G., & Vinayak, P. (2013). Cascade and Feed Forward Back propagation
Artificial Neural Network Models for Prediction of Compressive Strength of Ready Mix
Concrete. Journal of Mechanical and Civil Engineering, 10(1), 01-06.
Herrera , J., Luque , E., Tupac, J., & Yari, Y. (2013). Red Neuronal aplicada a la generación de
caudales mensuales estocasticos. Proceedings del XII Congreso de la Sociedad Peruana
de Computacion, 41-48.
71
Laqui, W. (2010). plicación de Redes Neuronales Artificiales a la Modelización y Previsión de
Caudales Medios Mensuales del Río Huancané. Revista Peruana Geo-Atmosférica
RPGA, 2(1), 30-44.
Laqui, W., & Sanchez, M. (2009). Predicción de caudales medios mensuales del Río Huancané
utilizando modelos de redes neuronales. Anales científicos UNALM, 70(2), 196-206.
Ledesma , S. (2006). Las redes neuronales,implementacion y consideraciones practicas.
Mexico: MICAI.
Lujano, A., Lujano, E., Lujano, R., & Quispe, J. (2010). Pronostico de Caudales Medios
Mensuales del Rio Ilave usando Modelos de Redes Neuronales Artificiales. Revista de
Investigación Alto andina, 16(1), 89-100.
MathWorks. (1994-2018). Mathworks Docimentation. Obtenido de Elman neural network:
https://la.mathworks.com/help/nnet/ref/elmannet.html
MathWorks. (2017). MathWorks Documentation. Obtenido de Train Network:
https://la.mathworks.com
MathWorks, T. (1994-2018). Mathworks Documentation. Obtenido de Cascade Forward net:
https://la.mathworks.com/help/nnet/ref/cascadeforwardnet.html
Matich, J. (2011). Redes Neuronales: Conceptos basicos y aplicaciones. Informática Aplicada
a la Ingeniería de Procesos – Orientación I (pág. 25). Rosario: Universidad
Tecnológica Nacional – Facultad Regional Rosario.
Mercado, D., Pedraza, L., & Martinez, E. (2015). Comparison of Neural Network applied to
prediction of times Series. Prospect, 13 (2), 88-95.
72
Pujol, L. (2009). Predicción De Caudales En Tiempo Real En Grandes Cuencas Utilizando
Redes Neuronales Artificiales. (tesis doctoral), Universidad Politécnica de Valencia,
Valencia, España.
Talento, S. (2011). Bases para un sistema de predicción de caudales de aporte a rincón del
Bonete y Salto Grande. (tesis de maestria), Universidad de la Republica, Montevideo,
Uruguay.
Zhiqiang, Z., Shangce, G., Gang, Y., Fangjia, L., & Zheng, T. (2009). An algorithm of
supervised learning for elman neural network. International journal of innovative
Computing. Information and Control, 5(10), 2997-3011.
73
IX.VIII. ANEXOS
Anexo 1. Carta Nacional Recuay 20-i
Anexo 2. Delimitación de la sub cuenca Querococha.
74
Anexo 3. Precipitaciones mensuales estación Querococha.
AÑO/MES ENE FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DIC
1953 175.69 229.55 139.19 115.69 56.54 12.19 6.82 6.32 57.44 171.05 229.29 100.83
1954 214.77 147.33 207.22 130.82 40.64 9.44 5.69 7.40 38.69 78.97 88.11 162.78
1955 157.40 194.95 287.45 105.47 62.48 9.44 5.69 13.12 27.09 61.98 55.88 137.43
1956 166.37 174.28 186.34 101.46 35.62 9.44 5.69 14.95 44.94 62.70 42.66 85.08
1957 159.99 186.17 205.71 97.45 27.49 9.44 5.69 17.97 50.30 97.62 37.83 127.09
1958 158.91 158.04 194.13 110.82 47.86 9.44 5.69 10.64 40.99 104.56 45.78 107.69
1959 119.19 198.99 215.71 89.44 48.50 14.28 5.69 21.64 52.72 118.91 72.22 165.89
1960 151.95 141.80 165.82 118.35 40.28 9.44 5.69 31.67 54.12 86.86 94.72 115.83
1961 218.64 175.34 135.56 124.61 70.15 10.26 5.69 9.99 50.30 61.98 149.90 155.28
1962 192.32 133.33 254.72 107.68 40.00 9.44 5.69 8.05 27.09 69.76 76.60 129.38
1963 217.71 141.05 189.53 140.11 30.77 9.44 5.69 6.32 27.09 64.26 104.37 167.27
1964 115.39 168.74 194.21 105.06 64.85 31.24 10.21 20.45 49.53 94.87 112.47 99.64
1965 90.90 123.10 227.70 96.80 24.00 8.80 22.90 19.40 59.40 107.20 81.10 150.80
1966 196.00 125.00 86.50 78.50 42.30 9.44 0.00 10.30 41.00 179.80 89.45 123.25
1967 174.40 188.66 250.83 94.57 56.36 6.40 38.80 20.10 32.00 149.70 66.50 96.98
1968 104.30 164.90 167.32 33.20 48.32 9.44 1.00 25.00 43.40 106.90 72.66 80.70
1969 125.20 134.60 116.30 133.20 15.00 6.80 5.00 15.27 41.75 80.90 113.80 221.50
1970 197.20 129.50 105.20 135.30 72.60 16.37 12.50 7.50 109.10 123.50 108.00 191.40
1971 149.80 170.90 240.00 87.00 31.20 27.00 6.70 49.60 38.80 97.70 74.40 174.20
1972 161.40 164.40 252.40 102.32 54.80 16.70 0.50 14.80 28.00 49.30 46.90 109.00
1973 145.20 189.00 176.40 135.50 28.50 20.40 3.10 18.50 67.40 174.30 100.90 184.40
1974 206.30 247.10 200.30 109.70 13.90 29.30 4.10 8.20 60.60 69.30 66.80 86.70
1975 160.30 154.68 236.00 118.20 87.80 15.50 5.90 20.02 59.10 70.40 67.80 165.90
1976 185.90 202.60 179.50 69.70 27.50 20.20 3.40 9.20 29.60 15.90 36.90 73.60
1977 160.20 193.76 107.30 114.30 46.70 8.40 10.30 2.30 35.40 49.60 237.30 141.40
1978 142.13 229.40 108.40 53.60 38.30 0.00 22.20 4.20 73.64 69.04 95.04 73.30
1979 96.00 211.20 196.10 131.30 38.70 0.50 0.10 7.80 51.80 33.50 62.40 93.30
1980 143.90 138.50 147.70 66.30 25.50 3.70 4.20 27.70 15.20 146.20 170.00 153.60
1981 187.80 200.00 217.60 52.40 18.40 2.60 3.00 30.80 7.40 118.30 202.90 151.20
1982 257.80 222.30 141.90 65.00 2.40 9.10 9.70 4.80 37.30 142.50 175.10 232.50
1983 213.10 47.50 181.12 98.76 56.80 29.20 2.80 16.00 42.20 74.80 72.70 181.10
1984 146.30 242.40 299.20 85.70 74.00 26.60 15.60 0.20 55.80 102.80 100.60 99.70
1985 116.41 133.50 168.23 94.12 84.06 8.54 5.51 18.28 119.76 62.75 112.08 143.35
1986 159.36 168.67 120.74 132.21 29.42 3.78 12.00 22.39 51.38 43.81 116.52 183.71
1987 177.76 112.41 160.34 75.62 15.90 10.49 22.17 22.28 43.05 88.50 143.67 159.15
1988 250.79 168.99 118.68 127.77 42.62 13.08 3.13 21.09 46.84 106.13 118.25 98.45
1989 174.51 218.55 226.88 140.21 26.72 16.98 4.32 54.20 39.92 121.93 48.79 71.62
1990 227.31 100.07 104.83 103.32 18.82 52.25 14.27 3.89 28.99 147.89 111.22 85.03
1991 71.94 97.91 122.79 74.75 39.48 6.05 7.03 4.75 23.25 147.25 95.96 96.83
1992 75.94 76.16 112.28 77.24 23.58 38.40 4.32 19.47 38.51 124.52 74.21 28.01
1993 209.24 182.95 236.51 162.39 81.79 18.49 14.27 12.54 127.66 153.84 209.89 270.48
1994 203.61 212.92 290.49 175.92 93.47 10.38 6.05 4.10 32.34 100.61 74.43 148.44
1995 135.45 42.95 218.87 100.51 70.21 10.60 11.89 9.08 28.56 71.83 134.48 156.33
1996 188.58 168.67 303.69 31.69 31.15 14.92 3.78 24.01 24.23 71.51 65.99 112.84
Fuente. Unidad de Glaciología, y SENAMHI
75
Anexo 4. Caudales mensuales estación Querococha.
AÑO/MES ENE FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DIC
1953 2.49 4.72 3.80 3.01 0.98 0.45 0.26 0.43 0.38 0.83 1.88 1.75
1954 3.74 2.83 3.61 1.85 1.28 0.44 0.24 0.28 0.50 0.77 0.98 1.58
1955 3.25 5.12 5.44 2.95 1.21 0.51 0.32 0.26 0.43 0.77 1.05 2.01
1956 2.16 3.36 3.17 2.40 0.94 0.44 0.33 0.34 0.52 1.09 0.93 1.16
1957 1.25 2.56 2.80 2.29 1.28 0.68 0.52 0.50 0.67 1.31 1.72 1.26
1958 1.76 2.31 3.33 1.82 1.10 0.65 0.43 0.58 0.71 1.07 0.99 1.21
1959 1.70 3.37 4.23 2.49 1.42 0.65 0.45 0.54 0.51 1.34 1.41 3.80
1960 3.15 4.27 2.01 2.55 1.65 0.66 0.44 0.46 0.52 0.98 1.29 1.48
1961 3.51 2.79 4.08 3.07 1.30 0.81 0.50 0.38 0.48 0.65 2.13 3.06
1962 4.45 4.29 5.09 2.64 1.10 0.53 0.31 0.34 0.44 0.64 0.99 1.25
1963 3.30 4.03 4.72 3.56 1.05 0.62 0.33 0.38 0.59 1.25 2.38 3.47
1964 2.96 3.95 3.54 2.90 1.58 0.71 0.57 0.48 0.57 1.21 1.83 1.63
1965 2.08 2.06 5.12 2.44 1.04 0.45 0.44 0.43 0.91 1.79 1.88 2.88
1966 3.48 3.42 2.35 1.98 1.69 0.77 0.62 0.62 0.78 1.70 1.87 2.20
1967 2.68 6.75 4.22 2.10 1.25 0.62 0.50 0.45 0.56 1.81 1.63 1.76
1968 1.88 2.34 3.19 1.35 0.69 0.46 0.32 0.41 0.60 1.36 1.56 1.23
1969 1.72 2.03 2.12 2.43 1.04 0.70 0.38 0.48 0.55 0.95 1.72 3.43
1970 4.25 3.39 3.00 2.61 2.31 1.26 0.78 0.62 0.94 1.42 2.15 3.12
1971 2.69 3.95 4.78 2.46 1.09 0.62 0.48 0.52 0.56 1.15 0.94 1.79
1972 2.53 2.61 5.72 3.22 1.39 0.74 0.45 0.46 0.49 0.77 0.94 1.60
1973 2.36 3.53 3.64 3.64 1.24 0.78 0.53 0.54 0.63 1.89 2.64 3.35
1974 4.32 5.39 4.90 3.43 1.04 0.78 0.44 0.39 0.66 0.67 0.98 1.07
1975 2.36 2.98 5.11 2.48 2.15 1.00 0.58 0.61 0.79 1.32 1.40 1.86
1976 2.93 4.69 3.06 1.94 0.87 0.63 0.41 0.37 0.42 0.66 0.82 1.20
1977 1.94 2.73 2.89 2.02 1.25 0.68 0.57 0.57 0.73 1.04 2.55 2.29
1978 1.84 4.12 3.61 1.90 1.38 0.82 0.50 0.45 1.04 1.08 1.46 2.22
1979 1.95 3.83 5.67 3.83 1.49 0.75 0.62 0.72 0.86 0.97 1.08 1.56
1980 1.93 2.24 1.94 1.83 1.01 0.66 0.40 0.58 0.79 1.38 1.94 2.78
1981 2.50 5.65 4.14 2.32 1.13 0.63 0.52 0.49 0.51 1.41 3.52 3.65
1982 3.51 5.14 3.26 2.59 1.23 0.72 0.44 0.39 0.61 1.85 3.08 4.11
1983 4.14 2.54 3.96 3.52 2.11 1.17 0.79 0.74 0.94 1.34 1.70 3.35
1984 2.36 5.11 5.64 3.27 1.96 1.06 0.78 0.52 0.51 1.59 1.36 2.39
1985 2.36 2.71 3.48 2.92 1.43 0.66 0.37 0.37 0.98 0.94 1.21 2.25
1986 2.38 2.57 3.32 2.58 1.42 0.56 0.40 0.37 0.58 0.76 1.18 2.42
1987 3.30 3.08 2.89 1.52 1.06 0.46 0.39 0.36 0.52 1.08 1.25 2.60
1988 3.90 3.71 2.33 2.21 1.20 0.60 0.39 0.39 0.57 0.83 0.95 1.42
1989 2.37 3.80 3.95 3.07 1.00 0.50 0.32 0.36 0.40 0.86 1.66 0.78
1990 1.82 1.41 1.48 1.10 0.66 0.68 0.42 0.32 0.42 1.41 1.83 1.49
1991 1.81 2.04 3.02 1.84 1.13 0.56 0.38 0.37 0.39 1.16 1.18 1.19
1992 1.67 1.33 1.34 1.44 1.04 0.70 0.40 0.46 0.43 0.76 0.85 1.52
1993 2.01 3.92 4.42 3.28 1.44 0.69 0.45 0.40 0.98 1.09 3.14 4.51
1994 4.93 7.26 4.91 3.90 0.85 0.45 0.25 0.25 0.31 0.68 1.11 1.42
1995 2.37 1.82 5.12 2.55 0.97 0.43 0.30 0.28 0.65 0.81 1.55 1.54
1996 3.31 4.74 4.63 3.54 1.53 0.64 0.43 0.38 0.75 1.08 0.86 1.19
Fuente. Unidad de Glaciología, y SENAMHI
76
Anexo 5. Precipitaciones mensuales estación Querococha datos para generación.
AÑO/MES ENE FEB MAR ABR MAY JUN JUL AGO SET OCT NOV DIC
1997 179.09 187.31 95.21 71.73 47.15 15.15 15.28 32.66 63.82 90.33 117.41 251.33
1998 248.10 227.13 226.90 130.34 42.31 37.80 10.38 21.85 34.54 122.75 63.63 128.31
1999 213.26 309.37 232.53 97.45 47.43 46.50 13.28 19.80 108.82 79.71 114.77 149.05
2000 174.72 216.00 245.95 70.40 110.68 20.39 12.20 30.42 76.48 91.07 56.51 202.26
2001 235.17 186.74 248.31 59.43 59.49 21.51 15.31 12.69 88.25 113.89 200.73 150.33
2002 147.11 246.23 312.44 101.46 46.60 24.86 12.02 16.19 55.51 172.69 172.35 169.71
2003 187.85 174.01 218.61 158.40 58.31 23.86 9.57 21.02 41.78 95.23 81.04 199.87
2004 183.75 167.40 167.17 156.94 106.01 10.97 4.83 44.73 73.46 162.59 257.32 215.90
2005 225.70 189.14 353.55 143.03 55.60 10.97 4.83 47.42 66.61 139.59 147.09 277.68
2006 56.13 202.61 278.95 242.77 53.30 10.97 4.83 12.61 88.95 123.65 195.38 297.82
2007 224.21 142.90 81.19 196.74 82.45 31.90 4.83 42.39 29.91 123.65 195.38 285.24
2008 253.89 251.58 159.41 117.89 62.94 41.55 4.83 12.61 66.30 188.77 165.91 152.60
2009 301.70 260.86 163.19 199.57 93.35 36.83 4.83 12.61 48.05 177.97 203.14 198.94
2010 176.89 29.60 211.42 149.03 47.74 31.49 4.83 33.37 60.22 106.98 223.27 245.29
2011 301.70 241.72 232.71 164.13 43.96 10.97 4.83 12.61 62.00 34.95 162.67 136.11
2012 29.60 30.23 90.41 242.46 29.60 10.97 4.83 37.36 29.60 92.77 102.06 182.63
2013 29.60 29.60 288.07 127.85 91.46 10.97 4.83 50.36 66.51 150.60 173.88 229.14
2014 209.85 285.92 261.96 138.23 83.07 10.97 4.83 33.37 85.28 103.21 126.59 239.31
2015 215.82 92.93 159.31 107.82 99.85 43.54 4.83 48.47 65.19 29.70 114.33 29.70
2016 29.60 109.39 131.73 107.82 96.60 33.27 4.83 12.93 45.11 97.78 102.06 136.11
Fuente. Unidad de Glaciología, y SENAMHI. Elaboración propia
Anexo 6. Caudales mensuales estación Querococha datos para generación.
AÑO/MES
ENE FEB MAR ABR MAY JUN JUL AGO SET OCT NOV DIC
1997 2.13 2.47 1.13 0.88 0.56 0.19 0.18 0.39 0.78 1.07 1.44 2.99
1998 3.16 3.20 2.89 1.71 0.54 0.50 0.13 0.28 0.45 1.56 0.84 1.63
1999 3.07 4.93 3.35 1.45 0.68 0.69 0.19 0.28 1.62 1.15 1.71 2.14
2000 2.32 3.18 3.27 0.97 1.47 0.28 0.16 0.40 1.05 1.21 0.78 2.69
2001 3.21 2.82 3.39 0.84 0.81 0.30 0.21 0.17 1.24 1.55 2.83 2.05
2002 2.08 3.85 4.41 1.48 0.66 0.36 0.17 0.23 0.81 2.44 2.52 2.40
2003 2.38 2.44 2.77 2.07 0.74 0.31 0.12 0.27 0.55 1.21 1.06 2.53
2004 2.82 2.84 2.56 2.49 1.63 0.17 0.07 0.69 1.16 2.49 4.08 3.31
2005 3.45 3.20 5.41 2.26 0.85 0.17 0.07 0.73 1.05 2.14 2.33 4.25
2006 0.82 3.29 4.09 3.68 0.78 0.17 0.07 0.18 1.35 1.81 2.96 4.37
2007 3.15 2.23 1.14 2.86 1.16 0.46 0.07 0.60 0.43 1.74 2.84 4.01
2008 3.65 4.01 2.29 1.75 0.91 0.62 0.36 0.34 0.42 1.40 2.34 2.41
2009 6.13 7.69 8.27 6.51 4.25 1.99 0.52 0.20 0.77 2.75 3.25 3.08
2010 2.32 0.43 2.77 2.02 0.63 0.43 0.38 0.32 0.38 0.67 1.75 3.44
2011 4.94 7.27 5.35 5.33 1.18 0.46 0.36 0.18 0.90 0.49 2.35 1.91
2012 0.27 0.30 0.82 2.27 0.27 0.10 0.04 0.34 0.28 0.84 0.96 1.66
2013 0.37 0.41 3.64 1.67 1.15 0.14 0.06 0.64 0.87 1.90 2.27 2.89
2014 3.52 5.71 8.04 2.51 1.87 0.47 0.28 0.20 0.37 0.75 1.79 2.43
2015 5.42 3.93 4.01 3.29 3.91 1.68 0.76 0.57 0.30 0.02 0.16 2.79
2016 2.84 3.76 6.11 2.58 1.24 0.86 0.60 0.52 0.34 0.56 1.08 1.99
Fuente. Unidad de Glaciología, y SENAMHI. Elaboración propia
77
Anexo 7. Diagrama de flujo del proceso I
78
Anexo 8. Mejor validación para generación de datos de precipitación mensual por el modelo
Elman backpropagation.
Grupo A. Precipitaciones mensuales Grupo B. Precipitaciones mensuales
Anexo 9. Mejor validación para la generación de datos de caudales mensuales por el modelo
Elman backpropagation.
Grupo A. Caudales mensuales Grupo B. Caudales mensuales
79
Grupo C. Caudales mensuales
80

Tesis 2018

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tesis 2018

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL

SANTIAGO ANTÚNEZ DE MAYOLO

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA

“GENERACIÓN DE CAUDALES MENSUALES MEDIANTE REDES

TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA

“GENERACIÓN DE CAUDALES MENSUALES MEDIANTE REDES

TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE

Sustentada y aprobada ante el siguiente Jurado:

Ing. M.Sc. Abelardo Manrique, Salas Díaz

3.1 Tipo de investigación 42

Para Clarita, a quien Dios me dio la bendición de poder

Agradecer también a mis docentes de la Escuela de Ingeniería Agrícola de la Universidad

Tabla 2. Registro de datos de acuerdo a los años 46

Tabla 3. Matrices de agrupación de datos de acuerdo al tipo de red 47

Tabla 4. Distribución de datos respecto a los años. 47

Tabla 5. Distribución de datos para la selección del tipo de función de entrenamiento. 49

Tabla 6. Estructura inicial para cada entrenamiento. Grupo A 49

Tabla 7. Periodo de años para la fase de validación 52

Tabla 8. Datos generados por la RNA N°02. Precipitaciones mensuales 55

Tabla 9. Estructura de las redes neuronales, Elman backpropagation generación de

Tabla 10. Datos generados por la RNA N°02_4. Precipitaciones mensuales 57

Tabla 11. Datos generados por la RNA N°Q7. Caudales mensuales 59

Tabla 13. Datos generados por la RNA N°Q7_1. Caudales mensuales 61

Tabla 14. Estructura de generación de precipitación mensual, Elman backpropagation 63

Tabla 15. Estructura de generación de precipitación mensual, Elman backpropagation 63

Tabla 16. Resumen de los coeficientes de validación. Elman backpropagation precipitaciones

Tabla 17. Resumen de los coeficientes de validación. Elman backpropagation precipitaciones

Tabla 18. Resumen de los coeficientes de validación. Elman backpropagation, caudales

Figura 2. Funcionamiento general backpropagation. 29

Figura 3. Red Cascade forward backpropagation. 32

Figura 4. Red básica de Elman. 35

Figura 5. Diagrama de flujo de la metodología aplicada 45

Figura 6. Iteración de las estructuras para el Grupo B. 50

Figura 7. Diagrama de flujo para el proceso II 52

Figura 8. Distribución de grupos para cada tipo de red 53

Figura 9. Generación de datos de precipitaciones mensuales modelo Elman backpropagation,

Figura 10. Generación de precipitaciones Red Neuronal Artificial N° 02. 55

Figura 11. Generación de datos de precipitaciones mensuales modelo Elman

Figura 12. Generación de precipitaciones Red Neuronal Artificial N° 02_4. 58

Figura 13. Generación de datos de caudales mensuales con el modelo Elman

Figura 14. Generación de caudales mensuales Red Neuronal Artificial N° Q7. 60

Figura 15. Generación de datos de caudales mensuales con el modelo Elman

Anexo 2. Delimitación de la sub cuenca Querococha. 74

Anexo 3. Precipitaciones mensuales estación Querococha. 75

Anexo 4. Caudales mensuales estación Querococha. 76

Anexo 5. Precipitaciones mensuales estación Querococha datos para generación. 77

Anexo 6. Caudales mensuales estación Querococha datos para generación. 77

Anexo 7. Diagrama de flujo del proceso I 78

Palabras claves. Redes Neuronales, Elman backpropagation, caudales mensuales

Key Words: Neural Networks, Elman backpropagation, monthly flows

A diferencia de la Cordillera Negra, la Cordillera Blanca tradicionalmente ha tenido agua

que se incrementa la presión sobre el abastecimiento de agua irán surgiendo conexiones

quienes tienen derecho a cuál agua.

Puntualizando tenemos un problema de escases de recurso hídrico, el cual es necesario para

abastecer cuatro sectores principales, agricultura, ganadería, consumo humano y minería. La

en su uso por el crecimiento poblacional

se tiene un uso humano y principalmente, económica al dotar de agua a medios productivos

como la agricultura ganadería y minería.

planeación, diseño, y evaluación de hidrosistemas, con base en la optimización del manejo de

principales en mi sector de estudio.

1.2 Objetivo General

1.2.1 Objetivo general