Documentos de Académico
Documentos de Profesional
Documentos de Cultura
10.1
Introduccin
De la referencia 9 extraemos los siguientes comentarios, con
ajustes para su adaptacin al presente texto.
ciertos
lo
159
1.
Distribucin binomial
Distribucin de Poisson
160
2.
3.
4.
5.
6.
Distribucin unifonne
Distribucin nonnal
Distribucin logartmico-normal
Distribucin Gamma
Distribuciones de valores extremos
a. Tlpo 1 o tipo exponencial (ley de Gumbel)
b. Tipo 11 o tipo Cauchy
c. Tipo 111 o distribuciones truncadas
Distribucin Chi cuadrado
* mtodos grficos
* mtodos cuantitativos:
10.3
test
test
test
test
Chi cuadrado
W
,
Student
de Kolmogoroff.
1959
1960
1961
1962
102 110
80 90
16 96
95 125
205
85
74
196
40
30
42
45
20
12
36
31
15
8
25
21
10
6
14
16
8
2
6
15
2
8
15
1
8
14
O
6
16
2
1988
97 116
91
50
28
19
12
11
12
116
Posiciones de Trazado
Una vez seleccionada la serie con la que se va a realizar el
anlisis de frecuencia se ordenan los valores de mayor a menor, prescindiendo del ao de ocurrencia:
1
2
220
196
116
n =
30
]8
A travs del tiempo diferentes autores han desarrollado frmulas para determinar posiciones de trazado (tabla 10.1).
De todas las frmulas propuestas la que mejor aceptacin ha te
nido hasta el momento es la de Weibul1. En el ejemplo:
m
1
2
3
220
196
116
0.032
0.064
0.097
JI '
15.5
10.3
= 30'
78
0.968
~-.:
1.03
E',y\
162
'30 aros
e.,
pro\'l\eCUD
TABLA 10.1
POSICIONES DE TRAZADO
N = 10
Nombre
Ao
California
1923
Hazen
1930
Weibull
1939
Chegodayev
1955
Blom
1958
Tukey
1962
Gringorten
1963
N
m
Probabilidad de
excedencia (P)
m
N
2m - 1
2N
m
N+ 1
m - 0.3
N + 0.4
m - 3/8
N + 1/4
3m - 1
3N + 1
m - 0.44
N + 0.12
m=5
m= 1
P
0.10
10
0.500
0.05
20
0.450
2.2
0.091
11
0.455
2.2
0.067
14.9
0.451
2.2
0.061
16.4
0.451
2.2
0.065
15.4
0.451
2.2
0.055
18.2
0.447
2.2
x
x
0x
x + K ox
P
y
1 - e
-y
-e
(10,1)
=a
(x - u)
Yn
a
Yn
x- - a x a
n
a
y tambin que Yn' an, son funciones slo del tamao de la mues
tra.
20
0.52
1.06
40
0.54
1.14
30
0.54
1.11
50
0.55
100
0.56
200
0.57
1.16
1.21
1.24
Reemplazando valores:
y = ax
au
= -!!.x
a
X
= -a nx
n (X'-
~
a
X
n-
- -
Yn
~)
a
n
+ Yn
a
x = -nx- + y - ya
a
n
x
x
x
JI.
'-
x+
--
y - Y
n
a
+ Ka
x
164
(10.2)
(10.3)
= 0.01
De la ecuacin 10.1:
Para n
= 40
y = 4.600
Yn
= 0.54
CI
= 1,14
De modo que:
K =
y - yn
= 3.55
CI
n
1 100,
Como T = TY
se indica K100 = 3.55
=
Ejemplo 10.2
Usando el registro de caudales que se acompaa, encontrar las
crecidas de los 10,100 Y 1,000 aos, utilizando la distribucin de Gumbel. Los caudales estn en pie 3 /seg.
Ao
Qmx
Ao
Qmx
Ao
Qmx
1969
1970
1971
1972
1973
1974
1975
36,600
69,900
99,000
76,200
62,600
44,200
49,200
1976
1977
1978
1979
1980
1981
1982
53,100
58,800
64,100
77,800
71 ,200
59,600
55,100
1983
1984
1985
1986
1987
1988
49,600
58,600
39,700
38,200
103,000
4Z,900
165
1
2
3
4
5
6
7
8
9
10
103,000
99,000
77 ,800
76,200
71 ,200
69,900
64,100
62,600
59,600
58,800
21.0
10.5
7.0
5.25
4.2
3.5
3.0
2.63
2.33
2.1'
Para n
= 20
11
58,600
55,100
53,100
49,600
49,200
47,900
44,200
39,700
38,200
36,600
1.91
1. 75
1.62
1.50
1.40
1.31
1.24"
1.17
1.11
1.05
12
13
14
15
16
17
18
19
n = 20
= 1.06
= 10
T = 100
P = 0.01
Y = 4.60
K
100 = J.85
P = 0.1
= 2.25
10 = 1.63
Y
K
Adems:
Yn = 0,52
on
Para
= 1,000
P = 0.001
Y ::;; 6.91
K
= 6.03
1000
-x = 60,720
x = 18,233.65
De modo que:
QI0
= 90,441
QI00
= 130,920
Q1000
111
10g x
= -~ 109 x
n
olog x = . /
Coeficiente de asimetra
Ag
( 109
x - 1o 'x) 2
n 1
.
puede
99.9
0.01
0.05 0.1
99.8
0.2
"
0.5
98
85
90
80
70
60
50
40
30
20
10
20
50
40
50
60
70
80
PA PEl
f)E
PROBA BILlDAD
NORMAL
10
90
95
98
0.5
99
0.2
99.8
0.1
99.9
0.05
0.01
99.99
PERIODO
II
1,2 1.31.41.5
DE
RETORNO
10
lO
90
( aol)
25
50
100
100
1000
I
I
,,
,
I
I
I
11
,
I
I
I
I
,,
,,
I
....a'l
:1
(Xl
'1
:1
o
o
:1
I
,:1
,
,
lO
",O
,
I
I
I
.
1
,
.1
.s
LO
10
lO
30.40
50
-2.0
-,.&
70
.:
_0.5
.6
97
11111111 11
0.5
PAPEL
95
P"O.".ILIO"O
.J
-'.0
:60
1.0
DE
1.5
1.0
25
VA.,A.LE
PRO B A B I L I DA D
3.0
RE OU
3.5
9.[-.m
'9
t9.5
99,8
99,7
99.51
.IOOJ
11 1 1111111
4.0
l' DA
DV GUMBEL
4.5
5,0
5.5
-6,0
4;.5
7.0
--
(l0.4 )
retorno,
de
1(}
aos
Coefi ci ente
de
asimetra
Ag
1,0101
99
80
pO
20
10
3,0
2,8
2,6
2,4
2,2
2,0
1,8
1,6
1,4
1,2
1,0
-0,667
-0,714
-0,769
-0,832
-0,905
-0,990
-1,087
-1,197
-1,318
-1,449
-1,588
-1,733
-1,880
-2,029
-2,178
-2,326
-2,472
-2,615
-2,755
- 2,891
-3,022
-3,149
-3,271
-3,388
-3,499
-3,605
- 3, 70'5
-3,800
-3,889
-3,973
-4,051
-0,636
-0,666
-0,696
-0,725
-0,752
-0,777
-0,799
-0,817
-0,832
-0,844
-0,852
-0,856
-0,857
-0,855
-0,850
-0,842
-0,830
-0,816
-0,800
-0,780
-0,758
-0,732
-0,705
-0,675
-0,396
-0,384
-0,368
-0,351
-0,330
-0,307
-0,282
-0,254
-0,225
-0,195
-0,164
-0,132
-0,099
-0,066
-0,033
0,420
0,460
0,499
0,537
0,574
0,609
0,643
0,675
0,705
0,732
0,758
0,780
0,800
0,816
0,830
0,842
0,850
0,855
0,857
0,856
0,852
0,844
0,832
0,817
0,799
0,777
0,752
0,725
0,696
0,666
0,636
1,180
1,210
1,238
1,262
1,284
1,302
1,31B
1,329
1,337
1,340
1,340
1,336
1,328
1,'317
1,301
1,282
1,258
1,231
1,200
1,166
1,128
1,086
1,041
0,994
0,945
0,895
0,844
0,795
0,747
0,702
0,660
2,278
2,275
2,267
2,256
2,-240
2,219
2,193
2,163
2,128
2,087
2,043
1,993
1,939
1,880
1,818
1,751
1,680
1,606
1,528
1,448
1,366
1,282
1,198
1,116
1,035
0,959
0,888
0,823
0,764
0,712
0,666
3,152
3,114
3,071
3,023
. 2,970
2,912
2,848
2,780
2,706
2,626
2,542
2,453
2,359
4,051
3,973
3,889
3,800
3,705
3,605
3,499
3,388
3,271
3,149
3,022
2,891
2,755
2,615
2,472
2,326
2,178
2,029
1,880
1,733
1,588
1,449
1,318
1,197
1,087
0,990
0,905
0,832
0,769
0,714
0,667
0~8
0,6
0,4
0,2
-0,2
-0,4
-0,6
-0,8
-1,0
-1,2
-1,4
-1,6
-1,8
-2,0
-2,2
-2,4
-2,6
-2,8
-3,0
1,2500
Ni vel
~0,'()43
-0,609
-0,574
-0,537
-0,499
-0,460
-0,420
2
de
0,033
0,066
0,099
0,132
0,164
0,195
0,225
0,254
0,282
0,307
0,330
0,351
0,368
0,384
0,396
169
probabil i dad,
25
50
100
porcentaje
~,261
2,159
2 ,O5~
1,945
1,834
1,720
1,606
1,492
1,379
1,270
1,166
1,069
0,980
0,900
0,830
0,768
0,714
0,666
El mtodo con s i s te en p1otea r 2 puntos (Q, T) y traza r 1a lnea recta que los une, en papel de 'probabilidad log-normal. Se
prolonga esta recta para encontrar el caudal con perodo de re
torno grande.
10.3.4
Eventos Histricos
Algunas veces, las posiciones de trazado calculadas deben ser
modificadas. Esto sucede cuando existen antecedentes histricos que permiten suponer que en el lugar en estudio han ocurri
do crecidas que vale la pena tomar en cuenta.
Veamos
tres
ejemplos de casos en que hay que considerar eventos histricos.
Primer Caso:
Se tiene el registro de los ltimos 30 aos, pero se sabe
la mayor crecida de este perodo es la mayor ocurrida en
ltimos 80 aos. A la mayor crecida del perodo habr
asignarle una probabilidad de 1/81. Para la segunda mayor
cida el clculo se hace en forma normal (2/31, etc).
que
los
que
cre
Segundo Caso:
Se tiene el registro de los ltimos 30 aos, pero se sabe que
en 1909 hubo una creci da, de magnitud conoci da, que es 1a mayor hasta la fecha (80 aos). La probabilidad de esta crecida
ser 1/81. Para las crecidas medidas el clculo se hace en
forma normal.
Tercer Caso:
Se tiene el registro de los ltimos 30 aos, pero se sabe que
en 1909 ocurri una crecida, de magnitud conocida, que es la
segunda ~n orden de magnitud en relacin con las medidas. Las
probabilidades se calculan asE
1/81
mayor ,cred da de todas
segunda crecida de todas
2/81
2/31
~egunda crecida. del re~istro
tercera crecida del rgistro
3/31, etc
10.3.5 Longitud de Registro
2.33
10
25
50
100
Precisin 10%
80% de 1as
veces
95% de las
veces
80% de las
veces
95% de 1as
veces
8
12
15
12
18
31
39
48
25
38
75
90
100
40
90
105
110
115
Probabilidad de
Dise~o
bucin 10g-Pearson tipo 111; o mejor aun, con las dos a fin de
tomar el promedio.
El perodo de retorno se ha venido manejando como un valor medio. Es decir, el suceso son perodo de retorno de T aos ser excedido una vez cada T aos en promedio; pero tambin ser
excedido en ms de la mitad de las veces en una serie de
T
aos.
Aclaremos. Supongamos un evento de T = 10 aos; la probabilidad de no excedencia en un ao cualquiera es (1-0.1) = 0.9 Y
la probabilidad de no excedencia durante un perodo de 10 aos
es 0.9 10 = 0.35. O 10 que es 10 mismo, la probabilidad de excedencia de un suceso con un perodo de retorno de 10 aos en
un perodo de 10 aos es 65%.
La frmula a usar es pues:
(1 _ p)n
(1
= probabilidad de no excedencia
1 n
- )
n '"
= probabilidad de no excedencia
(10.5)
Con la 10.5 puede calcularse el perodo de retorno a usar asociado a un perodo de diseo o vida til y a un nivel de proba
bilidad asignado. As es como se ha construido la tabla 10.4TABLA 10.4
Perodo de
diseo (n)
2
5
10
20
30
50
100
PERIODOS DE RETORNO
Probabilidad de no exceder
0.01
0.25
0.50
0.75
1.1
1.7
2.7
4.9
7.0
11.4
22.2
2.0
4.1
7.7
14.9
22.2
36.6
72.5
3.4
7.7
14.9
29.4
43.0
72.0
145.0
7.5
17.9
35.3
70.0
105.0
175.0
345.0
0.99
200
498
996
1,990
3,330
5,000
10 ,000
Toma de decisin
El estudio de las avenidas de largo perodo de retorno tiene
una aplicacin importante en el funcionamiento de los vertederos de demasas de las presas de embalse. Por esta razn el
breve comentario que sigue se refiere a estas obras.
La seleccin de la magnitud de la avenida de proyecto es algo
sumamente complejo y que debe ser encarado por ingenieros exp~
rimentados en estudios de avenidas. Bsicamente se toman en
consideracin los efectos derivados de un eventual fracaso de
la obra. La determinacin de los daos probables no debe limi
tarse a las condiciones que existen en la poca de la constru~
cin. Deben, por el contrario, evaluarse los futuros aprovechamientos en la llanura de inundacin aguas abajo, como viviendas, granjas, caminos, puentes y otros.
Las presas que forman grandes vasos, construidos en los
ros
principales, con un elevado potencial de escurrimiento, sin d~
da pueden considerarse en la categora de muy peligrosas.
En
estos casos deber asumirse un criterio conservador, tomando
como base que no se podra tolerar una falla debido a la prob~
ble prdida de vidas y debido a los daos potenciales que pueden alcanzar las proporciones de una catstrofe. En cambio,
las pequeas presas construidas en corrientes aisladas
en
reas rurales, donde la falla ni amenaza la vida humana ni pro
ducira daos mayores, se pueden considerar en la categora de
poco riesgo. En este caso, el criterio de diseo se puede establece~ en una base mucho menos conservadora.
En ios Estados Unidos, los vertederos de demasas de las grandes presas, cuando existe un gran peligro de vidas humanas,
son diseados para la creciente ms desfavorable posible llamada creciente mxima probable (CMP). La experiencia demuestra que la OMP es mayor que aquellas que pueden ser obtenidas
utilizando el anlisis de frecuencia. A la CMP no se le puede
asignar una probabilidad realista ni es susceptible de un estu
dio econmico; el anlisi~ debe estar basado en la decisin de
dar la msima proteccin. La Ct~P es muy grande y casl siempre
superior a las posibilidades de control; su consideracin en
el estudio slo sirve para eliminar la posibilidad adicionalde una falla repentina en la presa; aparte de la proteccin de
vidas humanas puede ser til, por ejemplo, colocar las plantas
de agua potable, as como otros servicios pblicos, por encima
del nivel de la CMP.
La obtencin de la CMP es un proceso largo, laborioso y costoso. Se determina a partir de la precipitacin mxima probable
(PMP). La PMP se puede obtener a partir del anlisis de precuencia de las precipitaciones mximas. A partir de la
PMP
puede obtenerse la CMP mediante tcnicas hidrolgicas consistentes en el uso de modelos lluvia-escorrenta e hidrogramas
unitarios. Se requiere mucha experiencia. Las condiciones ex
tremas sern condiciones antecedentes muy hmedas, hidrograma
unitario con pico muy pronunciado y embalse lleno al presentar
se la tormenta.
-
173
3.
Las precipitaciones mximas diarias siguen la ley de Gumbel o valores extremos tipo l.
La lluvi2 media diaria sobre una cuenca tiene por gridex
el promedio de los grdex de las subcuencas.
Se entiende por gridex a la pendiente de la recta precipi
taci6n-probabilid'ad en un papel probabilstico de Gumbel-::Se demues.tra que es igual a la razn 0x/on'
La retencin, a medida que aumenta la lluvia, tiende hacia
un lmite superior, funci6n de las caractersticas de la
cuenca y de la humedad del suelo. A medida que se alcanza
un equilibrio entre el volumen de agua que llueve y el escurrido todo incremento de precipitacin tiende a producir
un aumento igual de volumen escurrido.
x = x +
y - y
3.
En base a correlaciones se extienden los registros de corta duracin para que abarquen un perodo igual al perodo
comn elegido.
4.
Se numeran las crecidas para cada estacin segn su magnitud, asignndole el nmero 1 a la mayor.
5.
6.
representar la lon
diagrama se elige
va a hacer el estu
elegir el perodo
8.
9.
En base a los datos de las crecidas ndice para cada estacin y a las caractersticas fsicas y meteorolgicas de
cada cuenca determinar una ecuacin de regresin con Qi c~
mo variable dependiente. Las caractersticas fsicas y m~
teoro1gicas de las cuencas son mltiples y de difcil eva
1uacin. Afortunadamente se ha demostrado en la prctica
que en la mayora de las regiones se obtiene una buena correlacin utilizando nic.amente el rea de la cuenca como
va~iab1e independiente.
O
10. Uti 1izando las curvas detenni nadas en 8 y 9 se puede obte:ner una curva de frecuencia para cualquier seccin dentro
de la regin en estudio.
10.3.9
ms
El caso ideal 10 constituye la cuenca con estacin de aforo en el punto de inters y estaciones pluviomtricas repartidas, una de las cuales por 10 menos es registradora.
Se puede en tal caso aplicar el anlisis de frecuencia
a
los caudales y volmenes extremos y tambin se puede hacer
el anlisis de los hidrogramas de crecidas.
b)
c)
Igual que los casos a) y b), slo que los caudales no son
medidos sino inferidos a partir de valores medidos en el
mismo ro, aguas arriba y/o aguas abajo del punto de inters. Se aplican los mismos mtodos. Se hace notar que de
ben evitarse los anlisis de frecuencia de caudales con va
lores inferidos de otras cuencas.
d)
e)
f)
Igual que el anterior, pero sin ninguna estacin registradora. Se puede estimar la escorrenta directa con los datos de suelos y cubierta vegetal .. Es posible, adems, uti
1izar el hidrograma bsico pay'a obtener el hidrograma aproximado de la avenida.
g)
La cuenca no posee ningOn tipo de estacin. Se puede utilizar el mtodo de la seccin y la pendiente para estimar
el caudal mximo de la corriente. Se puede tambin realizar un anlisis de frecuencia regional. Es posible adems
utilizar el hidrograma sinttico para generar el hidrograma aproximado de la avenida.
177
l.
especiale?
hmeda
topogrfica
Las descripcianeshechas en este texto, acerca de las avenidas, se refieren al caso general de avenida~ que resultan de las precipitaciones pluviales sobre una cuenca sin
deshielos. Hayacasiones, ~.in embargo, en que los eSCl,Jrri
mientos producidos por los deshielos son una catacter$ti~
ca dominante, E~ estos. casos el gasto de la corriente prO
veniente de los; deshielos puede ser grande y debe aadirse
al gasto caH:ulado para la lluvia. Adems, cuando se esti
me el escurrimi ento produci do por ] as 11 uv i as en
es tas
reas, debe considerarse que parte de la cuenca est cu178
El anlisis de frecuencia de valores medios (por ejemplo, gastos medios ~ensuales, precipitaciones anua1es,vo1amenes de
escorrentfa,
etc) se efecta con distribuciones como la normal o lag normal.
-
2.
3.
4.
5.
En
de
ra
de
(A)
perodo
P (y . x)
P{x}
p(y)
= ~~~~
= P(x) , P(y/x)
180
d~
Xb
Xm
-1
SUbCOnjUnto y
Evento sobre uno magnitud Xm
Subconjunto x
Evento sobre uno magnitud Xb
..
Espacio
1
j
total de n eventos
..1
= ~
manera
P(y/x)
hacie~do
xb=O,
(10.6)
Curvas intensidad-duracin-frecuencia
En el apartado 2.7 se describi la forma de obtener las curvas intensi
dad-duracin-frecuencia. En el manejo de la frmula racional (aparta~
do 7.3) se vi la aplicacin de estas curvas para obtener el valor de
i que entra en dicha frmula.
Lamentablemente, los registros pluviogrficos son escasos, de modo que
el procedimiento descrito para obtener las curvas pocas veces eS aplicable en la prctica. Esta situacin ha llevado a algunos investigad~
res a buscar procedimientos que permitan superar tal deficiencia, apro
vechando al mximo la informacin realmente existente. Frederich BelT
(1969) public un trabajo en el cual generalizaba las curvas
intensi
dad-duracin-frecuencia, a partir de datos recogidos principalmente e
Estados Unidos. El argumento fsico en que se apoy es el hecho
de
que las lluvias extremas de menos de dos horas de duracin se deben a
tormentas de tipo convectivo, las cuales poseen caractersticas simila
res en totlas las regiones del mundo.
La expresin matemtica propuesta por Be11 es la siguiente:
p
t
T
T
Pt
(0.21
(10.7)
duracin en minutos
perodo de retorno en aos
precipitacin cada en t minutos con perodo de retorno T
aos.
80 1,
60 l'..'\.
11.'-.'-."
\\.'\."-
"
o \\"\
.
o
2
1'\.
'"
r\"
""'-"
"" f'-,
~
b..
~ ~ 1\1"-
~1\"
"-
IV'
""
..
..
e
E
o
f'r-
1"-
1"183 diOs
."~
'\.
\'\
i'-.
Q.
t'--,.
'O O,8I
o
...........
l'
"
"~ "
\, '\
.........
o,
"\
f'
"
"\
'"
"\ lIios
l'
l i d o
110 p
1,01
1,1 1,2
1,5
GI
-{),05
r----
"U
411
o....
1':
~ Rt OA lNo IN
I os
I
2
3 4 5 6 8 10
0,02
.g
8
:l
- 0,01
r--- -
"",
.1"-
o, 2
PE
c;
Q.
__ o
20 dlol -
o, 4
- 0,1
30 dios
t::.
1' ......
O,1
0,2
6Od(os
"V
t's;
12C dos
'\. "-
t- 0,5
1'-
" r-...
.~
.~
"V
20 30 40
Introduccin
Sea una variable x. Si el comportamiento de x puede predecirse con certeza, x es una variable detenninstica. sr no, x es
una variable aleatoria o random, pudiendo decirse que x est
gobernada por las leyes de la probabilidad.
Asumamos ahora que el comportami ento de x puede observarse de
manera secuencial Xl' X2' ... , en que los subndi ces representan 4ntervalos de tiempo. Dicha secuencia se llama serie de
tiempo. A estas series nos referimos en este apartado.
Las series de tiempo son series estocsticas. Y el juego de
variables aleatorias Xl' X2' ... , asociadas segn su distribucin de probabilidad se llama proceso estocstico. El trmino
estocstico tiene pues una significacin ms amplia que el tr
mino probabilsticn.
~
los procesos estocsticos en hidrologa pueden representarse
de dos maneras, en forma discreta (fig. a) o en forma continua
(fig . b). siendo la segunda la ms comn.
X:t
+----------t
Fig. a
Fig. b
a 2
t
::z:
Considerando dos poslclones cualesquiera t y t-K, la covarianza entre las variables Xt y Xt-K se representa por:
Cov(K)
Cov(x , x _ )
t
t K
li-
con parmetros e = {el' 82, ... } vlidos p~ra todas las posiciones t = 1,2 ... Y sin ninguna dependencia entre xl' X2'
Por ejemplo, si x es normal con promedio u y varianza
modelo de la serie de tiempo puede escribirse:
t
= 1, 2 ...
02,
el
(JO.8)
(10.9)
185
(nmero
1)
y la secuencia
2)
Modelo de autorregresin
del
Este modelo de proceso estocstico ~xpresa el valor
proceso en el instante t, como una combinacin lineal de p
valores anteriores y de una variable aleatoria at con valor esperado cero y varianza oa 2 conocida.
Sea
Z, Zt_l'
Z = lt -
Zt_p
u
Entonces el proceso
Zt
= ~ 1 Zt_l
(l0.11)
<P2'
tPl'
un
(10.12)
(10.13)
estimados.
Modelos no estacionarios
Se trata de una generalizacin de los modelos previamente
mencionados. Se trata de representar series cuyo comporta
miento no es estacionario y en particular que no varan en
torno a un valor medio, pero que sin embargo tienen
un
cierto tipo de comportamiento homogneo.
Un proceso de esta naturaleza puede ser representado porque sus diferencias de orden d conforman un proceso estacionario tipo ARMA, es decir si
Wt
vd Zt
188
= <1>1 W _ + .. + qpWt_p + a
t 1
La Funcin de Autocorre1acin
La funcin de autocorre1acin mide la dependencia lineal
que
existe entre la serie dada y la misma'serie desplazada en el
tiempo.
Este concepto permite analizar una serie de tiempo e identificar parcialmente el proceso subyacente si la funcin de autocorrelacin tiene la estructura esperada.
Para definir formalmente la funcin de autocorre1acin o corre
10grama es necesario definir previamente la autocovarianza para un desplazamiento K:
YK = E I (Zt - u) (Zt+K - u)
(10.15 )
K = 0,1,
U)2
(10.16 )
corre1ograma~
(10.17)
N-K
(la .18)
t=l
K = 0,1,2, ...
1
=N
N
L
t=l
Zt
2.
aplic~
los
reservo-
2)
3)
10.7.5
= Qo
Qt
Qo
K
-Kt
Z.1 Z
Z=~
(Z.1 - 1 -
Z)
E
1
promedio de Zi
coeficiente de autorregresin o coeficiente autorregres ivo
componente estocstica independiente.
~
E
Se demuestra que;
~
= e-K
Ejemp lo 10.4
Justificacin fsica de los modelos autorregresivos de promedios mviles (ARf~A) para simulacin de caudales.
precipitacin
Xt
evo porocin
b Xt
O.c;.o,b,c~1
O",o+b.,,;:1
escorrenti'o superficial
(I-a-b) XtcdXt
- ---
-- -
-,..---
aguo 8ubterraneo
c S t-I
flujo anual en el ro
rrenta directa.
(10.20)
Combinando 10.19 Y 10.20 Salas y Smith (referencia 10) encontraron que el modelo para el flujo anual Zt puede escribirse
como:
Zt
= (1-c) Zt_1
+ dX t -/ d(l-c) -ac/ Xt _1
(10.21 )
que tiene la forma de un modelo ARMA (1, 1) cuando la precipitacin anual es una serie independiente.
192