ANÁLISIS Y MODELO DE PRONÓSTICO AUTOREGRESIVO INTEGRADO DE

MEDIAS MOVILES PARA LOS CAUDALES AFLUENTES AL EMBALSE DE LA

CENTRAL HIDROELÉCTRICA CHIXOY, GUATEMALA

Byron Albero Felipe Ajuchán

Maestría en Estadística Aplicada
Análisis de series temporales
Escuela de Estudios de Postgrado, Facultad de Ingeniería
Universidad de San Carlos de Guatemala

Resumen Abstract

En el presente trabajo se analizó el In this work, the behavior of the time series of
comportamiento de la serie temporal de caudales monthly average flows of tributaries to the Chixoy
promedios mensuales de caudales afluentes a la hydroelectric power plant was analyzed, an
central hidroeléctrica Chixoy, se realizó un ajuste adjustment was made to an ARIMA model (p, d,
a un modelo ARIMA (p,d,q) con el cual se realizó q) with which a forecast of 24 values was made (2
un pronostico de 24 valores (2 años) y se years) and the diagnostic test of the model was
realizaron test de diagnóstico del modelo. analyzed.

Se desarrolla un modelo ARIMA (12,0,12) con
base en el histórico de caudales desde 1963 hasta
el 2018. El modelo brinda resultados coherentes
para valores medios y altos, pero genera valores
extremos bajos para los meses de caudales bajos.
El modelo cumple con la distribución aleatoria de
los residuos estandarizados, con una distribución
adecuada de la función de autocorrelación de los
residuos y con el test de significancia de los
coeficientes, pero presenta inconvenientes con la
prueba de normalidad de Shapiro Wilk aplicada a
los residuos y con el ajuste de los residuos en la
gráfica qq plot.
Palabras clave
ARIMA, serie estacionaria, ACF, PACF, residuos,
tendencia, estacionalidad, aleatoriedad.
An ARIMA model (12,0,12) is developed based on
the historical flow rates from 1963 to 2018. The
model offers consistent results for medium and
high values, but generates low extreme values for
the low flow months. The model complies with the
randomized distribution of the standardized
residues, with an adequate distribution of the
autocorrelation function of the residues and with
the coefficient significance test, but it presents
problems with the Shapiro Wilk normality test
applied to the residues and with the adjustment of
the residuals in the plot qq-plot.
Keywords
ARIMA, stationary series, ACF, PACF, waste, trend,
seasonality, randomness.
Introducción
El objetivo del análisis y modelado desarrollado es
conocer el comportamiento de los caudales
promedio mensuales afluentes a la central
hidroeléctrica Chixoy y crea un modelo que
permita desarrollar pronósticos coherentes y
acertados como ayuda a la toma de decisiones en
la planificación de modelos de negocio en el sector
energético de Guatemala. Dado que la central
hidroeléctrica Chixoy es la más importante del país
conocer el comportamiento histórico y tener
disponibles pronósticos de la disponibilidad de
energía genera una ventaja competitiva en
estrategias de negocios.
En el estudio se realizó un análisis un gráfico del
comportamiento de la serie y su descomposición
por medio del modelo aditivo, se verifico
estacionalidad por medio de la prueba de Dickey-
Fuller y posteriormente se realizó un ajuste a un
modelo ARIMA (p,d,q) al cual se le realizaron
pruebas graficas y analíticas por medio de sus
residuos.
Metodología
Se inicio el proceso con la obtención de los datos
históricos de los caudales promedios mensuales
afluentes al embalse de la central hidroeléctrica
Chixoy. La fuente de información es la base de
datos del modelo de planificación SDDP del
Administrador del Mercado Mayorista, institución
encargada de la planificación de la operación de
las centrales eléctricas de Guatemala. Se obtuvo
la información a partir del año 1963 hasta el año
2018.
Inicialmente se realizó un análisis visual de la
composición de la serie de tiempo de caudales,
realizado su descomposición por el modelo aditivo
utilizando el software R, obteniendo la
componente de tendencia, estacionalidad y
aleatoriedad presentes en la serie. El modelo
aditivo se expresa como:
𝑌𝑡 = 𝑇𝑡 + 𝑆𝑡 + 𝐶𝑡 + 𝐼𝑡 (Ec. 1)
donde:
𝑌𝑡 es el valor de la serie de tiempo para el
periodo 𝑡.
𝑇𝑡 es la tendencia.
𝑆𝑡 es la variación estacional.
𝐶𝑡 es la variación cíclica.
𝐼𝑡 es la variación aleatoria o irregular.
Posteriormente se hizo un análisis de los valores
atípicos presentes en la serie por medio de una
gráfica de box plot. Para este ensayo no se
realizaron sustituciones de los valores atípicos y se
analizó y modeló la serie con los valores originales.
Dado que se desea realizar un modelo ARIMA se
realizó la prueba Dickey-Fuller de busca
determinar la existencia o no de raíces unitarias
en la serie de tiempo y con ello saber si se trata
de una serie estacionaria. Las hipótesis planteadas
fueron:
Ho: La serie es no estacionaria: Tiene raíz unitaria
H1: La serie es estacionaria: No Tiene raíz unitaria
Se manejo un nivel de significancia de α = 0.05.
Posteriormente se analizaron las funciones de
autocorrelación ACF y autocorrelación parcial
PACF, la cuales dieron indicios de las magnitudes
de los rezagos p y q.
Con el análisis previo de la serie se procedió a
estimar un modelo ARIMA (p,d,q) por medio del
software r. Se obtuvieron los coeficientes del
modelo y se obtuvo un pronóstico de 24 períodos.
Finalamente se procedió con la validación del
modelo. Utilizando para ello la gráfica de los
residuos estandarizados, la función de
autocorrelación de los residudos, la gráfica QQ plot
y el test de Ljung Box para la significancia de los
rezados empleados manteniendo un nivel de
significancia de α = 0.05. Para finalizar se realizó
el test de Shapiro-Wilk para evaluar la normalidad
de los residuos.

Resultados
La prueba de Dickey-Fuller se realizó utilizando el
software R dando los siguientes resultados.
La descomposición de la serie mostrada en la
siguiente figura permite observar que no se tiene
una tendencia definida para la serie, una
componente de estacionalidad alta y una
aleatoriedad uniforme exceptuando algunos
valores de la serie.

El valor del estadístico es -13.0036, con un valor

p mayor a 0.05 por lo que la hipótesis nula se
rechaza: La serie es estacionaria.

El análisis de las funciones de autocorrelación y

autocorrelación parcial se muestra a continuación:

Dado que se observó variaciones importantes en

la aleatoriedad de la serie se analizó a existencia
de valores atípicos por medio de una gráfica de
box plot la cual permite observar que se tienen
valores atípicos principalmente valores extremos
altos contenidos dentro de la serie, tal como se
muestra a continuación:
Puede observarse que existe algún grado de
estacionalidad en la función de autocorrelación
simple ACF. Esta función nos brinda indicios sobre
el nivel de los rezagos q correspondiente a las
medias móviles.
La función de autocorrelación parcial PACF permite Gráficamente:
obtener indicios sobre el nivel de los rezagos p
correspondientes a la parte autorregresiva del
modelo. Como se observa en la siguiente figura
existen rezagos importantes correspondientes a
etapas anuales.

Finalmente se realizó la prueba de diagnóstico de

modelo donde se pudo verificar que los residuos
estandarizados se distribuyen aleatoriamente
alrededor del cero, la función de autocorrelación
de los residuos muestra aleatoriedad y el tes de
Ljung-Box valida los valores al tener un p valor
mayor al nivel de significancia de 0.05.

Finalmente se realiza la estimación del modelo

ARIMA (12,0,12) obteniendo lo siguientes
coeficientes:

El modelo permite obtener valores pronosticados

para la variable, para este ensayo se obtuvieron El grafico qq plot y la prueba de Shapiro Wilk.
24 valores. no muestra normalidad en los residuos.
Síntesis conclusiva

El análisis desarrollado sobre la serie de tiempo de

caudales promedio mensuales afluentes al
embalse de la central hidroeléctrica Chixoy
muestran que es una serie estacionaria con una
marcada estacionalidad, una tendencia no definida
y una componente aleatoria constituida por gran
cantidad de valores extremos altos.

El modelado de la serie de caudales por medio de

un modelo ARIMA (12,0,12) muestra resultados
coherentes para valores medios y altos, pero
genera extremos para valores bajos.
Para el modelo ARIMA (12,0,12) se tiene un
diagnostico aceptable con base en la grafica de
residuos estandarizados, la función de
autocorrelación de residuos y el test de Ljung-Box,
sin embargo, los residuos no muestran estar
distribuidos normalmente al aplicar el tes de
Sapiro Wilk y en su distribución en la gráfica de
qq-plot.
Se considera apropiado ajustar un nuevo modelo
de tipo SARIMA o ARIMA con otros ordenes de
retardo con la finalidad de validar por completo las
pruebas de normalidad a los residuos.
Información del autor
Byron Alberto Felipe Ajuchan
Maestría en Estadística Aplicada, Guatemala,
Universidad de San Carlos de Guatemala, 2019.
Postgrado en Energía Renovables y Eficiencia
Energética, Guatemala, Universidad Galileo,
2019.
Postgrado en Mercados Eléctricos, Guatemala,
Universidad de San Carlos de Guatemala, 2017.
Licenciatura en Ingeniería Eléctrica, Guatemala,
Universidad de San Carlos de Guatemala, 2016.

También se tiene que tener presente que para una

validación completa del modelo y para su
comparación con otros ajustes debe evaluarse
alguna medida de los errores en el pronóstico.

Referencias bibliográficas

Chung, V. (2016) Modelo ARIMA. RPubs.

https://rpubs.com/vchung/arima_ejemplo

Ferrero, R. (2011) ARIMA: Modelos no estacionarios

estacionales. https://statisticalecology-st.blogspot.com