Hidrologia Estocastica Mdelo Generacion Sintetica Series Temporales

MODELO AUTORREGRESIVO BILINEAL
APLICADO A LA PREDICCIN MENSUAL

DE CAUDALES EN COLOMBIA
MODELO AUTORREGRESIVO BILINEAL APLICADO A LA PREDICCIN MENSUAL DE

CAUDALES EN COLOMBIA
JUAN DAVID CADAVID ALZATE
UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE MINAS
MEDELLN
2009
FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

TRABAJO DIRIGIDO DE GRADO INGENIRA CIVIL

MODELO AUTORREGRESIVO BILINEAL APLICADO A LA PREDICCIN MENSUAL DE

CAUDALES EN COLOMBIA

Estudiante de Ingeniera Civil
PROFESOR DIRECTOR
LUIS FERNANDO CARVAJAL SERNA
Profesor asociado de la Universidad Nacional, I. C. y M. Sc.
UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE MINAS
ESCUELA DE GEOCIENCIAS Y DE MEDIO AMBIENTE
MEDELLN
2009


A mis padres por su gran apoyo durante el tiempo que estudie

A July Andrea Gmez por su acompaamiento y apoyo moral
A mis hermanos
A mi familia
A mis amigos.


AGRADECIMIENTOS
El autor expresa sus agradecimientos a:

Lus Fernando Carvajal Serna, profesor asociado de la Universidad Nacional de Colombia, sede de
Medelln, Facultad de Minas y director del trabajo dirigido de grado, por su motivacin y constante
orientacin.
Al ingeniero Andrs Felipe Hurtado Montoya por su valiosa colaboracin y participacin en el trabajo.
A los Seores German Poveda Jaramillo, Andrs Ochoa y Jaime Ignacio Vlez, profesores asociados
de la Universidad Nacional de Colombia, sede de Medelln, Facultad de Minas por sus aportes durante
el desarrollo del trabajo.
A todas aquellas personas que colaboraron en el desarrollo del presente trabajo.


TABLA DE CONTENIDO
RESUMEN
ABSTRACT
1
INTRODUCCIN
1-1
MARCO TERICO
2-1
2.1
MODELOS AUTORREGRESIVOS DE ORDEN P, AR (P)
2-1
2.2
MODELO BILINEAL SIMPLE ESTOCSTICO
2-2
2.3
2-4
2.3.1
Independencia de los Modelos
2-5
2.3.1.1 Independencia del Modelo Autorregresivo
2-6
2.3.1.2 Independencia del Modelo Bilineal
2-6
DESCRIPCIN DE LA INFORMACIN
3-1
3.1
CARACTERISTICAS DEL REGIMEN DE CAUDALES EN COLOMBIA
3-1
3.1.1
Regin del Caribe
3-1
3.1.2
Region Andina
3-2
3.1.3
Regin Orinoquia
3-2
3.2
UBICACIN Y REGISTRO DE CAUDALES MEDIOS MENSUALES
3-2
APLICACIN DEL MODELO AUTORREGRESIVO

BILINEAL A LA PREDICCIN MENSUAL DE CAUDALES EN COLOMBIA
4-1
4.1
VALIDACIN DEL MODELO AUTORREGRESIVO BILINEAL
4-1
4.1.1
Ro Bat
4-2
4.1.2
Ro Guadalupe
4-2


4.1.3
Ro Guatap
4-3
4.1.4
Ro Guavio
4-3
4.1.5
Ro Magdalena
4-4
4.1.6
Ro Miel
4-4
4.1.7
Ro Nare
4-5
4.1.8
Rogrande
4-5
4.1.9
Ro Salvajina
4-6
4.1.10 Ro San Carlos
4-6
4.1.11 Ro San Lorenzo
4-7
4.1.12 Ro Urra
4-7
4.1.13 Error porcentual de la validacin
4-8
CONCLUSIONES
5-1
BIBLIOGRAFA
6-1
ANEXOS
A1-1
LISTA DE TABLAS
Tabla 3-1
Registro de serie de caudales medios mensuales
3-4
Tabla 3-2
Ciclo medio anual serie de caudales (m3/s)
3-4
Tabla 4-1
Periodo seleccionado para calibracin y validacin del modelo
4-1
Tabla 4-2
Errores porcentuales en el periodo de validacin para las ventanas de 3, 6 y 12 meses 4-8
Tabla A 1-1 Errores porcentuales en el periodo de validacin para las ventanas de 3, 6 y 12 meses A1-2


LISTA DE FIGURAS
Figura 3-1
Ubicacin de serie de caudales medio mensuales
3-3
Figura 3-2
Ciclo medio anual de las estaciones de caudales Bat, Guavio, Salvajina y Miel
3-5
Figura 3-3
Ciclo medio anual de las estaciones de caudales Urra y Magdalena
3-5
Figura 3-4
Ciclo medio anual de las estaciones de caudales Guatap, Guadalupe y San Carlos
3-6
Figura 3-5
Ciclo medio anual de las estaciones de caudales Nare, Rogrande y San Lorenzo
3-6
Figura 4-1
Validacin del ro Bat para las ventanas de 3, 6 y 12 meses
4-2
Figura 4-2
Validacin del ro Guadalupe para las ventanas de 3, 6 y 12 meses
4-2
Figura 4-3
Validacin del ro Guatap para las ventanas de 3, 6 y 12 meses
4-3
Figura 4-4
Validacin del ro Guavio para las ventanas de 3, 6 y 12 meses
4-3
Figura 4-5
Validacin del ro Magdalena para las ventanas de 3, 6 y 12 meses
4-4
Figura 4-6
Validacin del ro Miel para las ventanas de 3, 6 y 12 meses
4-4
Figura 4-7
Validacin del ro Nare para las ventanas de 3, 6 y 12 meses
4-5
Figura 4-8
Validacin de Rogrande para las ventanas de 3, 6 y 12 meses
4-5
Figura 4-9
Validacin del ro Salvajina para las ventanas de 3, 6 y 12 meses
4-6
Figura 4-10 Validacin del ro San Carlos para las ventanas de 3, 6 y 12 meses
4-6
Figura 4-11 Validacin del ro San Lorenzo para las ventanas de 3, 6 y 12 meses
4-7
Figura 4-12 Validacin del ro Urra para las ventanas de 3, 6 y 12 meses
4-7
Figura 4-13 Errores mnimo, medio y mximo del periodo de validacin para la ventana de 3 meses
4-9
Figura 4-14 Errores mnimo, medio y mximo del periodo de validacin para la ventana de 6 meses
4-10
Figura 4-15 Errores mnimo, medio y mximo del periodo de validacin para la ventana de 12 meses 4-11
Figura A1-1 Errores mnimo, medio y mximo del periodo de validacin para la ventana de 3 meses

A1-3

Figura A1-2 Errores mnimo, medio y mximo del periodo de validacin para la ventana de 6 meses
A1-4
Figura A1-3 Errores mnimo, medio y mximo del periodo de validacin para la ventana de 12 meses A1-5
LISTA DE ANEXOS
A1
MODELO AUTORREGRESIVO EN LA PREDICCIN MENSUAL


A1-1

RESUMEN
La alta no linealidad de los procesos hidrolgicos y la necesidad de prediccin de las variables en una
cuenca requieren de una bsqueda y estudio continuo de modelos de prediccin. En Colombia durante
los ltimos 20 aos se han explorado nuevas lneas de trabajo a parte de los modelos estocsticos. Estas
lneas comprenden modelos en Redes Neuronales Artificiales, Anlisis Espectral Singular, Modelos de
ajuste no lineal por partes, Modelos de onditas, y alternativas de modelos estocsticos autorregresivos
como los modelos dependientes del rgimen o modelos con variables exgenas. Como cualquier
modelo, estos presentan incertidumbre y el mejoramiento de la capacidad predicativa es fundamental.
Por esto se propone el estudio de un modelo Autorregresivo bilineal para la prediccin de caudales
para estudiar su desempeo.
Palabras clave:
Procesos Hidrolgicos, Modelos Estocsticos, Variables Exgenas, Modelo Autorregresivo Bilineal,
Prediccin, Colombia.


ABSTRACT
The high nonlinearity of hydrological processes and the need to predict the variables in a watershed
requires a continuous search and study of prediction models. In Colombia during the past 20 years have
explored new areas of work of the stochastic models. These lines include models in Artificial Neural
Networks, Singular Spectral Analysis, Modeling non-linear adjustment in part onditas models and
alternative models such as stochastic autoregressive regime-dependent models or models with
exogenous variables. Like any model, the present uncertainty and improve the predicative ability is
essential. For this study proposes a bilinear autoregressive model for the prediction of flow rates to
study their performance.
Keywords:
Hydrological Processes, Stochastic Models, Exogenous Variables, Bilinear Autoregressive Model,
Forecasting, Colombia.


INTRODUCCIN
Los modelos de prediccin de caudales son importantes desde todos los puntos de vista hidrolgicos
debido a que nos ayudan generar series sintticas y a partir de estas tomar decisiones de tipo
econmico, social y ambiental para las empresas generadoras de energa (Sector Elctrico Colombiano,
SEC).
Actualmente existen muchos modelos para la simulacin de caudales, entre ellos estn: Redes
Neuronales Artificiales, Anlisis Espectral Singular, Modelos de ajuste no lineal por partes, Modelos
de onditas, Modelos Adaptativos de regresin Mltiple y Modelos Autorregresivos, adems de
modelos derivados de estos. Estos modelos trabajan bajo condiciones de correlacin entre los caudales,
el clima caracterstico de la zona de ubicacin de las estaciones y las variables macroclimticas.
Por lo tanto en el presente trabajo se hace el estudio de un modelo hibrido Autorregresivo Bilineal, un
modelo compuesto por una parte autorregresiva que aporta la parte lineal y un modelo bilineal que
aporta la parte no lineal al modelo final. Este ltimo modelo es propuesto inicialmente para sistemas
complejos de multiplicidad del ruido y para retornos financieros. Es fundamental introducir una
componente no lineal a estos modelos de regresin debido a que aporta mas sentido a la forma de las
series sintticas recogiendo ms los ciclos interanuales y mostrando la condicin climtica de la zona
de estudio. El modelo autorregresivo bilineal dentro de su estructuracin solo tiene en cuenta los
caudales mensuales y los parmetros renen las caractersticas hidrolgicas de la estacin, en su forma
general el modelo como tal no usa variables externas que apoyen los pronsticos a corto y largo plazo.
El trabajo esta estructurado con un estado del arte de los modelos autorregresivo y bilineal, con una
propuesta del modelo hibrido autorregresivo bilineal y la demostracin de la independencia sus
parmetros y posteriormente con la calibracin y validacin del mismo. Tambin unos anexos donde se
compara el modelo propuesto con el modelo autorregresivo original y finalmente, este trabajo presenta
unos anlisis de resultados y conclusiones, y una referencias bibliografcas que soportan el contenido
del mismo.
1-1

MARCO TERICO
En los modelos de prediccin de caudales, el objetivo de la modelacin estocstica es la construccin

de un modelo que reproduzca las propiedades estadsticas del proceso fsico que se estudia. Conocer el
proceso terico implica conocer la funcin de distribucin conjunta del vector de variables, que en este
caso sigue una distribucin normal, y solo es necesario conocer el vector de medias y la matriz de
varianzas covarianzas. Estos elementos son inferidos de las observaciones pero solo cuando se
cumplen las siguientes condiciones:
Estacionaridad: Las variables del proceso tienen media y varianzas constantes y finitas, y que la
covarianza entre pares de ellas solo depende de su separacin temporal.
Ergodicidad: Las covarianzas entre pares de variables del proceso se hace ms pequea a medida
que se aumenta la separacin temporal.
Uno de los mtodos estocsticos ms utilizados en el medio del anlisis y prediccin de series de
tiempo son los modelos autoregresivos (AR), los cuales asumen que el comportamiento de la variable
en un momento dado tiene relacin en momentos precedentes (memoria). Adems, hay modelos
estocsticos autorregresivos de promedio mvil (ARMA), modelos estocsticos autorregresivos
diferenciados de promedio mvil (ARIMA) y alternativas de modelos autorregresivos estocsticos
como los modelos dependientes del rgimen o modelos con variables exgenas. Tambin existen otros
mtodos empleados en los procesos de prediccin mensual de caudales como las redes neuronales
artificiales (RNA), anlisis espectral singular (AES), polinomios de regresin multivariados y
adaptivos (MARS), modelo de onditas y Anlogos Histricos. En este trabajo solo se tendr en cuenta
el modelo autorregresivo de orden p, AR(p), para comparar y construir el modelo Autorregresivo
bilineal.
Por otra parte, el proceso bilineal estocstico es un modelo de rentabilidad financiera y de otros
sistemas complejos, el cual combina dos partes fundamentales que son la multiplicidad del ruido y la
no linealidad de las series de tiempo. Por su desarrollo matemtico el modelo permite capturar el
comportamiento no lineal de la variable de estudio, esta es una caracterstica no tenida en cuenta por
los modelos estocsticos ya que son de tipo lineal.
Por lo tanto puede considerarse como un paradigma que muestra la posibilidad de la existencia de una
previsibilidad no lineal aplicable al modelamiento de series. (D. Sornette y V.F. Pisarenko, 2007)
2.1
MODELOS AUTOREGRESIVOS DE ORDEN P, AR (P)
Los modelos autoregresivos suponen una dependencia lineal entre las variables que intervienen en un
proceso, de manera que el comportamiento de una variable depende de la ocurrencia de sucesos en el
pasado. El argumento de estos procesos se denomina p, el cual corresponde al nmero de periodos
precedentes mximo que tiene influencia en el valor presente de la variable. La ecuacin general de
estos procesos es:
2-1

Z t 1 Z t 1 2 Z t 2 p Z t p et
(1)
Donde:
Z t : Valor de la variable estandarizada en el instante t.
e(t ) : Proceso de ruido blanco que depende de Z t k con k 1.
p : Parmetros del modelo autorregresivo de orden p.

Los procesos de ruido blanco son tales que el conocimiento de la variable anterior no proporciona
informacin sobre la variable presente (proceso sin memoria o independiente), y que la distribucin de
todas sus variables es normal.
Los parmetros p se estiman mediante las ecuaciones de Yule-Walker que se expresan mediante el
siguiente arreglo matricial:
(2)
Resolviendo este sistema, se obtienen los parmetros del modelo AR(p), p , a partir de los
coeficientes de autocorrelacin tericos, p .
Estos modelos lineales univariados se basan en la hiptesis de que las relaciones de dependencia
estacinales interanuales son las mismas para todos los perodos (Box y Jenkins, 1976; Box et al, 1994;
Pea, 1994).
2.2
MODELO BILINEAL SIMPLE ESTOCSTICO
El modelo bilineal simple estocstico se puede considerar como un modelo no lineal propuesto para
retornos financieros y sistemas complejos de multiplicidad del ruido. En la literatura se presenta un
estudio extenso de las ecuaciones bsicas del modelo y las condiciones de inestabilidad en la inversin
de los principales parmetros y la existencia de las condiciones inciales necesarias para la aplicacin
como un sistema de prediccin de series de tiempo. (D. Sornette y V.F. Pisarenko, 2007)
Para las series de tiempo, la expresin del modelo es:
r (t ) e(t ) be(t 1)e(t 2)
(3)
Donde:
2-2

r (t ) : Serie de tiempo estandarizada, r (t ) lnQt / Qt 1 .

Qt : Caudal mensual en el instante t.
e(t ) : Proceso de ruido blanco con distribucin normal, N (0, s 2 ) .

b : Parmetro del modelo.
s 2 : Varianza del modelo.

Una vez definida la serie de tiempo r (t ) , se estima el parmetro b y la varianza s 2 del modelo
empleando la ecuacin de momentos como una buena aproximacin a la ecuacin de primer orden.
E r (t ) 2 s 2 (1 b 2 )
(4)
El valor esperado terico E... es reemplazado por la simple operacin de promedio ... . Estos
valores simples de las series de tiempo del proceso bilineal se denotan zt . El proceso matemtico
sobre el cual se estima el parmetro b del modelo bilineal son las ecuaciones de momentos de 2, 3 y 4
orden basado en una aproximacin en valor absoluto de la ecuacin de momento de primer orden, de
donde se elimina la varianza s 2 . La ecuacin de momentos de primer orden es:
1
s 4b 2 1
1
E r (t )
e K o 2 K1 2
2b
4b
4b
(5)
De donde se obtiene la siguiente expresin simplificada:
b /(1 b 2 ) 3 / 2 z t z t 1 z t 2 / z t
3/ 2
(6)
La solucin del parmetro b del modelo existe, si:
z t z t 1 z t 2 / z t
3/ 2
2 / 27 0.38
(7)
Bajo esta condicin para los valores esperados de las series de tiempo en estudio, la solucin del
parmetro b existe y tiene tres races, una raz imaginaria que se descarta y dos races reales, que para
efectos del desarrollo posterior denominaremos los estimadores B11 y B12 . Cuando la condicin no se
cumple, se complementa con los valores limites:
2-3

2 / 27
(8)
2 / 27
(9)
B11 2 / 27 ;
si
z t z t 1 z t 2 / z t
B12 2 / 27 ;
si
z t z t 1 z t 2 / z t
3/ 2
3/ 2
Para seleccionar la magnitud a emplear en el modelo para el parmetro b , es decir B11 B12 , se
emplea el valor muestral de la funcin de distribucin de probabilidad de kurtosis:
k zt
/ zt
(10)
Donde:
k 3.67 ;
Se acepta el estimador B11 .
k 3.67 ;
Se acepta el estimador B12 .
Para la seleccin del signo del parmetro b se deben tener en cuenta las siguientes consideraciones:
1;
si la media muestral de e r ( t ) r ( t 1) r ( t 2 ) 1
(11)
1 ;
si la media muestral de e r ( t ) r ( t 1) r ( t 2 ) 1
(12)
Donde:
: Indicador del signo que toma el parmetro dependiendo de la condicin establecida.

En la ecuacin de momentos de primer orden, antes mencionada, una vez determinado el parmetro b
se calcula la varianza s 2 , se procede a generar el ruido blanco con una distribucin normal de media
cero y varianza s 2 , N (0, s 2 ) , quedando as determinado el modelo bilineal simple estocstico.
2.3
El modelo autorregresivo bilineal es una combinacin de los modelos autorregresivo (AR) de orden 2 y
bilineal, siendo un modelo hibrido entre estos, la fundamentacin del modelo autorregresivo bilineal no
es diferente a la de los dos modelos mencionados, recoge a su vez la condicin de la linealidad de la
parte autorregresiva y la no linealidad de la parte bilineal. Las condiciones de su aplicacin suponen
las series de tiempo con estacionariedad y ergodicidad, y la generacin de una componente estocstica
con distribucin normal, N (0, s 2 ) .
2-4

La estimacin de los parmetros de este modelo es igual a la de los modelos autorregresivo (AR) y
bilineal, es decir, para la estimacin de los parmetros b y s 2 se transforma la serie bajo la relacin
del logaritmo del caudal en el instante t menos el logaritmo del caudal en el instante t-1. Para la
estimacin de los parmetros del modelo autorregresivo se emplea la relacin del ciclo promedio
mensual, osea el caudal menos la media y dividido por la desviacin estndar de la serie en estudio. La
ecuacin que rige el modelo autorregresivo bilineal de orden p es:
Q(t ) e(t ) be(t 1)e(t 1) 1 Qt 1 2 Qt 2 p Qt p
(13)
Q(t ) 1
e(t ) be(t 1)e(t 1) 1 Qt 1 2 Qt 2 p Qt p
(14)
Z (t ) e(t ) be(t 1)e(t 1) 1 Z (t 1) 2 Z (t 2) p Z (t p)
(15)
Donde:
Q(t ) : Caudal medio mensual.
: Media promedio mensual del caudal.
: Desviacin promedio mensual del caudal.

Z (t ) : Valor de la variable estandarizada en el instante t.
e(t ) : Proceso de ruido blanco con distribucin normal, N (0, s 2 ) .
b : Parmetro del modelo bilineal.
p : Parmetros del modelo autorregresivo.

As queda completamente determinado el modelo autorregresivo bilineal, asumiendo la estructura de
correccin lineal y no lineal. Se debe tener en cuenta que a las series se les reduce su varianza pasando
los caudales primero al campo logartmico y a partir de dicho campo se realiza el anlisis hidrolgico
respectivo de cada modelo a las series en estudio.
2.3.1
Independencia de los Modelos
El modelo planteado es un modelo hibrido compuesto de una parte bilineal y de una parte
autorregresiva, la estimacin de los parmetros del modelo bilineal autorregresivo debe tener cierto
grado de independencia y diferenciacin entre los parmetros de ambos modelos. La formulacin del
modelo bilineal autorregresivo lleva a dicho anlisis con la idea de verificar que no existe relacin
alguna de los parmetros del modelo bilineal estocstico simple y el modelo autorregresivo.
2-5

2.3.1.1
Independencia del Modelo Autorregresivo
El anlisis de la independencia del modelo autorregresivo parte de los valores esperado de la serie en el
instante t relacionado con el instante t-1 y t-2.
EZ (t ) Z (t 1) E e(t ) Z (t 1) be(t 1)e(t 2) Z (t 1) 1 Z (t 1) 2 Z (t 2) Z (t 1)

2
(16)
Los valores esperados entre la componente aleatoria y los caudales en el instante t-1 no tienen
correlacin alguna, as su valor esperado calculado es igual a cero y los valores esperados de los
caudales con rezagos en el tiempo son iguales a las respectivas covarianzas en igual nmero de
rezagos.
CovZ (t ) Z (t 1) 1 Z2 2 CovZ (t 2) Z (t 1)
(17)
CovZ (t ) Z (t 1)
CovZ (t 2) Z (t 1)
1 2
2
Z
Z2
(18)
Donde la covarianza de los caudales con diferentes rezagos en el tiempo divido por la varianza de la
misma ocurrencia relaciona los coeficientes de correlacin .
1 1 2 1
(19)
Realizando el mismo anlisis estadstico para la serie de caudales en el instante t y t-2 estimamos el
coeficiente de correlacin dependiendo de los parmetros 1 y 2 , y as generalizando llegamos a las
ecuaciones ya mencionadas con anterioridad de Yule-Wolker donde quedan determinados los
parmetros p de los modelos autorregresivos AR(p) a partir de los coeficientes tericos de
correlacin k .
2 1 2 2
(20)
En conclusin, la ocurrencia del fenmeno del modelo bilineal no est ligada a la estimacin de los
parmetros del modelo autorregresivo y sus valores solo dependen de la correlacin terica de la serie
con s misma.
2.3.1.2
Independencia del Modelo Bilineal
El anlisis de la independencia del modelo bilineal parte del valor esperado de la ecuacin dominante
multiplicado por el cuadrado de la componente aleatoria en el instante t.
E Z (t )e(t ) 2 E e(t ) 2 e(t ) be(t 1)e(t 2) 1 Z (t 1)e(t ) 2 2 Z (t 2)e(t ) 2
(21)
2-6


Los valores esperados entre la componente aleatoria y los caudales en el instante t-1 y t-2 no tienen
correlacin alguna, as dicho valor esperado ser igual a cero.
E Z (t 1)e(t ) 0
E Z (t )e(t ) 2 0
(22)
(23)
E 2 Z (t 2)e(t ) 2 0
(24)
Por lo tanto la expresin (21) reducida queda de la siguiente manera:
E e(t ) 2 e(t ) be(t 1)e(t 2) 0
(25)
Lo que es similar a:
E e(t ) 2 r (t ) 0
(26)
Por propiedades estadsticas, tenemos que el valor esperado de una multiplicacin, es la multiplicacin
de los valores esperados:
E e(t ) 2 r (t ) E e(t ) 2 E r (t )
(27)
La componente aleatoria tiene distribucin normal con media cero y varianza uno, N(0,1), as el valor
esperado de esta es igual a uno y la expresin (27) en la (26) queda:
E e(t ) 2 E r (t ) 1 E r (t ) Er (t ) 0
(28)
As, finalmente tenemos que el valor esperado de la parte bilineal del modelo propuesto tienen valor
esperado igual a cero, es decir que el proceso es centrado y que tiene una funcin de correlacin lineal
igual a cero. (D. Sornette y V.F. Pisarenko, 2007)
2-7

DESCRIPCIN DE LA INFORMACIN
A continuacin se presenta una descripcin general de la informacin de caudales utilizada, su

localizacin, longitud de registro y ciclos anuales.
3.1
CARACTERISTICAS DEL REGIMEN DE CAUDALES EN COLOMBIA
Colombia se encuentra ubicada en la esquina noroccidental de Amrica del Sur, sobre la lnea
ecuatorial, en plena zona trrida. No obstante la mayor parte de su extensin se encuentra en el
hemisferio norte, Colombia est equidistante con los dos extremos del continente Americano.
Las fronteras y reas de influencia climtica inmediata son el Atlntico tropical y el mar Caribe por el
norte, el Pacifico ecuatorial por el oeste, la zona andina del Ecuador y la vertiente del Amazonas por el
sur y los Andes y llanos venezolanos con el norte brasileo por el este. Ocasionalmente hay influencia
de frentes de latitud media tanto del hemisferio sur como del norte, la posicin de las respectivas
corrientes de chorro en ambos hemisferios son otros factores extratropicales a considerar. Ms hacia el
este se tienen las perturbaciones tropicales del este que se originan en frica. Y ms hacia el oeste se
tiene la influencia del Pacifico que alcanza hasta el ndico y la zona de monzones en el subcontinente
ndico y el sureste asitico. (Mesa, Poveda y Carvajal, 1997)
Regionalmente, Colombia tiene una gran variabilidad de climas, debido a los factores generales de
circulacin global y del cambio en la posicin aparente del sol durante el ao, la topografa, la
conveccin profunda, la cercana de las costas y la vegetacin. Estos factores son los que encierran el
clima Colombiano en los trpicos, dado que la circulacin es dbil en lo que se refiere a la presin,
temperatura, humedad y velocidad del viento.
3.1.1
Regin del Caribe
El relieve de la regin del Caribe se contrarresta con la Sierra Nevada de Santa Marta, una extensa
zona montaosa con una gran diversidad climtica, as como de fauna y flora, en donde se encuentran
los picos ms altos del pas. A pesar que el clima es muy clido en la gran mayora de la regin, con
seis meses de lluvia y otros seis secos, los factores atmosfricos como las precipitaciones y la humedad
varan mucho en cada zona, siendo menores en la parte norte y aumentando a medida que se acerca al
interior del pas.
En esta regin desde el punto de vista climatolgico las distribuciones de lluvias en la Sierra Nevada
son atpicas, pues el mximo ocurre en la ladera de sotavento. Explicacin a esto es la variacin del
viento que influye alrededor del macizo y no exactamente sobre l, esta situacin sumada con la
inversin trmica producen un flujo ascendente en la cara de sotavento.
3-1

3.1.2
Regin Andina
La regin Andina se caracteriza por su amplia diversidad climtica, la cual es ocasionada por la altura
sobre el nivel del mar, generando los llamados pisos trmicos, los cuales le proporcionan a la regin
diferentes niveles de humedad, radiacin solar y temperatura.
La parte central de la regin Andina tiene un comportamiento bimodal en las distribuciones de lluvia,
excluyendo las laderas exteriores (vertiente oeste de la cordillera de la cordillera Occidental, vertiente
este de la cordillera Oriental y estribaciones norte de las tres cordilleras). La poca lluvia, se puede
atribuir al agotamiento de la humedad en la atmsfera con la altura y a la prioridad de las laderas
exteriores en la extraccin del agua del aire hmedo que se advecta a la regin. (Snow, 1976)
La complejidad de la topografa hace que la distribucin espacial y temporal de la lluvia este sujeta a
muchas excepciones. La distribucin anual de la lluvia es similar en toda la regin Andina. Hay dos
estaciones secas y dos hmedas: seco, de mediados de diciembre a mediados de marzo y de mediados
de junio a mediados de septiembre, y hmedo de mediados de marzo hasta principios de junio y de
septiembre hasta mediados de diciembre. Las dos temporadas lluviosas son de duracin e intensidad
comparable excepto en el valle alto del Magdalena donde la primera estacin hmeda es ms
prolongada.
3.1.3
Regin Orinoquia
La vegetacin consiste predominantemente en pastos con rboles cerca a las corrientes hdricas. Hacia
el sur de la sabana se hace mas hmeda y gradualmente se convierte en selva pluvial. La vegetacin de
pastos es tpica de una distribucin anual de la lluvia con una sola temporada lluviosa (abril a
noviembre) y una temporada seca, que corresponde con la presencia y ausencia de la ZCIT sobre la
regin (modificada por la topografa y el contraste con la selva al sur). El clima es bsicamente
continental y sugiere la existencia de un monzn, con la selva jugando el papel del mar. La distribucin
diurna de las lluvias sigue el ciclo del calentamiento solar, con ms alta frecuencia de lluvias en la
tarde. Sin embargo, cerca al piedemonte y hacia el sur la lluvia se hace ms nocturna. (Mesa, Poveda y
Carvajal, 1997)
3.2
UBICACIN Y REGISTRO DE CAUDALES MEDIOS MENSUALES
El estudio de las series de caudales medios mensuales se centra en la regin Andina, parte de la regin
del Caribe y la Orinoquia donde se hacen pronsticos a ventanas de 3, 6 y 12 meses (ver Figura 3-1).
Las series de caudales de estas regiones presentan ciclos unimodales para Bat y Guavio, y ciclos
bimodales para Guadalupe, Guatap, Magdalena, Miel, Nare, Riogrande, Salvajina, San Carlos, San
Lorenzo y Urr, esto debido a los aspectos hidrolgicos, climatolgicos y orogrficos del territorio
Colombiano. Los registros de cada una de las series de caudales (ver Tabla 3-1) son hasta el ao 2006
y la iniciacin de dichos registros depende de la disponibilidad de la informacin.
3-2

Figura 3-1
Ubicacin de serie de caudales medios mensuales.
3-3

Tabla 3-1
ESTACIN
1. Bat
2. Guadalupe
3. Guatap
4. Guavio
5. Magdalena
6. Miel
7. Nare
8. Riogrande
9. Salvajina
10. San Carlos
11. San Lorenzo
12. Urra
Registro de serie de caudales medios mensuales.
DEPARTAMENTO
Boyac
Antioquia
Antioquia
Cundinamarca
Neiva
Caldas
Antioquia
Antioquia
Cauca
Antioquia
Antioquia
Crdoba
CORDENADAS
LATITUD
4 54 ' 04 "
6 46 ' 50 "
6 14 ' 06 "
4 43 ' 39 "
2 42 ' 00 "
5 37 ' 00 "
6 17 ' 35 "
6 30 ' 23 "
2 57 ' 00 "
6 12 ' 55 "
6 23 ' 12 "
8 04 ' 22 "
LONGITUD
73 17 ' 51 "
75 15 ' 59 "
75 09 ' 43 "
73 28 ' 59 "
75 26 ' 00 "
74 57 ' 00 "
74 41 ' 16 "
75 32 ' 08 "
76 42 ' 00 "
74 50 ' 26 ''
74 59 ' 54 ''
76 09 ' 16 "
REGISTRO DE
CAUDALES
INICIO
FINAL
1956
2006
1952
2006
1959
2006
1963
2006
1961
2006
1963
2006
1956
2006
1952
2006
1952
2006
1965
2006
1956
2006
1960
2006
El comportamiento de la ZCIT genera en la regiones naturales de Colombia, antes mencionado, un

ciclo anual de los caudales (ver Figura 3-2 a Figura 3-5) y es caracterstico de la regin Andina y de los
Llanos Orientales.
Tabla 3-2
ESTACIN
1. Bat
2. Guadalupe
3. Guatap
4. Guavio
5. Magdalena
6. Miel
7. Nare
8. Riogrande
9. Salvajina
10. San Carlos
11. San Lorenzo
12. Urra
Ene
11.9
13.8
23.0
18.3
282.0
80.4
35.2
23.3
166.0
17.6
23.8
171.0
Feb
9.9
12.7
20.1
20.0
296.0
79.9
31.5
22.0
141.0
14.9
21.6
132.0
Mar
13.3
13.1
23.5
29.7
347.0
80.9
33.7
23.5
135.0
16.8
24.0
131.0
Ciclo medio anual serie de caudales (m3/s).

Abr
33.4
18.2
33.8
66.1
453.0
91.5
45.4
31.8
149.0
28.5
33.9
228.0
May
71.2
25.6
39.0
107.0
510.0
97.7
60.6
39.4
148.0
32.8
44.9
417.0
Jun
112.0
27.0
32.6
135.0
580.0
69.4
57.0
36.3
125.0
26.4
41.3
477.0
Jul
141.0
26.5
26.9
145.0
623.0
45.6
47.0
31.9
102.0
22.3
37.6
491.0
Ago
123.0
26.8
28.8
111.0
485.0
47.2
47.5
32.1
73.5
23.5
39.2
450.0
Sep
75.5
29.1
40.0
76.5
352.0
67.4
58.0
37.1
62.6
31.7
49.3
432.0
Oct
61.3
28.9
45.7
65.6
382.0
99.0
65.5
44.5
108.0
40.4
50.3
459.0
Nov
51.0
25.1
43.7
51.8
440.0
121.0
65.5
44.4
193.0
39.4
44.2
407.0
Dic
26.0
18.4
30.8
31.4
376.0
108.0
48.5
32.8
214.0
26.8
30.2
286.0
3-4

CICLO MEDIO ANUAL

240
Caudal [m /s]
200
3
160
120
80
40
0
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto Septiembre Octubre Noviembre Diciembre
Tiempo [meses]
Ro Bata
Figura 3-2
Ro Guavio
Ro Salvajina
Ro Miel
Ciclo medio anual de las estaciones de caudales Bat, Guavio, Salvajina y Miel.
CICLO MEDIO ANUAL

700
Caudal [m /s]
600
500
400
300
200
100
0
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Tiempo [meses]
Ro Urra
Figura 3-3
Ro Magdalena
Ciclo medio anual de las estaciones de caudales Urra y Magdalena.
3-5

CICLO MEDIO ANUAL

60
Caudal [m /s]
50
40
30
20
10
0
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Tiempo [meses]
Ro Guatap
Figura 3-4
Ro Guadalupe
Ro San Carlos
Ciclo medio anual de las estaciones de caudales Guatap, Guadalupe y San Carlos.
CICLO MEDIO ANUAL

70
Caudal [m /s]
60
50
40
30
20
10
0
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Tiempo [meses]
Ro Nare
Figura 3-5
Riogrande
Ro San Lorenzo
Ciclo medio anual de las estaciones de caudales Nare, Riogrande y San Lorenzo.
3-6

La distribucin unimodal de la serie de caudales medios mensuales de la Figura 3-2 para los ros de
Bat y Guavio, es caracterstica del piedemonte llanero (cordillera oriental), en los departamentos de
Boyac y Cundinamarca, donde solo se presenta un periodo de invierno comprendido entre los meses
de abril y noviembre. Esta distribucin es debida a la convergencia de los vientos provenientes del
Brasil y al encontrarse con esta barrera de la cordillera se forman zonas de baja presin ocasionando
lluvias intensas en esta parte del pas.
Las series de caudales medios del resto de la zona de estudio tienen una distribucin bimodal (ver
Figura 3-2 a Figura 3-5) comportamiento caracterstico de la regin Andina (cordillera central y
occidental). Los registros muestran dos periodos hmedos comprendidos entre mediados de marzo a
junio y de mediados de septiembre a diciembre, y dos periodos secos comprendidos entre mediados de
diciembre a marzo y mediados de junio a septiembre.
3-7

APLICACIN DEL MODELO AUTORREGRESIVO BILINEAL A LA PREDICCIN

MENSUAL DE CAUDALES EN COLOMBIA
El modelo autorregresivo bilineal fue empleado para la simulacin de series de caudales mensuales
sobre 12 ros de diferentes regiones de Colombia. Las caractersticas climticas de las zonas donde se
encuentran ubicadas las estaciones de registro, antes mencionadas, son determinantes en el clculo de
los parmetros del modelo, as mismo se refleja la condicin climtica en las simulaciones hechas
debido a que los parmetros en cierta parte encierran esa variabilidad mencionada.
4.1
VALIDACIN DEL MODELO AUTORREGRESIVO BILINEAL
La validacin del modelo se trabajo con los registros de la series descritas en el capitulo 2 del presente
trabajo. Se tomo del total de la serie de caudales medios mensuales un 70% para realizar la calibracin
del modelo y un 30% para el proceso de validacin del mismo (ver Tabla 4-1).
Tabla 4-1
Periodo seleccionado para calibracin y validacin del modelo.

RO
Bat
Guadalupe
Guatap
Guavio
Magdalena
Miel
Nare
Riogrande
Salvajina
San Carlos
San Lorenzo
Urra
CALIBRACIN
INICIO
FINAL
1956
1992
1952
1991
1959
1993
1963
1994
1961
1993
1963
1994
1956
1992
1952
1991
1952
1991
1965
1994
1956
1992
1960
1993
VALIDACIN
INICIO
FINAL
1993
2006
1992
2006
1994
2006
1995
2006
1994
2006
1995
2006
1993
2006
1992
2006
1992
2006
1995
2006
1993
2006
1994
2006
La validacin se hizo para las ventanas de prediccin de 3, 6 y 12 meses sobre las estaciones
mencionadas y cuyos resultados se presentan a continuacin.
4-1

4.1.1
Ro Bat
RO BAT
300
200
Caudal [m /s]
250
150
100
50
0
ene-93
feb-94
mar-95
abr-96
may-97
jun-98
jul-99
sep-00
oct-01
nov-02
dic-03
ene-05
Periodo Validacin [Aos]

Caudal Real
Figura 4-1
4.1.2
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Bat para las ventanas de 3, 6 y 12 meses.
Ro Guadalupe
RO GUADALUPE
70
50
Caudal [m /s]
60
40
30
20
10
0
ene-92
feb-93
mar-94
abr-95
may-96
jun-97
jul-98
sep-99
oct-00
nov-01
dic-02
ene-04
feb-05

Caudal Real
Figura 4-2
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Guadalupe para las ventanas de 3, 6 y 12 meses.

4-2


4.1.3
Ro Guatap
RO GUATAP
70
60
Caudal [m /s]
50
40
30
20
10
0
ene-94
feb-95
mar-96
abr-97
may-98
jun-99
jul-00
sep-01
oct-02
nov-03
dic-04

Caudal Real
Figura 4-3
4.1.4
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Guatap para las ventanas de 3, 6 y 12 meses.
Ro Guavio
RO GUAVIO
240
160
Caudal [m /s]
200
120
80
40
0
ene-95
feb-96
mar-97
abr-98
may-99
jun-00
jul-01
sep-02
oct-03
nov-04

Caudal Real
Figura 4-4
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Guavio para las ventanas de 3, 6 y 12 meses.

4-3


4.1.5
Ro Magdalena
RO MAGDALENA
900
600
Caudal [m /s]
750
450
300
150
0
ene-94
feb-95
mar-96
abr-97
may-98
jun-99
jul-00
sep-01
oct-02
nov-03
dic-04

Caudal Real
Figura 4-5
4.1.6
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Magdalena para las ventanas de 3, 6 y 12 meses.
Ro Miel
RO MIEL
200
Caudal [m/s]
160
120
80
40
0
ene-95
feb-96
mar-97
abr-98
may-99
jun-00
jul-01
sep-02
oct-03
nov-04

Caudal Real
Figura 4-6
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Miel para las ventanas de 3, 6 y 12 meses.

4-4


4.1.7
Ro Nare
RO NARE
120
80
Caudal [m /s]
100
60
40
20
0
ene-93
feb-94
mar-95
abr-96
may-97
jun-98
jul-99
sep-00
oct-01
nov-02
dic-03
ene-05

Caudal Real
Figura 4-7
4.1.8
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Nare para las ventanas de 3, 6 y 12 meses.
Rogrande
ROGRANDE
70
60
Caudal [m /s]
50
40
30
20
10
0
ene-92
feb-93
mar-94
abr-95
may-96
jun-97
jul-98
sep-99
oct-00
nov-01
dic-02
ene-04
feb-05

Caudal Real
Figura 4-8
Qs V3M
Qs V6M
Qs V12M
Validacin de Rogrande para las ventanas de 3, 6 y 12 meses.

4-5


4.1.9
Ro Salvajina
RO SALVAJINA
400
350
Caudal [m/s]
300
250
200
150
100
50
0
ene-92
feb-93
mar-94
abr-95
may-96
jun-97
jul-98
sep-99
oct-00
nov-01
dic-02
ene-04
feb-05

Caudal Real
Figura 4-9
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Salvajina para las ventanas de 3, 6 y 12 meses.
4.1.10 Ro San Carlos

RO SAN CARLOS
70
60
Caudal [m/s]
50
40
30
20
10
0
ene-95
feb-96
mar-97
abr-98
may-99
jun-00
jul-01
sep-02
oct-03
nov-04

Caudal Real
Figura 4-10
Qs V3M
Qs V6M
Qs V12M
Validacin del ro San Carlos para las ventanas de 3, 6 y 12 meses.

4-6


4.1.11 Ro San Lorenzo

RO SAN LORENZO
120
80
Caudal [m/s]
100
60
40
20
0
ene-93
feb-94
mar-95
abr-96
may-97
jun-98
jul-99
sep-00
oct-01
nov-02
dic-03
ene-05

Caudal Real
Figura 4-11
Qs V3M
Qs V6M
Qs V12M
Validacin del ro San Lorenzo para las ventanas de 3, 6 y 12 meses.
4.1.12 Ro Urra
RO URRA
700
600
Caudal [m /s]
500
400
300
200
100
0
ene-94
feb-95
mar-96
abr-97
may-98
jun-99
jul-00
sep-01
oct-02
nov-03
dic-04

Caudal Real
Figura 4-12
Qs V3M
Qs V6M
Qs V12M
Validacin del ro Urra para las ventanas de 3, 6 y 12 meses.

4-7


4.1.13 Error porcentual de la validacin

El desempeo del modelo en el periodo comprendido para la validacin es evaluado con la siguiente
medida del error porcentual:
(Qhistorico j ,i Qsimulado j ,i )
i 1
Errori , j
k
Qmed
(1)
j
Este error define el error porcentual de un valor simulado del mes j respecto al valor real de dicho mes,
iniciando las predicciones desde un mes i, en los k aos de validacin donde y Q med es el valor
promedio del mes predicho en los aos de validacin.
En la Tabla 4-2 se presentan los valores esperados de los errores cuadrticos medios obtenidos con
base en las 100 simulaciones por modelo y para las ventanas de prediccin de 3, 6 y 12 meses. Aunque
las diferencias entre los errores porcentuales para las diferentes ventanas de prediccin no son muy
grandes, se observa que los errores ms bajos se dan para la ventana de 3 meses, seguida por la de 6,
como era de esperarse.
Tabla 4-2
RIO
Bat
Guadalupe
Guatap
Guavio
Magdalena
Miel
Nare
Riogrande
Salvajina
San Carlos
San Lorenzo
Urra
Errores porcentuales en el periodo de validacin para las ventanas de 3, 6 y 12 meses.
VENTANA 3 MESES
MINIMO MEDIA MAXIMO
25
33
43
11
23
39
15
23
37
21
32
60
16
27
52
12
27
41
18
28
42
13
25
39
13
28
47
14
34
55
17
29
59
12
25
56
VENTANA 6 MESES
MINIMO MEDIA MAXIMO
25
34
53
11
25
39
14
25
41
21
33
59
16
28
52
12
28
42
18
31
47
13
28
46
13
30
56
14
36
60
17
31
60
12
26
62
VENTANA 12 MESES
MINIMO MEDIA MAXIMO
25
35
53
11
27
39
14
27
41
19
33
59
16
28
52
12
29
43
18
33
47
13
30
48
13
32
56
14
37
63
17
31
60
10
27
62
4-8

BAT
GUADALUPE
GUATAP
GUAVIO
MAGDALENA
MIEL
NARE
ROGRANDE
SALVAJINA
SAN CARLOS
SAN LORENZO
URRA
Figura 4-13
Errores mnimo, medio y mximo del periodo de validacin para la ventana de 3 meses.
4-9

BAT
GUADALUPE
GUATAP
GUAVIO
MAGDALENA
MIEL
NARE
ROGRANDE
SALVAJINA
SAN CARLOS
SAN LORENZO
URRA
Figura 4-14
4-10

BAT
GUADALUPE
GUATAP
GUAVIO
MAGDALENA
MIEL
NARE
ROGRANDE
SALVAJINA
SAN CARLOS
SAN LORENZO
URRA
Figura 4-15
4-11

ANLISIS DE RESULTADOS Y CONCLUSIONES
La aplicacin del modelo autorregresivo bilineal a la prediccin mensual de series de caudales en

Colombia supero los pronsticos debido a los errores promedio obtenidos (ver Tabla 4-2) donde siendo
un modelo tan simple es capaz de recoger la hidrologa caracterstica de cada zona de estudio y
reproduciendo a ventanas de 3, 6 y 12 meses con cierta claridad los caudales propios de cada estacin.
Cabe la pena mencionar que es un modelo que conserva la parsimonia respecto a otros modelos ms
estructurados y empleados para los mismos fines.
Regionalmente, las estaciones presentan errores parecidos dentro de la aplicacin de los modelos,
vemos como Bat, Magdalena y Guavio tienes errores medios alrededor de 30%, Nare y San Lorenzo
con un 29%, y Guadalupe y Rogrande alrededor de 26% en el error medio. Estas caractersticas son
propias de las regiones de Colombia y debido a su ubicacin los caudales provienen de una misma
distribucin generando as errores por el mismo orden de magnitud.
A nivel comparativo los modelos autorregresivo de orden 2, AR (2), y autorregresivo bilineal tienen
una estructuracin parecida desde el punto de vista matemtico, pero incluyendo el modelo
autorregresivo bilineal una componente no lineal que genera que la componente aleatoria, cuya
distribucin queda determinada completamente por la formulacin del modelo, sea capaz de
representar de forma parcial los eventos extremos en la serie y asi los mximos y mnimos se acercan
mas a los valores reales. Este hecho hace que la magnitud de los errores se reduzca considerablemente
y por ende que el modelo tenga un mejor desempeo comparado con el modelo autorregresivo de
segundo orden, AR (2). (ver Tabla 4-2 y Tabla A 1-1)
En los modelos presentados en este trabajo vemos que son muy sensibles en cuanto a la variabilidad de
los parmetros estadsticos del mismo debido a que estos dependen de propiedades como el valor
esperado y la varianza que son en la medida las que recogen las caractersticas hidrolgicas propias de
la zona. Tambin vemos que esta estimacin de los parmetros depende de la cantidad de registros de
las estaciones debido a que podemos recoger ms caractersticas o eventos pasados que pueden ayudar
a simular un futuro prximo.
En general, los modelos autorregresivos representan de manera parcial el comportamiento de una serie
de caudales mensuales y en la prctica son muy utilizados para las simulaciones hidrolgicas, que
comparado con modelos mas elaborados para los mismos fines son ms fciles de estructurar y
conservan como se menciono la parsimonia. Dentro de esta evaluacin de los modelos autorregresivos
se encontr un modelo hibrido autorregresivo bilineal con una componente no lineal del ruido que
recogi mas caractersticas de los eventos extremos y as reduciendo los errores porcentuales medios
respecto al modelo autorregresivo convencional. Este modelo puede ser ms estructurado
implementando variables exgenas y combinando con la estructuracin del mismo para aumentar la
capacidad de predictibilidad a largo y corto plazo.
5-1

BIBLIOGRAFA
Sornette, D., Pisarenko, V.F., 2007. Properties of a simple bilinear stochastic model: Estimation and
predictability. Physica D, doi:10.1016/j.physd.2007.08.020.
Box, G.E.P. y G. Jenkins. Time Series Analysis: Forecasting and Control, Holden-Day. 1976.
Box, G.E.P., G.M. Jenkins, G.C. Reinsel. Time Series Analysis: Forecasting and Control. PrenticeHall, Englewood Cliffs, New Jersey. 1994.
N. Matalas. Mathematical assessment of synthetic hydrology. Water Resources Research 3(4) 1967,
pp. 937-945.
H. Thomas, M. Fiering. Mathematical sntesis of streamflow sequences for the anlisis of river basins
by simulation. En: Mass A, Humfschmidt MM, Dorfman R, Thomas Jr HA, Marglin SA, Fair GM
(eds.) Design of water resource systems. Harvard University Press, Cambridge. 1962.
Coulibaly P., Baldwin C.K. 2005. Nonstationary hydrological time series forecasting using nonlinear
dynamic methods. Journal of Hydrology 3007 (2005) 164 174.
Mesa, O, Poveda, G. y L. F. Carvajal, 1997. Introduccin al Clima de Colombia, Universidad Nacional
de Colombia. ISBN: 958-628-144-2.
Moreno, J. y Salazar, J. Generacin de series sintticas de caudales usando un modelo Matalas con
medias condicionadas. Universidad Nacional de Colombia. Avances en Recursos Hidrulicos
Numero 17, Mayo de 2008, Medelln Colombia ISSN 0121 5701.
Munera, L. 1983. Modelos Estocsticos para las series Hidrolgicas, Universidad Nacional de
Colombia, Sede Medelln.
Salazar, J. Enrique, Mesa, O. Jos. 1994. Aplicacin de dos modelos no lineales al estudio de series
temporales en hidrolgica. Tesis de Maestra en Ingeniera - Recursos Hidrulicos. Universidad
Nacional de Colombia.
6-1

ANEXOS
A1 MODELO AUTORREGRESIVO EN LA PREDICCIN MENSUAL DE CAUDALES EN

COLOMBIA
Paralelamente el modelo autorregresivo de orden 2, AR (2), fue empleado para la simulacin de series
de caudales mensuales sobre 12 ros de diferentes regiones de Colombia. La base de aplicacin de este
modelo fue hecha bajo las mismas condiciones con las que se trabajo el modelo autorregresivo bilineal
propuesto en el presente trabajo. Estas suposiciones renen las condiciones del tratado de las series de
caudales y la estimacin de los parmetros del modelo, adems incluyendo las mismas caractersticas y
variabilidad climtica presentadas en la zona de estudio.
A1.1 VALIDACIN DEL MODELO AUTORREGRESIVO
La validacin del modelo autorregresivo de orden 2, AR (2), se hizo con base a las mismas series de
caudales mensuales con las que se tomo la validacin del modelo autorregresivo bilineal y con los
mismos periodos estipulados para la calibracin (30% de los registros histricos de la serie) y la
validacin (70% de los registros histricos de la serie). (ver Tabla 4-1)
La validacin del modelo se hizo para las ventanas de prediccin de 3, 6 y 12 meses sobre las
estaciones mencionadas y los resultados se presentan a continuacin.
A1.1.1 Error porcentual de la validacin
Para la medida del error porcentual del modelo autorregresivo de orden 2, AR (2), se toma la formula
empleada para la evaluacin de dicho error en el modelo autorregresivo bilineal y se hace bajo las
mismas bases, es decir, los errores obtenidos son promedio de 100 simulaciones y para cada ventana de
prediccin, 3, 6 y 12 meses. En la Tabla A 1-1 se presentan los valores esperados de los errores medios
obtenidos.
A1-1

Tabla A 1-1
RIO
Bat
Guadalupe
Guatap
Guavio
Magdalena
Miel
Nare
Riogrande
Salvajina
San Carlos
San Lorenzo
Urra
Errores porcentuales en el periodo de validacin para las ventanas de 3, 6 y 12 meses.
VENTANA 3 MESES
MNIMO MEDIA MXIMO
27
49
80
16
33
58
19
35
58
23
46
100
22
42
79
21
43
90
20
38
63
19
39
66
20
44
52
26
48
81
21
42
77
25
50
60
VENTANA 6 MESES
MNIMO MEDIA MXIMO
28
49
84
16
34
59
18
36
61
23
47
95
21
42
80
21
44
92
20
40
64
18
40
67
15
33
52
25
48
84
20
43
78
20
37
65
VENTANA 12 MESES
MNIMO MEDIA MXIMO
29
50
82
15
34
59
18
36
61
24
48
95
21
42
81
21
45
93
19
41
64
19
41
67
15
35
53
25
50
85
21
43
79
20
38
66
A1-2

BAT
GUADALUPE
GUATAP
GUAVIO
MAGDALENA
MIEL
NARE
ROGRANDE
SALVAJINA
SAN CARLOS
SAN LORENZO
URRA
Figura A 1-1
A1-3

BAT
GUADALUPE
GUATAP
GUAVIO
MAGDALENA
MIEL
NARE
ROGRANDE
SALVAJINA
SAN CARLOS
SAN LORENZO
URRA
Figura A 1-2
A1-4

BAT
GUADALUPE
GUATAP
GUAVIO
MAGDALENA
MIEL
NARE
ROGRANDE
SALVAJINA
SAN CARLOS
SAN LORENZO
URRA
Figura A 1-3
A1-5

Hidrologia Estocastica Mdelo Generacion Sintetica Series Temporales

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Hidrologia Estocastica Mdelo Generacion Sintetica Series Temporales

Загружено:

Авторское право:

Доступные форматы

MODELO AUTORREGRESIVO BILINEAL

APLICADO A LA PREDICCIN MENSUAL

MODELO AUTORREGRESIVO BILINEAL APLICADO A LA PREDICCIN MENSUAL DE

JUAN DAVID CADAVID ALZATE

UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

MODELO AUTORREGRESIVO BILINEAL APLICADO A LA PREDICCIN MENSUAL DE

JUAN DAVID CADAVID ALZATE

UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

A mis padres por su gran apoyo durante el tiempo que estudie

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

El autor expresa sus agradecimientos a:

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

MODELOS AUTORREGRESIVOS DE ORDEN P, AR (P)

MODELO BILINEAL SIMPLE ESTOCSTICO

MODELO AUTORREGRESIVO BILINEAL

Independencia de los Modelos

2.3.1.1 Independencia del Modelo Autorregresivo

2.3.1.2 Independencia del Modelo Bilineal

CARACTERISTICAS DEL REGIMEN DE CAUDALES EN COLOMBIA

Regin del Caribe

UBICACIN Y REGISTRO DE CAUDALES MEDIOS MENSUALES

APLICACIN DEL MODELO AUTORREGRESIVO

VALIDACIN DEL MODELO AUTORREGRESIVO BILINEAL

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

4.1.10 Ro San Carlos

4.1.11 Ro San Lorenzo

4.1.13 Error porcentual de la validacin

Registro de serie de caudales medios mensuales

Ciclo medio anual serie de caudales (m3/s)

Periodo seleccionado para calibracin y validacin del modelo

Errores porcentuales en el periodo de validacin para las ventanas de 3, 6 y 12 meses 4-8

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

Ubicacin de serie de caudales medio mensuales

Ciclo medio anual de las estaciones de caudales Urra y Magdalena

Validacin del ro Bat para las ventanas de 3, 6 y 12 meses

Validacin del ro Guadalupe para las ventanas de 3, 6 y 12 meses

Validacin del ro Guatap para las ventanas de 3, 6 y 12 meses

Validacin del ro Guavio para las ventanas de 3, 6 y 12 meses

Validacin del ro Magdalena para las ventanas de 3, 6 y 12 meses

Validacin del ro Miel para las ventanas de 3, 6 y 12 meses

Validacin del ro Nare para las ventanas de 3, 6 y 12 meses

Validacin de Rogrande para las ventanas de 3, 6 y 12 meses

Validacin del ro Salvajina para las ventanas de 3, 6 y 12 meses

Figura 4-12 Validacin del ro Urra para las ventanas de 3, 6 y 12 meses

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

MODELO AUTORREGRESIVO EN LA PREDICCIN MENSUAL

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

FACULTAD DE MINAS ESCUELA DE GEOCIENCIAS Y MEDIO AMBIENTE

MODELO AUTORREGRESIVO BILINEAL

MODELO AUTORREGRESIVO BILINEAL

En los modelos de prediccin de caudales, el objetivo de la modelacin estocstica es la construccin