MODELOS ESTOCÁSTICOS Un modelo es una representación simplificada de la realidad manipulable para mejorar la visión que se tiene de esta. Modelos estocasticos o de series temporales.- carecen de bases fisicas, y expresan en terminos de probabilidad el resultado de procesos altamente aleatorios. El desarrollo de la hidrología estocástica, aunque tiene algunos antecedentes a principios del siglo, se ha producido fundamentalmente a partir de los trabajos de Thomas y Fiering en 1962 con la aplicación de modelos autoregresivos para caudales anuales y estacionales. A partir de aquí ha ido apareciendo un gran número de modelos estocásticos de simulación que se pueden clasificar según el proceso de generador y las hipótesis de base (según Llamas, 1993) en y Modelo de regresión lineal y Modelo autoregresivo y Modelos de ruido fraccionario y Modelos de línea segmentada y Modelo ARIMA.
La generación sintética de valores, así como también el pronóstico son utilizados en diversas ramas: desde el planeamiento de la elaboración de cierto producto, la determinación de la cantidad de pasajes aéreos previstos para la próxima temporada, la demanda futura de cierto producto, o el volumen de agua que se espera ingresará en un embalse el próximo mes. En base a la información histórica de una variable medida cronológicamente se puede identificar su patrón de comportamiento y utilizar éste para reproducir la variable en forma sintética, es decir, producir una serie de datos de la variable estadísticamente indistinguible de la serie histórica que le dio origen. La serie de datos generada a futuro tiene la misma probabilidad de ocurrir y es utilizada para mejorar la toma de decisiones. Un PROCESO ESTOCASTICO es la observación secuencial de un fenómeno caracterizado por propiedades estadísticas que involucran aleatoriedad. Casi todos los procesos hidrológicos pueden ser tratados como estocásticos o como una combinación estocástico - determinística debido a la complejidad de los factores que lo producen. Así por ejemplo, el caudal de un río es el resultado de un proceso complejo de precipitación- infiltración-escurrimiento. Los valores de este proceso ordenados secuencialmente (por ejemplo caudal mensual de un río) pueden ser tratados mediante modelos estocásticos. Estos modelos tienen por finalidad: 1) la generación sintética de datos 2) el efectuar pronósticos.
ESTACIONARIEDAD. Un proceso aleatorio { X t } será considerado estacionario débil , o simplemente estacionario cuando: 1.- E { X t } = m x 2 2.- Var { X t } = x 3.-Cov { Xt , X t + k } = k
Las ecuaciones (1) y (2) significan que el v alor esperad o y la v arianza de las variables aleatorias (VA) del proceso son ind epend ientes d el tiempo. La ecuación (3) significa que la cov arianza entre dos VA del proceso d epend e solamente del rezago d el tiempo (k) entre las dos VA y no del tiempo en si mismo. La covarianza entre dos VA de un proceso aleatorio se llama autoco v arianza. La FUNCION DE AUTOCOVARIANZA en la ecuación (3) del proceso X t es en función del rezago de tiempo k . Se tiene evidentemente que: k = k
El coeficiente de correlación entre dos VA de un proceso aleatorio se denomina coeficiente d e autocorrelación. La FUNCION DE AUTOCORRELACION O CORRELOGRAMA del proceso es el coeficiente de autocorrelación del proceso en función del rezago de tiempo k :
k = k / x 2 k = -k , 0 = 1 Si la traslación en el tiempo no afecta al momento d e 1er or de n y 2d o or de n de las VA del proceso, se dice que el mismo es estacionario d e 2d o or de no simplemente estacionario. Análogamente, se puede definir estacionaridad de tercer, cuarto orden, etc.
Se tiene un proceso estrictamente estacionario cuando la distribución de { X t } no depende del tiempo y cuando todas las distribuciones simultáneas de las VA del proceso dependen solamente del rezago (lapso de tiempo k ) entre ellas. Un proceso estrictamente estacionario puede ser considerado estacionario de orden infinito. Un PROCESO NORMAL O GAUSSIANO es un proceso no necesariamente estacionario en el cual todas las VA del proceso están distribuidas según la ley Normal y del cual todas las distribuciones simultáneas de VA del proceso son normales. Cuando un proceso aleatorio Gaussiano es estacionario débil, esto implica que es también estrictamente estacionario puesto que la distribución Normal está completamente caracterizada por el 1er y 2do momento. Uno de los procesos estacionarios más simples es el PROCESO ESTACIONARIO NO CORRELACIONADO Z t . Donde las correlaciones (y por consiguiente las covarianzas) entre diferentes VA del proceso son cero: E{Zt}=0 Var { Z t } = z2 Cov { Z t , Z t + k } = 0 para k ¹ 0 2 { Z t } ~ N ( 0, z ) La última expresión significa que Z t está normalmente distribuído, con media cero y varianza z2 Su función de autocovarianza será:
Y la función de autocorrelacion,
Este proceso recibe la denominación de RUIDO BLANCO. El término esta restringido a veces al caso de un proceso estrictamente estacionario de variables aleatorias estocásticamente independientes.
PROCESOS
AUTOREGRESIVOS O PROCESOS AR Se denomina proceso autoregresi vo n p al proceso estacionario { X t } d e or de definido como sigue: X t = Z t - a1 * X t - 1 - a2 * X t - 2 - ....... - a p *X t - p donde { Z t } es un proceso estacionario no correlacionado. Utilizando el operador hacia atrás B, la expresión puede ser escrita de la siguiente manera : X t = Z t - a1 * B * X t - a2 * B2* X t -.......- ap * BP * X t I a [B] X t = Z t ; con a0 = 1 a[B] = ai B Esta última expresión es un polinimio de or de n p en B. De esta expresión se puede establecer que { Z t } constituye el output (salida) del filtro a [B] al introducir { X t } en dicho filtro. Se puede probar que este filtro es invertible; su inverso se expresa: { a [B] } -1 el cual es denominado F iltro Autoregresi vo o F iltro AR. Este es un filtro de convolución cuya función de transferencia es { a [B] } -1
Consideremos ahora el PROCESO AR(1) (p = 1): X t = Z t - a1 * X t 1 Este proceso significa que el valor actual de la variable analizada, caudal anual de un río por ejemplo, depende del caudal observado un año antes. En la práctica se aplica este modelo a las desviaciones de la variable respecto a su media.
MODELOS AUTOREGRESIVOS AP LICADOS A HIDROLOGIA Las series hidrológicas, en particular secuencias de caudales observados, muestran un cierto grado de PERSISTENCIA. Ello significa que el valor del caudal en el período t podría estar fuertemente influenciado por los valores de períodos precedentes t - 1 , t - 2 , etc. Este tipo de comportamiento puede ser representado por PROCESOS MARKOVIANOS. Para una serie particular, se podría evidenciar que el valor del período presente está influenciado por el valor del período inmediatamente anterior, entonces se tiene un proceso markoviano de primer orden: AUTOREGRESIVO DE PRIMER
ORDEN: AR(1) Aplicaciones del Modelaje en Hidrología El modelaje de series de tiempo en Hidrología tiene dos aplicaciones globales: 1. Para la generación de series hidrológicas de t iempo sintéticas. 2. Para la predicción de series hidrológicas de tiempo futuras. Se requiere la generación de series sintéticas en los siguientes casos: a) Para dimensionamiento de reservorios. b) Para planear expansiones de la capacidad de sistemas de s u ministro. c) Para determinar el riesgo de fa11 a de suministro de agua para irrigaciones. d) Para determinar el riesgo de fa11a de capacidades confiables de centrales hidroeléctricas. Se requiere la predicción de series de tiempo futuras en los siguientes casos: 1) Para planeamiento a corto plazo de operación de reservoríos. 2) Para planeamiento de operación durante sequías.