MODELOS ESTOCSTICOS Un modelo es una representacin simplificada de la realidad manipulable para mejorar la visin 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 hidrologa estocstica, 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 aplicacin de modelos autoregresivos para caudales anuales y estacionales. A partir de aqu ha ido apareciendo un gran nmero de modelos estocsticos de simulacin que se pueden clasificar segn el proceso de generador y las hiptesis de base (segn Llamas, 1993) en y Modelo de regresin lineal y Modelo autoregresivo y Modelos de ruido fraccionario y Modelos de lnea segmentada y Modelo ARIMA. La generacin sinttica de valores, as como tambin el pronstico son utilizados en diversas ramas: desde el planeamiento de la elaboracin de cierto producto, la determinacin de la cantidad de pasajes areos previstos para la prxima temporada, la demanda futura de cierto producto, o el volumen de agua que se espera ingresar en un embalse el prximo mes. En base a la informacin histrica de una variable medida cronolgicamente se puede identificar su patrn de comportamiento y utilizar ste para reproducir la variable en forma sinttica, es decir, producir una serie de datos de la variable estadsticamente indistinguible de la serie histrica 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 observacin secuencial de un fenmeno caracterizado por propiedades estadsticas que involucran aleatoriedad. Casi todos los procesos hidrolgicos pueden ser tratados como estocsticos o como una combinacin estocstico - determinstica debido a la complejidad de los factores que lo producen. As por ejemplo, el caudal de un ro es el resultado de un proceso complejo de precipitacin- infiltracin-escurrimiento. Los valores de este proceso ordenados secuencialmente (por ejemplo caudal mensual de un ro) pueden ser tratados mediante modelos estocsticos. Estos modelos tienen por finalidad: 1) la generacin sinttica de datos 2) el efectuar pronsticos.

ESTACIONARIEDAD. Un proceso aleatorio { X t } ser considerado estacionario dbil, o simplemente estacionario cuando: 1.- E { X t } = m x 2.- Var { X t } = x2 3.-Cov { Xt , X t + k } = k Las ecuaciones (1) y (2) significan que el valor esperado y la varianza de las variables aleatorias (VA) del proceso son independientes del tiempo. La ecuacin (3) significa que la covarianza entre dos VA del proceso depende solamente del rezago del tiempo (k) entre las dos VA y no del tiempo en si mismo. La covarianza entre dos VA de un proceso aleatorio se llama autocovarianza. La FUNCION DE AUTOCOVARIANZA en la ecuacin (3) del proceso X t es en funcin del rezago de tiempo k. Se tiene evidentemente que: k= k

El coeficiente de correlacin entre dos VA de un proceso aleatorio se denomina coeficiente de autocorrelacin. La FUNCION DE AUTOCORRELACION O CORRELOGRAMA del proceso es el coeficiente de autocorrelacin del proceso en funcin del rezago de tiempo k :

k = k / x2 k = -k , 0 = 1 Si la traslacin en el tiempo no afecta al momento de 1er orden y 2do orden de las VA del proceso, se dice que el mismo es estacionario de 2do orden o simplemente estacionario. Anlogamente, se puede definir estacionaridad de tercer, cuarto orden, etc. Se tiene un proceso estrictamente estacionario cuando la distribucin de { X t } no depende del tiempo y cuando todas las distribuciones simultneas 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 estn distribuidas segn la ley Normal y del cual todas las distribuciones simultneas de VA del proceso son normales. Cuando un proceso aleatorio Gaussiano es estacionario dbil, esto implica que es tambin estrictamente estacionario puesto que la distribucin Normal est completamente caracterizada por el 1er y 2do momento. Uno de los procesos estacionarios ms 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 0 { Z t } ~ N ( 0, z2) La ltima expresin significa que Z t est normalmente distribudo, con media cero y varianza z2 Su funcin de autocovarianza ser:

Y la funcin de autocorrelacion,

Este proceso recibe la denominacin de RUIDO BLANCO. El trmino esta restringido a veces al caso de un proceso estrictamente estacionario de variables aleatorias estocsticamente independientes.

PROCESOS AUTOREGRESIVOS O PROCESOS AR Se denomina proceso autoregresivo de orden p al proceso estacionario { X t } 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 atrs B, la expresin puede ser escrita de la siguiente manera : X t = Z t - a1 * B * X t - a2 * B2* X t -.......- ap * BP * X t a [B] X t = Z t ; con a0 = 1 a[B] = ai BI Esta ltima expresin es un polinimio de orden p en B. De esta expresin 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 Filtro Autoregresivo o Filtro AR. Este es un filtro de convolucin cuya funcin 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 ro por ejemplo, depende del caudal observado un ao antes. En la prctica se aplica este modelo a las desviaciones de la variable respecto a su media. MODELOS AUTOREGRESIVOS APLICADOS A HIDROLOGIA Las series hidrolgicas, en particular secuencias de caudales observados, muestran un cierto grado de PERSISTENCIA. Ello significa que el valor del caudal en el perodo t podra estar fuertemente influenciado por los valores de perodos precedentes t - 1, t - 2, etc. Este tipo de comportamiento puede ser representado por PROCESOS MARKOVIANOS. Para una serie particular, se podra evidenciar que el valor del perodo presente est influenciado por el valor del perodo inmediatamente anterior, entonces se tiene un proceso markoviano de primer orden: AUTOREGRESIVO DE PRIMER

ORDEN: AR(1) Aplicaciones del Modelaje en Hidrologa El modelaje de series de tiempo en Hidrologa tiene dos aplicaciones globales: 1. Para la generacin de series hidrolgicas de tiempo sintticas. 2. Para la prediccin de series hidrolgicas de tiempo futuras. Se requiere la generacin de series sintticas en los siguientes casos: a) Para dimensionamiento de reservorios. b) Para planear expansiones de la capacidad de sistemas de su 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 hidroelctricas. Se requiere la prediccin de series de tiempo futuras en los siguientes casos: 1) Para planeamiento a corto plazo de operacin de reservoros. 2) Para planeamiento de operacin durante sequas.