ALUMNA: SNCHEZ PEA Adriana Lisseth

MODELOS ESTOCSTICOS DE SERIES ANUALES

I.

Modelos Markovianos de Primer Orden

Sabemos que:
m

y i= a j y i j +Ei
j=1

Para: m=1 ; se tiene:

y i=a 1 . y i1+ E i
Donde:
y i= Variable aleatoria dependiente en trminos de desviaciones.
Ei= Variable aleatoria independiente.
a1= Coeficiente de autorregresin.
a1= i (Coeficiente de autocorrelacin)
i=1,2,3, .n .
n= # Total de aos de la serie muestral.

Se tiene adems que:

y
E( i)=0 E ( E i )=0

VAR ( Ei ) =S E VAR ( y i ) =VAR( y i1)

Siendo:
VAR ( y i ) =

Para

S E2
12i

Ei una variable normal,

Ei N (0,1)

x i tambin es normal, esto es:

1
)
12i

y i N (0,
Pero:
y
E( i)=0

VAR ( E ) =S 2E

Entonces el modelo de primer orden se reemplaza:

y i=x iE( x i )
Donde:
x iE ( x i )=1 ( x i1E ( x i1) ) + EiE (Ei )

Para:
x i= Variable aleatoria dependiente.
1=

El primer coeficiente de autocorrelacion.

E ( xi ) 0
y i=x iE ( x )
Al reemplazar en la ecuacin anterior y simplificar:
x t=a1 . x t1 + Et . (1)
Donde:
a1 1
La componente estocstica

Et debe ser dependiente.

2 1 /2

Et =1 . Et 1+(1 1) . t
Donde:
Et = Componente estocstica dependiente.
t= Componente estocstica independiente.

. (2)

1= Coeficiente de autocorrelacin.
El modelo de MARKOV de primer orden queda definido cuando se estiman los parmetros:
1 : coeficiente de autocorrelacin.

a)

b) Se ajusta la componente estocstica independiente a una funcin de probabilidades

(normal, log normal).
E t : E1 , E2 , E3 , E4 , . En
Et 1 : E1 , E 2 , E3 , . E n1 , En
Correlacin:

1=r 1

Pasos para definir el modelo estocstico de primer orden

1) sea N el nmero de aos de la serie anual.
2) El modelo matemtico para la serie estandarizada x est representada por la Ecu (1).
3) Se estima el primer coeficiente de autocorrelacin 1=r 1 .
4) En la ecuacin (2) despejamos t :
12i

Et 1 . E t1
t=

Vlidos para:
t=2, 3, 4,5, . N
Obtenindose:
2 , 3 , 4 , . N
5) Antes de ajustar los valores de

{} rsub {t}

a una funcin de distribucin,

primero se prueba si el modelo es adecuado, vale decir si la variable estocstica

t es totalmente independiente.
Correlacin general
Los correlogramas para modelos lineales autorregresivos o marcovianos, est dado por:
m

k = j|k j|
j=1

Donde:
k = Es la funcin de autocorrelacin de orden k.
j=

Coeficiente de autorregresin.
j=1,2, .. m ,

Correlograma para el modelo de MARKOV de primer orden:

m=1
k = 1 . k1 . (5)
Para valores de k
k =1 1= 1 0 1= 1

k =2 2= 1 1 1 . 1= 21
k =3 3 = 1 2 1 . 21 =31
k =4 4 = 1 3 1 . 31=14
n
k =n n= 1 n 1 . n1
1 = 1

Lmites de confianza del correlograma

1 Z ( N K2)1 /2
r K ( )=
N K 1

. (6)

Donde:
N= Tamao de la muestra.
K= Es el nmero de valores de coeficiente de autocorrelacin calculados para el
correlograma.
Z = Es el valor obtenido de las tablas con un nivel de significacin:
=0.01 O

=0.05

En hidrologa con un nivel de significacin del 5%:

Z = 1.96 [segn Salas (1975)]

1 /2

1 1.96( N K2)
r K ( =5 )=
N K 1

.. (7)

Prueba estocstica
Prueba de independencia de t
1) HP: El modelo de MARKOV de primer orden define la dependencia de

Et

la

independencia de t .
HA: t es totalmente dependiente.
2) Calculo del correlograma para los residuos de aplicar el modelo.
r K=

t tk t t k
s s
t

tk

r 1=1
2=2n
3= 31
3=
3) Calcular los lmites de confianza segn la ecuacin (7)
4) Criterios de decisin
Si el 95% de los valores calculados del correlograma, o ms caen dentro de los
lmites de confianza, entonces se acepta la hiptesis plantada; vale decir, el
modelo de MARKOV de primer orden es bueno para la serie de anlisis.
Si menos del 95% de los valores calculados del correlograma caen dentro de
los lmites de confianza, el modelo de MARKOV de primer orden NO es
aplicable.
II.
MODELO DE MARKOV DE SEGUNDO ORDEN
Para: m=2, se tiene
x t=a1 . x t1 +a2 . x t 2+ E t .. (8)
a1 y a2 : coeficientes de autocorrelacin
El modelo Markoviano para los residuos
primer orden:

Et , se obtiene igual que para los modelos de

Et = 1Et 1+ 2E t2 + R t .. (9)
Donde:
Et = Variable estocstica dependiente.
t= Variable estocstica independiente.
1 /2

R=( 1+ 21 + 222 1 21 )

Este modelo queda definido por:

El primer y segundo coeficiente de autocorregresin, los que se determinan en
funcin del primer y segundo coeficiente de autocorrelacin ( 1 y 2 ) ( r 1 y r 2
).
Para la funcin de distribucin de t , igual que en el caso anterior.
Proceso para definir el modelo
1) Sea N el nmero de aos de la serie.
2) El modelo matemtico representado por la ecuacin (8).
3) Se estima el valor del primer y segundo coeficiente de autocorrelacin con (
r 1 y r 2 ) haciendo K=1 y K=2 respectivamente.
r K=

4)

COV ( Et . Et k )
S Et . S Etk

5) Despejando los valores t de la ecuacin (9) segn:

Vlidos para: t=3, 4, 5, N.

6) Los valores obtenidos de t son ajustados a una funcin de distribucin igual

que en el caso del modelo de MARKOV de primer orden.
7) Antes de ajustar los t probar si el modelo es bueno para definir la dependencia.
Correlograma para MARKOV de segundo orden
Sabemos que, en general:
m

k = 1|k j|
j=1

Para: m=2, se tiene

k = 1 . k1+ 2 . k2
Para:

0=1
K=1 1= 1 0 + 2 1

.. (1)

K=2 2= 1 1 + 2 0

. (2)

1= 1
1 2

21
2=
+
1 2 2

Resolviendo las ecuaciones:

1=

11 . 2
1 21

2=

21
2
11

Prueba de independencia
Se aplica los mismos criterios que para el modelo de MARKOV de primer orden.
k =r K =

COV ( t . t k )
S t . S tk

En caso de ser rechazado la hiptesis se prueba con el modelo de MARKOV de tercer orden.
2

1/ 2

R=[1( 1 + 2+ 3 +2 1 . 2 . 1+2 1 . 3 . 2 +2 2 . 3 . 1) ]
III.

MODELO MARKOV TERCER ORDEN

Para m=3:
x t=a1 . x t1 +a2 . x t 2+ a3 . x t3 + Et
Et = 1Et 1+ 2E t2 + 3Et 3+ R t
Expresin general de los modelos autorregresivos de MARKOV
m

Et = j . E t j+ 1 i j . |i j|
j=1

i=1 j=1

1 /2

. t

Donde:
Et = Componente estocstica dependiente.
j=

Coeficiente de autorregresin de orden j.

i=

Coeficiente de autocorrelacin de orden i.

i, j= 1, 2,, m con m igual al orden del modelo.

t= Componente estocstica independiente.

MODELOS ESTOCSTICOS DE SERIES NO ANUALES

Series no anuales:

Mensuales
Semanales
Diarias

Presentan periodicidades en sus parmetros.

Modelo general
x p , z=M z + S z . E p , z

Donde:
x p , z= Serie hidrolgica no anual.
M z = Periodicidad en la media p periodo z.
S z = Periodicidad en la desviacin estndar p el periodo z.
E p , z = Componente estocstica para el ao p y el periodo z.
p:1, 2, 3, ,m

m= Total de aos.
z :1, 2,3, , w

w :12, 52,365, , Anlisis mensual, semanal, diario, respectivamente.

Diferencia entre datos de serie anual y no anual
NO ANUAL

ANUAL

Media y desviacin estndar

A) Forma no paramtrica
Proporciona valores de las periodicidades sin parmetros.
n
1
Mz= x p,z
n P =1

1
2
Sz =
x p , z M z )

(
n1 P=1

1 /2

M z = Valor estimado de la media peridica del periodo z.

S z = Valor estimado la derivacin estndar peridica.
p:1, 2, 3, ,n
z :1, 2,3, , w

B) Forma paramtrica

Estimacin de parmetros con ajuste de datos con una determinada curva. Se emplea
el mtodo de series de Fourier.
m

U z=M x + [ A j cos ( 2 . f jz ) + Bi . sin ( 2 . f jz ) ]

j=1

Donde:
U z= Periodicidad en la media ajustada con la serie de Fourier.
m= Total de armnicas.

f jz =

i
w

Componente estocstica dependiente

Ep, z=

x p , zM z
Sz

Expresin general:

E p , z = i , z j . E p , z j + 1 i , z j . |i j|
j=1

i=1 j=1

1/2

. p, z

m= De orden del modelo de MARKOV.

I.

MODELO DE MARKOV PRIMER ORDEN

Dnde: m=1
E p , z = 1, z1 . E p ,z + R . p , z
Donde:
R=( 1 21, z1)

1/ 2

Si llamamos:
1,z1= 1= 1
R=( 121 )

1/2

p , z : Componente estocstico independiente.

II.

MODELO DE MARKOV DE SEGUNDO ORDEN

Donde m=2:
E p , z = 1, z1 . E p ,z 1+ 2, z2 . E p , z 2 + R p ,z . p , z
Donde:

R p , z= [ 1 21,z 1 22, z22 1, z1 . 2,z2 . 1,z 2 ]

p , z=
III.

MODELO DE MARKOV DE TERCER ORDEN

Donde m=3:
E p , z = 1, z1 . E p ,z 1+ 2, z2 . E p , z 2 + 3 , z3 . E p ,z 3+ R p , z . p , z
Donde:
R p , z= [ 1 21,z 1 + 22, z2+ 23, z3 +2 1, z1 . 2, z2 . 1, z2 +2 1, z1 . 3, z3 . 2, z3 +2 2, z2 . 3, z3 . 1, z3 ]

Despejando:
p , z=
Coeficientes de autorregresin
1) MARKOV DE SEGUNDO ORDEN
1, z1 1, z22, z2
1,z1=
1 21,z 2

2,z 2 =

2, z2 1,z 11, z2
2

11, z2

2) MARKOV DE TERCER ORDEN

D=1+2 1,z 2 . 2, z3 . 1, z31, z3 21,z 2 21, z3

1/ 2

 1, z1 . ( 121, z3 ) + 1, z3 . 1,z 2 . 3,z 31, z2 . 2, z2 2,z3 . 3,z 3+ 1,z 3 . 2, z2 . 2, z3

1,z1=
D

2, z2 . ( 121, z3 ) + 1,z 2 . 2,z 3 . 3, z31, z2 . 1, z1 1,z 3 . 3, z3+ 1,z 3 . 2, z3 . 1, z1

2,z 2 =
D
3, z3 . ( 121, z2 ) + 1,z 3 . 1,z 2 . 1, z11, z3 . 2, z2 2,z 3 . 1, z1+ 1,z 2 . 2,z 2 . 2, z3
3,z3 =
D