Universidad nacional de san cristobal de huamanga

escuela profesional de ingeniera civil

hidrologa general ic441

Hidrologa Estocstica
Modelo de Procesos Autoregresivos
AR(p)

La serie histrica de precipitaciones anuales P(mm): Docente:

M.Sc. Ing. Edmundo CANCHARI GUTIRREZ

z READEXCEL ((.\esc3B43.xlsx , Hoja2!A1:A16)) Precipitacin anual en

milmetros

Nmero de datos (n): n length ((z))

i 1,2n 1
2 774.654
845.751
A i n = 16
3
918.37
i
4
5 953.684
6 925.006
1.01510
804.052
A= 7 z=
980
733.8
945 8
9 840.432
910
10 776.829
875
11 809.641
840 665.064
z 12
805

770

735

700

665

1 2.5 4 5.5 7 8.5 10 11.5 13 14.5 16

A

1.- parmetros Estadsticos bsicos

1.1 Media:
Funcin para obtener la media (promedio) de una serie de datos. Argumento: los
datos ordenados en un vector columna
Salida: el promedio aritmtico length ((x))
1
( )
E (x) x E ((z)) = 818.857
length ((x)) i=1
i

E ((z)) = 818.857

1.2 Varianza:
Funcin para obtener la varianza de una serie de datos.
Argumento: los datos ordenados en un vector columna
Resultado: la varianza (cuadrado de la desviacin estndar)
 1.2 Varianza:
Funcin para obtener la varianza de una serie de datos.
Argumento: los datos ordenados en un vector columna
Resultado: la varianza (cuadrado de la desviacin estndar)

2
VAR ((x)) E ((x - )) VAR ((z)) = 8760.802

1.3 Coeficiente de asimetra (skewness coeficient)

n
1 3
x -
n t=1 t
g ((x)) 3
g ((z)) = 0.144
( )
VAR x
( )

1.3 Covarianza (Auto-Covarianza):

En este caso llamada tambin Auto-covarianza (por relacionar la misma serie de datos)
-Funcin para obtener la covarianza de una serie de datos.
Argumentos:
a)- x son la serie de datos ordenados en un vector columna
b)- k es el retardo (lag), puede tomar valores desde 0,1,2,...,(n-1); siendo n la longitud
del vector x
Salida: La auto-covarianza de la serie x para el retardo k

n-k
1
((x , k)) x - x -
n t=1 t t+k

Los resagos
k 0 , 1 length ((z)) - 1

8.761
1.912

-2.788
-0.499
0.421
0.854

((z , k)) = -1.529 10 3

-2.927
-0.353
0.937
1.018

-0.052

 0.937
1.018

-0.052

1.4 Coeficiente de Autocorrelacin (o correlacin) simple (ACF).

Funcin para obtener el coeficiente de correlacin simple de una serie de datos -Auto
correlation function (ACF).
Argumentos:
a)- x es la serie de datos ordenados en un vector columna
b)- k el retardo, sus valores pueden ser: 0,1,2,...,(n-1)

((x , k))
((x , k))
((x , 0))

((z , k))

1.05

0.9

0.75

0.6

0.45

0.3

0.15

0
0 1.5 3 4.5 6 7.5 9 10.5 12 13.5 15
-0.15

-0.3

-0.45

k
1
0.2183

-0.3183
-0.0569
0.0481
0.0975

-0.1746

-0.3341
((z , k)) =
-0.0403
0.1069
0.1161
((z , 15)) = 0.006
-0.006
-0.1421
-0.0514
0.0302

0.0064
2.- obtencin de los modelos ar(p)

2.1 Obteniendo vector de ACF (Coeficiente de autocorrelacin Simple)

k1 1 , 2 length ((z))

1 ((z , k1 - 1))
k1

1 T = [[ 1 0.218 -0.318 -0.057 0.048 0.097 -0.175 -0.334 -0.04 0.107 ]]

2.2 Elementos del sistema de ecuaciones Yule - Walker

Formando la matriz de Formando el vetor de

autocorrelacin (ACF) autocorrelacin

2 f ((x , y)) 0 |
|
a matrix ((n - 1 , n - 1 , f)) | k2 1 , 2 ((length ((z)) - 1))
for i 1 , 2 ((n - 1)) | |
for j 1 , 2 (n - 1) | | | 3 ((z , k2))
( ) | | k2

if i j ||| |
a 0.5 ||| |
i,j ||| |
||| | 1 0 0 0
else if i > j ||| | 0 1 0 0
a 1 ||| | identity ((4)) =
|
i,j

i-j+1| |
| || | 0 0 1 0
| | 0 0 0 1
a ||

1
0.218 0.218
-0.318
-0.318
-0.057 -0.057
0.048 0.048
0.097 0.097
-0.175
-0.175
-0.334
-0.334
1 = 3 = -0.04
-0.04
0.107 0.107
0.116 0.116
-0.006
-0.006
-0.142 -0.142
-0.051 -0.051
0.03 0.03
0.006
0.006
 0.5 0 0 0 0 0 0 0 0
0.218 0.5 0 0 0 0 0 0 0

-0.318 0.218 0.5 0 0 0 0 0 0
-0.057 -0.318 0.218 0.5 0 0 0 0 0
0.048 -0.057 -0.318 0.218 0.5 0 0 0 0
0.097 0.048 -0.057 -0.318 0.218 0.5 0 0 0

-0.175 0.097 0.048 -0.057 -0.318 0.218 0.5 0 0

2 = -0.334 -0.175 0.097 0.048 -0.057 -0.318 0.218 0.5 0
-0.04 -0.334 -0.175 0.097 0.048 -0.057 -0.318 0.218 0.5
0.107 -0.04 -0.334 -0.175 0.097 0.048 -0.057 -0.318 0.218
0.116 0.107 -0.04 -0.334 -0.175 0.097 0.048 -0.057 -0.318

-0.006 0.116 0.107 -0.04 -0.334 -0.175 0.097 0.048 -0.057
-0.142 -0.006 0.116 0.107 -0.04 -0.334 -0.175 0.097 0.048
-0.051 -0.142 -0.006 0.116 0.107 -0.04 -0.334 -0.175 0.097
0.03 -0.051 -0.142 -0.006 0.116 0.107 -0.04 -0.334 -0.175

0.5 0.218 -0.318 -0.057 0.048 0.097 -0.175 -0.334 -0.04

0 0.5 0.218 -0.318 -0.057 0.048 0.097 -0.175 -0.334

0 0 0.5 0.218 -0.318 -0.057 0.048 0.097 -0.175
0 0 0 0.5 0.218 -0.318 -0.057 0.048 0.097
0 0 0 0 0.5 0.218 -0.318 -0.057 0.048
0 0 0 0 0 0.5 0.218 -0.318 -0.057

2 T = 0 0 0 0 0 0 0.5 0.218 -0.318

0 0 0 0 0 0 0 0.5 0.218
0 0 0 0 0 0 0 0 0.5
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0

P 2 + 2 T
 1 0.218 -0.318 -0.057 0.048 0.097 -0.175 -0.334 -0.04
0.218 1 0.218 -0.318 -0.057 0.048 0.097 -0.175 -0.334

-0.318 0.218 1 0.218 -0.318 -0.057 0.048 0.097 -0.175
-0.057 -0.318 0.218 1 0.218 -0.318 -0.057 0.048 0.097
0.048 -0.057 -0.318 0.218 1 0.218 -0.318 -0.057 0.048
0.097 0.048 -0.057 -0.318 0.218 1 0.218 -0.318 -0.057

P= -0.175 0.097 0.048 -0.057 -0.318 0.218 1 0.218 -0.318

-0.334 -0.175 0.097 0.048 -0.057 -0.318 0.218 1 0.218
-0.04 -0.334 -0.175 0.097 0.048 -0.057 -0.318 0.218 1
0.107 -0.04 -0.334 -0.175 0.097 0.048 -0.057 -0.318 0.218
0.116 0.107 -0.04 -0.334 -0.175 0.097 0.048 -0.057 -0.318

-0.006 0.116 0.107 -0.04 -0.334 -0.175 0.097 0.048 -0.057

Los coeficientes son :

774.654
0.406 845.751
-0.606
918.37
P -1 3 0.395 953.684
-0.385 925.006
0.272 804.052
-0.397
= z= 733.8

-0.119 840.432

-0.077 776.829
-0.096 809.641
0.118 665.064

680.73

2.3 Obtencin del mejor modelo
Nmeros aleatorios (con distribucin normal), de media cero y varianza constante

-0.439
-0.679

at rnorm ((n , 0 , 1)) -0.473
-0.951
VAR ((z)) = 93.599
-1.686
at = 0.044

-0.121

0.556
2.192

Modelo AR(1)

zt ((zt1 , att)) + ((zt1 - )) + att

1

f ((x , y)) 0

zz matrix ((n , 1 , f))

zz z i 2,3n
1 1

zz zt zz , at
i i-1 i

774.654 774.654
800.227 845.751

810.818 918.37
814.641 953.684
815.459 925.006
817.521 804.052

zz = 818.194 z= 733.8

819.144 840.432
821.165 776.829
820.603 809.641
820.551 665.064

820.407 680.73

1.01510

980

945

910

875

840
z
805
zz
770

735

700

665

1 2.5 4 5.5 7 8.5 10 11.5 13 14.5 16

A
Modelo AR(2)

zt ((zt2 , zt1 , att)) + ((zt1 - )) + ((zt2 - )) + att

1 2

3
f ((x , y)) 0 4

5
zz matrix ((n , 1 , f)) 6
7
zz z zz z 8
1 1 2 2
i 3,4n i= 9

10

zz zt zz , zz , at 11
i i-2 i-1 i
12
13

14

1.01510

980

945

910

875

840
z
805
zz
770

735

700

665

1 2.5 4 5.5 7 8.5 10 11.5 13 14.5 16

A
Modelo AR(3)

zt ((zt3 , zt2 , zt1 , att)) + ((zt1 - )) + ((zt2 - )) + ((zt3 - )) + att

1 2 3

f ((x , y)) 0 4
5

zz matrix ((n , 1 , f))
6
7
zz z zz z zz z i 4,5n 8
1 1 2 2 3 3
9

i= 10

11
zz zt zz , zz , zz , at 12
i i-3 i-2 i-1 i
13
14

15

1.01510

980

945

910

875

840
z
805 zz
770

735

700

665

1 2.5 4 5.5 7 8.5 10 11.5 13 14.5 16

A
Modelo AR(4)

zt ((zt4 , zt3 , zt2 , zt1 , att)) + ((zt1 - )) + ((zt2 - )) + ((zt3 - )) + ((zt4 - )) + att
1 2 3 4

f ((x , y)) 0

zz matrix ((n , 1 , f))

zz z zz z zz z zz z i 5,6n
1 1 2 2 3 3 4 4

zz zt zz , zz , zz , zz , at
i i-4 i-3 i-2 i-1 i

1.01510

980

945

910

875

840
z
805
zz
770

735

700

665

1 2.5 4 5.5 7 8.5 10 11.5 13 14.5 16

A
Modelo AR(5)

zt ((zt5 , zt4 , zt3 , zt2 , zt1 , att)) + ((zt1 - )) + ((zt2 - )) + ((zt3 - )) + ((zt4 - )) + ((zt5 - ))
1 2 3 4 5

f ((x , y)) 0

zz matrix ((n , 1 , f))

zz z zz z zz z zz z zz z i 6,7n
1 1 2 2 3 3 4 4 5 5

zz zt zz , zz , zz , zz , zz , at
i i-5 i-4 i-3 i-2 i-1 i

1.01510

980

945

910

875

840
z

805 zz
770

735

700

665

1 2.5 4 5.5 7 8.5 10 11.5 13 14.5 16

A
 1 1
0.218 0.218

-0.318 -0.384
lcorr -0.057 0.152
0.048 -0.128
0.097 0.183

-0.175 -0.365

-0.334 -0.077
lcorr ((z , z)) = plcorr ((z)) =
-0.04 -0.125
0.107 0.017
0.116 0.077

-0.006 -0.056
-0.142 -0.068
-0.051 -0.163
0.03 -0.067

0.006 -0.075