Registro de

precipitación
anual de la estación climatológica
Fresnillo, Zacatecas.
Alumno: Ing. Daniel Espinoza Rodríguez
Materia: Métodos Cuantitativos
Profesor: Ing. Sergio David Madrigal Espinoza, Dr.

Abril 2016
Introducción
• Las sequías se originan por una disminución en la
precipitación normal que ocurre en un área y que se
extiende por un lapso amplio, comúnmente una estación o
varios años, con resultados que causan un déficit en el
abastecimiento para una actividad, un grupo o un sector
ambiental.
• Las sequías son un fenómeno natural recurrente de
carácter regional, cuyos efectos negativos pueden ser
aminorados si son detectadas oportunamente y tienen un
monitoreo adecuado.
Justificación
• Se deduce que los resultados de los métodos expuestos se
complementan para definir con mayor precisión las
sequías meteorológicas, según su duración preestablecida,
por lo cual se recomienda su aplicación conjunta en cada
estación climatológica procesada. El análisis regional de
los registros disponibles permitirá formular conclusiones
sobre la variación espacial de las sequías.
• El objetivo de este estudio será exponer análisis gráficos a
través de métodos estadísticos propuestos para conocer el
pronostico y el seguimiento de sequías meteorológicas.
 Datos
|PA (Precipitación Anual)
Año PA (mm) Año PA (mm) Año PA (mm) Año PA (mm)
1949 508.0 1965 187.2 1981 463.2 1997 301.6
1950 389.6 1966 511.4 1982 332.3 1998 298.0
1951 510.6 1967 554.5 1983 529.4 1999 271.2
1952 300.3 1968 459.5 1984 493.7 2000 401.4
1953 390.0 1969 263.3 1985 417.2 2001 302.5
1954 286.0 1970 398.3 1986 530.7 2002 502.3
1955 376.6 1971 458.6 1987 440.7 2003 558.0
1956 316.7 1972 292.0 1988 342.0 2004 625.2
1957 454.5 1973 636.2 1989 369.2 2005 355.7
1958 610.0 1974 263.8 1990 425.1 2006 540.0
1959 570.0 1975 499.4 1991 475.8 2007 451.4
1960 243.0 1976 690.5 1992 499.0 2008 599.1
1961 308.1 1977 325.9 1993 405.5 2009 388.8
1962 375.5 1978 398.8 1994 467.9 2010 378.1
1963 345.0 1979 222.6 1995 393.1 2011 206.7
1964 254.4 1980 319.2 1996 625.2 2012 216.0
Graficando datos en “R”
Abrimos “R”. Una vez instalado el paquete “Forecast”, ejecutamos la
librería para iniciar a trabajar con la serie de datos. Capturamos los datos,
indicamos el periodo correspondiente, time-series para datos históricos
desde 1949, graficamos la serie temporal.
> library('forecast')
> precipitacion <- c(508.0, 389.6, 508.0, 389.6, 510.6, 300.3,
390.0, 286.0, 376.6, 316.7, 454.5, 610.0, 570.0, 243.0, 308.1,
375.5, 345.0, 254.4, 187.2, 511.4, 554.5, 459.5, 263.3, 398.3,
458.6, 292.0, 636.2, 263.8, 499.4, 690.5, 325.9, 398.8, 222.6,
319.2, 463.2, 332.3, 529.4, 493.7, 417.2, 530.7, 440.7, 342.0,
369.2, 425.1, 475.8, 499.0, 405.5, 467.9, 393.1, 625.2, 301.6,
298.0, 271.2, 401.4, 302.5, 502.3, 558.0, 625.2, 355.7, 540.0,
451.4, 599.1, 388.8, 378.1, 206.7, 216.0)
> años <- 1949:2012
> precipitacion <- ts(precipitacion, start = 1949, freq = 1)
> plot(precipitacion, col='blue', main = 'Serie Temporal de
Precipitación Anual en Fresnillo Zacatecas 1949 - 2012', ylab =
'Precipitación Anual')
Grafico obtenido de los Datos

El análisis grafico tiene aspecto de una serie estacionaria, consta de una

sucesión de variables aleatorias con media y varianza constantes. Podemos
observar que cerca del año 1958, 1968 y 1973 la precipitación a llegado
alrededor de los 600 mm; dentro de los años 1977 a 1980 casi a llegado a
los 700 mm.
Suavizado Exponencial
|Método de Holt
Se seleccionará el Método de Holt debido a que este es usado para
pronosticar series temporales que muestran una tendencia local que
puede cambiar repentinamente de valor.

> precipitacion.holt <- ets(precipitacion, model = 'AAN')

> precipitacion.holt
ETS(A,Ad,N)
Call:
ets(y = precipitacion, model = "AAN")
Smoothing parameters:
alpha = 1e-04
beta = 1e-04
phi = 0.8868
Initial states:
l = 502.9668
b = -11.9055
sigma: 119.471
AIC AICc BIC
917.8830 918.8830 928.8312
Suavizado Exponencial
|Método de Holt - Forecast ETS (A,Ad,N)
> plot(forecast(precipitacion.holt, h=10))
> lines(fitted(precipitacion.holt),lty='dashed')

Se observa que la precipitación en el sector bajara considerablemente en

los próximos años.
Suavizado Exponencial
|Selección automática del modelo ETS
> precipitacion.best <- ets(precipitacion)
> precipitacion.best
ETS(A,N,N)
Call:
ets(y = precipitacion)
Smoothing parameters:
alpha = 1e-04
Initial states:
l = 412.4632
sigma: 117.9393
AIC AICc BIC
910.1797 910.3702 914.5590
Suavizado Exponencial
|Selección automática del modelo ETS
> plot(precipitacion.best)

Para el caso de errores aditivos y multiplicativos, la selección automática

con “R”, arrojo un método A,N,N mejor conocido como “Método de Brown”.
Suavizado Exponencial
|Selección automática del modelo ETS
> plot(forecast(precipitacion.best, h = 10))
> lines(fitted(precipitacion.best),lty='dashed')

Pronóstico usando el mejor método elegido por “R”.

Suavizado Exponencial
|Método AMN
> precipitacion.AMN <- ets(precipitacion, model = 'AMN',
restrict=FALSE)
> precipitacion.AMN
ETS(A,Md,N)
Call:
ets(y = precipitacion, model = "AMN", restrict = FALSE)
Smoothing parameters:
alpha = 1e-04
beta = 1e-04
phi = 0.8006
Initial states:
l = 506.4774
b = 0.9475
sigma: 117.947
AIC AICc BIC
916.1883 917.1883 927.1366
Suavizado Exponencial
|Método AMN
> plot(forecast(precipitacion.AMN, h = 10))
> lines(fitted(precipitacion.AMN),lty='dashed')
 Suavizado Exponencial
|Conclusión de la metodología
Se han usado 3 métodos de Suavizado Exponencial, el primero de
ellos es el Método de Holt (AAN) porque su uso es optimizado para
series temporales con tendencia local que puede cambiar
repentinamente de valor, este método arrojó un AIC de 917.8830.

El siguiente método fue de Selección Automática, arrojando el

modelo ANN con un AIC de 910.1797.

Finalmente, debido a que el análisis gráfico de la selección

automática obtenida por R presentaba intervalos fuera de lo normal
se seleccionó el método AMN, concluyendo con un AIC de 916.1883.

Podemos concluir que el mejor AIC arrojado por los métodos

utilizados de Suavizado Exponencial fue el ANN.
Modelo ARIMA
|Selección automática
> precipitacion.arima.best <- auto.arima(precipitacion)
> precipitacion.arima.best
Series: precipitacion
ARIMA(0,0,0) with non-zero mean
Coefficients:
intercept
412.4712
s.e. 14.5166
sigma^2 estimated as 14122: log likelihood=-408.48
AIC=820.96 AICc=821.15 BIC=825.34

En busca del Mejor modelo ARIMA con un AIC menor.

Modelo ARIMA
|Selección automática
> tsdisplay(residuals(precipitacion.arima.best))

Los residuales no se comportan como ruido blanco en el tercer

grafico y por lo tanto podemos seguir en busca de un mejor modelo.
Modelo ARIMA
|Selección automática
> plot(forecast(precipitacion.arima.best, h=10))

Forecast del modelo ARIMA(0,0,0) seleccionado de

manera automática.
Modelo ARIMA
|Prueba con el modelo (3,1,7)
> precipitacion.arima.317 <- Arima(precipitacion, order =
c(3,1,7), include.drift = TRUE)
> precipitacion.arima.317
Series: precipitacion
ARIMA(3,1,7) with drift
Coefficients:
ar1 ar2 ar3 ma1 ma2 ma3
ma4 ma5
-0.4390 -0.4805 0.2889 -0.6108 -0.0289 -1.1951
0.3778 0.1839
s.e. 0.4245 0.3930 0.3339 0.4212 0.3332 0.2888
0.5266 0.2339
ma6 ma7 drift
0.1534 0.1345 0.8624
s.e. 0.2605 0.2136 0.2091
sigma^2 estimated as 12275: log likelihood=-398.42
AIC=820.85 AICc=826.85 BIC=846.94
Modelo ARIMA
|Prueba con el modelo (3,1,7)
> tsdisplay(residuals(precipitacion.arima.317))

El AIC arrojado es mejor, los residuales se comportan como ruido

blanco, este podría ser un buen modelo.
Modelo ARIMA
|Prueba con el modelo (0,1,2)
> precipitacion.arima.012 <- Arima(precipitacion, order =
c(0,1,2), include.drift = TRUE)
> precipitacion.arima.012
Series: precipitacion
ARIMA(0,1,2) with drift
Coefficients:
ma1 ma2 drift
-0.9042 -0.0958 0.1796
s.e. 0.1236 0.1161 0.8360
sigma^2 estimated as 14678: log likelihood=-404.51
AIC=817.03 AICc=817.69 BIC=825.72
Modelo ARIMA
|Prueba con el modelo (0,1,2)
> tsdisplay(residuals(precipitacion.arima.012))

Los residuales no se comportan como ruido blanco en el tercer

grafico y por lo tanto podemos seguir en busca de un mejor modelo.
Modelo ARIMA
|Prueba con el modelo (0,1,1)
> precipitacion.arima.011 <- Arima(precipitacion, order =
c(0,1,1), include.drift = TRUE)
> precipitacion.arima.011
Series: precipitacion
ARIMA(0,1,1) with drift
Coefficients:
ma1 drift
-1.0000 0.2177
s.e. 0.0432 0.7678
sigma^2 estimated as 14553: log likelihood=-404.84
AIC=815.68 AICc=816.07 BIC=822.2
Modelo ARIMA
|Prueba con el modelo (0,1,1)
> tsdisplay(residuals(precipitacion.arima.011))

Hemos encontrado el mejor AIC donde los residuales se comportan

como ruido blanco, por lo tanto éste podría ser un buen modelo.
Modelo ARIMA
|Prueba con el modelo (1,1,1)(1,1,1)
> precipitacion.arima.111.111 <- Arima(precipitacion, order =
c(1,1,1), seasonal=c(1,1,1))
> precipitacion.arima.111.111
Series: precipitacion
ARIMA(1,1,1)
Coefficients:
ar1 ma1
0.1120 -1.000
s.e. 0.1271 0.044
sigma^2 estimated as 14447: log likelihood=-404.49
AIC=814.98 AICc=815.38 BIC=821.51
 Modelo ARIMA
|Prueba con el modelo (1,1,1)(1,1,1)
> tsdisplay(residuals(precipitacion.arima.111.111))

Autocorrelaciones del modelo ARIMA(1,1,1)(1,1,1). El AIC arrojado

es el mejor que se ha encontrado y los residuales se comportan como
ruido blanco, por lo tanto es muy buen modelo.
Modelo ARIMA
|Forecast del modelo mejorado (1,1,1)(1,1,1)
> plot(forecast(precipitacion.arima.111.111, h=10))
 Conclusiones
Método/Modelo AIC
Método de Holt 917.8830
Selección automática del modelo ETS 910.1797
Método AMM 916.1883
Modelo ARIMA selección automática 820.96
Modelo ARIMA (3,1,7) 820.85
Modelo ARIMA (0,1,2) 817.03
Modelo ARIMA (0,1,1) 815.68
Modelo ARIMA (1,1,1)(1,1,1) 814.98

Se concluye por lo tanto que el mejor modelo para el pronóstico de la

precipitación anual de la estación climatológica Fresnillo, Zacatecas.a
10 años es el modelo ARIMA (1,1,1)(1,1,1) con un AIC de 814.98.
Referencias
• Daniel F. Campos Aranda. (agosto 2014). Comparación de tres
métodos estadísticos para detección y monitoreo de sequías
meteorológicas. Agrociencia, 48, 1405-3195.
• CONAGUA. (2012). Distribución de la precipitación pluvial
anual 1971-2000. 2016, de Coordinación General del Servicio
Meteorológico Nacional. Sitio web:
http://www.conagua.gob.mx/atlas/ciclo14.html
• INECC. (2015). El Cambio Climático en México Información
por Estado y Sector. 2016, de SEMARNAT Sitio web:
http://www2.inecc.gob.mx/cclimatico/edo_sector/estados/futuro_
zacatecas.html

• Campos A., D. F. 2002. Estimación de la ETP en la República

Mexicana con base en el método de Penman. Primera parte:
Teoría y datos utilizados. In: Memoria del XVII Congreso
Nacional de Hidráulica. 18-22 de noviembre. Monterrey, N. L.,
México. pp: 377-382.
Referencias
• Campos A., D. F. 2005. Anexo B. FDP Gamma Mixta. In:
Agroclimatología Cuantitativa de Cultivos. Editorial Trillas.
México, D. F. pp: 267-281.

• Campos A., D. F. 2012. Estimación de la severidad de sequías

ambientales mediante registros de lluvia mensual. Tecnología y
Ciencias del Agua III: 123-130.

• EL UNIVERSAL. (octubre 2014). México y Centroamérica

sufrirían décadas de sequía. 2016, de EL UNIVERSAL:
CIENCIA Sitio web:
http://archivo.eluniversal.com.mx/ciencia/2014/mexico-decadas-
sequia-96173.html

• Esquivel E. Elizabeth. (octubre 2002). Lluvia y sequía en el

norte de México. Un análisis de la precipitación histórica en
Chihuahua. Gaceta Ecológica, 65, 24-42.
Referencias
• CONAGUA. (enero 2011). Monitor de Sequía de América del
Norte. 2016, de CONAGUA Sitio web:
http://smn.cna.gob.mx/climatologia/sequia/2011/sequia0111.pdf

• CENAPRED. (noviembre 2002). Sequías. 2016, de Secretaría de

Gobernación Sitio web:
http://proteccioncivil.gob.mx/work/models/ProteccionCivil/Reso
urce/372/1/images/fasciculo_sequias.pdf