un modelo hidrológico distribuido
|
|
- María José Fuentes Marín
- hace 5 años
- Vistas:
Transcripción
1 Estudio del efecto de escala espacial en un modelo hidrológico distribuido Miguel Ignacio Barrios Peña Director: Dr. Félix Francés García
2 Introducción Limitaciones para la representación de procesos a diferentes escalas: Heterogeneidad de características ambientales (parámetros) Variabilidad espacio-temporal de input No-linealidad en procesos hidrológicos Propiedades emergentes
3 Introducción Upwards (Klemes, 1983;Dooge, 1986) Downwards (Francés, 2011) (Sivapalan, 2005)
4 Introducción Por qué estudiar Efectos de escala y Escalado? Necesidad de vincular «microestados» y «macroestados» Reconciliar upwards y downwards Mejorar el conocimiento de las macro no-linealidades
5 Introducción: escalas espaciales de estudio Microescala: Soporte mínimo en el cual son válidas las ecuaciones
6 Introducción: escalas espaciales de estudio Microescala: Soporte mínimo en el cual son válidas las ecuaciones Mesoescala: Escala mayor en la cual se utilizan parámetros efectivos
7 Introducción Efecto de escala agregando procesos no lineales: Y S = g S 2 = g θ S 1, X S 1 θ S1, X 1 ( ) ( ) ( ) ( ) ( ) Parámetro efectivo: valor que busca reproducir el proceso agregado en la mesoescala (Wigmosta y Prasad, 2005) No es el valor medio en la microescala Puede perder sentido físico en la mesoescala No son estacionarios
8 Problema de investigación Indagar las propiedades p y utilidad de la aplicación de parámetros efectivos no estacionarios en el escalado de parámetros hidrológicos
9 Objetivos generales Analizar el efecto de la heterogeneidad de los parámetros del suelo en la microescala sobre los parámetros efectivos en la mesoescala, utilizando el mismo modelo hidrológico en ambas escalas Proponer ecuaciones de escalado ld que relacionen los parámetros en la microescala con los parámetros en la mesoescala, para mejorar los resultados de modelización y evaluar su funcionamiento en una cuenca de estudio
10 Metodología general 1.- Efecto de escala espacial: Campos de parámetros Formulación inversa que incluye la agregación del flujo en la microescala Cálculo de parámetros efectivos no estacionarios en la mesoescala y Estudio de sus propiedades (Barrios y Francés, 2011)
11 Metodología general 2.- Ecuaciones de escalado (de la microescala a la mesoescala): Funciones de distribución derivadas Ecuaciones empíricas no lineales 3.- Aplicación de las ecuaciones de escalado Implementación en la cuenca experimental de Goodwin Creek Experimento sintético Evaluación de resultados (Barrios y Francés)
12 (1/3) Efecto de escala espacial
13 Efecto de escala espacial: procesos Procesos no-lineales Almacenamiento estático: X = Max 0; X H + H Excedente 2, t [ 1, t u 1, t] Infiltración capilar 1, t 1, t 2, t Y = Min ETP λ ; H ET 1t 1 Almacenamiento superficial: Infiltración gravitacional D = X X Almacenamiento 1, 1, t X Min X t k = ; Δ 3, t 2, t s estático Almacenamiento superficial (Francés et. al., 2002)
14 Efecto de escala espacial: campos aleatorios Generación de campos aleatorios de parámetros H u y k s : PDF de H u [Beta(a,b)]: PDF de k s [LN(µ,σ)]: ( a b ) a b 1 u ( ) ( ) ( ) 1 1 u a Γ b Γ + f = H H Γ 1 e ksσ 2π Autocorrelación espacial básica tipo exponencial: Algoritmo de muestreo (Pinder( y Celia, 2006): ) Muestreo por Hipercubo Latino Factorización de Cholesky f = ( ln ks μ) 2 2 σ 2 ρ ( h ) = e 3h a
15 Efecto de escala espacial: campos aleatorios Estadísticos de los campos Microescala S1 Escalas espaciales Mesoescala S2 # de realizaciones Tamaño Notación [m 2 ] [m 2 ] 1 x 1 5 x 5 S2a x 1 15 x 15 S2b x 1 45 x 45 S2c x x 100 S2d 5000 μ (H u ) μ (k s ) CV=σ/μ Longitudes de correlación: a = 2.5, 5, 10, 50, 75, 100, 150, 250, 500, 2500 y 5000 m
16 Efecto de escala espacial: parámetros en la mesoescala Agregación: Excedente Infiltración gravitacional n 2 [ 2 ] = 2i i= 1 n X [ ] 3 S2 = X3 i i= 1 X S X Agregación del flujo Parámetros efectivos en la mesoescala (solución inversa): H [ S 2] = X [ S 2] + H [ S 2] X [ S 2] u t 1 t 1 t 2 t k s [ S 2 ] t ( ) 1 X 2[ S2] t t X 3[ S2] t X 2[ S2] Δ = t = X ( ) 1 3[ S2] t Δ t X 3[ S2] t > X 2[ S2] t
17 Efecto de escala espacial: parámetros en la mesoescala H u y k s tienen una fuerte dependencia de las variables de estado e input, y son sensibles a la heterogeneidad en la microescala: Valores sensibles al CV Baja influencia de la estructura de dependencia espacial (magnitud) en contraste con CV
18 Efecto de escala espacial: parámetros en la mesoescala Factor de reducción de varianza (VRF) ( u [ S2] ) H [ S1] V RF 1 ( H Var H u ) = = ρ 2 σ ( u ) ( s [ S2] ) ( ks [ S1] ) Var k VRF1 ( ks ) = = ρ 2 σ ( Hu [ S1] ) ( ks [ S1] ) Var( H [ S2], t) σ ( H [ S1], t) u = = ρ ( H 1[ S1] t ) VRF 2 ( H u, t ) ρ H [ S 1], t Var( ks[ S2], t) Δt VRF2 ( ks,) t = = ρ [ 1], 2 σ ( X 3 [ S 1], t ) ( X 3 S t)
19 Efecto de escala espacial: tamaño de celda - REA REA: la escala más pequeña en la cual se minimiza el efecto del patrón de variabilidad espacial, área umbral en la que se puede identificar una respuesta media similar en diferentes localizaciones (Wood, et al., 1988)
20 Efecto de escala espacial: tamaño de celda - REA Cuando l 2 > a, comienza a ser menos importante la representación del patrón de variabilidad espacial
21 Efecto de escala espacial: tamaño de celda - REA REA está relacionada con l 2 /a y remueve el efecto del patrón espacial. La disminución de VRF en REA puede influir en la selección de un tamaño de celda óptimo (Wood, et al., 1988)
22 Efecto de escala espacial: selección de tamaño de celda Tamaño de celda óptimo Depende de criterios adicionales muy importantes: Resolución de datos de entrada disponibles Objetivos de la modelación en un caso concreto Discretización requerida para las variables de salida Escala de validez de los modelos utilizados para representar los procesos hidrológicos relevantes
23 (2/3) Ecuaciones de escalado
24 Ecuaciones de escalado Parametrización de heterogeneidades: de la microescala a la mesoescala
25 Ecuaciones de escalado: procesos no lineales Almacenamiento estático: Excedente X 2, t = Max [ 0; X1, t H u + H1, t ] Infiltración capilar ET D = X X 1, t 1, t 2, t Y = Min ETP λ; H 1, t 1, t Almacenamiento superficial: X = Min X ; t k 3, Δ 2, Infiltración gravitacional t t s Almacenamiento gravitacional: Percolación X = Min X ; t k 4, Δ 3, t t p (Francés et. al., 2002) Almacenamiento estático Almacenamiento superficial Almacenamiento gravitacional
26 Funciones de distribución derivadas Método de dos pasos («two-step approach»): Y = g X ( ) 1) Calcular la CDF de Y: Y P ( ) F y = g X y ( ) ( ) 2) Diferenciar para obtener la PDF: f Y y ( ) = df Y dy y ( )
27 Funciones de distribución derivadas Caso de a =0! Capacidad de almacenamiento estático: H u [ S2] t a 1 b 1 nt ( 1 w) Hu Γ ( a+ b) Hu Hu = 1 dhu + 0 Λ Γ( a) Γ( b) Λ Λ a 1 b 1 Λ w+ nt t t t t n t ( 1 w) H 1, 1 + X 1, Γ ( a + b ) H 1, 1 H 1, 1 1 Λ w Γ( a) Γ( b) Λ w Λ w dh 1, t 1 Conductividad hidráulica saturada del suelo: k s [ S2] t = 0 X 3max ( X3 Δt) + 2 ( X ) ( X3 Δt) 2 ( X ) ( X3 Δt) 2 ( X ) F F F F F F ks X 3 ks X 3 ks X 3 Δt Conductividad hidráulica saturada del sustrato: k p [ S 2 ] t 0 = X 4max ( 4 / Δ ) + 3 ( 4) ( 4 / Δ ) 3 ( 4) ( 4 / Δ ) 3 ( 4) F X t F X F X t F X F X t F X k X k X k X p p p Δt
28 Funciones de distribución derivadas Comprobación vía simulaciones de Monte Carlo:
29 Funciones de distribución derivadas La deducción analítica de funciones de distribución conjuntas y funciones de distribución condicionadas para incorporar dependencia espacial es bastante compleja, dada la no linealidad de las ecuaciones del flujo Alternativa: regresión no-lineal
30 Ecuaciones de escalado empíricas Capacidad de almacenamiento estático en la mesoescala: ( X1, t + H1, t ω1 ) ln Hu [ S2] t = ( X1, t + H1, t) 1 Φ + ω 2 H u ln [ S1] Φ ( X1t + H1t ω1 ) ω 1, 1, ω ω 2 2 Parámetros relacionados con CV(H u [S1]) y l 2 /a
31 Ecuaciones de escalado empíricas Capacidad de almacenamiento estático en la mesoescala:
32 Ecuaciones de escalado empíricas Conductividad hidráulica saturada del suelo en la mesoescala: { ( )} ε ( X 2 ; α ) k [ S2] = k [ S1] ε X 2 [ S2] ; α s t s t X { } [ S2 ] 1 [ S 2 ] 2 2 t t ; Parámetro relacionado con CV(k s [S1]) y l 2 /a
33 Ecuaciones de escalado empíricas Conductividad hidráulica saturada del suelo en la mesoescala:
34 Ecuaciones de escalado empíricas Conductividad hidráulica saturada del sustrato del suelo en la mesoescala: { ( )} ε ( X 3 ; β ) k [ S2] = k [ S1] ε X3 [ S2] ; β p t p t X 3 { } [ S2 ] 1 [ S2 ] t t Parámetro relacionado con CV(k p [S1]) y l 2 /a
35 Ecuaciones de escalado empíricas Conductividad hidráulica saturada del sustrato del suelo en la mesoescala:
36 (3/3) Aplicación de las ecuaciones de escalado
37 Cuenca de estudio Cuenca experimental de Goodwin Creek Área de la cuenca: 21.6 km 2 Río efímero Escorrentia Hortoniana 16 estaciones pluviográficas (resolución temporal de 5 minutos) 6 estaciones de aforo (calibración ió en la salidadelacuenca) DEM: 30x30 m 2 Cinco eventos de crecida seleccionados en el periodo de 1981 a 1983: caudal pico de 38 a 106 m 3 /s
38 Escenarios modelados Tres escalas de información, con o sin ecuaciones de escalado Notación R1 R1+EE R2 R2+EE R3 R3+EE Escenarios Mapas con resolución de 30x30 m 2, sin ecuaciones de escalado Mapas con resolución de 30x30 m 2, con ecuaciones de escalado Mapas con resolución de 1740x1740 m 2, sin ecuaciones de escalado Mapas con resolución de 1740x1740 m 2, con ecuaciones deescalado ld Mapas con el promedio para toda la cuenca, sin ecuaciones de escalado Mapas con el promedio para toda la cuenca, con ecuaciones de escalado R1 R2 R3
39 Índices de evaluación de los modelos Cinco índices: Nash-Sutcliffe (NSE) Raíz cuadrada del error cuadrático medio (RMSE) NSE T ( Qˆ ) 2 t Qt = 1 t= 1 ( Q Q) 2 t= RMSE = 1 t T ( Q ˆ ) 2 t Qt T Error en volumen (E v ) Error en caudal pico (E Q ) E v V Vˆ = 100 V E Q Q ˆ p Qp = 100 Q Q p Error en tiempo al pico (E t ) E = t tˆ t p p
40 Calibración Calibración de factores correctores (FCs): FC1* FC3* FC4* FC5* FC6* FC9* Identificador Parámetro/Proceso afectado Almacenamiento estático Infiltración Velocidad del flujo en ladera Percolación Velocidad del flujo subsuperficial Velocidad del flujo en canales + 4 parámetros de EE Calibración automática (SCE-UA) minimizar: FO = 1 NSE = 1 1 T ( Qˆ ) 2 t Qt t= 1 ( Q ) 2 t Q R1, R1+EE, R2, R2+EE, R3 y R3+EE: calibrados en la salida de la cuenca
41 Validación espacial
42 Validación temporal
43 Validación espacio-temporal
44 Desempeño vs. área de sub-cuenca
45 Efecto de agregación - experimento sintético Campos de parámetros: Propiedad Modelo espacial Rango máximo Rango mínimo Dirección Meseta Pepita Media Desviación estándar Parámetro Hu ks kp Exponencial 200 m 100 m Exponencial 200 m 100 m Exponencial 200 m 100 m CV
46 Efecto de agregación - experimento sintético Parámetros de EE estimados: Resolución Parámetro Hu ks kp 600 m CV = 0.6 ω 1 = 4.5 CV = 0.6 α = 0.35 CV = 0.5 β = 1 l2 a> 3 ω 2 = 0.8 l2 a> 3 l2 a> m CV = 0.6 ω 1 = 4.5 CV = 1 α = 0.45 CV = 0.6 β = 1.2 l2 a> 3 ω 2 = 0.8 l2 a> 3 l2 a> 3 cuenca CV = 0.9 ω 1 = 3.5 CV = 2.1 α = 0.6 CV =1.2 β = 3 l2 a> 3 ω 2 = 1.2 l2 a> 3 l2 a> 3
47 Efecto de agregación - experimento sintético Sin calibración Con calibración
48 Conclusiones
49 Conclusiones La solución inversa propuesta permitió transferir la variabilidad del sistema en la microescala a la mesoescala a través de parámetros efectivos no estacionarios i A medida que la heterogeneidad se incrementa a nivel de microescala, es más probable encontrar valores del parámetro efectivo en la mesoescala inferiores al promedio del campo de valores en la microescala (mientras no se alcance la saturación) La varianza de los parámetros efectivos estimados en la mesoescala disminuye cuando aumenta la relación entre el tamaño de celda en la mesoescala y la longitud de correlación (l 2 /a). Esta propiedad es fundamental para identificar un tamaño de celda que tenga las características de REA
50 Conclusiones El efecto de la macro no-linealidad, la heterogeneidad de los parámetros y la variabilidad del input puede mitigarse mediante el uso de Ecuaciones de Escalado de parámetros efectivos no estacionarios La representación de la variabilidad a nivel de sub-celda es importante en la modelación hidrológica, particularmente: Se observó un mejoramiento sistemático del desempeño del modelo en las validaciones en puntos internos de la cuenca y para los eventos de crecida más pequeños En general, se encontró un mejor funcionamiento en validación de R1+EE y R2+EE en comparación con el modelo de referencia R1
51 Futuras líneas de investigación Se ha identificado que el efecto de escala espacial está relacionado con la magnitud del evento. Es importante investigar la existencia de umbrales de lluvia a partir de los cuales se minimice el efecto de escala espacial Esta tesis se ha centrado en el análisis del efecto de escala espacial en los parámetros hidráulicos del suelo (que representan dos tipos de no linealidad). Es necesario estudiar y entender los efectos de escala en otros procesos como la evapotranspiración ylapropagación del flujo
52 Futuras líneas de investigación Interesa abordar desde este mismo enfoque el efecto de escala espacial en otros modelos hidrológicos i distribuidos ib id para contrastar sus resultados con los resultados de esta investigación Implicaciones de la utilización de las ecuaciones de escalado en la incertidumbre del modelo Articular el conocimiento de los diferentes procesos hidrológicos que se han conceptualizado en la mesoescala con formulaciones desarrolladas en otras escalas
53 Agradecimientos Este trabajo ha sido subvencionado por el Ministerio Español de Ciencia e Innovación a través de los proyectos de investigación FLOOD-MED (ref. CGL C02-02/BTE) y Consolider-ingenio SCARCE (ref. CSD ). Y ha contado con el soporte del Programa ALβan, Programa de Becas de Alto Nivel de la Unión Europea para América Latina, beca No. E07D402940CO. Gracias por su atención
Saja-Besaya (Modelo Tetis V.7.2), para estimación probabilística de avenidas en los períodos de estiaje
Modelación hidrológica distribuida da de la cuenca ca Saja-Besaya (Modelo Tetis V.7.2), para estimación probabilística de avenidas en los períodos de estiaje Autores: Félix Francés y Juan Camilo Múnera
Más detallesUniversidad Politécnica de Valencia Instituto de Ingeniería del Agua y Medio Ambiente TESINA
Universidad Politécnica de Valencia Instituto de Ingeniería del Agua y Medio Ambiente TESINA Evaluación del submodelo de fusión de nieve del Modelo TETIS en las cuencas de alta montaña del río American
Más detallesCOMPARACIÓN DE LA EFICIENCIA DE MEDIDAS DE MITIGACIÓN DE LAS INUNDACIONES MEDIANTE RETENCIÓN EN EL TERRITORIO
COMPARACIÓN DE LA EFICIENCIA DE MEDIDAS DE MITIGACIÓN DE LAS INUNDACIONES MEDIANTE RETENCIÓN EN EL TERRITORIO Autores: Sergio Salazar y Félix Francés Universidad Politécnica de Valencia - España Instituto
Más detallesEstudio del comportamiento hidrológico no-lineal de una pequeña cuenca Mediterránea. Aplicación del estudio a la cuenca de Can Vila (Cataluña).
Estudio del comportamiento hidrológico no-lineal de una pequeña cuenca Mediterránea. Aplicación del estudio a la cuenca de Can Vila (Cataluña). Universidad Politécnica de Valencia. Escuela Técnica Superior
Más detallessatélite en la modelación hidrológica aplicada a la cuenca del río Júcar
Utilidad de la precipitación obtenida por satélite en la modelación hidrológica aplicada a la cuenca del río Júcar L. Ramos y F. Francés Universidad Politécnica de Valencia Instituto de Ingeniería del
Más detallesModelación hidrológica distribuida en cuencas de alta montaña utilizando el modelo TETIS.
Modelación hidrológica distribuida en cuencas de alta montaña utilizando el modelo TETIS. I. Orozco, F. Francés, J. López y M.I. Barrios Universidad Politécnica de Valencia Instituto de Ingeniería del
Más detallesCalibración de un modelo conceptual distribuido del ciclo de sedimentos. Aplicación a la cuenca experimental de Goodwin Creek (EEUU).
Doctorado en Ingeniería del Agua y Medioambiental Calibración de un modelo conceptual distribuido del ciclo de sedimentos. Aplicación a la cuenca experimental de Goodwin Creek (EEUU). Gianbattista Bussi
Más detalles17/08/2010 Lia Ramos Fernández; Félix Francés García
SEMINARIO INTERNACIONAL MEDIO AMBIENTE Y RECURSOS HIDRICOS CALIBRACIÓN DE UN MODELO HIDROLÓGICO DISTRIBUÍDO APLICADO A LA CUENCA DEL RÍO JUCAR Lia Ramos Fernández; Félix Francés García Agosto 2010 1 MODELO
Más detallesTendencias actuales en modelación hidrológica y estadística no estacionaria para la estimación de la frecuencia de las inundaciones
Tendencias actuales en modelación hidrológica y estadística no estacionaria para la estimación de la frecuencia de las inundaciones Por: Félix Francés Research Group of Hydrological and Environmental Modelling
Más detallesJUAN GUILLERMO ARIAS CASTAÑEDA
MODELACIÓN HIDROLÓGICA DISTRIBUIDA EN CUENCAS ANDINAS POCO INSTRUMENTADAS MEDIANTE LA APLICACIÓN DE TÉCNICAS DE REGIONALIZACIÓN DE PARÁMETROS HIDROLÓGICOS. JUAN GUILLERMO ARIAS CASTAÑEDA Trabajo de grado
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detalles3. Descripción del modelo
3. Descripción del modelo El modelo de Simulación Hidrológica Abierta (SHIA) fue propuesto inicialmente por Vélez (2001). SHIA es un modelo conceptual distribuido y considera que los procesos determinantes
Más detallesModelo Hidrológico Distribuido J2000: Caso de Estudio en la Cuenca Árida del Hurtado
Friedrich Schiller University of Jena Department of Geoinformatics, Hydrology and Modelling Modelo Hidrológico Distribuido J2000: Caso de Estudio en la Cuenca Árida del Hurtado Hidrología Andina, 17 20
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesAPLICACIÓN DE UN MODELO HIDROLÓGICO, CONCEPTUAL, DISTRIBUIDO EN EL ESPACIO Y
TRABAJO FIN DE MASTER: TIPO B ANÁLISIS DE LA IMPLEMENTACIÓN DE UN MODELO HIDROLÓGICO DISTRIBUIDO CON INFORMACIÓN ESTÁNDAR EN ESPAÑA Intensificación: Sistemas de Recursos Hídricos Autora: Lina Margarita
Más detallesANEXO B GENERACIÓN DE CAUDALES MEDIOS MENSUALES EN CUENCAS INTERMEDIAS TABLA DE CONTENIDOS
ANEXO B GENERACIÓN DE CAUDALES MEDIOS MENSUALES EN CUENCAS INTERMEDIAS TABLA DE CONTENIDOS 1 INTRODUCCIÓN... 1 1.1 OBJETIVOS... 1 1.2 METODOLOGÍA DE TRABAJO... 1 2 DESCRIPCIÓN DEL MODELO PLUVIAL MPL...
Más detallesTema 5: Calibración de modelos. Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Tema 5: Calibración de modelos ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema
Más detallesANÁLISIS HISTÓRICO DE LOS VALORES DE ET C DE UNA ZONA DE RIEGO ESTIMADOS MEDIANTE IMÁGENES SATELITALES
ANÁLISIS HISTÓRICO DE LOS VALORES DE ET C DE UNA ZONA DE RIEGO ESTIMADOS MEDIANTE IMÁGENES SATELITALES Braulio Antonio Vázquez Rodríguez Ronald Ernesto Ontiveros Capurata Waldo Ojeda Bustamante Alberto
Más detallesfrecuencia y los cambios inducidos por estacionaria de la frecuencia de las crecidas en la España peninsular
La variabilidad climática de baja frecuencia y los cambios inducidos por embalses en la modelación no estacionaria de la frecuencia de las crecidas en la España peninsular J. López, FF F. Francés Grupo
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesDesarrollo de un modelo conceptual
Universidad Politécnica de Valencia Departamento de Ingeniería Hidráulica y Medio Ambiente Programa de Doctorado Desarrollo de un modelo conceptual dinámico suelo-vegetación para zonas áridas y semiáridas
Más detallesIngeniería en Instrumentos Derivados. Opciones 1
Ingeniería en Instrumentos Derivados Opciones 1 Alvaro Díaz Valenzuela Dottore in Matematica Magíster en Ciencias de la Ingeniería 12 de noviembre de 2010 Índice Opciones Definiciones Estrategias con Opciones
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesEvaluación de la incertidumbre en la simulación de caudales en puntos no aforados con un modelo distribuido y mediante un procesador estocástico
Evaluación de la incertidumbre en la simulación de caudales en puntos no aforados con un modelo distribuido y mediante un procesador estocástico Autores: Juan Camilo Múnera 1, Félix Francés 1, Ezio Todini
Más detallesJuan Camilo Múnera, Félix Francés. Universidad Politécnica de Valencia - España Instituto de Ingeniería del Agua y Medio Ambiente
Integración del modelo TETIS en el sistema de alarma temprana DELFT FEWS para predicción de avenidas en tiempo real en algunas cuencas de la C.H. del Júcar Autores: Juan Camilo Múnera, Félix Francés Universidad
Más detallesLa modelación en el diseño de sistemas de observación de la calidad del agua subterránea
La modelación en el diseño de sistemas de observación de la calidad del agua subterránea Graciela Herrera Zamarrón Instituto Mexicano de Tecnología del Agua 3 de diciembre de 2004 Guía de la presentación?
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesaplicación al análisis del efecto del cambio climático en el aterramiento del embalse de
Modelización ió distribuida ib id del ciclo de sedimentos: aplicación al análisis del efecto del cambio climático en el aterramiento del embalse de Barasona (España) F. Francés, G. Bussi, L. Ramírez y
Más detallesInfiltración y Escorrentía. James McPhee Departamento de Ingeniería Civil Facultad de Ciencias Físicas y Matemáticas Universidad de Chile
Infiltración y Escorrentía James McPhee Departamento de Ingeniería Civil Facultad de Ciencias Físicas y Matemáticas Universidad de Chile Precipitación total Abstracción Inicial + Evapotranspiración Infiltración
Más detallesCálculos de Poder. Pablo Lavado Universidad del Pacífico
Cálculos de Poder Pablo Lavado Universidad del Pacífico Qué es poder estadístico? Qué es poder estadístico? Beta= Impacto Qué es poder estadístico? Beta= Impacto Qué es poder estadístico? Beta= Impacto
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesCaracterización de la incertidumbre del precio futuro del cobre
USc/lb Caracterización de la incertidumbre del precio futuro del cobre La incertidumbre en un modelo de programación estocástica debe tener la estructura de árbol de escenarios, como se muestra en la Figura
Más detallesSOBRE LA VEGETACIÓN RIPARIA EN UN ENTORNO SEMIÁRIDO
EFECTOS DE LA REGULACIÓN DE CAUDALES SOBRE LA VEGETACIÓN RIPARIA EN UN ENTORNO SEMIÁRIDO A. García-Arias, F. Francés Instituto de Ingeniería del Agua y Medio Ambiente Instituto de Ingeniería del Agua y
Más detallesTEMA: Avenidas. TEMA: Avenidas
ÍNDICE TEMA: Avenidas Introducción Métodos Métodos empíricos Métodos hidrológicos Métodos estadísticos Correlación con otras cuencas Propagación de avenidas Introducción TEMA: Avenidas Caudal circulante
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detallesPlantaciones forestales y servicios ecosistémicos. Efectos de la expansión forestal sobre la provisión de agua en una cuenca de meso-escala en el
Plantaciones forestales y servicios ecosistémicos. Efectos de la expansión forestal sobre la provisión de agua en una cuenca de meso-escala en el Centro-Sur de Chile. Cambios de Uso del Suelo a Escala
Más detallesEl proceso lluvia - escurrimiento
ESCURRIMIENTOS 1 Proceso Lluvia-Escurrimiento 2 El proceso lluvia - escurrimiento Precipitación Infiltración Evapotranspiración Intercepción Escurrimiento Superficial Percolación Escurrimiento Subsuperficial
Más detallesSesión 3 Análisis de series de tiempo multiecuacional. 8. Cointegración y modelos de corrección de errores
Banco Central de Reserva del Perú 55º Curso de Extensión Universitaria Sesión 3 Análisis de series de tiempo multiecuacional 8. Cointegración y modelos de corrección de errores 8.. Cuándo podemos hablar
Más detallesGEOESTADÍSTICA STICA APLICADA. Tema: Análisis Estructural UNIVERSIDAD NACIONAL AUTÓNOMA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICOM GEOESTADÍSTICA STICA APLICADA Tema: Análisis Estructural Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesDesempeño del modelo DIT ante distintas distribuciones teoricas de probabilidad: caso idt de la ciudad de La Rioja
Desempeño del modelo DIT ante distintas distribuciones teoricas de probabilidad: caso idt de la ciudad de La Rioja Laboratorio de Hidráulica, Departamento de Ingeniería Civil, Facultad Regional Córdoba,
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesFormulario de Electroquímica
Formulario de Electroquímica Salvador Blasco Llopis. Notación α coeficiente de transferencia de materia a e área específica del electrodo A e área del electrodo c concentración c A concentración de A en
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesProcesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detallesIngeniero de Caminos, Canales y Puertos. Joana Aldekoa. Tutor: Prof. Félix Francés
Estudio del comportamiento y efecto del contaminante emergente diclofenaco en la cuenca del Llobregat (Cataluña), mediante su modelación en estado estacionario con GREAT ER Ingeniero de Caminos, Canales
Más detallesModelación numérica de inundaciones en grandes cuencas de llanura
Modelación numérica de inundaciones en grandes cuencas de llanura Angel N. Menéndez Laboratorio de Hidráulica INA LaMM Universidad de Buenos Aires Argentina (N.Badano, E.Lecertúa, M.Re, F.Re) Modelación
Más detallesDistribución Exponencial
Distribución Exponencial Hay dos casos especiales importantes de la distribución gamma, que resultan de restricciones particulares sobre los parámetros α y β. El primero es cuando se tiene α = 1, entonces
Más detallesProcesamiento Digital de Imágenes
Unidad V (b): Restauración de imágenes II p. 1/16 Procesamiento Digital de Imágenes Unidad IV (2da. parte): Restauración de imágenes II Departamento de Informática - FICH Universidad Nacional del Litoral
Más detallesEstudio de la Cuenca del Río Salado
El uso del Suelo como estrategia para el manejo de la dinámica de Napas en la llanura Pampeana Estudio de la Cuenca del Río Salado Pablo García, A. Menéndez, N. Badano, F. Bert, E. Jobaggy y G. Podestá.
Más detalles05/06. Análisis estadístico y calibración. Juan A. Montiel-Nelson. Last Revision:
05/06 Análisis estadístico y calibración Juan A. Montiel-Nelson Last Revision: 02.03.06 Escuela Técnica Superior de Ingenieros de Telecomunicación Universidad de Las Palmas de Gran Canaria Índice Análisis
Más detallesIntroducción a riesgo e incertidumbre
Introducción a riesgo e incertidumbre Dos Conceptos: Riesgo:» Información de naturaleza aleatórea, las probabilidades de ocurrencia de eventos son conocidas. Incertidumbre:» Las probabilidades de ocurrencia
Más detallesAPLICACIÓN DEL MODELO GR2m
CUARTA REUNION CIENTIFICA ORE HYBAM HIDROLOGIA Y GEODINAMICA ACTUAL DE LAS CUENCAS SUDAMERICANAS APLICACIÓN DEL MODELO GR2m HECTOR VERA AREVALO DIRECCION DE HIDROLOGIA Y RECURSOS HIDRICOS SENAMHI PERU
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesÍNDICE. Prefacio... xi
ÍNDICE Prefacio... xi Capítulo 1 Introducción... 1 1.1 Por qué hay que tomar este curso y quién utiliza la estadística?... 2 1.2 Historia... 3 1.3 Subdivisiones de la estadística... 4 1.4 Un enfoque simple
Más detallesMacroeconometría ( ) Examen final
Macroeconometría (2004 2005) Examen final Nikolas Müller-Plantenberg * 15 de junio de 2005 Nombre: Apellido: NIF: Instrucciones Por favor, no leer las preguntas antes de que la profesora lo indique. Hay
Más detalles13ª Feria de Posgrados de Calidad. La modelación hidrológica como herramienta para la gestión del recurso hídrico
La modelación hidrológica como herramienta para la gestión del recurso hídrico Dr. Víctor Hugo Guerra Cobián Centro Internacional del Agua Facultad de Ingeniería Civil Universidad Autónoma de Nuevo León
Más detallesCLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL
Universidad Nacional Agraria La Molina IA-406 Hidrología Aplicada CLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL 1. Longitud necesaria de registro Diversos
Más detallesXXIV CONGRESO LATINOAMERICANO DE HIDRÁULICA PUNTA DEL ESTE, URUGUAY, NOVIEMBRE 2010 APLICACIONES DE UN MODELO HIDROLÓGICO AGREGADO EN COLOMBIA
IAHR XXIV CONGRESO LATINOAMERICANO DE HIDRÁULICA PUNTA DEL ESTE, URUGUAY, NOVIEMBRE AIIH APLICACIONES DE UN MODELO HIDROLÓGICO AGREGADO EN COLOMBIA Vélez J.I., Restrepo-Tamayo C. y Correa P.L. Profesor
Más detallesHidrología. Ciencia que estudia las propiedades, distribución y circulación del agua
Hidrología Ciencia que estudia las propiedades, distribución y circulación del agua Semana 6 - Procesos de Pérdida de Precipitación. - La Infiltración. Fenómenos que originan las pérdidas de precipitación:
Más detallesFLUJO DE AGUA EN EL SUELO Y ZONA NO SATURADA
Lección 7. Flujo de agua en el suelo. Ley de Darcy. Conductividad hidráulica. Relación entre conductividad hidráulica y tensión. Ecuaciones que rigen la infiltración vertical. Ecuación de Richards. Capacidad
Más detalles1. Introducción Antecedentes y Motivación Sobre esta tesis Por qué un sistema de pensiones?... 5
Tabla de contenido 1. Introducción 1 1.1. Antecedentes y Motivación................................ 1 1.2. Sobre esta tesis....................................... 3 1.3. Por qué un sistema de pensiones?............................
Más detalles4.- Ciclo hidrológico y procesos hidrológicos. Sistema cerrado: Ciclo Hidrológico Global
4.- Ciclo hidrológico y procesos hidrológicos Sistema cerrado: Ciclo Hidrológico Global 1 Sistema abierto: Ciclo Hidrológico Local Precipitación Intercepción Vegetación Evapotranspiración Escorrentía cortical
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesESTIMACIÓN DE FLUJOS DE EVAPORACIÓN DESDE NAPAS SOMERAS Y DEL CONTENIDO DE HUMEDAD DEL SUELO UTILIZANDO MÉTODOS DISTRIBUIDOS DE TEMPERATURA
ESTIMACIÓN DE FLUJOS DE EVAPORACIÓN DESDE NAPAS SOMERAS Y DEL CONTENIDO DE HUMEDAD DEL SUELO UTILIZANDO MÉTODOS DISTRIBUIDOS DE TEMPERATURA FRANCISCO SUÁREZ Departmento de Ingeniería Hidráulica y Ambiental
Más detallesHIDROLOGÍA APLICADA AUTOEVALUACIÓN CON RESPUESTAS
HIDROLOGÍA APLICADA AUTOEVALUACIÓN CON RESPUESTAS PREGUNTAS Y EJERCICIOS DE AUTOEVALUACIÓN NOTA: Antes de resolver estas cuestiones de autoevaluación, se recomienda resolver los siguientes problemas del
Más detallesMODELO DE GEOFORMACIONES CÓNCAVAS PARA RECARGAS DE AGUA SUBTERRÁNEA EN CABECERAS DE CUENCA DEL RÍO JEQUETEPEQUE, CAJAMARCA
MODELO DE GEOFORMACIONES CÓNCAVAS PARA RECARGAS DE AGUA SUBTERRÁNEA EN CABECERAS DE CUENCA DEL RÍO JEQUETEPEQUE, CAJAMARCA Autor: ALEJANDRO ALCÁNTARA BOZA Patrocinador: NÉSTOR MONTALVO ARQUIÑIGO RESUMEN
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesPROAGRO Gestión Integral de Cuencas. Potenciales impactos del cambio climático en el ciclo hidrológico de la cuenca del Río Comarapa
Potenciales impactos del cambio climático en el ciclo hidrológico de la cuenca del Río Comarapa 28.06.2011 28.06.2011 Página 1Seite 1 Contenido de la presentación Objetivos Método Modelo SWAT Modelos climáticos
Más detallesComunicaciones Digitales
Trabajo Práctico Codificación de Fuente Comunicaciones Digitales E.1 Una fuente tiene un alfabeto {a1,a, a3, a4, a5, a6} con sus correspondientes probabilidades {0.1,0.,0.3,0.05,0.15,0.}. Encontrar la
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesInteracciones bosque-agua en la región Mediterránea: comparación de modelos a diferentes escalas
Interacciones bosque-agua en la región Mediterránea: comparación de modelos a diferentes escalas G.Ruiz-Pérez 1, M. González-Sanchis 2, A. del Campo 2 y F. Francés 1 (1): Instituto de Ingeniería del Agua
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesCAPÍTULO 1. GENERALIDADES
CAPÍTULO 1 GENERALIDADES 1.1. ESTADÍSTICA HIDROLÓGICA: DISTRIBUCIONES DE PROBABILIDAD Los procesos hidrológicos, como todo proceso natural, son de carácter aleatorio, es decir, que se rigen por las leyes
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesDistribución Gaussiana o normal
FLUCTUACIONES ESTADÍSTICAS Los postulados fundamentales de la teoría estadística de errores establecen que, dado un conjunto de medidas, todas efectuadas en idénticas condiciones, suficientemente grande
Más detallesEstadística Espacial
Kenneth Roy Cabrera Torres 16 de febrero de 2018 1 / 25 Definición Datos de elevación Campos aleatorios Terminología y notación Funciones 2 / 25 Definición Datos de elevación Campos aleatorios Terminología
Más detallesLISTA DE SÍMBOLOS. Capítulo 2 EJEMPLOS Y TEORIA DE LAS VIBRACIONES PARAMÉTRICAS 2.1 Introducción T - Periodo Ω - Frecuencia a- parámetro b- parámetro
LISTA DE SÍMBOLOS Capítulo 2 EJEMPLOS Y TEORIA DE LAS VIBRACIONES PARAMÉTRICAS 2.1 Introducción T - Periodo Ω - Frecuencia a- parámetro b- parámetro 2.1.1 Rigidez Flexiva que Difiere en dos Ejes x- Desplazamiento
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesCalibración de un modelo conceptual distribuido del ciclo de sedimentos. Aplicación a la cuenca experimental de Goodwin Creek (EEUU)
Calibración de un modelo conceptual distribuido del ciclo de sedimentos. Aplicación a la cuenca experimental de Goodwin Creek (EEUU) Gianbattista Bussi (gbussi@upvnet.upv.es), Juan José Montoya y Félix
Más detallesdiseminación de los patrones de masa de alta exactitud y validación de la incertidumbre estimada mediante simulación numérica
Comparación de los métodos utilizados para la diseminación de los patrones de masa de alta exactitud validación de la incertidumbre estimada mediante simulación numérica Lautaro Ramírez Varas Luis Omar
Más detallesEstimación de densidades basada en núcleos: algunos elementos. Isabel Cañette
Estimación de densidades basada en núcleos: algunos elementos básicos. Isabel Cañette Seminario de Reconocimiento de Patrones. Seminario de Probabilidad y Estadística. Diciembre, 2002 Introducción. Decimos
Más detallesModelo Numérico de Ajuste de Campos de Viento
Modelo Numérico de Ajuste de Campos de Viento G. Montero, R. Montenegro, J. M. Escobar, E. Rodríguez, J. M. González-Yuste Instituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería
Más detallesValoración del riesgo de demanda. Expositor: Ec. Marcelo Pérez
Valoración del riesgo de demanda Expositor: Ec. Marcelo Pérez México DF, Abril 2014 CONTENIDO Procesos estocásticos Valoración del riesgo de demanda Análisis de demanda 2 PROCESOS ESTOCÁSTICOS 5 0 Ruido
Más detallesCapítulo 6. Procesos y parámetros a considerar en el análisis
Capítulo 6. Procesos y parámetros a considerar en el análisis Los principales parámetros que intervienen en el problema son: medias y varianzas de las variables, distancias integrales, coeficiente de correlación,
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detalles1. Control de Mínima Varianza
. Control de Mínima Varianza. CONTROL DE MÍNIMA VARIANZA..... PLANTEO DEL PROBLEMA..... CRITERIO DE OPTIMIZACIÓN...5.3. PREDICCIÓN ÓPTIMA...8.3.. Forma intuitiva...8... Caso General...0.3.. Cálculo del
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesInferencia Bayesiana en la distribución Gumbel: aplicación en el modelamiento de intensidades de lluvia
Inferencia Bayesiana en la distribución Gumbel: aplicación en el modelamiento de intensidades de lluvia Ignacio Vidal G.. ividal@utalca.cl Universidad de Talca, Chile. Seminario FONDEF-D08I1054, Santiago
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesLABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
Más detallesTEMA 9: Escorrentías
TEMA 9: Escorrentías MARTA GONZÁLEZ DEL TÁNAGO UNIDAD DOCENTE DE HIDRÁULICA E HIDROLOGÍA DEPARTAMENTO DE INGENIERÍA FORESTAL E.T.S. DE INGENIEROS DE MONTES UNIVERSIDAD POLITÉCNICA DE MADRID Dunne & Leopold
Más detallesDocumento auxiliar 1 DESCRIPCIÓN DEL MODELO UTILIZADO
ANEJO 2 - INVENTARIO DE RECURSOS HÍDRICOS Documento auxiliar 1 DESCRIPCIÓN DEL MODELO UTILIZADO Versión 1.3 24/08/2011 ÍNDICE 1 INTRODUCCIÓN 1 2 BASES TEÓRICAS DEL MODELO DE SIMULACIÓN HIDROLÓGICA 1 3
Más detalles