Tesis UPV2910

CAPTULO 1.
INTRODUCCIN
1.1 IMPORTANCIA DE LOS EMBALSES
En los ltimos aos la calidad del agua s esta convirtiendo en una de las variables
ms importantes cuando se habla de gestionar recursos hdricos. La recin aprobada
Directiva Marco del Agua de la UE (Directiva 2000/60/CE) establece por primera
vez la necesidad de conocer el estado ecolgico de las aguas continentales. Dicha
directiva obliga tambin a que cada pas miembro restablezca las aguas continentales
a su estado natural para que mejore la calidad del agua (Armengol, 2000).
Los embalses o pantanos son sistemas de almacenamiento de aguas superficiales

provenientes de ros afluentes, lluvia o manantiales, para su posterior
aprovechamiento (Markiegi et al., 1999). Son estructuras diseadas y construidas para
el beneficio de las poblaciones humanas. Entre estos beneficios estn la generacin
de energa, recreacin, la pesca comercial y deportiva, control de avenidas, suministro
de agua y uso industrial. Cualquier efecto que dae a estos usos tiene un impacto
directo y notable (Tufford et al., 1999).
Hay ms de 800.000 presas en el mundo actualmente, de las cuales 47.450 son

clasificadas como grandes presas de acuerdo a la definicin de la Comisin
Internacional de Grandes Presas (ICOLD) la cual define a las grandes presas como las
que poseen una altura de 15 metros o ms, o presas entre 10 y 15 metros de altura
que tengan una descarga por vertedor mayor de 2.000 metros cbicos o un volumen
embalsado mayor a un milln de metros cbicos (Kabir, 2000).
Los embalses son lagos hechos por el hombre, los cuales en las regiones
Mediterrneas no son solamente muy comunes sino que probablemente son los
grandes cuerpos de agua dulce ms importantes, desde un punto de vista econmico
(Rueda et al., 2006).
Actualmente hay ms de 1.200 grandes presas en Espaa que aportan una capacidad
de unos 56.000 hm3. Es el quinto pas del mundo con mayor nmero de ellas (CEDEX,
2006). Espaa tiene la mayora de las reservas de agua superficiales en embalses
(Armengol, 2000).
Los embalses pueden tener algunos efectos adversos sobre el medio ambiente y el
sistema econmico y social (afectaciones agua abajo, inundacin de tierras tiles,
1
calidad de las aguas, etc.) (Adler, 2005). Sin embargo, con una buena gestin de los
recursos hdricos incluyendo la calidad del agua, estos problemas pueden ser
evitados.
Las demandas en la calidad del agua de sueltas y extracciones de embalses para el

suministro de agua y lagos son a menudo muy diversas y astringentes cuando usos
adicionales y sus requerimientos relacionados deben cumplirse (Gelda et al., 2007).
En el presente trabajo se analizan algunas caractersticas de la calidad de las aguas

en almacenamientos utilizando mtodos multivariantes como el anlisis de correlacin
cannica y el PLSR para estimar temperatura del agua en el embalse,
concentraciones de oxgeno disuelto, pH y conductividad; y un mtodo mecanicista,
para determinar la temperatura del agua en el embalse. Con esto se puede conocer el
comportamiento de los mtodos multivariantes en compracin con el mtodo
mecanicista, establecer como varan estos parmetros, e investigar la posibilidad de
efectuar inferencias y as contar con herramientas de gestin para evitar afectaciones
en los usos tanto en el propio embalse, como ro abajo o en el suministro.
1.2 CALIDAD DEL AGUA EN ALMACENAMIENTOS
En contraste con las aguas fluviales los lagos y embalses no fueron destacados en los
aos en que inici la modelacin de la calidad del agua. Esto se debi, con la
excepcin de los grandes sistemas navegables como los Grandes Lagos, a que no
haban estado histricamente en el foco principal del desarrollo urbano (Chapra,
1997).
Entre los primeros modelos de calidad del agua creados en la dcada de 1960, los
modelos verticales unidimensionales de lagos y embalses han probado ser
herramientas tiles en la gestin de la calidad del agua (Martin et al., 1999). Los
modelos unidimensionales siguen siendo atractivos, apropiados y convincentes para
describir la calidad del agua y la ecologa de lagos y almacenamientos (Antonopoulos
et al., 2003). Claramente un ajuste detallado de parmetros, crucial en un modelo
fsico-biolgico acoplado, es extremadamente costoso en el caso tridimensional. Por
esta razn y por el hecho de que los datos hidrodinmicos tridimensionales son an
muy escasos para calibrar y verificar estos modelos, se considera que la modelacin
unidimensional sigue siendo un planteamiento apropiado y convincente para la
prediccin de la calidad del agua (Joehnk et al, 2001).
2
En la dcada de 1970 se fue reconociendo que los lagos naturales y los hechos por el
hombre eran igual de, si no ms, importantes que los estuarios y ros desde un punto
de vista recreacional. Adicionalmente su empleo para suministro de agua, generacin
de energa y control de avenidas tambin contribuyeron a su significancia (Chapra,
1997).
Adems de los usos mencionados anteriormente los embalses y su entorno presentan

unos claros valores paisajsticos y como recurso recreativo (pesca, bao, excursin,
navegacin, etc.). Un embalse es un sistema dinmico que tiene elementos de vida, es
decir, incluye flora, fauna y microorganismos vivos (Markiegi et al., 1999). Debido a
todos estos factores se genera la importancia del estudio de la calidad del agua en
estos sistemas.
Con el fin de aportar elementos para la proteccin de los usos y el sistema bitico del
embalse se analizarn aquellas componentes de calidad del agua de las cuales se
tiene informacin en perfil vertical, esto con el fin de realizar inferencias acerca de
estas componentes. Las predicciones aparte de ser importantes per se, interesarn
para revisar el cumplimiento de los mximos establecidos por cada Normatividad y
adems pueden servir de base al desarrollo de modelos de calidad del agua o
ecolgicos ms sofisticados (por ejemplo para estudiar las condiciones del desarrollo
de una especie en especifico o la evolucin de las caractersticas del agua a ser
suministrada).
Las componentes de calidad del agua que se evaluarn en el presente trabajo son:
temperatura, concentracin de oxgeno, pH y conductividad.
1.2.1 Temperatura
La temperatura del agua es una de las caractersticas fsicas de mayor importancia de

los sistemas acuticos. Afecta a numerosos parmetros de calidad del agua. La
solubilidad de los gases disminuye y la solubilidad mineral se incrementa cuando la
temperatura aumenta. Los coeficientes de crecimiento y respiracin son dependientes
de la temperatura y la mayora de los organismos tienen distintos rangos de
temperatura dentro de los cuales ellos se reproducen y compiten (Deas et al., 2000).
El oxgeno disuelto (OD), el ciclo de nutrientes, la productividad biolgica y los

desarrollos pisccolas son algunos de los parmetros de calidad del agua severamente
controlados por los cambios de temperatura (Antonopoulos et al., 2003). La
3
temperatura tiene una fuerte influencia en los coeficientes de las reacciones qumicas
y biolgicas (Chapra, 1997). Los coeficientes de estas reacciones se incrementan
cuando la temperatura del agua aumenta (Deas et al., 2000).
El reconocimiento de distribucin de la temperatura est en la base de la comprensin

del desempeo y funcionamiento de ecosistemas de embalses (Han et al., 2000).
La temperatura de un cuerpo de agua es relevante desde una ptica de calidad del

agua por tres razones: los derrames trmicos afectan al ecosistema hdrico, interviene
en las reacciones qumicas y biolgicas y las variaciones en la temperatura perturban
a la densidad del agua, afectando por lo tanto a su movimiento (Dolz et al., 1995).
Adems, de los componentes de calidad, la temperatura del agua es el ms fcil y a

menudo el menos costoso de monitorizar en condiciones de campo (Deas et al.,
2000).
La temperatura dentro del ecosistema puede cambiar el espectro de las especies que
pueden vivir dentro del mismo. Su modificacin y su cambio con el paso del tiempo
(tanto por da como por ao) afectan a seres vivos acuticos alterando sus
poblaciones debido a una modificacin en su desarrollo, ciclo de reproduccin,
conducta, fuentes de alimentacin, etc. (Dolz et al., 1995).
El periodo de apareamiento y crecimiento de las especies pisccolas son las etapas

ms sensibles para modificaciones de temperatura, pero hay temperaturas que, si
bien, no son perjudiciales en ese mismo instante pueden favorecer el desarrollo de
parsitos, a las especies competidoras, etc. (Dolz et al., 1995).
Un factor como la temperatura del agua tambin es relevante en la dinmica de la

poblacin de algas (Whigham et al., 2001).
El entorno ambiental determina el sistema trmico de un embalse y del agua

almacenada, afectando a las caractersticas de la misma. El comportamiento trmico
de un embalse depende de distintos factores: volumen y morfologa (con especial
atencin a la profundidad media), accin elica y caractersticas climticas de la
regin, desplazamiento del agua en el almacenamiento (que est relacionado con
varios factores, como son el tamao del mismo, los caudales que ingresan y los
caudales que egresan), rgimen trmico del agua que ingresa, elevacin de las tomas
de donde se extrae el agua, etc. (Dolz et al., 1995).
4
El rgimen de temperaturas de una corriente puede ser muy afectado por la
construccin de un almacenamiento en su cauce. Ro abajo del vertido del
almacenamiento la temperatura del recurso hdrico experimentar un cambio que la
llevar a recobrar el equilibrio trmico con el medio que lo rodea (Dolz et al., 1995).
En un embalse no se tiene, de ordinario, una temperatura fija para una profundidad.

Adems la enorme cantidad de agua dentro del almacenamiento, que casi en la
totalidad de los casos se puede considerar como inmvil, muestra una gran tendencia
a conservar su temperatura presente (Dolz et al., 1995).
En la mayora de los embalses se presenta un fenmeno llamado estratificacin

termal. Consiste en que durante el inicio de la primavera el agua a todas las
profundidades est cercana a la temperatura de mxima densidad, por lo que hay muy
poca resistencia termal al mezclado y slo se requieren pequeas cantidades de
energa elica para mezclar la columna de agua. Conforme avanza la primavera, las
aguas superficiales de los almacenamientos son calentadas ms rpidamente que el
calor distribuido por mezclado. Como las aguas superficiales al aumentar su
temperatura llegan a ser menos densas, la resistencia termal relativa al mezclado se
incrementa marcadamente. Una diferencia de slo unos pocos grados es entonces
suficiente para evitar la circulacin completa. Desde este momento la columna de
agua est termalmente dividida en tres regiones, las cuales exceden la resistencia al
mezclado entre ellas: el estrato ms bajo, el hipolimnion; el periodo de estratificacin
de verano est caracterizado por un estrato superior ms o menos uniforme, el
epilimnion; el estrato entre el epilimnion y el hipolimnion es llamado el metalimnion y
exhibe una marcada discontinuidad termal. Al terminar el verano la disminucin de la
temperatura del aire genera un ingreso negativo de calor al embalse y la prdida de
calor excede la entrada por energa solar. Las aguas superficiales se vuelven ms
fras y llegan a ser ms fras que las subyacentes, por lo que descienden y ocurre una
mezcla por combinacin de corrientes de conveccin y circulacin inducida por el
viento. Una erosin progresiva del metalimnion desde arriba puede observarse y el
epilimnion homogneo incrementa su espesor. La circulacin contina con el
enfriamiento gradual de la columna de agua. Cuando la temperatura del agua alcanza
el punto de mxima densidad (4C) la estratificacin de agua fra que yace sobre agua
a mayor temperatura es fcilmente rota por una pequea cantidad de energa
proveniente del viento y un mezclado completo vuelve a instaurarse (Wetzel, 2001).
La distribucin de temperaturas y la configuracin de la densidad del almacenamiento

tendern a modificar el comportamiento, en lo que a su dinmica se refiere, de los
5
caudales que ingresen a l, sus componentes intrnsecos y el nivel de interrupcin de
la continuidad de la temperatura del agua de las salidas del embalse sobre el arroyo
(Dolz et al., 1995).
Asimismo la estratificacin de la temperatura del agua fija en gran parte los procesos
qumicos y biolgicos que ocurren y se manifiestan en el almacenamiento, lo que a su
vez incide en las propiedades del agua del mismo embalse y de la corriente ro abajo
(Dolz et al., 1995).
1.2.2 Concentracin de oxgeno
Si una sola variable fuera a ser medida en sistemas acuticos para proporcionar la
mxima informacin acerca del estado del sistema, esta variable sera el oxgeno
disuelto (OD) (Environmental Laboratory, 1995).
La temperatura y el oxgeno son dos de los principales factores de calidad del agua en
lagos y embalses (Antonopoulos et al., 2003).
El oxgeno controla muchas reacciones qumicas a travs de la oxidacin y es una

variable indicadora de la salud general de los sistemas acuticos (Environmental
Laboratory, 1995).
El oxgeno es un importante componente regulatorio; niveles muy bajos pueden

generar mortalidad en masa de peces y otros organismos, movilizacin de nutrientes y
metales y disminucin en la degradacin de materiales orgnicos txicos (Park et al.,
2004).
El trmino de oxgeno posee fuentes y prdidas las cuales incluyen los procesos de
produccin por la fotosntesis de las plantas, las prdidas por la respiracin de los
organismos y el consumo debido a la demanda bioqumica de oxgeno (DBO). El
proceso de produccin de oxgeno fotosinttico es junto con la reaireacin, de los
procesos ms importantes en la modelacin del oxgeno disuelto (Antonopoulos et al.,
2003). Los tributarios que arriban al propio cuerpo de agua tambin son una fuente de
OD (Thomann et al., 1987).
Cuando la concentracin de oxgeno disuelto en al agua es inferior a la de saturacin

se produce una transferencia de oxgeno desde la atmsfera hacia el seno del agua.
Este proceso es llamado reaireacin superficial (Martn et al., 1999).
6
La distribucin resultante de OD en el almacenamiento afecta fuertemente la
solubilidad de muchos constituyentes qumicos inorgnicos. A menudo los
planteamientos de control de la calidad del agua o gestin son formulados para
mantener un ambiente aerbico u xico (o sea, que contenga oxgeno) (U.S. Army
Corps of Engineers, 1987).
La solubilidad del oxgeno en el agua depende principalmente de la temperatura del

agua, la presin parcial de oxgeno en la atmsfera y el contenido de sal (Manahan,
2000).
El impacto de las bajas concentraciones de OD o de las condiciones anaerbicas se

refleja en un ecosistema desbalanceado, mortalidad de peces, olores y otras molestias
estticas (Thomann et al., 1987).
La degradacin de la materia orgnica presente en los sedimentos hace disminuir la

concentracin de oxgeno en el agua intersticial de los mismos, promoviendo la
transferencia de oxgeno desde la columna de agua hacia los mismos (Martn et al.,
1999). Esto ocasiona que bajo determinadas condiciones las concentraciones de
oxgeno del agua cercana al fondo sean muy bajas.
En los almacenamientos la demanda de oxgeno disuelto puede ser dividida en dos

por separado, pero altamente interactivas fracciones: demanda de oxgeno del
sedimento (DOS) y demanda de la columna de agua (U.S. Army Corps of Engineers,
1987).
1.2.3 pH
Para medir la presencia del ion hidrgeno en el agua, se usa la notacin pH

(abreviatura en el idioma francs de puissance dHydrogne, el cual se puede traducir
como el potencial o la intensidad de hidrgeno) (Chapra, 1997):
pH = log10 H+ (1)
Debido al signo negativo y a la transformacin logartmica de [H+], un pH alto

representa una baja actividad del ion hidrgeno mientras que un pH bajo representa
una actividad alta del ion hidrgeno. En consecuencia la escala de pH refleja la
intensidad de la condicin de acidez o bsica (alcalina) del agua. Un bajo pH connota
acidez y un alto pH connota aguas alcalinas, con una condicin neutral en un pH de
7
7,0. El rango tpico de variacin para aguas naturales es de 6,0 a 9,0 (Chapra, 1997).
La escala pH mide la concentracin logartmica de los iones hidrgeno ( H + ) e

hidrxido ( OH ), los cuales configuran el agua ( H + + OH = H 2 O ). Cuando ambos
tipos de iones estn en igual concentracin el pH es 7,0 o neutral. Por debajo de 7,0 el
agua es cida (hay ms iones hidrgeno que iones hidrxido). Cuando el pH est por
arriba de 7,0 el agua es alcalina o bsica (hay ms iones hidrxido que iones
hidrgeno). Debido a que la escala es logartmica, una cada en el pH de 1,0 (una
unidad) es equivalente a un incremento de 10 veces en la acidez. Entonces una
muestra de agua con un pH de 5,0 es 10 veces ms cida que una con un pH de 6,0 y
un pH de 4,0 es 100 veces ms cido que un pH de 6,0 (EPA, 2007).
La biota acutica es sensible a los extremos del pH. Existen por supuesto rangos de
pH en los cuales viven los organismos. Frecuentemente estos rangos pueden ser
representados mediante una curva razonablemente simtrica dentro de la cual a lo
largo de los bordes un organismo puede vivir sin desarrollarse adecuadamente
(Manahan, 2000).
El pH del agua ejerce una poderosa influencia en la distribucin de especies. Slo una
minora de los organismos pueden crecer por debajo de un pH de 4,5, como se
evidencia en el descenso en el nmero de especies en aguas cidas (Stiling, 2002).
Los nuevos modelos desarrollados para analizar los efectos de los controles
alternativos sobre las entradas de acidez a los ambientes acuticos sensibles
requieren de la prediccin del pH (Bowie et al., 1985).
Un cambio del pH puede tener efectos indeseables como aumentar la proporcin de

amonio no ionizado, o variar la concentracin de metales disponibles en disolucin
(Martin et al., 1999).
Adems, la hidrlisis de los qumicos orgnicos puede ser sensible al pH.

Adicionalmente la viabilidad de organismos y la bioacumulacin y toxicidad de
qumicos orgnicos pueden ser dependientes del pH (Park et al., 2005).
El equilibrio del dixido de carbono (CO2) bicarbonato ( HCO 3 ) carbonato ( CO 32 )
es el mayor sistema de control en ambientes acuticos. Este equilibrio afecta

directamente al pH, el cual a su vez puede afectar a los constituyentes biolgicos y
qumicos del sistema. Por ejemplo puede llegar a ser necesario simular el pH y la
8
alcalinidad con el propsito de calcular el amonio no ionizado (txico) o determinar las
concentraciones disponibles de metales (Bowie et al., 1985).
El sedimento en el fondo de los almacenamientos atrapa y acumula determinadas

sustancias qumicas relativamente poco solubles cuya concentracin aumenta con el
tiempo pero que pueden redisolverse en otras condiciones (segn el pH del agua por
ejemplo); pertenecen a esta categora los metales pesados (Markiegi et al., 1999).
1.2.4 Conductividad
La conductividad es una medida de la capacidad del agua para transmitir una corriente
elctrica. La conductividad en el agua es afectada por la presencia de slidos disueltos
inorgnicos como los aniones cloruro, nitrato, sulfato y fosfato (iones que tienen una
carga negativa); o los cationes sodio, magnesio, calcio, hierro y aluminio (iones que
tienen una carga positiva). La conductividad es tambin afectada por la temperatura:
cuanto ms caliente el agua mayor conductividad (EPA, 2007).
La conductividad del agua depende de la concentracin total de sustancias disueltas

ionizadas en el agua y de la temperatura a la cual se haga la determinacin (Romero
Rojas, 1999).
La conductividad en corrientes y ros (que pueden ser afluentes de un embalse) est

primariamente afectada por la geologa del rea a travs de la cual transitan sus
aguas. Por ejemplo las corrientes que fluyen a travs de reas con lecho rocoso de
granito tienden a mostrar baja conductividad debido a que el granito est compuesto
en su mayora de materiales inertes que no se ionizan (no se disuelven en presencia
de compuestos inicos) cuando son arrastrados hacia el agua. Por otra parte las
corrientes que atraviesan reas con suelos arcillosos tienden a tener alta
conductividad debido a la presencia de materiales que se ionizan cuando son llevados
por el agua (EPA, 2007).
El valor de la conductividad es muy usado en anlisis de aguas para obtener un

estimativo rpido del contenido de slidos disueltos (Romero Rojas, 1999).
Las descargas a ros pueden cambiar la conductividad dependiendo de su

procedencia (sistemas de drenaje, vertidos, etc.) (EPA, 2007).
Se denomina Siemens, smbolo (S), a la unidad derivada del SI para la medida de la

conductancia elctrica. Esta unidad tambin se denomina mho, palabra inversa de
9
ohm u ohmio, porque la conductancia es la inversa de la resistencia (es.wikipedia.org,
2007).
La conductividad es medida en micromhos por centmetro (mhos/cm) o microsiemens

por centmetro (S/cm). El agua destilada tiene una conductividad en el rango de 0,5 a
3 mhos/cm. La conductividad de los ros en los Estados Unidos tiene un rango
generalmente entre 50 y 1500 mhos/cm. Los estudios en aguas dulces continentales
indican que las corrientes mantienen una buena diversidad de especies pisccolas
cuando se encuentran en un rango entre 150 y 500 mhos/cm. La conductividad fuera
de este rango podra indicar que el agua no es adecuada para ciertas especies de
peces o macroinvertebrados (EPA, 2007).
La conductividad es til como una medida general de calidad del agua. Cambios
significativos en la conductividad podran entonces ser un indicador de que una
descarga o alguna otra fuente de contaminacin ha entrado al cuerpo de agua (EPA,
2007). La medida de la conductividad constituye un parmetro bsico de evaluacin de
la aptitud del agua para el riego (Romero Rojas, 1999).
1.3 EL FENMENO DE LA EUTROFIZACIN
La accin del hombre y su inaccin son las causas principales de la rpida

degeneracin de lagos de agua dulce y embalses (Henderson-Sellers et al., 1987).
El trmino eutrofizacin derivado del trmino griego que significa bien nutrido,
describe una condicin de los lagos y embalses que involucra un exceso de
crecimiento algal. La eutrofizacin es a menudo un fenmeno natural (Manahan,
2000).
La adicin de nutrientes a las aguas naturales estimula el crecimiento de plantas. Esto

en pequeas cantidades, puede ser bueno. Por ejemplo debido a la gran cantidad de
poblacin humana en su cuenca de drenaje, el lago Michigan recibe ms nutrientes
que el Lago Superior. Consecuentemente el Lago Michigan presenta ms crecimiento
de plantas lo cual a la postre permite que albergue ms variedad de peces. Sin
embargo, cuando los cuerpos de agua son sobre-fertilizados el excesivo crecimiento
de plantas resultante puede llegar a ser un problema serio de calidad del agua
(Chapra, 1997).
Aunque el proceso de eutrofizacin es de carcter natural el tiempo asociado de
10
duracin puede ser medido en el marco temporal geolgico. Sin embargo, en poco
menos de dos siglos el hombre ha incrementado rpidamente su uso de nutrientes,
especialmente de fertilizantes agrcolas y detergentes, muchos de los cuales terminan
dentro de los cuerpos de agua y por lo tanto aceleran el proceso de eutrofizacin
(Henderson-Sellers et al., 1987).
Los embalses aparecen unidos a la civilizacin y llevan consigo la tendencia a la

eutrofizacin y aun a la contaminacin, que nacen de su proximidad a las actividades
humanas relacionadas con el manejo del agua (Margalef, 1983).
La acumulacin de nutrientes es un problema serio en lagos y en aguas de lento

movimiento. Debe tenerse presente que en muchos proyectos de captaciones de ros
para abastecimiento, el agua cruda se almacena en grandes embalses poco profundos
antes del tratamiento. Incluso con contenidos de nutrientes bajos puede haber un
crecimiento prolfico de algas, lo que hace ms difcil el tratamiento de la misma
(Tebbutt, 1990).
El proceso de eutrofizacin describe el enriquecimiento de nutrientes del cuerpo de

agua. De una condicin inicial pobre en nutrientes (u oligotrfica) la adicin de
nutrientes al cuerpo de agua gradualmente aumenta las concentraciones (tanto en la
columna de agua como en los sedimentos) hasta que una condicin es probablemente
alcanzada, donde el detrimento de la calidad del agua ocurre; en dicho estado el
cuerpo de agua es denominado eutrfico (o sea, rico en nutrientes). La localizacin de
cualquier cuerpo de agua a lo largo de esta continua escala de eutrofizacin, desde
oligotrfico a eutrfico, es llamado su estado trfico. Originalmente slo eran de uso
comn tres categoras discretas (oligotrfico, mesotrfico, eutrfico) (Henderson-
Sellers et al., 1987). Actualmente se ha sumado a estas el trmino hiper-eutrfico
(nutrido en exceso).
Segn el destino que pretenda darse al agua embalsada su calidad deseable es

diferente. En el caso de que se utilice para el abastecimiento de la poblacin, las
aguas deben ser oligotrficas (Markiegi et al., 1999).
Las consecuencias inmediatas del incremento de cargas de nutrientes en un lago o

embalse son estimular el crecimiento de plantas (y subsecuentemente de animales)
(Henderson Sellers et al., 1987).
El crecimiento excesivo de plantas acuticas tanto fijas como planctnicas, en altos
11
niveles, se considera que son una interferencia con los usos convenientes del agua
(Thomann et al., 1987). Una causa comn de menoscabo en el uso de un embalse es
la eutrofizacin que puede impactar usos como la recreacin y la conservacin del
hbitat o incrementar el costo de su uso como agua para beber (Tufford et al., 1999).
La eutrofizacin es un problema serio en muchos lagos y embalses. El

enriquecimiento, natural o artificial, de los cuerpos de agua continentales usualmente
causa eutrofizacin, con los tpicos blooms algales, que generan el deterioro de la
calidad del agua para el uso humano. Prediciendo el comportamiento de los cuerpos
de agua enriquecidos se proporcionar una oportunidad de estar preparados durante
los periodos crticos y combatir con los efectos adversos (Karul et al., 2000).
La prediccin del comportamiento de los cuerpos de agua enriquecidos con nutrientes

es difcil debido a los complejos procesos fsicos, qumicos y biolgicos involucrados
(Karul et al., 2000).
Debido a que otros parmetros son ms fciles de medir que las concentraciones de
nutrientes, estos son a menudo utilizados como un sustituto para indicar los niveles de
nutrientes actuales. Ejemplos de estos parmetros son la disminucin de oxgeno
disuelto, el incremento de clorofila-a o el incremento en la turbidez (Henderson-Sellers
et al., 1987).
1.4 OBJETIVOS
Los objetivos que busca alcanzar el presente trabajo son los que se enuncian a
continuacin:
Utilizar algunos mtodos multivariantes para estimar los valores de ciertas

variables de calidad del agua en almacenamientos, haciendo uso de la
informacin disponible (se usarn las variables de las que se dispone de
datos). Con este proceder se busca tener una primera perspectiva acerca de si
la informacin que se registra en el Embalse Amadorio es suficiente para
pronosticar las variables de calidad del agua analizadas o poder determinar si
para su estimacin es necesario registrar informacin de otras variables que
afecten al embalse (como las concentraciones en las entradas, etc.).
Efectuar una comparacin entre la aplicacin de mtodos multivariantes y un
mtodo mecanicista para obtener estimaciones de los valores de algunos
parmetros de la calidad del agua en embalses y tener la posibilidad de
12
establecer su efectividad, facilidad de uso y sus respectivas ventajas e
inconvenientes.
Establecer por medio del anlisis de factores las relaciones existentes entre
variables meteorolgicas e hidrolgicas del embalse y entre estas y las
concentraciones medidas en perfil vertical de algunos componentes de calidad
del agua en el almacenamiento. Se buscar identificar factores (variables
latentes) que expliquen el comportamiento y variacin de los datos observados.
Proponer una metodologa para la prediccin de algunas componentes de
calidad del agua en base al Mtodo de regresin en mnimos cuadrados
parciales (PLSR). La prediccin se har haciendo uso de la matriz de variables
meteorolgicas e hidrolgicas y el mtodo citado.
Establecer de ser necesario un planteamiento para el pre-procesado de los
datos existentes (variables predictivas) y su clasificacin, con el propsito de
que la metodologa propuesta en el punto previo alcance un mejor desempeo.
1.5 ESTRUCTURA DEL DOCUMENTO
En el captulo 2 se presenta el desarrollo a travs del tiempo de los mtodos

multivariantes y en especial del PLSR, as como algunos ejemplos de aplicacin de los
mismos en la caracterizacin de la calidad del agua en cuerpos de agua dulce.
El captulo 3 expresa la evolucin histrica de los modelos mecanicistas, sus primeros

desarrollos, hasta llegar a las ltimas aplicaciones de los modelos ms actuales a
lagos y presas.
Una descripcin concisa del significado y pasos a seguir para la aplicacin de algunos
mtodos multivariantes como son: anlisis de componentes principales, anlisis
factorial, anlisis cluster, anlisis discriminante, el modelo lineal de regresin mltiple,
el anlisis de correlacin cannica y la regresin parcial en mnimos cuadrados, se
efecta en el captulo 4.
Los datos requeridos por el modelo mecanicista, as como la descripcin detallada de

los procesos que realiza y la secuencia en que los efecta, as como tambin el
esquema de solucin aplicado en diferencias finitas y su metodologa especfica de
solucin son mostrados en el captulo 5.
La informacin del sitio de estudio, comprendiendo sta la ubicacin geogrfica,

descripcin de la zona y la cuenca donde se encuentra el Embalse Amadorio, datos
13
acerca del mismo; clima, geologa y usos del suelo imperantes; informacin
demogrfica y sus posibles tendencias; as como vertidos hacia el embalse y
normatividad aplicable; las demandas existentes y una breve descripcin de la sonda
multiparamtrica instalada en uno de sus paramentos, se puede consultar en el
captulo 6.
El captulo 7 contiene la aplicacin de diversos mtodos multivariantes (comentados

previamente en el captulo 4) con varios propsitos: conocer la estructura de las
variables predictivas y las variables respuesta y las relaciones existentes entre ellas;
saber si pueden ser agrupadas las variables predictivas para mejorar la estimacin de
las variables respuesta mediante las tcnicas de regresin y efectuar estimaciones de
las variables de calidad del agua mediante diversas tcnicas de regresin, as como
evaluar los resultados obtenidos con las distintas regresiones mediante el coeficiente
de determinacin y el error de prediccin para un conjunto de datos de validacin.
La aplicacin del modelo mecanicista se realiz en el captulo 8. Primero se revisaron

los datos y se efectu la propuesta de una metodologa especfica para obtener la
cobertura de nubes y la temperatura superficial del embalse. Tambin se hizo la
calibracin y la validacin del modelo.
En el captulo 9 se efecta el anlisis de resultados y su discusin. Se analizan

comportamientos relacionados de algunas de las variables, as como los resultados de
las regresiones obtenidos con los mtodos multivariantes y el mtodo mecanicista,
adems se efecta un comparativo de las estimaciones obtenidas mediante ambos
enfoques. Tambin se hacen propuestas acerca de cmo estimar las variables
predictivas para alimentar los modelos (datos de entrada al modelo).
Las conclusiones generadas al desarrollar las distintas metodologas y las lneas

futuras que se pueden seguir a partir del trabajo realizado se mencionan en el captulo
10.
Para concluir las referencias empleadas ms tiles se agrupan en el captulo 11.
14
CAPTULO 2. ESTADO DEL ARTE DE LOS MTODOS MULTIVARIANTES
2.1 DESARROLLO HISTRICO DE LOS MTODOS MULTIVARIANTES
Durante la Edad Media y hasta los principios del siglo XVII la Estadstica era
nicamente descriptiva. Ms adelante surgieron dos escuelas: la descriptiva alemana,
en la que Achenwall era su miembro ms sobresaliente y considerado por sus
compatriotas como el padre de la Estadstica; siendo la otra la escuela de matemticos
polticos que desarroll tcnicas de previsin y principios acerca de la regularidad de
algunos fenmenos sociales. En el ao de 1801 se realiz en Francia el primer censo
de poblacin (Gil Pascual, 2003).
El matemtico y astrnomo francs Pierre-Simon Laplace en su teora analtica de las

probabilidades hizo patentes las ventajas que poda proporcionar el clculo de las
probabilidades en el anlisis de los hechos naturales de cierta complejidad (Gil
Pascual, 2003).
El inters en el anlisis de datos multivariantes ha crecido tremendamente desde el

advenimiento de los ordenadores debido a la gran cantidad de clculos involucrados.
Los primeros pasos fueron dados con el artculo de Eugenio Beltrami, matemtico
italiano, acerca de la descomposicin de valores singulares y con el trabajo referente a
la regresin lineal de Sir Francis Galton (Umetrics, 2007).
Sir Francis Galton, cientfico y explorador britnico, tambin fue pionero en el estudio
de mezclas de distribuciones normales (Pea, 2002). Galton tambin abord la
regresin multivariante pero no pudo terminar este trabajo (Umetrics, 2007). l
desarroll tambin la idea de correlacin y enfoc su atencin en la necesidad de un
mayor conocimiento de las posibles formas de la distribucin multivariante (Kotz,
2000). Francis Galton y Karl Pearson hicieron trabajos pioneros en las reas de la
correlacin y el anlisis de regresin (Johnson et al., 2004).
Karl Pearson, cientfico britnico y colaborador de Galton, efecto trabajos sobre los
ajustes ortogonales que precedieron al anlisis de componentes principales (Pea,
2002). Algunas veces es considerado como el iniciador del anlisis de componentes
principales con el artculo que present en 1901, adems de haber realizado otras
contribuciones importantes al anlisis estadstico (Umetrics, 2007).
Charles Spearman, psiclogo ingls, propuso el primer modelo factorial basado en un
15
factor comn, el factor g y un componente especfico (Pea, 2002). Spearman y
Pearson estn entre los primeros que trabajaron en el anlisis factorial (Johnson et al.,
2004).
Ronald Aylmer Fisher, cientfico britnico de los campos de la Gentica y la

Estadstica, entre otros, fue el inventor del anlisis discriminante, del mtodo de
mxima verosimilitud y del diseo estadstico de experimentos (Pea, 2002). La
derivacin que propuso de la distribucin exacta del coeficiente de correlacin
muestral y cantidades relacionadas proporcionaron el mpetu para la teora de la
distribucin multivariante (Johnson et al., 2004). Tambin fue el iniciador del anlisis
de la varianza (Gil Pascual, 2003).
P. C. Mahalanobis, estadstico hind, tiene como su contribucin ms conocida la

distancia de Mahalanobis, una medida de distancia estadstica multivariante
independiente de la escala (es.wikipedia.org, 2007).
Harold Hotelling, estadstico americano, fue el creador de los componentes principales,

el anlisis de correlaciones cannicas y nuevos mtodos de inferencia multivariante.
Es una de las figuras centrales en el desarrollo de la estadstica multivariante y es el
artfice principal de los mtodos de reduccin de la dimensin (Pea, 2002).
John Wishart, estadstico britnico, primero fue ayudante de Pearson y luego de

Fisher. En 1928 encontr la distribucin que lleva su nombre (Pea, 2002). Esta
distribucin conjunta varianzas y covarianzas muestrales (Johnson et al., 2004). Hizo
contribuciones destacadas al diseo de experimentos (Pea, 2002).
Samuel S. Wilks, estadstico estadounidense, construy generalizaciones

multivariantes para el anlisis de la varianza y el coeficiente de correlacin mltiple
(Pea, 2002). Tambin hizo otras contribuciones significativas al anlisis, como
procedimientos generales para probar ciertas hiptesis multivariantes (Johnson et al.,
2004).
M. S. Bartlett y G. E. P. Box, estadsticos ingleses, contribuyeron a la gran teora

muestral asociada con ciertas pruebas estadsticas multivariantes (Johnson et al.,
2004).
John Tukey, estadstico estadounidense, fue el creador de la transformada rpida de

Fourier y de nuevos mtodos para el diagnstico de modelos y la estimacin robusta
(Pea, 2002).
16
Calyampudi R. Rao, estadstico hind y discpulo de Mahalanobis, hizo contribuciones
fundamentales a la inferencia estadstica (como la cota de Cramer-Rao) y al anlisis
multivariante (anlisis discriminante de Fisher para varios grupos, extensiones de
correlaciones cannicas) (Pea, 2002).
Jean-Paul Benzecri, estadstico francs, fue el creador del anlisis de

correspondencias y la persona ms destacada de la escuela francesa de anlisis de
datos (Pea, 2002).
La clasificacin moderna (tambin denominada taxonoma numrica) de objetos o

registros se inicia en 1957 con el imperativo de proponer criterios objetivos de
clasificacin (Sokal, Sneath, Michener) (Cuadras, 2007; es.wikipedia.org, 2008).
Posteriormente Benzecri, Jardine, Sibson y Johnson relacionaron las clasificaciones
jerrquicas con los espacios ultramtricos (Cuadras, 2007).
Para resolver el problema de la multicolinealidad muchos mtodos estadsticos han

sido propuestos. La regresin ridge (RR) fue sugerida por Hoerl y Kennard (1970)
como un mtodo para estabilizar las estimaciones de regresin en presencia de
multicolinealidad, la cual asume que los coeficientes de regresin probablemente no
son muy grandes (Cheng et al., 2006).
La regresin de componentes principales (PCR) introducida por Massy (1965), intenta

reducir la dimensin y evitar la multicolinealidad por medio del uso de unos pocos
componentes, las combinaciones lineales de variables explicativas (Cheng et al.,
2006).
El advenimiento de los ordenadores en los aos 60 origina el surgimiento final del

anlisis multivariante. La dificultad de los procesos de clculo queda como algo
secundario y comienza a usarse el anlisis multivariante en ciencias como la
Psicologa, Educacin, Biologa, Medicina, Economa, Geologa, etc. (Gil Pascual,
2003).
2.2 SURGIMIENTO DEL MTODO PLSR
En 1966 el estadstico y economista sueco Herman Wold present el algoritmo de

Mnimos Cuadrados Parciales Iterativos no Lineal o NIPALS. El concepto no era
enteramente nuevo porque hallazgos similares haban sido publicados ya en 1923 por
Fischer et al. Pero la originalidad en el trabajo de H. Wold fue la interpretacin de los
mnimos cuadrados parciales y la capacidad de manejar datos faltantes. Durante los
17
aos que siguieron, H. Wold evolucion el algoritmo NIPALS hacia el mtodo de
regresin en Mnimos Cuadrados Parciales (PLSR) (Umetrics, 2007).
Los primeros artculos de Herman, aplicando el mtodo PLSR, aparecieron alrededor

de 1975 con aplicaciones a bloques mltiples de datos de las ciencias econmicas y
sociales (Wold, 2001).
La regresin PLS es una tcnica que generalizada y combina caractersticas del

anlisis de componentes principales y de la regresin mltiple. Es particularmente til
cuando es necesario predecir un conjunto de variables dependientes usando un (muy)
extenso conjunto de variables independientes (o sea, los predictores). Esta tcnica se
origin en las ciencias sociales (especficamente en la Economa) pero ha llegado a
ser popular primero en quimiometra (qumica computacional) debido al hijo de
Herman Wold, Svante, adems de para la evaluacin sensorial (Abdi, 2003a). Svante
y Harald Martens modificaron el mtodo originalmente propuesto por Herman Wold
para su uso en la regresin, con el propsito de emplearlo en aplicaciones qumicas,
despus de una aplicacin inicial por parte de Kowalski et al. (Geladi et al., 1986)
La versin quimiomtrica del PLSR con extraccin de a factores, fue originalmente

desarrollada como un algoritmo en dos bloques consistente en una secuencia simple
de modelos parciales ajustados por mnimos cuadrados. Esto fue motivado
intuitivamente por la experiencia prctica (debido a que todas las variables pueden
tener errores) y consideraciones geomtricas (una secuencia de proyecciones
ortogonales). Este planteamiento orientado empricamente y por el algoritmo fue
satisfactorio para muchos qumicos (Martens et al., 1989).
Pero para los estadsticos y algunos otros investigadores esta versin era difcil de
comprender o de seguir. Una presentacin ligeramente diferente y ms compacta del
mtodo fue adicionada por Hskuldsson (1988) y Frank (1987), que result
conceptualmente ms simple para alguna gente. Esta fue continuada por ms
aportaciones de Manne (1987) y Helland (1988). Este trabajo mostr que los modelos
del PLSR podran ser calculados con un autovalor-ecuacin de autovalores que hizo
obsoleto al procedimiento iterativo (Geladi, 2002).
Adems la regresin PLSR est convirtindose en una herramienta seleccionada en

las Ciencias Sociales como tcnica multivariada para datos experimentales y no
experimentales (Abdi, 2007).
18
En la dcada de los noventas del siglo XX esta metodologa fue extendindose para
modelar y monitorear los procesos industriales, con xito (Li et al., 2003).
De entre los muchos mtodos estadsticos para modelos lineales con el problema de
multicolinealidad, la regresin en mnimos cuadrados parciales (PLSR) ha llegado a
ser en aos recientes cada vez ms popular y muy a menudo la mejor opcin. Siendo
comparativamente un mtodo nuevo ha llegado a ser el mtodo de regresin ms
popular en quimiometra (Cheng et al., 2006). Para algunos investigadores el PLSR es
el mtodo de calibracin lineal ms importante (Balabin et al., 2007). Esta tcnica ha
sido muy bien forjada con un gran potencial tambin en las Ciencias Naturales y en la
Ingeniera (Wold, 2001).
El PLSR maneja el problema de la multicolinealidad por medio del clculo de vectores

latentes (comparable a los componentes del PCA) los cuales explican tanto los
predictores o variables independientes, como los datos correspondientes a las
medidas o variables dependientes (Abdi, 2003b).
El PLSR ha sido estudiado a gran detalle. Frank (1993) y Goutis (1996) verificaron
propiedades de la estimacin con PLSR. Ruscio (2000) estudi la relacin entre el
algoritmo PLSR para datos univariantes y la expresin polinomial de Cayley-Hamilton.
Stone (1990) introdujo la regresin continua basada en OLS, PLSR y PCR. Goutis
(1996) introdujo una modificacin del PLSR usando penalizacin desigual. Wold
(1992) y Durand (1997) extendieron el PLSR hacia la no linealidad usando funciones
spline. Al ao 2006 se tiene que el PLSR ha sido aplicado en muchos campos,
especialmente con mucha amplitud en Qumica como el uso de las Matemticas y la
Estadstica en los datos qumicos (Cheng et al., 2006).
El PLSR ha sido tambin combinado con las redes neuronales como una nueva
materia en el anlisis no lineal (Cheng et al., 2006).
2.3 APLICACIN DE MTODOS MULTIVARIANTES EN DETERMINACIN DE

CALIDAD DEL RECURSO HDRICO EN CUERPOS DE AGUA CONTINENTALES
A continuacin se presentan algunas aplicaciones que se han efectuado de mtodos

multivariantes para estudios de calidad en aguas continentales.
Bartels et al. (1985) mostraron que el reconocimiento de patrones proporciona una

forma de clasificar varios tipos de aguas superficiales en base a los datos
fisicoqumicos. Basados en siete caractersticas relevantes se encontraron cinco
19
distintos conglomerados en una evaluacin de cerca de 150.000 observaciones
hechas durante un periodo de 8 aos (1975-1982) en 110 ubicaciones en la provincia
de Utrecht (Holanda). La discriminacin entre estos conglomerados de calidad del
agua requiri solamente siete caractersticas qumicas y dos fsicas. Para una
supervisin ideal del sistema la relacin entre las caractersticas fsicas, qumicas y
biolgicas debe conocerse; los mtodos de reconocimiento de patrones ofrecen una
posible solucin a este problema.
La dependencia estacional de la composicin de aniones inorgnicos del agua de la

laguna de Venecia fue investigada por Marengo et al. (1995) a lo largo del periodo
junio-noviembre de 1993. Desafortunadamente en este periodo el clima se comport
de forma atpica en lo que concierne tanto en lluvias como en temperatura y los datos
obtenidos para las variables consideradas no permitieron correlacionarlas
directamente con la temporada. Slo el tratamiento de anlisis de componentes
principales permiti caracterizar las muestras como funcin de la temporada y el sitio
de muestreo y permiti seleccionar los factores discriminantes significativos.
Momen et al. (1996) utilizaron el anlisis cluster y el anlisis de componentes para

identificar patrones temporales y espaciales de qumica del agua en el Lago George,
un lago en el noreste de Nueva York (Estados Unidos) durante el periodo 1981-1993.
El lago posee dos almacenamientos principales que tienen similar rea y volumen pero
diferente estructura de la comunidad biolgica, grupos de plancton, rea de cuenca y
desarrollo de actividades econmicas dentro de sus lmites. El anlisis cluster basado
en las componentes principales o en las variables originales, indic que haba varias
diferencias en la qumica del agua entre los dos almacenamientos principales del lago.
Se encontr que el anlisis cluster fue una herramienta til para detectar los cambios
tanto bruscos (abruptos) y montonos (graduales) en el tiempo y en el espacio.
Vega et al. (1998) realizaron una investigacin sobre un total de 22 variables fsico-
qumicas que fueron analizadas en muestras de agua tomadas cada tres meses
durante dos aos y medio (1990-1992) en tres estaciones de muestreo localizadas a lo
largo de una seccin de 25 km del Ro Pisuerga, que pertenece a la cuenca del Ro
Duero (Espaa). El anlisis exploratorio de los datos experimentales fue llevado a
cabo mediante grficas de caja (box plots), ANOVA, anlisis de componentes
principales y reconocimiento no supervisado de patrones (anlisis cluster) en un
intento de discriminar fuentes de variacin de calidad del agua. El PCA permiti la
identificacin de un nmero reducido de factores latentes con un significado hidro-
qumico: contenidos minerales, polucin debida al hombre y temperatura del agua.
20
Adems, las muestras de agua del ro fueron clasificadas en grupos de similar calidad.
Modelos en mnimos cuadrados parciales (PLS) fueron utilizados por Einax et al.
(1999) para examinar las relaciones entre las distribuciones de elementos en
diferentes compartimentos en el Ro Saale y el Ro Elba (Alemania). Estas relaciones
permitiran hacer predicciones de las concentraciones de elementos en un
compartimento al conocerse las concentraciones en otros. La materia de estudio
fueron las concentraciones de elementos medidos en el agua y los sedimentos del Ro
Saale, as como tambin en el agua y la materia suspendida en el Ro Elba. Se dio
especial nfasis a la comparacin entre el PLS de dos vas y el de tres. La capacidad
de prediccin del modelo de tres vas no fue claramente superior al PLS de dos vas.
Se encontr que no es posible predecir valores que difieran demasiado de los otros
valores en el conjunto de datos. Adems, la modelacin se hizo problemtica si la
condicin del ro en su perfil longitudinal es muy variable o si la condicin del ro es
muy distinta en el tiempo de modelacin que es desarrollado y en el tiempo cuando las
predicciones son efectuadas.
Petersen et al. (2001) aplicaron la tcnica de anlisis de componentes principales

(PCA) a series temporales de concentraciones de nutrientes y parmetros
relacionados con la calidad del agua en varias ubicaciones a lo largo del Ro Elba (la
parte que se encuentra en territorio alemn). Para efectuar el anlisis consideraron el
ro divido en dos partes (la riberea y la de estuario), debido al azud Geesthacht. Sus
objetivos eran: (1) identificar empricamente los procesos principales de transporte de
nutrientes y (2) proporcionar una descripcin reducida del sistema, usando para ello
pocos componentes del PCA significativos e interpretables y que puedan ser usados
en modelos de diagnstico simplificado.
Wunderlin et al. (2001) monitorearon 22 parmetros en diferentes estaciones en las

partes alta, media y al comienzo de la cuenca baja del Ro Suqua (Argentina) durante
al menos dos aos, incluyendo 232 muestras distintas. Obtuvieron una compleja
matriz de datos la cual fue tratada usando las tcnicas de reconocimiento de patrones
del anlisis cluster (CA), anlisis factorial/componentes principales (FA/PCA) y el
anlisis discriminante (DA). El CA rindi buenos resultados como primer mtodo
exploratorio para evaluar las diferencias tanto espaciales como temporales. El FA/PCA
necesit 13 parmetros para sealar el 71% de los cambios tanto temporales como
espaciales; en consecuencia la reduccin de datos del FA/PCA en este caso no fue
considerable como se esperaba. La tcnica DA mostr los mejores resultados para la
reduccin de datos y el reconocimiento de patrones para los anlisis temporal y
21
espacial. El DA permiti reducir grandemente la dimensionalidad de la matriz de datos
inicial sealando unos pocos parmetros que indican los grandes cambios en la
calidad del agua, as como tambin la variacin de patrones asociados con las
variaciones estacionales, el escurrimiento urbano y las fuentes de polucin.
Un total de 207 muestras fueron tomadas y se midieron 19 variables fsicas y qumicas

en el Ro Mura en Eslovenia. Para manejar los resultados de todas las medidas
Brodnjak-Vonina et al. (2002) emplearon distintos mtodos: (i) los mtodos
estadsticos bsicos para la determinacin de los valores de la media y la mediana, las
desviaciones estndar, los valores mnimo y mximo de las variables medidas y sus
coeficientes de correlacin mutuos, (ii) el anlisis de componentes principales (PCA) y
(iii) el mtodo de agrupamiento basado en la red neuronal de Kohonen. De los
resultados se concluy que el mtodo PCA no discrimin lo suficiente debido a que las
variables estaban dbilmente correlacionadas. Para la clasificacin de este tipo de
datos el mtodo de redes neuronales artificiales fue ms confiable.
Simeonov et al. (2002) elaboraron un estudio que trata de la modelacin e

interpretacin de datos de monitoreo del agua fluvial de la cuenca del Ro Saale y sus
tributarios, el Ilm y el Unstrut (Alemania). Para un periodo de un ao de observacin
entre septiembre de 1993 y agosto de 1994, fueron medidas veintisiete propiedades
qumicas y fisicoqumicas para estimar la calidad del agua. La aplicacin del anlisis
cluster, anlisis de componentes principales y modelacin distribuida en puntuaciones
absolutas de componentes principales revelaron informacin importante acerca del
estado ecolgico de la regin de inters: (i) identificaron dos patrones separados de
polucin (corriente arriba y corriente abajo de los ros); (ii) identificaron seis factores
latentes responsables por la estructura de datos, con contenidos distintos, para los dos
tipos de contaminacin indicados y (iii) determinaron la contribucin de cada factor
latente (fuente de emisin) para la formacin de la concentracin total de carga
qumica del agua del ro.
Montes-Botella et al. (2003), valoraron los parmetros fisicoqumicos, de

contaminacin, la distribucin de metales pesados y su variacin estacional en el alto
Ro Odiel y en las minas El Lomero (Espaa). Para efectuar esta investigacin
tomaron tres muestras de agua y analizaron entre julio de 1998 y noviembre de 1999.
El anlisis de componentes principales (PCA) mostr que los parmetros estaban
relacionados con los productos de la oxidacin de la pirita y sales que eran
solubilizadas por la alta acidez generalizada en la oxidacin de sulfuros, agrupados en
la primera componente, que comprende un 40,88% de la varianza total.
22
Mendigucha et al. (2004) midieron varios parmetros fsico-qumicos en 26 estaciones
de muestreo localizadas a lo largo del Ro Guadalquivir (Espaa), en tres campaas
diferentes de 2001 a 2002. Con los resultados construyeron una matriz de datos la
cual fue analizada por medio del anlisis factorial/anlisis de componentes principales
(FA/PCA) y el anlisis cluster (CA). Este anlisis permiti la identificacin de cuatro
zonas diferentes en el ro con distinta calidad del agua. Los resultados obtenidos por
PCA y CA se reforzaron mutuamente, confirmando la existencia de las zonas
mencionadas.
Parinet et al. (2004) analizaron un sistema de diez lagos eutrficos localizados en la

Costa Ivory (Francia), empleando el PCA con coeficientes de correlacin lineal. Ellos
sugirieron que las relaciones entre las variables analticas eran capaces de generar
mejores descriptores que las propias variables. Mostraron para este caso que es
posible reducir de 18 a tan slo cuatro el nmero de parmetros analticos sin un
deterioro notable en la representacin de la calidad por medio del PCA, lo que hace
posible simplificar la descripcin del sistema.
La calidad del agua del Ro Gomti (India), un tributario principal del Ro Ganges, fue
monitoreada en ocho sitios diferentes seleccionados en regiones de polucin baja,
moderada y alta. El monitoreo se hizo regularmente por un periodo de 5 aos (1994-
1998) para 24 parmetros. La compleja matriz de datos (17.790 observaciones) fue
tratada por Singh et al. (2004) con distintas tcnicas multivariantes, como el anlisis
cluster (CA), anlisis de componentes principales/anlisis factorial (FA/PCA) y anlisis
discriminante (DA). El CA mostr buenos resultados al representar tres diferentes
grupos de similaridades entre los sitios de muestreo, reflejando los distintos
parmetros de calidad del agua del sistema fluvial. El FA/PCA identific seis factores
los cuales fueron responsables de explicar el 71% de la varianza total del conjunto de
datos. El DA mostr los mejores resultados para la reduccin de datos y
reconocimiento de patrones, tanto durante el anlisis temporal como el espacial. El DA
permiti la reduccin en la dimensionalidad del extenso conjunto de datos, delineando
unos pocos parmetros indicadores responsables de grandes variaciones en la calidad
del agua.
De Carlo et al. (2004) investigaron la variabilidad en las concentraciones de elementos

traza en arroyos de cuencas en Oahu, Hawai (Estados Unidos). El foco de atencin
est en el agua y la materia particulada suspendida recolectadas de la cuenca del
Canal Ala Wai en Honolulu y tambin de la cuenca del Arroyo Kaneohe. El anlisis de
componentes principales de las concentraciones de elementos traza particulados
23
establece autovalores que contabilizan cerca del 80% de la varianza total y separan
los elementos traza en tres factores.
Las relaciones entre clorofila a y 16 variables de calidad del agua (qumicas, fsicas y
biolgicas) en el Embalse amldere (Turqua) fueron estudiadas por medio del uso
de puntuaciones de componentes principales (PCS) en un anlisis de regresin lineal
mltiple (MLR), con el propsito de predecir niveles de clorofila a por amdevren et
al. (2005). El PCA fue utilizado para simplificar la complejidad de las relaciones entre
las variables de calidad del agua.
Una valoracin multivariante fue adaptada por McNeil et al. (2005) para la clasificacin
de un conjunto de datos grande e irregular, de aproximadamente 34.000 muestras de
agua superficial acumuladas por ms de 30 aos. Un mtodo cluster de K-medias en
dos etapas fue diseado para analizar datos qumicos en forma de porcentajes de
iones principales; la primera etapa de agrupamiento produjo 347 grupos los cuales
fueron entonces reagrupados para generar al final nueve clasificaciones de tipos de
agua. Los hallazgos de este estudio confirman que la aplicacin de estos mtodos
analticos puede proporcionar una valoracin til de los controles sobre la composicin
del agua y soporte a la gestin a nivel regional.
Ulrich Callies (2005) analiza las observaciones de parmetros de calidad del agua,
descarga y temperatura a lo largo del Ro Elba. Comenta de inicio el estudio efectuado
por Petersen et al. (2001), mencionado anteriormente. En su artculo aplica mtodos
multivariantes ms avanzados, la modelacin grfica y el anlisis de correlacin
cannica (CCA), al mismo conjunto de datos. Los resultados del CCA tienden a ser
consistentes con las componentes dominantes obtenidas del PCA. A su vez los
modelos grficos permiten una representacin ms detallada de estructuras de
interaccin al ser capaces de condensar considerablemente la estructura de
asociaciones entre datos.
Tcnicas estadsticas multivariantes como el anlisis cluster (CA), anlisis factorial

(FA), anlisis de componentes principales (PCA) y anlisis discriminante (DA), fueron
aplicados a un conjunto de datos de calidad del agua en el Ro Gomti (India) por Singh
et al. (2005). Los datos se generaron durante tres aos (1999-2001) monitoreando en
ocho sitios distintos 34 parmetros (9792 observaciones). El DA mostr los mejores
resultados para la reduccin de datos y el reconocimiento de patrones tanto en el
anlisis temporal como espacial (necesit slo cinco parmetros para la asignacin en
el anlisis temporal y diez parmetros en el espacial). El DA permiti delinear unos
24
pocos parmetros indicadores responsables de las grandes variaciones en la calidad
del agua. El FA/PCA ayud en la identificacin de las fuentes responsables de las
variaciones de la calidad del agua del ro en tres regiones diferentes.
Se tomaron muestras mensualmente en el Ro Reconquista (que es un importante

tributario del Ro de la Plata en Argentina) de cinco sitios del ro; entre 18 y 20
parmetros fisicoqumicos fueron determinados en cada muestra. Esta campaa de
monitoreo se llev a cabo en 1995. Casta et al. (2006) utilizaron el PCA en la
ordenacin de las muestras (por sitios, temporada y parmetros fisicoqumicos). Con
el propsito de identificar tendencias estacionales en la concentracin de
contaminantes puntuaciones de los casos etiquetadas por temporada fueron
expresadas en grficas. Los resultados sugirieron que la contaminacin antropognica
fue la mayor fuente para la predominancia de los parmetros de contaminacin y no
cambi significativamente a lo largo del tiempo.
Arhonditsis et al. (2006) presentan un estudio con dos casos de aplicacin, el Lago
Mendota y el Lago Washington (ambos localizados en Estados Unidos) donde la
modelacin con la ecuacin estructural (el cual es un mtodo que proporciona una
tcnica robusta para estudiar la interdependencia entre un conjunto de variables
correlacionadas) es empleada para explorar las estructuras ecolgicas (la dinmica del
fitoplancton epilimntico en verano). Una metodologa jerrquica Bayesiana tambin
es introducida para suavizar las restricciones identificables clsicas y darles un
tratamiento estocstico.
El principal objetivo del trabajo realizado por Kowalkowski et al. (2006) est enfocado a
la clasificacin de la calidad del agua del Ro Brda (Polonia) y la evaluacin de los
datos de polucin obtenidos por el monitoreo de mediciones durante el periodo 1994-
2002. Las tcnicas aplicadas fueron el anlisis cluster, anlisis de componentes
principales, anlisis discriminante y anlisis factorial. Los resultados obtenidos
permitieron determinar grupos naturales y grupos de localizaciones monitoreadas con
polucin caracterstica similar e identificar las variables discriminantes importantes.
Tambin se encontr que algunas localizaciones estaban bajo fuerte influencia de
contaminacin municipal y algunas otras bajo la influencia de la agricultura dentro del
periodo de tiempo observado.
Terrado et al. (2006) identificaron las fuentes de contaminacin principales por metales
pesados, compuestos orgnicos y otros parmetros fsico-qumicos en las aguas
superficiales del Ro Ebro (Espaa) y describieron sus distribuciones temporal y
25
espacial. Para hacer esto usaron tcnicas multivariantes y mtodos geoestadsticos.
Los datos histricos que fueron investigados estaban disponibles por parte de la
Confederacin Hidrogrfica del Ebro (CHE) y cubren aos diferentes, desde 1992 para
agua, sedimentos y muestras de peces. Debido a la gran informacin en estas bases
de datos y su complejidad la modelacin multivariante (usando anlisis de
componentes principales, PCA) unida a los sistemas de informacin geogrfica (GIS)
se propuso para evaluar la calidad ambiental de la cuenca del ro Ebro.
El objetivo del trabajo efectuado por Kowalik et al. (2006) fue presentar el uso de
tcnicas estadsticas establecidas, como el anlisis cluster o el anlisis de factores y el
progreso efectuado en tcnicas modernas bsicas (el cluster con imgenes, la
regresin en mnimos cuadrados parciales de estado mltiple, la proyeccin pursuit, o
la teora de la informacin). Estas tcnicas fueron aplicadas al proyecto Leitprojekt
Elbe 2000 que consiste en investigaciones extensas desarrolladas acerca de la
calidad del agua y los sedimentos de los tributarios germnicos del Ro Elba. Las
tcnicas establecidas sirvieron para resumir los datos y reducir el nmero de variables
necesarias para describir la calidad del agua y los sedimentos. Y los nuevos mtodos
permitieron la visualizacin de grandes conjuntos de datos, la extraccin de
informacin latente de los mismos y la deteccin de fuentes de polucin o patrones
entre diferentes compartimentos ambientales.
Un enfoque basado en el anlisis de componentes principales (PCA) fue propuesto por

Giussani et al. (2006) con el propsito de estudiar las caractersticas qumicas (iones
principales y secundarios, alcalinidad total, slice disuelto) de las aguas superficiales y
profundas del Lago Como (el cual representa una fuente importante de abastecimiento
de agua potable y est ubicado en el Norte de Italia). El mtodo permiti investigar las
correlaciones entre los iones analizados de una manera muy obvia y sencilla, usando
grficas bidimensionales. Esta clase de modelo podra ser un mecanismo de validez
general, no slo para propsitos de investigacin sino tambin para auxiliar a las
agencias regionales en la supervisin rutinaria de la calidad del agua.
Tcnicas estadsticas multivariantes como el anlisis cluster (CA), el anlisis de

componentes principales (PCA), el anlisis factorial (FA) y el anlisis discriminante
(DA), fueron aplicados por Shrestha et al. (2007) para la evaluacin de las variaciones
temporales y espaciales y la interpretacin de un conjunto de datos de calidad del
agua muy complejo de la cuenca del Ro Fuji, generado durante 8 aos (1995-2002),
con el monitoreo de 12 parmetros en 13 sitios distintos (14976 observaciones). El
anlisis cluster jerrquico agrup los 13 sitios de muestreo en tres conglomerados, que
26
fueron denominados relativamente poco contaminado (LP), contaminado intermedio
(MP) y altamente contaminado (HP). El anlisis discriminante dio los mejores
resultados tanto en el anlisis temporal como espacial y proporcion una importante
reduccin de datos, delineando unos pocos parmetros indicadores responsables de
las grandes variaciones en la calidad del agua.
Kannel et al. (2007) estudiaron la aplicacin de tcnicas seleccionadas a la cuenca del

Ro Bagmati en el Valle Kathmandu en Nepal: el anlisis cluster, anlisis de
componentes principales, anlisis de factores y el anlisis discriminante, para clasificar
los datos de calidad del agua en el ro y evaluarlos. Los resultados permitieron
determinar agrupamientos naturales de estaciones de monitoreo con caractersticas
similares de polucin e identificar las variables discriminantes principales que son
importantes para la variacin de la calidad del agua en la regin, as como revelar las
posibles fuentes de contaminacin que estn afectando a la calidad del agua del ro. El
anlisis permiti agrupar 17 sitios de monitoreo dentro de 3 regiones, con 5 variables
discriminantes principales (seleccionadas de 16): Conductividad elctrica, OD,
cloruros, NO2N (Nitrgeno como nitrito) y DBO. Los resultados revelaron que algunas
localizaciones estaban bajo fuerte influencia de contaminacin municipal y algunas
otras bajo la influencia de minerales.
Felipe-Sotelo et al. (2007) estudiaron las variaciones locales y temporales de 21

parmetros fsico-qumicos que se midieron en 23 puntos de muestreo, en tres
campaas efectuadas en los ros Mero, Mendo y Mandeo, cerca de A Corua
(Espaa). La evolucin temporal de la calidad del agua fue valorada por medio del
anlisis de componentes principales de la matriz aumentada (MA-PCA) y el anlisis de
factores paralelos (PARAFAC). Ms an, el anlisis clsico de componentes
principales PCA (uno por campaa de muestreo) fue aplicado con propsitos
exploratorios y de comparacin. Los tres modelos aplicados llevaron a conclusiones
similares, sin embargo el MA-PCA fue superior, debido a que el reordenamiento de las
puntuaciones proporcion una visin ms directa y conveniente de las variaciones
temporales y geogrficas de las muestras, adems de que podra ser ms flexible y
adaptable para estudios ambientales.
Un conjunto de datos de calidad del agua superficial de un ro en la India, recopilados

durante 10 aos, fueron analizados por Singh et al. (2007) usando modelos de
regresin en mnimos cuadrados parciales (PLSR). Estos fueron aplicados como una
forma de valorar y comparar sus capacidades para pronosticar la demanda bioqumica
de oxgeno (DBO) del agua del ro en trminos de sus errores cuadrados medios
27
relativos de validacin cruzada. Tanto el modelo tri-PLS y el cuadri-PLS produjeron un
error de validacin relativamente bajo en comparacin con el PLS abierto y capturaron
una alta varianza en el modelo. Ms an, el anlisis de las grficas de puntuaciones y
saturaciones de los modelos N-PLS pudieron proporcionar informacin temporal de la
evolucin de la calidad del agua del ro.
Se obtuvieron conjuntos de datos del anlisis cuantitativo de diecisiete pesticidas en

muestras de agua de una red de canales de irrigacin y drenaje en el delta del Ro
Ebro (Espaa), los cuales fueron analizados mediante tcnicas multivariantes y
mtodos geoestadsticos. Las muestras fueron tomadas en catorce localizaciones
desde mayo hasta agosto de 2005. Terrado et al. (2007) por medio del anlisis de
componentes principales, investigaron la distribucin espacial y temporal de los
patrones de polucin principales, causados por la aplicacin de pesticidas en la regin
bajo estudio.
28
CAPTULO 3. ESTADO DEL ARTE DE LA MODELACIN CON MTODOS
MECANICISTAS DE LA CALIDAD DEL AGUA EN
EMBALSES
3.1 NECESIDAD DE LOS MODELOS MECANICISTAS DE CALIDAD DEL AGUA

PARA EMBALSES
Los modelos matemticos son herramientas valiosas para la gestin y evaluacin de

sistemas acuticos (Deas et al., 2000).
Se puede definir un modelo matemtico como una formulacin idealizada que

representa la respuesta de un sistema fsico a un estmulo externo (Chapra, 1997). La
principal ventaja de estos modelos estriba en el hecho de que son herramientas
generales aplicables a diferentes condiciones locales (Deas et al., 2000).
Con mayor frecuencia se usan modelos para predecir el futuro. Estos tpicamente
incluyen un conjunto de relaciones que, ya sea a travs de correlaciones o a travs de
funciones de causa y efecto, pretenden generar una mayor comprensin del proceso o
procesos. A varios niveles, los modelos proporcionan representaciones de sistemas
naturales complejos (Deas et al., 2000).
Los propsitos al efectuar una modelacin son tener una base ms racional para
tomar decisiones dentro del control de la calidad del agua (Atanasova et al., 2006).
3.2 ESTADO DEL ARTE
Entre los primeros intentos de caracterizacin matemtica del comportamiento de un

embalse estn los de los limnologistas que intentaban explicar el ciclo termal anual y la
formacin de la termoclina. McEwen (1929) y Hutchinson (1957) estimaron los
coeficientes de transferencia de calor usando perfiles de temperatura propuestos. Ertel
(1954) dise un modelo difusional de la formacin de la termoclina asumiendo un
coeficiente constante de difusin, independientemente del tiempo o la profundidad. Sin
embargo, estos esfuerzos no fueron exitosos en producir una representacin creble
del ciclo anual completo de energa termal en lagos o presas (Orlob, 1981).
La necesidad de simular el ciclo anual de temperatura del agua superficial de

almacenamientos creci con la construccin postergada, durante el periodo posterior
al fin de la Segunda Guerra Mundial, de grandes presas en el occidente de los
Estados Unidos (Orlob, 1981).
29
Durante el comienzo de los aos 60s del siglo XX la preocupacin de los grupos de
conservacin y bilogos por la supervivencia de la vida acutica en los entornos
sensibles a la temperatura estimul a las agencias de gobierno a patrocinar
investigaciones para mejorar los mtodos para la prediccin del ciclo de temperatura
anual en las presas en operacin (Novotny, 2003).
El primer modelo matemtico, una tcnica manual, fue empleado en el Central Valley
en los aos 60s. Raphael (1962) aplic esta tcnica para el clculo del balance de
energa termal en almacenamientos propuestos, la cual emple con xito en la Presa
Oroville sobre el Ro Californias Feather y a varios embalses en el Sistema del Ro
Columbia. El mtodo permita una estimacin razonable de las temperaturas ro abajo
para estos proyectos pero fall en proporcionar una descripcin de la distribucin
vertical de calor dentro del embalse (Deas et al., 2000).
La modelacin matemtica de almacenamientos de agua superficial se desarroll en

los Estados Unidos a mediados de los 60s cuando los esfuerzos para el control de la
contaminacin fueron dirigidos hacia la solucin de problemas de enriquecimiento de
nutrientes en los almacenamientos naturales y artificiales. La atencin inicial fue para
ejemplos notorios de avanzado deterioro de la calidad del agua como el Lago Erie,
pero esta preocupacin por la proteccin de otros lagos y embalses creci cuando
comenzaron a mostrarse los primeros signos de eutrofizacin acelerada (Orlob, 1981).
Precisamente en esta poca se inici un esfuerzo por parte de dos grupos

independientes con el propsito de crear modelos para la prediccin de cambios en la
energa termal en los embalses profundos estratificados y corrientes de agua. Uno de
los grupos era una firma privada de consultora, Water Resources Engineers Inc.
(WRE), que desarroll los conceptos fundamentales para la prediccin de la
distribucin de energa termal en corrientes y embalses. El otro grupo era del Parsons
Hydraulic Lab en el Massachusetts Institute of Technology, que elabor un modelo
funcional para la simulacin de almacenamientos profundos (Deas et al., 2000).
A comienzos de 1966 WRE y TVA (Tennessee Valley Authority) colaboraron en el

desarrollo de un modelo, donde TVA contribuy con las bases necesarias para
cuantificar el intercambio de calor. Este esfuerzo combinado culmin en un reporte al
CDFG (California Department of Fish and Game) en junio de 1967, el cual fue revisado
un ao ms tarde, donde la Presa Fontana fue utilizada como caso de prueba (Orlob,
1981).
30
En ese mismo ao Harleman y sus colaboradores desarrollaron en el MIT y con una
colaboracin estrecha con el TVA Laboratory experimentos de laboratorio. Este trabajo
fue extendido a modelar embalses prototipo usando los datos del TVA de la Presa
Fontana (Orlob, 1981).
Uno de los primeros estudios en el Central Valley fue elaborado por WRE en la cuenca
del Ro Feather a fines de los 60s por medio de un modelo de ordenador que fue
usado para predecir la temperatura del agua para un almacenamiento el proyecto
Marysville (Orlob, 1981).
A comienzos de la decada de 1970 el US Bureau of Reclamation (USBR) adopt y fue

aplicando activamente un modelo de simulacin computacional de temperatura del
agua en varios embalses sobre el cauce principal de la cuenca del Ro Sacramento.
Las primeras aplicaciones de modelos para ordenador se dirigan a las condiciones de
temperatura del agua ro abajo de los embalses para restaurar y/o mantener
determinadas especies de peces (el mismo propsito contina motivando la
modelacin de temperatura hasta el da de hoy) (Orlob, 1981).
En la misma poca el USBR aplic el modelo RTS (Reservoir Temperature

Stratification) a los embalses Shasta y Folsom para simular a escala mensual las
condiciones y respuesta termal (Deas et al., 2000).
El SNTEMP, un modelo estacionario con fundamento fsico, es un modelo de

transporte de calor en una dimensin que predice las temperaturas media y mxima
del agua como funcin de la distancia a la corriente y el flujo de calor ambiental. Fue
desarrollado por Theurer et al. en 1984 (Orlob, 1981).
El Water Quality for River-Reservoir Systems (WQRRS, 1986) y el Water Quality

Simulation Module HEC5-Q (HEC-5Q, 1987) se desarrollaron a partir del trabajo hecho
por el WRE (1969), Chen y Orlob (1972), as como Beard y Willey (1972), adems de
otros modelos anteriores. Ambos modelos han sido ampliamente aplicados en el
anlisis de temperaturas en el Central Valley (Deas et al., 2000).
El USACE-HEC (United States Army Corps of Engineers-Hydrologic Engineering

Center) aplic el HEC-5Q al Sistema de presas del Sacramento Valley para ilustrar la
aplicacin de este modelo embalse-ro al anlisis de la calidad del agua (1987) (Deas
et al., 2000).
31
En 1988 Smith aplic el HEC-5Q a un conjunto similar de componentes embalse-ro,
pero no incluy el Embalse de Oroville (Deas et al., 2000)
Christiansen y Orlob (1989) aplicaron los modelos del USBR a los embalses Shasta,
Trinity, Whiskeytown y Folsom, as como los modelos de ros asociados para los ros
Trinity, Sacramento y American, con el fin de valorar la prediccin de temperatura y el
desempeo del caudal. Estos modelos han sido los ms ampliamente aplicados y
usados continuamente para modelar temperatura en el Central Valley y posiblemente
en los Estados Unidos (Orlob, 1981).
El Box Exchange Transport Temperature and Ecology of Reservoirs (BETTER) es un

modelo bidimensional para temperatura y calidad del agua que se comenz a emplear
en 1990 (Deas et al., 2000).
La Presa New Bullards Bar en el Ro Yuba, fue modelada con el CE-QUAL-R1 por
Bookman-Edmonston (1991). El CE-QUAL-R1 es un modelo vertical unidimensional
para embalses que fue una extensin del WQRRS (Deas et al., 2000).
Orlob et al. (1993) y Meyer y Orlob (1994) usaron el modelo WQRRS para investigar
los efectos del cambio climtico en la calidad del agua, incluida la temperatura (Orlob,
1981).
El RMA-6 (Resource Management Associates Inc.) es un modelo bidimensional

uniformemente mezclado lateralmente, que fue aplicado a la Presa Keswick por
Anderson (1994) (Deas et al., 2000).
Deas et al. (1997) aplic los modelos desarrollados por Meyer y Orlob para simular la
respuesta en la temperatura del agua para operaciones alternativas en la restauracin
de peces en el Ro Sacramento, ro abajo del embalse Keswick.
Deas (1998) aplic el WQRRS en la Presa Trinity para examinar la extraccin selectiva
y cuestiones de almacenamiento para control de la temperatura del agua en el Ro
Trinity, ro abajo del Embalse Lewiston (Deas et al., 2000).
Jensen et al. (1999) implement el RMA-10 y el RMA-11 para caracterizar la compleja

hidrodinmica y el rgimen termal del almacenamiento Whiskeytown en tres
dimensiones (Deas et al., 2000).
32
Investigador principal o
Periodo Modelo Aplicaciones
Desarrollador del Modelo
Burt (Water Reserach
1958-1963 BURT Presas del Ro Snake
Assoc.)
1961-1962 RAPHAEL Embalses del Ro Columbia Raphael
Presa Fontana, Lago Washington, Norton, Selna, Orlob,
1965-1968 WRE
entre otros Roesner, et al. (WRE)
Modelos de laboratorio, Presa Harleman, Dake, Huber,
1965-1968 MIT
Fontana Ryan (MIT)
Sundaram, et al. (Cornell
1968-1970 CORNELL Lago Cayuga
Univ. y Aerospace Lab.)
Lago Washington, Lago Lincoln, Chen, Norton, King, Orlob,
1968-1973 LAKECO
Isla Tocks et al. (WRE)
Norton, Roesner, et al.
1968-1969 WRE Lago Roosevelt
(EPA y WRE)
Liggett, Gallagher et al.
1969-1975 2D-FEM No conocidas
(Cornell University)
Harleman, Markofsky (MIT-
1971-1973 MIT Presa Fontana
EPA)
Di Toro, OConnor, Toman,
1972-1975 HYDROSCIENCE Lago Erie occidental, Lago Ontario et al. (Great Lakes Basin
Comm. Y EPA)
Presas Shasta, Whiskeytown,
Oroville, Folsom, Trinity, Lewiston,
1972-1990 HEC-USBR Rowell
Keswick, Ros Sacramento,
Feather, American
Simons (Canada Centre for
1972-1976 SIMONS Lago Ontario
Inland Waters)
Norton, King et al. (WRE y
1973-1975 2D-FEM Embalse Lower Granite Resource Management
Associates, Inc.)
Baca, Arnett (Batelle
1974-1975 BACA-ARNETT Lago Washington, Lago Mendota
Memorial Inst.)
Chen, Lorenzen, Smith
1974-1975 LK ONTARIO Lago Ontario
(Tetra Tech-NOAA)
1979 SELECT Presas Shasta, Folsom Rowell
Presas Shasta, Oroville, Folsom,

1986 HEC-5Q Smith, USACE-HEC,
New Melones, Tulloch
1986 WQRRS Presas Shasta, Trinity Meyer, Deas
1990 FLOW-3D Presa Shasta Rowell
1990 BETTER Embalses Whiskeytown, Lewiston Rowell, JSA
1994 RMA Presa Keswick Anderson
1997 RMA Presa Keswick Deas
1999 CE-QUAL-W2 Embalse Shasta Hanna et al.
1999 RMA Embalse Whiskeytown Jensen et al.
TABLA 1 Breve cronologa del desarrollo de aplicaciones de los modelos matemticos en

almacenamientos estratificados (Fuentes: Orlob, G. T. 1981. Models for stratified
impoundments. Y Deas, M. L., Lowney, C. L. 2000. Water temperature modelling review)
33
Han et al. (2000) usaron el modelo 1D DYRESM para aplicarlo al embalse Sau, un
embalse en un valle fluvial en el noreste de Espaa.
Hornung, R. (2002) utiliz el modelo hidrodinmico 1-D DYRESM para modelar la

estratificacin en el Lago Constance, uno de los lagos ms grandes de Europa.
Gal et al. (2003) usaron el modelo DYRESM para simular la estructura termal del Lago
Kinneret ubicado en Israel, para un periodo amplio de 45 meses.
Bruce et al. (2006) cuantificaron el rol del zooplancton en los ciclos de nutrientes en el
Lago Kinneret usando los modelos DYRESM y CAEDYM.
De la Fuente et al. (2008) presentaron una simulacin eco-hidrodinmica de periodo

amplio para un embalse dendrtico, el Rapel, localizado en Chile central. Para ello
emplearon el modelo DYRESM-CAEDYM y el modelo AQUASEA.
34
CAPTULO 4. PANORAMA DE LOS MTODOS MULTIVARIANTES
4.1 INTRODUCCIN
Se puede definir a los mtodos multivariantes como el conjunto de mtodos

estadsticos para el tratamiento conjunto de variables con el propsito de analizar,
describir e interpretar datos de mltiples variables (Gil Pascual, 2003). Los mtodos
estadsticos multivariantes pueden usarse para visualizar grandes cantidades de datos
y extraer informacin latente (Kowalik et al., 2006).
Para efectuar una investigacin con mtodos multivariantes se supone que se han
medido p variables numricas en un conjunto de n elementos. Cada una de esas
variables se denomina variable escalar (o univariante) y la agrupacin de las p
variables constituyen una variable multivariante. Las magnitudes de las p variables
univariantes en los n elementos pueden representarse por medio de una matriz X, de
tamao (n p) (Pea, 2002):
x11 x12 x1p

x x 22 x 2p
X=
21
= x x2 xp (2)
1

xn1 xn2 xnp
Donde cada variable xi es un vector columna (n 1), que representa a la variable

escalar i medida en los n elementos del conjunto (Pea, 2002).
En los programas de monitoreo de la calidad del agua se generan datos

multidimensionales complejos que requieren un tratamiento estadstico multivariante
para el anlisis e interpretacin de la informacin subyacente (Singh et al., 2004).
El mejor planteamiento para evitar la interpretacin equvoca de los datos de

monitoreo ambiental es la aplicacin de mtodos multivariantes (Quimimetricos o
Chemometrics) (Simeonov et al., 2002). No requieren de conocimiento previo de los
valores de las constantes o coeficientes involucrados en el fenmeno en estudio. Lo
que se busca generalmente con estas tcnicas es la simplificacin (Blanco et al.,
1995).
Los tipos de investigaciones en las que son utilizados los mtodos multivariantes se
podran agrupar en los siguientes casos (Martnez Arias, 1999):
35
1. Reduccin de datos.
2. Clasificacin y agrupacin.
3. Anlisis de las relaciones de dependencia.
4. Construccin de modelos y pruebas (tests).
Los datos multivariantes se pueden organizar en arreglos (matrices) lo cual facilita su

exposicin y permite clculos numricos que pueden ser desarrollados de una forma
ordenada y eficiente. La eficiencia conseguida se manifiesta en dos sentidos: (i) la
descripcin de los clculos numricos como operaciones matriciales y (ii) su
implementacin en ordenadores (Johnson et al., 1992).
Con el propsito de que los niveles de variacin de las diferentes variables tengan
algn ordenamiento de nivel equivalente, condicin que es requerida en algunos
mtodos multivariantes, se efecta el escalado (Bro et al., 2003).
A B C D
o o o o
FIGURA 1 Pre-procesamiento de datos. Los datos para cada variable son representados por una barra de
varianza y su centro. (A) Los datos sin tratar se observan as. (B) El resultado despus del
centrado en media solamente. (C) El resultado despus de escalar la varianza solamente. (D)
El resultado despus de centrado en media y escalamiento de la varianza (Fuente: Geladi et
al., 1986)
El escalado de la varianza es utilizado cuando las variables en el conjunto son

medidas en unidades distintas (m, m3/s, etc.); el escalado es llevado a cabo dividiendo
todos los valores de una cierta variable por la desviacin estndar de dicha variable de
manera que la varianza para cada variable es la unidad (Figura 1). Asimismo, se
puede tomar la decisin de que ciertas variables son de menor importancia y por lo
tanto no debern influenciar mucho al modelo, por lo que se les puede dar un menor
36
peso. Sin embargo, se considera que lo ms apropiado es que todas las variables
tengan el mismo tipo de escalado (Geladi et al., 1986).
El escalado de las variables es usado por varias razones. Algunas de las ms

importantes son (Bro et al., 2003):
Ajustar las diferencias de escala.

Arreglar la heteroscedasticidad.
El autoescalado -o normalizacin, estandarizacin- consiste en centrar las variables en

la media y escalar la desviacin estndar a la unidad para que la varianza de cada
variable sea idntica inicialmente (Bro et al., 2003). Se mencionar expresamente
cuando en alguno de los mtodos multivariantes utilizados a lo largo de esta tesis sea
necesario aplicar la estandarizacin.
Muchos de los mtodos multivariantes tienen que cumplir una serie de suposiciones:
normalidad, linealidad y homoscedasticidad (Martnez Arias, 1999).
4.1.1 Suposicin de distribucin normal multivariante
La mayora de las tcnicas multivariantes estn basadas en la suposicin de que los

datos (los vectores de observaciones xi) fueron generados de una distribucin normal
multivariante, es decir, que cada variable y todas las combinaciones lineales de las
variables estn normalmente distribuidas. En algn grado la calidad de las inferencias
realizadas con algunos mtodos multivariantes depende de que tan cercana este la
poblacin en estudio a parecerse a una forma normal multivariante (Johnson et al.,
2004).
Otros mtodos se pueden aplicar sin contemplar esta suposicin y estn justificados
por argumentos lgicos o de sentido comn (Johnson et al., 2004).
Cuando se cumple el supuesto los residuos o la parte de la variacin de las variables

originales no explicada por el modelo siguen una distribucin normal (Martnez Arias,
1999).
El supuesto de normalidad multivariante es requerido cuando la tcnica su usa con un

propsito inferencial y no as cuando su fin es solamente exploratorio (Martnez Arias,
1999).
37
Grficos especiales llamados grficos Q-Q, pueden ser empleados para valorar la
suposicin de normalidad. Estos grficos pueden ser desarrollados para las
distribuciones marginales de las observaciones muestrales en cada variable. Cuando
los puntos yacen muy cercanos a lo largo de una lnea recta la suposicin de
normalidad permanece. La normalidad es sospechosa si los puntos se desvan de una
lnea recta (Johnson et al., 1992).
Los grficos Q-Q no son particularmente informativos a menos que el tamao de

muestra sea moderadamente grande; por ejemplo n 20 (Johnson et al., 1992).
Algunos paquetes estadsticos proporcionan resultados grficos para examinar la

normalidad univariante, adems de pruebas estadsticas basadas en el contraste de
Kolmogorov-Smirnov (con la correccin de Lilliefors). Los grficos ms utilizados son
el histograma, el diagrama de tallo y hojas (Stem and leaf Plot), el diagrama de caja y
bigotes (Box and Whisker Plot) y especialmente el grfico Q-Q (Q-Q Plot), que es una
linealizacin de la distribucin normal (Martnez Arias, 1999).
4.1.2 Suposicin de homoscedasticidad
Esto supuesto se aplica a los mtodos de dependencia y supone, para el caso de una
nica variable, la igualdad de las varianzas en todos los grupos o en las diferentes
combinaciones de valores de las variables independientes. Cuando hay varios grupos
involucrados el supuesto se extiende a la igualdad de las matrices de varianzas y
covarianzas de los distintos grupos en el anlisis (Martnez Arias, 1999).
En este supuesto se requiere que las variables dependientes muestren varianzas

iguales para todo el rango de valores de las variables predictoras, para el caso de que
las variables dependientes sean cuantitativas. La prueba del supuesto suele realizarse
por medio de un anlisis de la distribucin de los residuos (Martnez Arias, 1999).
4.1.3 Suposicin de linealidad
Esta suposicin de linealidad establece que las relaciones entre todas las variables
analizadas es de tipo lineal exclusivamente (Martnez Arias, 1999).
En algunos mtodos la presencia de la no linealidad puede diagnosticarse a partir de

algunos diagramas de los residuos. Sin embargo, la manera ms comn de obtener
informacin acerca de la linealidad de las relaciones entre variables es revisando los
diagramas de dispersin entre pares de variables. Cuando interesa inspeccionar
38
algunas variables la manera ms rpida de proceder es utilizando en algunos
paquetes estadsticos la opcin matricial que genera diagramas de dispersin para
grupos de variables (Martnez Arias, 1999).
Cuando las variables exhiban multicolinealidad los datos proporcionan informacin

redundante por lo que no se requiere contar con todas en el mismo anlisis (Martnez
Arias, 1999). Por lo tanto las variables redundantes deben ser eliminadas del anlisis.
4.1.4 Transformaciones de datos
Las transformaciones de los datos proporcionan un medio de modificar las variables

para enmendar el no cumplimiento de algunos de los supuestos antes mencionados
(Martnez Arias, 1999).
Se ha demostrado tericamente que las observaciones pueden frecuentemente ser

consideradas ms apegadas a una distribucin normal tomando sus races cuadradas.
Esto es (Johnson et al., 1992):
Escala original Escala transformada
Variable de escala, y y
TABLA 2 Transformacin para aproximar los datos a una normal
Cuando las variables difieren moderadamente de la normalidad mostrando una ligera

asimetra (skewness) positiva y no tienen curtosis, la transformacin anterior, raz
cuadrada, generalmente proporciona buenos resultados. En el caso de asimetra
negativa, una mejora similar puede conseguirse elevando al cuadrado los valores
originales (xj2). En las situaciones de asimetra positiva fuerte y curtosis elevada,
produce buenos resultados la transformacin logartmica (log xi). En los casos de
asimetra extrema con distribuciones en forma de L, se emplea la transformacin
recproca (1/xi) (Martnez Arias, 1999).
Una familia til de transformaciones para este propsito es la familia de

transformaciones potencia. Supngase que x represente a una observacin arbitraria.
Las transformaciones potencia tienen como parmetro a la letra del alfabeto griego .
Un valor dado para implica una transformacin particular. Por ejemplo, considerando
a x con = -1, se tendra x-1 = 1/x, en este caso la seleccin de corresponde a la
transformacin recproca. Clculos de prueba y error con algunas de las
transformaciones indicadas anteriormente podran producir una mejora. La seleccin
39
final deber siempre ser examinada por medio de un grfico Q-Q u otras pruebas para
ver si la suposicin tentativa de normalidad es satisfactoria (Johnson et al., 1992).
Box y Cox consideraron una familia de trasformaciones potencia ligeramente

modificada (Johnson et al., 1992):
x 1
0

x(
)
= (3)
ln x =0

La cual es continua en para x > 0. Dadas las observaciones x1, x2, , xn, la solucin
de Box-Cox busca una potencia apropiada que maximice la expresin (Johnson et
al., 1992):
n 1 n 2
( )
n
() = ln x (j ) x ( ) + ( 1) ln x j

(4)
2 n j=1 j =1
Y la definicin de x (
)
es:
1 n () 1 n x j 1

x ()
= xj = (5)
n j=1 n j=1
Para encontrar el valor ptimo de se proponen varios valores y entonces se utiliza el

que maximice la expresin (4) (Johnson et al., 1992).
La familia de transformaciones potencia de Box y Cox (1964) es ampliamente utilizada

para obtener una transformacin que normalice una variable respuesta de valores
positivos (Edwards et al., 1995).
La transformacin de Box-Cox logra estabilizar la varianza en una serie temporal y

aproximar la distribucin que presenta a una normal. Una variante de la expresin (3)
para el caso de la transformacin logartmica es (Prez, 2005):
x ( ) = gln ( x + )

(6)
Donde g es la media geomtrica de x + . El parmetro se elige de manera que el

resultado de la expresin x + sea siempre positiva (mayor que cero). As tomar el
valor cero en caso de que todos los valores de la variable sean positivos y tomar un
40
valor igual en valor absoluto al valor negativo de mayor valor absoluto observado en la
variable correspondiente (Prez, 2005).
Para variables aleatorias multivariantes el procedimiento ms simple es transformar

cada variable aleatoria usando el procedimiento univariante adecuado. Aunque este
planteamiento no garantiza la normalidad multivariante generalmente es suficiente
bueno en la prctica (Jobson, 1992).
Se recomienda aplicar los siguientes pasos al efectuar anlisis multivariantes:
1. Representar grficamente las variables individualmente mediante un

histograma o un diagrama de caja. Estas representaciones son muy tiles para
detectar:
Asimetras.
Heterogeneidad.
Datos atpicos o anormales (valores fuera de rango). El primer paso para
identificar las observaciones sospechosas es detectar aquellas que lo sean
claramente respecto a una variable. Para efectuar esto se puede emplear el
histograma o los diagramas de caja (Pea, 2002). Los datos atpicos
pueden de esta manera ser ms fcilmente detectados.
2. Detectar la cantidad y distribucin de valores perdidos y plantear soluciones al

problema, segn las circunstancias del caso. Por ejemplo, si la cantidad de
valores perdidos no es muy grande, se podran tomar valores medios como una
primera aproximacin del anlisis.
3. Las variables que tengan muy pocos valores por encima del lmite de deteccin
se removern antes de la aplicacin del anlisis multivariante (Terrado et al.,
2006).
4. Construir los diagramas de dispersin de las variables por pares. Este
procedimiento est ya incorporado en muchos paquetes estadsticos. Estos
grficos son importantes para apreciar si existen relaciones no lineales entre
las variables (Pea, 2002).
5. Identificar y tratar las variables no normales (Martnez Arias, 1999):
Anlisis de la asimetra y la curtosis y revisar los grficos de probabilidad

normal.
Transformar las variables si la aplicacin del punto anterior as lo sugiere y
41
probar los resultados de las transformaciones realizadas.
6. Examinar mediante contrastes estadsticos la homogeneidad de las varianzas y

la igualdad de las matrices de varianza covarianza. Cuando las variables
independientes son cuantitativas pueden examinarse los grficos de residuos
(Martnez Arias, 1999).
7. Evaluar las variables en cuanto a la multicolinealidad y singularidad (Martnez
Arias, 1999). Muchos paquetes estadsticos incorporan la posibilidad de valorar
estos aspectos.
8. Generalmente las variables se estandarizan, de manera que tengan media cero
y desviacin tpica unitaria (Pea, 2002). Este paso habitualmente genera una
mejora significativa en los resultados de los anlisis aplicados.
Para observar como se aplicaron algunos de estos pasos se pueden consultar las
secciones 7.3 y 7.4.
4.2 ANLISIS DE COMPONENTES PRINCIPALES (PCA)
Se pueden emplear todas las variables para obtener un pequeo conjunto de nuevas
variables que puedan usarse como una aproximacin del conjunto original. Estas
nuevas variables reciben el nombre de componentes principales (Jobson, 1992). El
PCA se usa como un procedimiento matemtico que transforma un conjunto de
variables correlacionadas en un nuevo conjunto de variables no correlacionadas (las
componentes principales) (Johnson, 1992). Esta tcnica est siendo cada vez ms
popular en la modelacin ecolgica y ambiental (Marengo et al., 1995; Vega et al.,
1998; Wunderlin et al., 2000; Petersen et al., 2001; Brodnjak-Vonina et al., 2002;
Simeonov et al., 2002; Montes-Botella et al., 2003; Mendigucha et al., 2004; Singh et
al., 2004; De Carlo et al., 2004; Parinet et al., 2004; amdevren et al., 2005; Singh et
al., 2005; Giussani et al., 2006; Kowalkowski et al., 2006; Terrado et al., 2006; Casta
et al., 2006; Felipe-Sotelo, 2007; Terrado et al., 2007; Shrestha et al., 2007; Kannel et
al., 2007).
Las componentes principales son transformaciones lineales de las variables originales

y son mutuamente ortogonales (Jobson, 1992).
Aunque se requieren p componentes para reproducir la variabilidad total del sistema,

frecuentemente mucha de esta variabilidad puede ser representada por un pequeo
nmero k de componentes principales. Si esto ocurre habr casi tanta informacin en
42
las k componentes como en las p variables originales (Johnson et al., 1992). Una de
las razones de mayor peso para realizar un anlisis de componentes principales, PCA,
es para emplearlo como instrumento para filtrar los datos multivariantes. Se pueden
crear nuevas variables llamadas puntuaciones (scores) de las componentes
principales que se pueden emplear como entrada para el trazado de grficas y
situacin de los casos (observaciones o registros) y, a menudo, una revisin de estas
grficas pondrn de manifiesto las anormalidades en algunos datos (outliers)
(Johnson, 2000).
Por lo tanto la deteccin de observaciones anormales (y su posible descarte) es

importante (Martens et al., 1989). Una de las herramientas que puede auxiliar en este
proceso es el PCA.
Sin embargo, en la calibracin un dato anmalo puede algunas veces ser altamente
informativo y no slo un error: puede ser anormal debido slo a un lapso de cierto tipo
de variabilidad importante en las variables predictivas (Martens et al., 1989).
El proceso para obtener las componentes principales es el siguiente: sean x11, x12, ,
x1n, las n medidas de la primera variable. La media aritmtica de estas medidas
representada por x1 , esta dada por (Johnson et al., 1992):
1 n
x1 = x1j
n j=1
(7)
Si las n medidas representan un subgrupo del conjunto completo de medidas que

podran haber sido observadas, entonces x1 es conocida tambin como la media
muestral de la primera variable (Johnson et al., 1992).
La media muestral puede calcularse de las n medidas de cada una de las p variables,
por lo que en general habr p medias muestrales (Johnson et al., 1992):
1 n
xi = xij
n j=1
i = 1, 2, ..., p (8)
Una medida de dispersin es proporcionada por la varianza muestral definida para n

medidas en la primera variable como (Wackerly et al., 2002):
43
1 n
( x1j x1 )
2
S12 = (9)
n 1 j=1
En general para p variables se tiene (Johnson et al., 1992; Wackerly et al., 2002):
1 n
( xij xi )
2
Si2 = i = 1, 2, ..., p (10)
n 1 j=1
Una observacin debe efectuarse respecto a las ecuaciones (9) y (10). Generalmente
se define la varianza muestral con un divisor n 1. Existen razones tericas para
hacer esto y es particularmente apropiado si el nmero de mediciones, n, es pequeo
(Johnson et al., 1992).
Puede mostrarse que (Wackerly et al., 2002):
2
1 n
(x x)
n n
= x x j
2
j
2
j (11)
j=1 j=1 n j=1
Y despus (Wackerly et al., 2002):
(x j x ) = x j nx
n n
2 2 2
(12)
j=1 j=1
Por lo tanto:
n 2 n
E ( x j x ) = E x 2j nE ( x 2 ) (13)
j=1 j=1
Y as:
n 2
E ( x j x ) = E ( x 2j ) nE ( x 2 )
n
(14)
j=1 j=1
Ntese que E ( x 2j ) es el mismo para i = 1, 2, , n. Usando esta informacin y el hecho
de que la varianza de una variable aleatoria est dada por V(x) = E ( x 2 ) 2 , se
E ( xi2 ) = V ( xi ) + ( E ( xi ) ) = 2 + 2 , E ( x 2 ) = V ( x ) + ( E ( x ) ) = 2 / n + 2 ,
2 2
concluye que
llegando a (Wackerly et al., 2002):
44
n 2 2
E ( xi x ) = ( 2 + 2 ) n
n
+ 2 (15)
j=1 i =1 n
Donde:
= Media de la poblacin.
= Varianza de la poblacin.
2
Reduciendo:
n 2
E ( xi x ) = n ( 2 + 2 ) 2 + n 2 (16)
j=1
Simplificando (Wackerly et al., 2002):
n 2
E ( x i x ) = n 2 2 (17)
j=1
Y factorizando:
n 2
E ( xi x ) = ( n 1) 2 (18)
j=1
Despejando la varianza de la poblacin (Wackerly et al., 2002):
1 n 2
2 = E ( xi x ) (19)
n 1 j=1
Es necesario aclarar que la ecuacin (19) constituye un estimador imparcial (no

sesgado) de la varianza de la poblacin (Wackerly et al., 2002).
Como la notacin S2 es tradicionalmente empleada para indicar la varianza muestral,

al considerarse arreglos (matrices) de cantidades las varianzas muestrales caen a lo
largo de la diagonal principal. En este caso es conveniente usar dobles subndices en
las varianzas, con el fin de indicar sus posiciones en el arreglo. Por lo tanto se tendr
(Johnson et al., 1992):
1 n
( xij xi )
2
Si2 = Sii = i = 1, 2, ..., p (20)
n 1 j=1
45
La covarianza muestral, una medida de asociacin entre las variables i e k se calcula
con la expresin siguiente (Johnson et al., 1992):
1 n
Sik = ( xij xi )( xkj xk )
n 1 j=1
i = 1, 2, ..., p, k = 1, 2, ..., p (21)
Se observa que la covarianza se reduce a la varianza muestral cuando i = k. Ms aun,

Sik = Ski para todas las i, y las k (Johnson et al., 1992).
El Coeficiente de correlacin muestral (o el Coeficiente de correlacin de productos de

momentos de Pearson), es una medida de la asociacin lineal entre dos variables que
no depende de las unidades de medida de ellas. El Coeficiente de correlacin muestral
para las variables i e k se define como (Johnson et al., 1992):
Sik
(x
j =1
ij xi )( xkj xk )
rik = = (22)
Sii Skk n n
(x xi ) (x xk )
2 2
ij kj
j =1 j =1
Para i = 1, 2, , p, y k = 1, 2, , p. Ntese que rik = rki para todo i e k (Johnson et al.,

1992).
El Coeficiente de correlacin muestral es una versin estandarizada de la covarianza

muestral, donde el producto de las races cuadradas de las varianzas muestrales
proporciona la estandarizacin. Ntese que rik tiene el mismo valor si n o n1 es
seleccionado como divisor comn para Sii, Skk, y Sik (Johnson et al., 1992). Debido a lo
anterior y a que no depende de las unidades de medida de las variables (como ya se
haba mencionado), se prefiere emplear el arreglo de coeficientes de correlacin
muestral en lugar del arreglo de covarianzas muestrales para los procedimientos
subsecuentes relacionados con la obtencin de las componentes principales.
Aunque los signos de la correlacin muestral y la covarianza muestral son idnticos la

correlacin es generalmente ms fcil de interpretar, debido a que su magnitud esta
limitada (Johnson et al., 1992).
Las estadsticas descriptivas calculadas de n mediciones en p variables pueden

organizarse en arreglos (matrices) (Johnson et al., 1992):
46
x1
x
x=
2
Medias muestrales (23)

xp
S11 S12 S1p

S S22 S2p
Varianzas y covarianzas
= Sn1 =
21
(24)
muestrales

Sp1 Sp2 Spp
1 r12 r1p
r 1 r2p
R=
21
Correlaciones muestrales (25)

rp1 rp2 1
La matriz de varianzas y covarianzas muestrales es denotada por la expresin Sn-1. El

tamao de todas las matrices es determinado por el nmero de variables p (Johnson
et al., 1992).
Las componentes principales dependen solamente de la matriz de covarianza (o la

matriz de correlacin R) de x1, x2, , xp. Su desarrollo no requiere asumir una
distribucin normal multivariante (Johnson et al., 2004).
Para obtener las componentes principales dada la matriz de varianzas y covarianzas

Sn-1 de orden p, los valores de los escalares y los vectores V (de dimensiones p 1),
se usa la siguiente ecuacin que satisfacen (Jobson, 1991):
Sn1V = V (26)
Son llamados los autovalores () y los autovectores (V) de la matriz Sn-1. Es comn
imponer la restriccin adicional V'V = 1 y as el autovector ser normalizado para que
tenga una longitud de 1 (Jobson, 1991).
Los autovalores proporcionan una medida de la varianza explicada por los

autovectores correspondientes y son calculados para todas las componentes
(folk.uio.no, 2007)
La ecuacin (26) se puede reescribir como (Jobson, 1991):
( Sn1 I) V = 0 (27)
47
Con esto se obtiene un sistema de ecuaciones homogneas. Una solucin no trivial (V
0) requiere que (Jobson, 1991):
Sn1 I = 0 (28)
Esta ecuacin produce un polinomio en de grado p y es comnmente llamado el

polinomio caracterstico. Las soluciones de la ecuacin son las races del polinomio y
reciben el nombre de valores caractersticos, aunque el trmino ms comnmente
utilizado en Estadstica es autovalores (Jobson, 1991).
Las direcciones de las componentes principales estn marcadas por los autovectores
de las matrices de covarianza (Flury, 2006).
Geomtricamente las componentes principales representan la seleccin de un nuevo

sistema coordenado obtenido por la rotacin del sistema original con x1, x2, , xp
como ejes coordenados. Los nuevos ejes representan las direcciones con mxima
variabilidad y proporcionan una descripcin ms simple y ms parsimoniosa de la
estructura de covarianza (Johnson et al., 2004).
La primera componente principal es la combinacin lineal de las variables con varianza

mxima (Johnson et al., 2004).
La proporcin de varianza total debida a la componente principal k es (Johnson et al.,

1992):
Proporcin de la varianza total de

k
la poblacin debida a la k-sima = + + ... + k = 1, 2, ..., p (29)
componente principal 1 2 p

Si la mayora (por ejemplo 80% a 90%) de la varianza total para un valor grande de p,
puede ser atribuida a la primera, segunda o tercera componentes, entonces estas
componentes pueden reemplazar a las p variables originales sin mucha prdida de
informacin (Johnson et al., 1992).
Cuando las escalas de medida de las variables son muy distintas las variables con
valores ms grandes tendrn ms peso en el anlisis. Para evitar este problema
conviene estandarizar las variables antes de calcular las componentes de manera que
las magnitudes de los valores numricos de las variables x sean similares (Pea,
2002).
48
En la gran mayora de los casos la obtencin de las componentes principales se hace
en las variables estandarizadas (tambin llamadas tipificadas) (Prez, 2005).
Si solamente se consideran las primeras k componentes principales es de inters

determinar que tanto de la variacin en cada variable individual xi es explicado por
esta aproximacin. En el caso de la matriz de correlacin, las varianzas de las xi son
unitarias y por lo tanto la varianza explicada por las primeras k componentes es
tambin la proporcin de la varianza total. A esta proporcin se le llama la
comunalidad de la variable xi (Jobson, 1992).
La proporcin de variacin explicada por Rp ser (Pea, 2002):
Rp
(30)
p
Concluyendo, cuando las variables x originales estn expresadas en distintas

unidades conviene aplicar el anlisis en la matriz de correlaciones R o anlisis
normado (Pea, 2002). De aqu en adelante al hablar del anlisis se hace referencia al
anlisis normado; al hablar de valores propios o autovalores se hace referencia a los
obtenidos en dicho anlisis.
Las variables iniciales x1, x2, , xp, se resumen en un menor nmero de variables c1,
c2, , ck (componentes principales) que se pueden expresar as (Prez, 2005):
c1 = a11x1 + a12 x 2 + + a1p x p

c 2 = a21x1 + a22 x 2 + + a2p x p
(31)
cp = ap1x1 + ap2 x 2 + + app x p
En donde solamente se consideran k componentes principales que representan un

porcentaje alto de la variabilidad de las variables originales, esto es k < p (Prez,
2005).
Los coeficientes obtenidos del modelo de regresin son llamados los pesos de los
componentes y son una expresin cuantitativa del rol de las componentes principales
(Simeonov et al., 2002).
Para seleccionar el nmero de componentes se aplicar el criterio del autovalor con

magnitud uno o criterio de Kaiser, el cual es muy comn (Jobson, 1992; Shrestha et
49
al., 2007).
Una forma de medir la informacin que contiene una componente es por medio de su
varianza. Debido a esto la primera componente es la que posee la mayor varianza
(Prez, 2005).
La primera componente principal, al igual que las dems, se representa por medio de
una combinacin lineal de las variables originales (Prez, 2005):
c1i = a11x1i + a12 x 2i + + a1p xpi i = 1, ..., n (32)
En la expresin (32) el subndice i se refiere al nmero de observacin considerado

(Prez, 2005).
Para las n observaciones de la muestra y todas las componentes principales se tiene

la siguiente expresin matricial (Prez, 2005)l:
c11 x11 x 21 xp1 a11

x x 22 xp2 a12
c12 = 12 (33)

c1n x1n x 2n xpn a1p
Una componente principal es una funcin lineal de todas las variables iniciales, que
puede tener ms correlacin con algunas de ellas y menos con las restantes (Prez,
2005).
Las ecuaciones que expresan las variables en funcin de las componentes principales
son ventajosas para la interpretacin de las componentes (Prez, 2005):
x1 = r11 c1 + r21c 2 + + rk1ck

x 2 = r12c1 + r22c 2 + + rk 2ck
(34)
x p = r1p c1 + r2p c 2 + + rkp ck
Para x1 la comunalidad se obtiene con h12 = V ( x1 ) = r112 + r21

2
+ + rk12 1 . La
comunalidad proporciona una medida de la representacin de una variable; as

variables completamente representadas tienen comunalidad con valor uno (Prez,
2005).
50
La interpretacin de las componentes principales se facilita representando las
proyecciones de las observaciones sobre un espacio bidimensional compuesto por las
dos componentes principales ms importantes (Pea, 2002). As, el grfico de las
componentes principales puede revelar observaciones sospechosas (anmalas) y
proporcionar una comprobacin de la suposicin de normalidad (Johnson et al., 1992).
La interpretacin se favorece representando en el mismo plano de las dos

componentes principales adems de las observaciones a las variables originales. Esto
puede hacerse utilizando como coordenadas su coeficiente de correlacin con cada
uno de los ejes (Pea, 2002).
El PCA constituye en algunos casos una antesala para la aplicacin de otros mtodos
multivariantes, en los que se suple al grupo de variables iniciales por las componentes
calculadas. Debido a esto en ocasiones se requiere conocer los valores que toman las
componentes en cada una de las observaciones. Las puntuaciones zhi se pueden
calcular con la siguiente expresin (Prez, 2005):
zhi = ah1x1i + ah2 x 2i + + ahp xpi h = 1,, p i = 1, , n (35)
Donde i es el nmero de observacin, h es el nmero de la componente principal

seleccionada, p es el nmero de variables independientes, n es el nmero de
observaciones, zhi es el valor de la puntuacin estandarizada de la observacin i en la
componente principal h, xhi es el valor estandarizado de la variable h en la observacin
i (Camdevren et al., 2005).
El PCA por medio de los grficos de puntuaciones permite extraer informacin til en
una forma fcil de ver, usando grficos en lugar de interpretar una gran cantidad de
datos (Giussani et al., 2006).
Los valores propios o autovalores proporcionan directamente las inercias proyectadas

sobre cada una de las direcciones buscadas. Los vectores propios proporcionan las
direcciones de mxima inercia y los ejes definidos por estos vectores unitarios son las
componentes principales (Figura 2). Sobre estas direcciones se proyectan los
individuos obteniendo las llamadas puntuaciones en las componentes principales
(Aluja Banet et al., 1999).
Al rotar un grupo de componentes principales no se modifica la cantidad de inercia

(variabilidad) total explicada y no cambian las comunalidades de las variables. La
51
rotacin slo modifica las saturaciones de las variables originales en las componentes
(Prez, 2005). Una explicacin ms amplia de los tipos de rotacin se ver en la
prxima seccin de anlisis factorial.
Var3
Eje 1
Eje 2
Var2
Var1
Variables iniciales
Componentes principales
FIGURA 2 Cambio de ejes y reduccin de la dimensionalidad de los datos (Fuente: Aluja Banet et al.,
1999)
4.3 ANLISIS FACTORIAL (FA)
4.3.1 Descomposicin factorial
La matriz aleatoria observable X con p componentes tiene matriz de medias y matriz

de varianzas-covarianzas . El modelo factorial postula que X es linealmente
dependiente de unas pocas variables aleatorias f1, f2, , fm, llamadas factores
comunes y p fuentes de variacin adicionales 1, 2, , p, llamados errores. El modelo
del anlisis factorial es (Johnson et al., 1992):
x1 1 = f +
11 1 f ++
12 2 1m m f + 1
x 2 2 = 21 1 f + f ++
22 2 2m m f + 2
(36)
x p p = p1 1 f + p2 2f ++ pm m f + p
En notacin matricial:
X= L F + (37)
(p 1 ) (p m ) (m 1 ) ( p 1 )
El coeficiente lij recibe el nombre de carga o saturacin de la variable i en el factor j,
52
as como la matriz L es llamada la matriz de cargas o saturaciones factoriales
(Johnson et al., 1992). F es el vector de factores comunes linealmente independientes
y es el vector de errores o factores nicos. Los factores f1, f2, , fm son comunes a
todas las variables X mientras que el error o factor nico i es nico para la variable xi
(Jobson, 1992).
La ecuacin (37) implica que dada una muestra aleatoria simple de n elementos
generada por el modelo factorial cada dato xij puede escribirse as (Pea, 2002)
xij = j + j1f1i + + jm fmi + ij i = 1, , n j = 1, , p (38)
Los coeficientes j1, , jm, dependen de la relacin entre cada factor y la variable j (y
que son los mismos para todos los elementos de la muestra). Los f1i, , fmi, son los
valores de los m factores en el elemento muestral i (Pea, 2002).
Por otra parte el modelo factorial hace algunas otras suposiciones (Johnson et al.,
1992):
Cov(F) = I (39)
( mm )
1 0 0
0 0
Cov ( ) = =
2
( pp ) (40)

0 0 p
Adems, F y son independientes (estn incorrelacionados) por lo que se cumple

Cov ( , F ) = 0 (41)
( pm )
Las suposiciones (39), (40), (41) y la expresin (37), constituyen el modelo factorial
ortogonal (Johnson et al., 1992).
El modelo factorial expresado en (37) es lineal en los factores comunes. La suposicin

de linealidad es inherente en la formulacin del modelo factorial (Johnson et al., 1992).
La varianza de cada variable xi puede expresarse as (Jobson, 1992):
53
m
i2 = 2
ij + 2i (42)
j =1
Y por lo tanto la varianza esta dividida en dos partes (Jobson, 1992).
La porcin de la varianza de la variable i que recibe la contribucin de los m factores

comunes es llamada la comunalidad i. La porcin de Var(xi) = ii debida a un factor
especfico es llamada comnmente varianza especfica. Llamando hi2 a la
comunalidad i se tiene (Johnson et al., 1992):
ii = 2
i1 + 2
i2 + + 2
im + i
(43)
Var ( xi ) Comunalidad Varianza especfica
O tambin:
hi2 = 2
i1 + 2
i2 + + 2
im (44)
La comunalidad i es la suma de los cuadrados de las saturaciones de la variable i en

los m factores comunes (Johnson et al., 1992). La comunalidad es la parte de la
variabilidad de las variables que es explicada slo por los factores comunes (Cuadras,
2007).
En el modelo factorial la parte explicada de la varianza de una variable es debida a los

factores y la parte no explicada se debe al ruido (Pea, 2002).
4.3.2 Anlisis factorial
Esta tcnica es una rama del anlisis multivariante que busca las relaciones internas
de un conjunto de variables cuando estas relaciones pueden ser expresadas
linealmente o aproximadamente as (Maxwell, 2006).
El anlisis factorial, FA, tiene como propsito simplificar las numerosas relaciones que
pudieran darse dentro del conjunto de variables medidas x1, x2, , xp. Para realizar
esto busca factores comunes f1, f2, , fk, que conecten a las variables originales. Para
en verdad hacer ms sencilla la estructura que pueda explicar el fenmeno en estudio
se debe cumplir que k < p. Los factores deben representar a las variables originales de
tal forma que se pierda un mnimo de informacin (Prez, 2005).
Tradicionalmente dos modelos han estado disponibles para explorar las relaciones
54
internas de datos multivariantes. Uno es el modelo PCA y el otro es el FA. Con el
inters de tener claridad es recomendable distinguir entre estos dos planteamientos.
En el PCA un conjunto de p variables correlacionadas observadas es transformado en
un nmero igual de nuevas variables (componentes) que tienen la propiedad de estar
incorrelacionadas; en este modelo todas las p componentes son necesarias para
reproducir con precisin los coeficientes de correlacin de las variables X. En
contraste el objetivo del FA es explicar estas correlaciones en trminos de un mucho
menor nmero m de variables hipotticas o factores (Maxwell, 2006).
Como en el anlisis de componentes principales el propsito esencial del FA es

describir la variacin entre muchas variables pero al contrario que en el PCA, el
modelo subyacente en el anlisis factorial especifica un pequeo nmero de factores
comunes. Todas las covarianzas o correlaciones son explicadas por los factores
comunes. Una porcin de la varianza no explicada por los factores comunes es
asignada a los trminos de error residual, los cuales son llamados factores nicos. Se
supone que los factores nicos estn mutuamente incorrelacionados (Jobson, 1992).
Los factores buscados deben cumplir el principio de interpretabilidad (sencillos de

interpretar) y el principio de parsimonia (que se necesite la menor cantidad de ellos)
(Prez, 2005).
El principio de parsimonia aplicado al FA indica que de entre varias soluciones

admisibles se opta por la ms simple de ellas. El modelo factorial ser entonces el que
conlleve un nmero mnimo m de factores comunes (Cuadras, 2007).
Un objetivo fundamental del FA es determinar si las variables muestran patrones de

relacin entre s, de manera que las variables se puedan dividir en subconjuntos y de
forma que las variables en un subconjunto estn fuertemente correlacionadas con
cada una de las otras y que las variables en subconjuntos distintos posean bajas
correlaciones entre s. Debido a esto el FA es usado frecuentemente para analizar la
estructura de correlacin de las variables en un conjunto de datos (Johnson, 2000).
El FA tiene relacin con las componentes principales pero hay algunas diferencias.
Primero las componentes principales se construyen para explicar las varianzas, en
cambio los factores se elaboran para explicar las covarianzas o correlaciones entre las
variables. Segundo, las componentes principales son una herramienta de descripcin,
en tanto que el FA esta fundamentado en que los datos se generaron de un modelo
estadstico establecido (Pea, 2002).
55
Los vnculos entre las variables originales x1, x2, , xp, son expresados por su matriz
de correlaciones y el determinante de esta matriz debe tener un valor pequeo para
que sea aplicado con xito el FA (Prez, 2005).
El FA calcula e interpreta los factores a partir de la matriz de correlaciones entre las

variables R (Cuadras, 2007). Se considerarn los dos mtodos ms populares con el
propsito de extraer los factores, el de componentes principales y el mtodo de
mxima verosimilitud. La solucin de ambos mtodos puede ser rotada con el
propsito de simplificar la interpretacin de los factores (Johnson et al., 1992).
La solucin con componentes principales del modelo factorial recibe este nombre del
hecho de que las saturaciones factoriales son los coeficientes escalados de las
primeras componentes principales muestrales (Johnson et al., 1992).
El anlisis factorial de la matriz de correlacin muestral por componentes principales

se obtiene comenzando con R en lugar de S (Johnson et al., 1992).
La seleccin del nmero de factores comunes puede basarse en los autovalores

estimados, de la misma manera que con las componentes principales. Idealmente las
contribuciones de los primeros factores de las varianzas muestrales deben ser
grandes. Se tiene (Johnson et al., 1992):
j
Proporcin de la En el anlisis factorial de S
s11 + s22 + + spp
varianza muestral = (45)
total debida al factor j j
En el anlisis factorial de R
p
Con base en la expresin anterior un criterio frecuentemente utilizado en los paquetes

estadsticos es establecer m igual al nmero de autovalores de R mayores en valor
que uno (>1) si la matriz de correlacin muestral esta factorizada (Johnson et al.,
1992). Este es el criterio ms comnmente utilizado. La varianza de cada una de las
variables X tiene valor uno y por lo tanto el criterio del autovalor uno indica que un
factor ser retenido si explica al menos tanto como una variable sola (Jobson, 1992).
El paso ms importante en la estimacin del modelo de anlisis factorial es la

estimacin de m el nmero de factores. Si m es demasiado grande algunos de los
residuos o factores nicos (factores de error) podran estar mezclados con los factores
comunes; y si m es demasiado pequeo factores comunes importantes podran ser
56
omitidos (Jobson, 1992).
En el mtodo de la mxima verosimilitud se considera que si los factores comunes F y

los factores especficos se pueden suponer como distribuidos normalmente,
entonces la estimacin de mxima verosimilitud de las saturaciones factoriales y las
varianzas especficas puede obtenerse. Cuando fj y j son conjuntamente normales,
las observaciones x j = Lfj + j son entonces normales y la probabilidad es
n
1
np n tr 1
2 ( x j x )( x j x ) ' +n( x )( x ) '
L (, ) = ( 2 )

2 2 e j =1
n
1
( n 1)p (n 1) tr 1
( x x xj x
j =1 j
)( ) ' (46)
= ( 2 )
2
2 2 e
n
p 1 ( x ) ' 1 ( x )
( 2 )

2 2 e 2
La cual depende de L y a travs de = LL'+ . Este modelo an no est bien

definido debido a la multiplicidad de elecciones de L que son posibles por
transformaciones ortogonales. Es deseable hacer a L bien definida mediante la
imposicin de una condicin de unicidad conveniente (Johnson et al., 1992):
L' 1L = (47)
La mxima verosimilitud estima que L y deben obtenerse por maximizacin

numrica. Por fortuna programas de ordenador eficientes existen actualmente para
permitir estimar la mxima verosimilitud de una forma rpida (Johnson et al., 1992).
En el FA pueden efectuarse contrastes que se aplican antes de la extraccin como la

prueba de esfericidad de Bartlett y la medida de adecuacin muestral de Kaiser, Meyer
y Olkin (KMO) (Prez, 2005).
La prueba de esfericidad de Bartlett sirve para conocer si las variables estn

correlacionadas entre s (Prez, 2005). Con esta prueba se confirma que las variables
no son ortogonales pero estn correlacionadas y por lo tanto se puede explicar la
variabilidad de los datos con un menor nmero de variables (Vega et al., 1998). Esta
prueba indica si la matriz de correlacin es una matriz identidad lo cual indicara que
las variables no estn relacionadas. El nivel de significacin debe ser menor que 0,05
para que existan relaciones significativas entre variables (Parinet et al., 2004).
57
La medida de Kaiser, Meyer y Olkin se basa en los coeficientes de correlacin
observados entre cada par de variables y en sus coeficientes de correlacin parcial.
Valores del KMO inferiores a 0,5 no son aceptables, considerndose que para ese
caso no es adecuado realizar el anlisis factorial. Los valores superiores a 0,5 son
aceptables, lo que indica que es pertinente efectuar un FA con los datos. En tanto los
valores de la medida KMO estn ms cercanos a 1 mejor es la adecuacin de la
informacin a un modelo factorial (Prez, 2005).
4.3.3 Rotacin de factores
En el anlisis factorial se busca que los factores sean fcilmente entendibles en

trminos del fenmeno en estudio. Desafortunadamente en pocos casos es fcil
encontrar una interpretacin sencilla a los factores obtenidos en un primer momento.
La rotacin de factores partiendo del primer anlisis busca obtener factores que
tengan una interpretacin sencilla (Figura 3) (Prez, 2005).
Los factores F no son nicos. Por medio de la introduccin de una matriz de

transformacin ortogonal T tal que TT = TT = I, nuevos factores G = FT pueden ser
definidos de manera que tambin satisfagan el modelo de anlisis factorial (Jobson,
1991).
La cantidad total de varianza explicada por el conjunto de factores transformados

(rotados) permanece constante (Browne, 2006).
f*2
f2
3
1,0 1
0,5
f1
0,5 6 5 1,0
4 f*1
- 0,5
FIGURA 3 Rotacin de factores. Los puntos representan variables (Fuente: Johnson et al., 1992)
58
Idealmente se quisiera tener un patrn de cargas en las que cada variable saturara
fuertemente en un factor simple y tenga saturaciones de pequeas a moderadas en
los restantes factores (Johnson et al., 1992). Se prefiere que cada factor englobe el
comportamiento de un grupo de variables originales con las que se le pueda relacionar
(Tusell, 2007).
Algunos investigadores clasifican las saturaciones factoriales como fuertes (valores

absolutos mayores de > 0,75), moderadas (entre 0,50 y 0,75) y dbiles (entre 0,30
y 0,50) (Singh et al., 2004).
Haciendo referencia a los procedimientos ortogonales el ms empleado es el Varimax,

propuesto por Kaiser y trata de minimizar el nmero de variables que hay con pesos o
saturaciones elevadas en cada factor (Visauta et al., 2003).
En el mtodo Varimax la matriz de pesos factoriales es rotada de manera que las

cargas estimadas muestren un mayor contraste entre columnas. El objetivo es obtener
un relativamente gran nmero de elementos prximos a ser nulos y un nmero
limitado de grandes elementos, adems de muy pocos elementos de tamao
intermedio. Como resultado, la conclusin de un anlisis puede ser simplificada y
algunas veces ms significativa. Este mtodo se deriva del Varimax de Kaiser
(Neudecker, 2006).
El Varimax usa como criterio para la simplificacin de la estructura la expresin

(Neudecker, 2006):
m p 1 p
2

4
ij
2
ij (48)
j =1 i =1
p i=1
Donde las ij son las cargas factoriales estimadas. Esta expresin es proporcional a la
varianza intragrupal de las estimaciones cuadrticas habiendo m grupos (factores)

(Neudecker, 2006).
4.3.4 Puntuaciones factoriales
Una vez efectuado el Anlisis Factorial, construyendo los factores, es importante

obtener las puntuaciones factoriales (scores) de las observaciones para saber cunto
puntan en cada factor (Calvo, 1993). Es una forma de situar a cada observacin con
respecto a cada uno de los factores.
59
Las saturaciones, pesos o cargas factoriales, se pueden representar de manera
grfica mediante las proyecciones ortogonales de cada una de las variables en cada
factor (Figura 4) (Prez, 2005).
f2
x1
x2
f1
FIGURA 4 Proyecciones ortogonales de las variables originales x1 y x2 sobre los factores f1 y f2 (Fuente:
Prez, 2005)
Los beneficios de analizar las puntuaciones factoriales de las observaciones son

variados: identificar las observaciones extremas (anormales), localizar la ubicacin de
ciertos grupos de la muestra, en qu factor satura una observacin y en cules no, etc.
(Calvo, 1993).
Aunque la normalidad multivariante es a menudo supuesta para las variables en el

anlisis factorial es muy difcil justificar esta suposicin para grandes nmeros de
variables. Las grficas de puntuaciones factoriales deben de examinarse antes de
utilizar stas puntuaciones en otros anlisis. Estas grficas pueden revelar valores
anmalos (Johnson et al., 1992).
4.3.5 Aplicacin del anlisis factorial
En el anlisis factorial no existe una estrategia simple a ser aplicada. Una opcin
razonable que se propone es (Johnson et al., 1992):
1. Para iniciar verificar la estructura de los datos que recogen las variables. Una
forma de realizar esto es por medio de un grfico de dispersin matricial de las
variables. Se trata de hacer patente que el anlisis factorial se basa en la
60
matriz de coeficientes de correlacin r de Pearson entre esas variables. Pero la
correlacin r de Pearson plantea varios supuestos (Calvo, 1993):
1.1 Supone la existencia de una relacin lineal entre las variables.
1.2 La incidencia de la forma de la distribucin que tienen las variables. Se
acepta de inicio que todas las variables tienen una distribucin normal.
1.3 El nmero de variables debe seleccionarse para que los resultados
ofrezcan una estructura factorial adecuada, fcil de entender y con
contenido terico relevante.
1.4 La forma y caractersticas de los datos debido a que la correlacin r de
Pearson es distinta en la mayora de los casos si se calcula con los
datos sin tratar o con esos mismos datos transformados.
2. Desarrollar un anlisis factorial con el mtodo de componentes principales
3. Buscar las observaciones sospechosas por medio del trazado de las grficas
de las puntuaciones factoriales (Johnson et al., 1992). Los puntos que se
encuentren alejados del resto debern ser investigados para saber si son
efectivamente observaciones atpicas.
4. Aplicar una rotacin Varimax (Johnson et al., 1992).
5. Desarrollar un anlisis factorial por el mtodo de la mxima verosimilitud
incluyendo una rotacin con el mtodo Varimax (Johnson et al., 1992).
6. Comparar las soluciones de los anlisis factoriales (Johnson et al., 1992;
Calvo, 1993). Uno de los aspectos ms importantes a comparar es el valor de
los autovalores y la varianza explicada por cada uno de ellos, as como la
varianza acumulada.
7. Repetir los cinco pasos anteriores para otros nmeros de factores comunes m
8. Para grandes conjuntos de datos dividirlos por la mitad y aplicar un anlisis
factorial en cada parte. Comparar las dos soluciones entre s y con la
conseguida con el conjunto completo de los datos, para comprobar la
estabilidad de la solucin (Johnson et al., 1992).
Ms detalles de cmo desarrollar estos pasos se vern en la seccin 7.6.
4.4 ANLISIS CLUSTER (CA)
El objetivo del anlisis cluster es dividir la informacin constituida por observaciones

multivariantes en subgrupos llamados conglomerados (clusters), de forma que las
observaciones que se encuentren en determinado conglomerado tengan
61
caractersticas semejantes entre s con respecto a las variables medidas en tanto que
aquellas observaciones que pertenezcan a otros conglomerados distintos no sean
semejantes a las de otros grupos (Johnson, 2000).
El CA es una tcnica no supervisada de reconocimiento de patrones que descubre la

estructura intrnseca o comportamiento subyacente del conjunto de datos sin hacer
suposiciones de inicio (a priori) acerca de los datos, con el propsito de clasificar los
objetos del sistema dentro de categoras o conglomerados en base a su cercana o
similaridad (Figura 5) (Singh et al., 2004).
En el caso de que las variables utilizadas para la formacin de los conglomerados

estn expresadas en escalas numricas muy dispares es necesario para obtener
buenos resultados en la clasificacin estandarizar las variables, para evitar problemas
de clasificacin por estar las variables expresadas en unidades distintas o poseer
diferentes rdenes de magnitud (tanto de los valores numricos como de la varianza
de los datos analizados). La estandarizacin de los datos asegura que cada variable
tenga la misma influencia en el anlisis. Asimismo, es perjudicial para el CA que
existan variables altamente correlacionadas por lo que es necesario revisar
previamente la multicolinealidad (Prez, 2005).
El anlisis cluster estudia tres tipos de problemas (Pea, 2002):
a) Particin de los datos.

b) Construccin de jerarquas.
c) Clasificacin de variables.
La cantidad de observaciones en cada conglomerado debe alcanzar un cierto valor

mnimo ya que si existen valores anormales seran agrupados en conjuntos de una o
muy pocas observaciones (Prez, 2005).
Cuanto ms grande es un conglomerado o subgrupo es ms heterogneo (Cuadras,

2007). Por lo que uno de los factores que afecta a la variabilidad entre los elementos
de un conglomerado es su tamao (nmero de elementos que contiene).
Los procedimientos en el CA pueden clasificarse en cinco tipos principales: jerrquico,

separativo, tipo Q, densidad y de agrupacin (Jobson, 1992):
1. En el enfoque jerrquico la tcnica procede secuencialmente de manera tal que

en cada paso slo una observacin o grupo de observaciones cambia su
62
pertenencia a un grupo y los grupos en cada paso son anidados con respecto a
los conjuntos previos.
2. El mtodo separativo inicia con un nmero dado de conglomerados, por
ejemplo g como objetivo y entonces separa las observaciones para obtener el
nmero requerido de conglomerados.
3. Los mtodos tipo Q incluyen una variedad de tcnicas que son similares al
anlisis de factores.
4. El modo de densidad o procedimiento de modo de bsqueda supone que los
objetos estarn distribuidos en el espacio, de tal forma que existen varias reas
de densidad con regiones internas entre ellas que estn muy dispersas.
5. El mtodo de agrupacin (clumping) permite que los conglomerados se
traslapen.
x2
x1
FIGURA 5 Ilustracin de la idea principal detrs del anlisis cluster representado para dos variables
(Martens et al., 1989)
Para efectuar un anlisis de este tipo en primer lugar se debe poder medir la
semejanza o desemejanza entre dos observaciones o registros y, a continuacin, la
semejanza o desemejanza entre los conglomerados de observaciones (Johnson,
2000). El agrupamiento es hecho en base a medidas de similaridad o distancias
(disimilaridades) (Johnson et al., 1992).
La medida de similaridad ms comn es el coeficiente de correlacin de Pearson.

Debido a que un coeficiente de correlacin puede tomar los valores del rango [1, 1],
63
se acostumbra tomar el valor absoluto del valor del coeficiente (Jobson, 1992).
Una medida sencilla y muy comnmente utilizada de desemejanza o disimilaridad en

la distancia Euclidiana estndar, tambin llamada distancia mtrica, que es la distancia
entre dos observaciones en el espacio muestral pdimensional. Su expresin es
(Johnson, 2000):
drs = ( xr x s ) ' ( xr x s ) 1 2 (49)
Donde:
drs = Distancia Euclidiana estndar.

xr = Primera observacin considerada.
x s = Segunda observacin considerada.
La distancia Euclidiana cuadrtica es la medida de distancia ms empleada en

estudios relacionados con calidad del agua en cuerpos de agua continentales (Vega et
al., 1998; Mendigucha et al., 2004; Singh et al., 2005; Kowalik et al., 2006).
Existen dos tipos bsicos de bsqueda de conglomerados: los de naturaleza jerrquica

o no jerrquica (Johnson, 2000).
En el agrupamiento jerrquico los resultados son mostrados como un dendograma;

estos mtodos son los ms fciles de aplicar a pequeos grupos de datos. Los
mtodos no jerrquicos (o partitivos) se aplican principalmente a grandes conjuntos de
datos (McNeil et al., 2005).
4.4.1 Mtodos de agrupacin no jerrquica
Una clasificacin o agrupacin no jerrquica de n objetos (registros) que constituyen

una matriz de datos cuantitativos X, consiste en obtener k grupos homogneos y
excluyentes entre s (conglomerados). La informacin de partida es una tabla o matriz
de dimensiones n p (Tusell, 2007).
En los mtodos de agrupacin no jerrquica, partitivos o de optimizacin, la forma de

buscar agrupamientos es seleccionar de inicio un conjunto de puntos simientes de
aqullos y, despus, construir esos conglomerados en torno a cada una de las
simientes. Esto se efecta al asignar cada punto del conjunto de datos a su simiente
ms cercana empleando las medidas de desemejanza para medir las distancias entre
64
cada unos de los puntos y esas simientes de conglomerados. A continuacin se
pueden dividir los conglomerados demasiado grandes y los que estn cercanos a otros
se pueden combinar (Johnson, 2000).
En los mtodos no jerrquicos que tienen por objeto realizar una sola particin de las
observaciones en k grupos, previamente se debe fijar este nmero (Visauta et al.,
2003).
Dentro de las diversas tcnicas de agrupacin no jerrquica la ms utilizada es el

algoritmo de K-medias (Prez, 2005). La tcnica de K-Medias de McQueen (1967)
est basada en la distancia al centroide ms prximo. Los centros de los diversos
conglomerados se pueden conocer o no de inicio, lo que genera dos alternativas en el
procedimiento que son (Visauta et al., 2003):
Clasificacin cuando los centros son conocidos.

Clasificacin cuando los centros son desconocidos.
La tcnica de K-medias mide la proximidad entre grupos usando la distancia

Euclidiana entre centroides de los grupos (Jobson, 1992).
El algoritmo de K-medias cuenta con las siguientes etapas (Pea, 2002):
1. Partir las observaciones en k conglomerados iniciales (Johnson et al.,

1992).
2. En lugar de comenzar con la particin de todas las observaciones en k
grupos preliminares en el paso 1 es posible optar por (Johnson et al., 1992)
seleccionar k puntos como centros de los grupos iniciales.
3. Calcular las distancias Euclidianas de cada observacin a los centros de los
k grupos y asignar cada observacin al conglomerado cuyo centro est ms
cercano (Pea, 2002).
4. Definir un criterio de optimalidad y comprobar si reasignando alguna de las
observaciones se mejora el desempeo (Pea, 2002).
5. Si no es posible mejorar el criterio de optimalidad, terminar (Pea, 2002).
El criterio empleado de homogeneidad o de optimalidad en el procedimiento de K-

medias es minimizar la suma de los cuadrados dentro de los grupos para todas las
variables en el estudio. Este criterio se expresa as (Pea, 2002):
65
k p ng
Criterio = (x x jk )
2
ijk (50)
k =1 j =1 i =1
Donde xijk es el valor de la observacin j en el elemento i del grupo k y x jk la media de
esta variable en el conglomerado (Pea, 2002).
Al emplear el mtodo de K-medias hay que establecer el nmero de conglomerados.

Se han propuesto diversos mtodos para seleccionar el nmero de grupos. Un
planteamiento que es muy empleado es efectuar un test F de reduccin de variabilidad
comparando la suma de cuadrados dentro de los grupos con k grupos, con al de k+1
grupos y obteniendo la reduccin relativa de variabilidad al aumentar un conglomerado
ms. La expresin es (Pea, 2002):
Criterio (k ) Criterio ( k + 1)
F= (51)
Criterio ( k + 1) ( n k 1)
Y comparar la disminucin de variabilidad al agregar un conglomerado con la varianza

media. Una regla prctica que proporciona resultados razonables propuesta por
Hartigan en 1975 y empleada en algunos paquetes estadsticos, es utilizar un
conglomerado ms si el cociente anterior es mayor que 10 (Pea, 2002).
4.4.2 Mtodos de agrupacin jerrquica
Una clasificacin jerrquica es una sucesin de conglomerados, de manera que cada

uno se obtiene agrupando conjuntos constituidos previamente (Cuadras, 2007).
En el agrupamiento jerrquico los conglomerados son formados secuencialmente,

comenzando con el par de objetos ms similares y formando conglomerados
superiores paso a paso. Usualmente la distancia Euclidiana proporciona la similaridad
entre las dos muestras o registros y es una distancia que puede representarse por la
diferencia entre los valores analticos de ambas muestras (Singh et al., 2004). Los
mtodos de agrupacin jerrquica no resultan aconsejables para procesar grandes
cantidades de observaciones (Prez, 2005).
En los mtodos de anlisis de agrupacin jerrquica para seleccin de conglomerados

los datos observados se concentran en agrupamientos, en una sucesin anidada de
conglomerados. Las tcnicas ms ptimas de agrupacin jerrquica reciben el nombre
de mtodos de agrupacin de un enlace. Uno de estos mtodos es el del vecino ms
66
cercano en el que se aplican cuatro pasos: (i) se inicia con N agrupamientos donde
cada uno de ellos contiene solamente una observacin (punto), (ii) se enlazan los dos
puntos ms cercanos segn la medida seleccionada de la distancia, (iii) se determina
la desemejanza entre este nuevo conglomerado y cualquier otro punto como la
distancia mnima entre los dos puntos del agrupamiento y este nico punto y (iv) se
continua combinando los conglomerados que sean los ms cercanos entre s, de
manera que en cada paso la cantidad de conglomerados se reduzca en uno (Johnson,
2000).
Si las variables son medidas en escala continua la medida de distancia ms utilizada

es la distancia Euclidiana entre las variables (Pea, 2002).
Una forma de decidir en que instante detener el proceso de agrupacin es elaborar un

diagrama de rbol jerrquico o dendograma. Este grfico contiene ramas que unen
puntos (observaciones) y muestra el orden en que se asignan los puntos a los
conglomerados (Figura 6) (Johnson, 2000).
1 2 3 4 5 6 Puntos
FIGURA 6 Diagrama de rbol jerrquico o dendograma (Johnson, 2000).
El dendograma provee un resumen visual del proceso de agrupamiento presentando

un grfico de los grupos y su proximidad (Wunderlin et al., 2000).
Otros mtodos de agrupacin jerrquica son: (i) el mtodo del vecino ms lejano, (ii) el
mtodo del centroide, (iii) el mtodo del promedio y (iv) el mtodo de la varianza
mnima de Ward y Wishart (conocido como el mtodo de Ward), en el cual la distancia
entre dos conglomerados es el cuadrado de la distancia entre las medias de esos
67
conglomerados, dividida entre la suma de los recprocos de la cantidad de
observaciones que se encuentre en el interior de cada uno de stos (Johnson, 2000).
El mtodo del vecino ms cercano (Figura 7) o mtodo de unin simple tiende a

maximizar la conexin de una pareja de conglomerados y va en el camino de generar
una cantidad menor de grupos que el mtodo del vecino ms lejano (Johnson, 2000).
x2
Grupo s
Grupo r As
drs
Ar
x1
FIGURA 7 Midiendo la proximidad entre grupos. Mtodo del vecino ms cercano usando la distancia
Euclidiana (Fuente: Jobson, 1992)
En los mtodos de agrupacin jerrquica las fuentes de error y variacin no estn

formalmente consideradas. Esto quiere decir que el mtodo de agrupacin ser
sensible a los valores anmalos (Johnson et al., 1992).
4.4.3 Anlisis cluster de variables
El anlisis cluster de variables es una tcnica exploratoria que puede auxiliar en la

reduccin de la dimensin. El propsito es obtener una matriz de distancias entre las
variables como en el caso de las observaciones y entonces emplear un procedimiento
jerrquico de agrupamiento (Pea, 2002).
Se puede proponer una forma de medir la distancia entre dos variables xA y xB, por
medio de la distancia Euclidiana, considerando su valor para una observacin como
dos puntos (Pea, 2002):
68
n
dAB = ( x A xB )
2
(52)
i =1
Con el fin de evitar que la distancia dependa de las unidades de medida las variables
deben estandarizarse. Haciendo esto, la expresin (52) quedara as (Pea, 2002):
dAB = 2n (1 rAB ) (53)
Siendo rAB el coeficiente de correlacin entre las variables A y B (Pea, 2002).
4.5 ANLISIS DISCRIMINANTE (DA)
Se usa principalmente para clasificar individuos (registros) o unidades experimentales

en dos o ms poblaciones definidas previamente (Johnson, 2000).
El objetivo del DA es describir las caractersticas que diferencian a las observaciones

de varias poblaciones conocidas (Johnson et al., 1992). Y con esta informacin se
responde a la pregunta: a qu poblacin pertenece una observacin de la cual se
tienen mediciones en algunas variables? (Calvo, 1993).
El DA es utilizado para determinar las variables que discriminan entre dos o ms

grupos que ocurren naturalmente. Opera sobre los datos originales y construye una
funcin discriminante para cada grupo (Singh et al, 2004).
Este procedimiento tambin se conoce como clasificacin supervisada, lo que significa

que se conoce un conjunto de observaciones clasificadas correctamente que sirven de
patrn para clasificar las observaciones posteriores (Pea, 2002).
En el DA se asigna una observacin a un grupo definido previamente (que hace la

funcin de variable dependiente) conforme a los valores de algunas variables medidas
en dicha observacin (variables independientes) (Visauta et al., 2003).
Aun ms, el uso del DA est basado en varios supuestos fundamentales como son la
normalidad multivariante, la homogeneidad de las matrices de varianza-covarianza
(supuesto de homoscedasticidad), linealidad y la no presencia de multicolinealidad
Prez, 2005). En los casos prcticos la tcnica es muy robusta y no es necesario
obligatoriamente que se cumplan todos los supuestos (Gil Pascual, 2003).
La distancia de Mahalanobis de una observacin i al grupo k es, expresado en forma
69
matricial (Calvo, 1993):
D2 = ( x i x k ) ' Sn1 ( x i x k ) (54)
La cual debe ser mnima. Los coeficientes de las variables en las funciones
discriminantes entre los probables pares de grupos j y k, ser (Calvo, 1993):
A jk = Sn1 ( x j xk ) (55)
Y para obtener el trmino independiente (Calvo, 1993):
1
C jk =
2
( x j xk ) ' Sn1 ( x j + xk ) (56)
As se puede determinar a que grupo pertenece una nueva observacin i. La tcnica

conformada por las expresiones (55) y (56) no es recomendable cuando el nmero de
grupos es mayor de 3 debido a que se complica demasiado (Calvo, 1993).
Fisher propuso un mtodo discriminante para varias poblaciones cuyo propsito

primario es separarlas. Tambin puede ser empleado para clasificarlas. No es
necesario suponer que las g poblaciones son normales multivariantes (Johnson et al.,
1992).
Las funciones lineales Discriminantes de Fisher para cada grupo k, se obtienen con
(Calvo, 1993):
Ak = Sn1X kv (57)
Y para el trmino independiente (Calvo, 1993):
1 ' 1
ck = X kv Sn X kv (58)
2
As se puede saber la capacidad de discriminacin de cada una de las m variables de

cada subconjunto y tambin la asignacin de una nueva observacin a uno de los q
grupos. Este planteamiento es de utilidad cuando el nmero de grupos es mayor de 3
(Calvo, 1993).
La expresin lineal discriminante tiene la forma siguiente (Visauta et al., 2003):
70
D = b0 + b1x1 + b2 x 2 + + bp x p (59)
Donde:
x i = Son las variables independientes.

b0 = Es una constate.
bp = Coeficientes estimados de las observaciones originales de
manera que los valores de la funcin difieran el mximo posible
entre los grupos.
Para algunos estudios el DA fue aplicado a los datos experimentales con y sin
estandarizacin, la habilidad discriminante fue la misma pero las bi fueron diferentes
para ambos casos (Wunderlin et al., 2000).
En algunas aplicaciones existen datos disponibles con un gran nmero de variables.

En estos casos obviamente sera deseable seleccionar un relativamente pequeo
subconjunto de variables que contuvieran casi tanta informacin como el conjunto
original. Este es el objetivo del anlisis discriminante por pasos (stepwise); varios
paquetes estadsticos comerciales tienen la capacidad de efectuar este tipo de anlisis
Uno de los mtodos para elegir las variables significativas frecuentemente empleado,
el llamado mtodo stepwise (mtodo paso a paso) puede elegir el proceso hacia
delante (forward stepwise) o hacia atrs (backward stepwise). Para el mtodo de
eleccin paso a paso hacia delante la primera variable elegida es la que maximiza la
separacin entre conjuntos; en este modo las variables son incluidas paso a paso
comenzando con las ms significativas, hasta que cambios no significativos son
obtenidos. Para el mtodo de eleccin paso a paso hacia atrs se incluyen todas las
variables de inicio y van siendo removidas una por una en cada paso, eliminando las
que generan una menor disminucin en la discriminacin entre conjuntos hasta que
son obtenidos cambios no significativos (Prez, 2005).
La razn de error aparente puede calcularse fcilmente de la matriz de confusin la

cual muestra la pertenencia actual a la poblacin contra la pertenencia predicha
71
Pertenencia predicha
Pob. 1 Pob. 2
Pertenencia Pob. 1 n1C n1M = n1 n1C n1
actual Pob. 2 n2M=n2 n2C n2C n2
TABLA 3 Matriz de confusin con 2 poblaciones (Fuente: Johnson et al., 1992)
Donde:
n1C = Nmero de observaciones de la poblacin 1 clasificadas correctamente.

n1M = Nmero de observaciones de la poblacin 1 incorrectamente clasificadas
como de la poblacin 2.
n2C = Nmero de observaciones de la poblacin 2 clasificadas correctamente.
n2M = Nmero de observaciones de la poblacin 2 incorrectamente clasificadas
como de la poblacin 1.
n1 = Nmero de observaciones de la poblacin 1.
n2 = Nmero de observaciones de la poblacin 2.
La razn de error aparente es (Johnson et al., 1992):
n1M + n2M
APER = (60)
n1 + n2
La matriz de confusin o tabla de clasificacin (tambin llamada tabla de asignacin)

es usada para valorar el desempeo del DA (Shrestha et al., 2007).
Es adecuado resaltar que el problema de la clasificacin es completamente estadstico

y no se puede esperar de ordinario una discriminacin efectiva al 100% (Tusell, 2007).
Los datos utilizados para evaluar la funcin discriminante no deben ser los mismos
datos que los que fueron empleados para estimar dicha funcin (Jobson, 1992).
Una tcnica ms intensiva en el uso del ordenador es el uso del Procedimiento

jackknife, el cual remueve slo una observacin y usa las (n 1) observaciones
restantes para determinar la funcin discriminante. La funcin discriminante estimada
es entonces utilizada para clasificar la observacin que fue omitida. Este proceso se
repite (n 1) veces de manera que cada observacin es dejada fuera una vez. La
razn de error de clasificacin incorrecta obtenida en este proceso est cercana a la
estimacin insesgada de la razn de error esperada de las muestras con n1 y n2
observaciones de los conjuntos 1 y 2, respectivamente (Jobson, 1992).
Para datos continuos las transformaciones para normalizar los datos no producen en
72
general una mejora de los porcentajes del error de clasificacin y, en algunos casos,
los porcentajes de error son mayores que en los datos sin transformar (Jobson, 1992).
Una vez efectuado el anlisis cluster un anlisis discriminante basado en las p

variables originales puede utilizarse para caracterizar las diferencias entre los grupos
de conglomerados (Jobson, 1992). Adems, la clasificacin obtenida a travs del
anlisis cluster puede ser confirmada por medio del DA (Kannel et al., 2007).
4.6 MODELO LINEAL DE REGRESIN MLTIPLE (MLR)
La regresin mltiple tiene como objetivo analizar un modelo que explique el

comportamiento de una variable y (variable dependiente), empleando la informacin
proporcionada por un conjunto de variables explicativas x1, x2, , xk (variables
independientes) (Prez, 2005).
El modelo lineal tiene la forma (Prez, 2005):
y = b0 + b1x1 + b2 x 2 + + bk x k + u (61)
Los coeficientes o parmetros de regresin b1, b2, , bk expresan el valor de la

influencia que las variables independientes poseen sobre la variable dependiente y. El
coeficiente b0 recibe el nombre de trmino independiente o constante del modelo. El
error del modelo de denomina u (Prez, 2005).
Se cuenta con un conjunto de T observaciones efectuadas sobre todas las variables.

El modelo se puede expresar de la forma (Prez, 2005; Prez, 2007):
y t = b0 + b1x1t + b2 x 2t + + bk x kt + e t t = 1,2,3,,T (62)
El modelo lineal se formula bajo las siguientes hiptesis (Prez, 2005):
Las variables x1, x2, , xk son deterministas (sus valores son conocidos) y
sus valores provienen de una muestra registrada.
Linealidad del modelo (Carbonell et al., 1983).
El trmino de error e es una variable aleatoria con esperanza nula (media
cero) y matriz de covarianzas constante y diagonal (ver la Figura 8, donde
no se cumple esta condicin).
La variable y es aleatoria pues depende de e.
Se supone que no hay errores de especificacin, esto quiere decir que
73
todas las variables xi relevantes para la explicacin de la variable y estn
incluidas en el modelo.
Las variables x1, x2, , xk son linealmente independientes.
En ocasiones se toma en cuenta la hiptesis de normalidad de los residuos
consistente en que el conjunto de las et sean normales.
As, si el modelo ajustado es correcto los residuos (errores, et) debern exhibir un
comportamiento que tienda a confirmar las suposiciones anteriores o al menos no
debern exhibir una negacin de estas suposiciones (Miket, 2007).
y y
x x
FIGURA 8 Dos ejemplos de heteroescedasticidad (Fuente: Carbonell et al., 1983)
Los residuos ei representan la cantidad de informacin que el modelo no ha sido capaz

de explicar (Miket, 2007). Cuando se quiere estimar el modelo lineal de regresin
mltiple se utiliza el planteamiento de mnimos cuadrados. El concepto de mnimos
cuadrados establece que la funcin que mejor se ajusta a los datos es la que minimiza
la varianza del error e, lo que se expresa as (Prez, 2005):
T T
min e2t = ( y t ( b0 + b1x1t + b2 x 2t + + bk x kt ) )
2
(63)
t =1 t =1
Se deriva respecto a b0, b1, , bk y se iguala con cero (Prez, 2005):
74
T T T
yt =
t =1
nb0 + b1 x1t + + bk xkt
t =1 t =1
T T T T
y t x1t = b0 x1t +
t =1 t =1
b1 x1t2 + + bk x1t xkt
t =1 t =1 (64)
T T T T
y t xkt = b0 xkt + b1 xkt x1t + + bk xkt2

t =1 t =1 t =1 t =1
Las ecuaciones expresadas en (64) forman un sistema denominado de ecuaciones

normales que puede resolverse para b0, b1, , bk (Prez, 2005).
El modelo expresado en (62) se puede expresar matricialmente como (Prez, 2005):
y1 1 x11 x 21 xk1 b0 u1

y2 = 1 x12 x 22 xk 2 b1 u2
+ (65)

yt 1 x1T x 2T xkT bk ut
El cual se puede expresar de forma breve como: Y = Xb + u . Al vector Y se le puede

llamar vector de observaciones, b se denomina vector de parmetros, X es la matriz
de diseo y u se denomina vector de errores o de desviaciones aleatorias (Cuadras,
2007).
Un primer objetivo del desarrollo del modelo es obtener estimaciones (valores

numricos) de los coeficientes b0, b1, b2, , bk con base en la informacin de la
muestra. Al contar con el vector de estimaciones b de los coeficientes se puede
escribir (Prez, 2005):
Y = X b = b 0 + b 1x1 + b 2 x 2 + + b k x k (66)
O lo que es lo mismo (Prez, 2005):
y t = b 0 + b 1x1t + b 2 x 2t + + b k xkt t = 1,2,3,...,T (67)
Los residuos son las diferencias que existen entre los valores verdaderos y los valores
estimados de la variable Yt, o sea: u t = y t y t (Prez, 2005).
Respecto a la distribucin de los residuos comportamientos anmalos en su

distribucin podrn poner en duda el modelo. Por tanto es necesario conocer acerca
75
de su comportamiento normal, para ellos se supone que todas las suposiciones
iniciales se cumplen, aunque en realidad el requerimiento de normalidad slo es
necesario para la distribucin de los residuos (Carbonell et al., 1983).
Las estimaciones de los parmetros es posible calcularlas por el mtodo de mnimos

cuadrados lo que significa minimizar la suma de los cuadrados de los residuos (la
suma residual SR), lo que se expresa as (Prez, 2005):
T T
SR = u 2t = ( y t y t )
2
(68)
t =1 t =1
La expresin de las estimaciones de los parmetros es (Prez, 2005):
b = ( X'X ) X'Y
1
(69)
Para estudiar el ajuste del modelo se requieren las siguientes definiciones (Prez,
2005):
La suma total es la varianza muestral de la variable dependiente (o endgena) y es

una medida del valor de las fluctuaciones de dicha variable alrededor de su media
(Prez, 2005):
T
ST = ( y t y )
2
(70)
i =1
La suma explicada es la magnitud del cambio de la variable estimada y t alrededor de
la media de y. Debido a esto la suma explicada es una medida de la variacin

explicada (Prez, 2005):
T
SE = ( y t y )
2
(71)
i =1
La suma residual revela la magnitud del error del modelo al intentar representar el
desempeo de la variable yt (Prez, 2005; Prez, 2007):
T
SR = ( y t y t )
2
(72)
i =1
Y la relacin entre las tres cantidades anteriores es (Prez, 2005; Prez, 2007):
76
ST = SE + SR (73)
Los tres trminos anteriores reciben el nombre de suma de cuadrados (Prez, 2005;
Prez, 2007).
El coeficiente de determinacin (R2) es un valor que describe el ajuste global del

modelo y se obtiene como el cociente de la variabilidad explicada (la suma explicada)
y la variabilidad total (la suma total) (Prez, 2005):
SE ST SR SR
R2 = = = 1 (74)
ST ST ST
El coeficiente de determinacin expresa (en tanto por ciento) la variacin de la variable

dependiente que es explicada por el modelo de regresin (Snchez Carrin, 1999).
Un modelo tendr mejor ajuste en cuanto mayor sea R2 (Prez, 2005; Draper et al.,
1998). El Coeficiente de correlacin mltiple R es la raz cuadrada del coeficiente de
determinacin (Prez, 2005).
Se debe apuntar que, con criterio general, no constituye una buena estrategia
introducir muchas variables independientes en el modelo. A pesar de que sea posible
aumentar el coeficiente de determinacin tambin puede aumentar el valor del error
estndar, por lo que cabe pensar en algn sistema de bsqueda de la mejor ecuacin
de regresin que permita buscar dentro de todas las posibilidades aquella que de
acuerdo a unos criterios preestablecidos pueda adecuarse mejor a los datos (Visauta
Vinacua, 2002).
El coeficiente de determinacin depende de las variables introducidas en el modelo.

Este inconveniente se arregla sustituyndolo por el coeficiente de determinacin
corregido. El coeficiente de determinacin corregido por los grados de libertad es
(Prez, 2005; Prez, 2007):
(
R2 = 1 1 R2 ) T T k 1 1 (75)
En la expresin anterior T es el nmero de observaciones en el conjunto y k es el

nmero de variables independientes. R2 es un valor adecuado que mide el xito de la
regresin que ser mejor en tanto este valor se aproxime a uno (Prez, 2005; Prez,
2007).
77
El objetivo en este tipo de anlisis es encontrar la ecuacin con el menor nmero de
variables que contine explicando un porcentaje de varianza en la variable
dependiente que sea comparable al porcentaje explicado con todas las variables en la
ecuacin (Miket, 2007).
El coeficiente de determinacin R2 nunca decrecer al aadir nuevas variables al

modelo, no as el coeficiente de determinacin corregido R2 que no necesariamente
se incrementa con la adicin de nuevas variables al modelo y que por este motivo es
preferible al momento de estimar el ajuste del mismo a los datos. Por otra parte, un
incremento del R2 no necesariamente conlleva una disminucin del error estndar de
las estimaciones ya que cambia el nmero de grados de libertad de la regresin
(Visauta Vinacua, 2002).
Se puede considerar a R2 como una buena medida de la calidad de la regresin. El

modelo ser tanto mejor cuanto mayor sea el coeficiente de determinacin corregido
R2 (Prez Lpez et al., 2007).
Para lograr el objetivo de encontrar la ecuacin con el menor nmero de variables

existen varios procedimientos: la eliminacin hacia atrs, la seleccin hacia delante y
la regresin paso a paso (Miket, 2007).
En el procedimiento de eliminacin hacia atrs se inicia determinando la ecuacin de

regresin conteniendo todas las variables (x1, x2, , xp). Entonces las variables son
probadas una por una y la menos significante es removida del modelo en cada paso
(Miket, 2007). Las variables son eliminadas del modelo de acuerdo con los criterios de
salida. Se toma en cuenta slo un criterio de los dos siguientes (Visauta Vinacua,
2002):
La probabilidad asociada al estadstico F (con un valor de 0,10 por defecto),

conocida como la probabilidad de F para remover.
El valor del propio estadstico, conocido como F para remover y que tiene
asignado un valor por defecto de 2,71.
El procedimiento se termina cuando todas las variables que permanecen en la

ecuacin proporcionan una contribucin significativa a la prediccin de la variable
dependiente y. El algoritmo procede as (Miket, 2007):
1. Ajustar una ecuacin de regresin conteniendo todas las variables.
78
2. Una prueba F parcial (F para remover) es calculada por cada una de las
variables independientes que sigan en la ecuacin.
El estadstico parcial F (F para remover) = [RSS2 RSS1]/MSE1.
Donde:
RSS1 = Suma residual de cuadrados con todas las variables que

estn presentes en la ecuacin.
RSS2 = Suma residual de cuadrados con una de las variables
removida.
MSE1 = La media cuadrtica para el error con todas las variables
que estn presentes en la ecuacin.
3. El valor parcial de F ms bajo (F para remover) es comparado con F para

algn pre-especificado. S Fms bajo F, entonces se remueve esa variable y
se regresa al paso 2. S Fms bajo > F, entonces se acepta la ecuacin tal como
est.
El procedimiento de seleccin hacia delante comienza sin variables en la ecuacin.

Entonces las variables son probadas una cada vez y la ms significativa es agregada
al modelo en cada paso (Miket, 2007), esto es, las variables son entradas en el
modelo una a una de acuerdo con unos criterios de entrada. El criterio de entrada
puede seleccionarse de entre estos dos (Visauta Vinacua, 2002):
La probabilidad asociada al estadstico F (opcin por defecto y con un valor de

0,05), conocida como probabilidad F para entrar.
El valor del propio estadstico F, conocido como F para entrar y que tiene un
valor por defecto de 3,84, que es el que corresponde a una probabilidad de
0,05 (Visauta Vinacua, 2002).
El proceso termina cuando todas las variables que no estn en la ecuacin no tienen
efecto significativo en la variable dependiente y. El algoritmo es desarrollado as
(Miket, 2007):
1. Sin variables en la ecuacin, se calcula la prueba F parcial (F para entrar) para

cada una de las variables independientes que no estn en la ecuacin.
El estadstico F parcial (F para entrar) = [RSS2 RSS1]/MSE1.
Donde:
79
estn presentes en la ecuacin y la variable bajo
consideracin.
estn presentes en la ecuacin.
MSE1 = La media cuadrtica para el error con las variables que
estn presentes en la ecuacin y la variable bajo
consideracin.
2. El valor parcial de F ms alto (F para entrar) es comparado con F para algn

pre-especificado. S Fms alto > F, entonces se aade la variable y se regresa al
paso 1. S Fms alto F, entonces se acepta la ecuacin tal como est.
Para el procedimiento de regresin paso a paso (Stepwise Regression) en cada paso

el modelo de ecuacin puede verse incrementado con una nueva variable
independiente, puede perder una variable seleccionada anteriormente o puede
quedarse tal como se encuentra. Las variables son examinadas en cada paso para
entrar o salir del modelo de acuerdo con los criterios especificados. Es una
combinacin de los dos mtodos anteriores y es un procedimiento muy utilizado. Al
seleccionar la primera variable de entre los posibles regresores xj (variables
independientes), se escoge aquel x(1) que tiene una mayor correlacin con la variable
dependiente. Si la ecuacin que posee la variable elegida en primer lugar no resulta
significativa, a un nivel predeterminado, se termina el proceso de seleccin y la mejor
prediccin que puede efectuarse de la variable dependiente es su valor medio. En
caso contrario, se contina al paso siguiente. Para seleccionar la segunda variable de
entre las restantes variables independientes se escoge aquella que tenga el
coeficiente de correlacin parcial ms alto. El objetivo es encontrar la variable que
maximice el porcentaje de variacin explicada por el modelo que ya tena incluido el
primer regresor. Esto es equivalente a encontrar la variable con el valor de la F ms
elevado valores que se consigen con la hiptesis de que el nuevo coeficiente es igual
a cero- y que superen un valor mnimo establecido (Snchez Carrin, 1999).
Dentro de la regresin paso a paso la ecuacin de regresin se determina sin contener

variables en el modelo. Las variables son entonces probadas una a la vez, usando el
coeficiente de correlacin parcial como una medida de la importancia en la prediccin
de la variable dependiente y. En cada paso la variable con el coeficiente de correlacin
parcial ms altamente significativo (F para entrar) es introducida al modelo. Una vez
hecho esto el estadstico parcial F (F para remover) es calculado para todas las
variables dentro del modelo para probar si alguna de las variables previamente
introducida puede ahora ser borrada. Esta prueba del predictor menos til
actualmente en la ecuacin es llevada a cabo en cada etapa del procedimiento paso a
80
paso. Un predictor que fue incluido como el mejor candidato en una etapa temprana,
puede ser superfluo en una etapa posterior debido a las relaciones entre l y otras
variables actualmente en la regresin (Draper et al., 1998). Este proceso sigue hasta
que no hay ms variables que puedan ser agregadas o borradas del modelo. El
coeficiente de correlacin parcial para una variable dada es la correlacin entre esa
variable y la respuesta, cuando las variables independientes presentes en la ecuacin
son mantenidas como fijas. Es tambin la correlacin entre la variable dada y los
residuales calculados del ajuste de una ecuacin con las variables independientes
presentes en la ecuacin (Miket, 2007).
El programa SPSS utiliza por defecto como valor de F para entrar 3,84. Junto a este
valor de la F, el programa tambin usa el criterio del nivel de significacin de la F. Este
criterio recibe el nombre de probabilidad de F para entrar. Por defecto, la probabilidad
para entrar toma un valor de 0,05 (Snchez Carrin, 1999).
SPSS tiene dos criterios para remover variables que fueron previamente
seleccionadas. El primero, llamado F para remover es el mnimo valor de la F que ha
de tener una variable para continuar en la nueva ecuacin, formada por las variables
antiguas ms la nueva. Por defecto F para remover es igual a 2,71. El segundo criterio
tiene que ver con la probabilidad asociada a la F, la probabilidad de F para remover. Si
la probabilidad asociada a la F es mayor que 0,10 (por defecto), se elimina la variable.
El hecho de que las variables que han sido anteriormente seleccionadas puedan ser
removidas de la regresin, permite tratar a todas las variables con equidad, no
importando en qu paso hayan sido seleccionadas (Snchez Carrin, 1999).
Efectuar la comprobacin del modelo por medio de sus residuales es parte de la

validacin (Geladi, 2002).
El grfico de los residuos contra cada una de las variables independientes permite
detectar a una variable con mayor responsabilidad por la heteroscedasticidad,
observando aquella en la cual se presenta menos aleatoriedad. Tambin es til el
grfico de valores observados contra valores predichos cuyos puntos deben de
ajustarse lo ms posible a una diagonal del primer cuadrante (Prez, 2005).
En muchos de los casos para solucionar el problema de la heteroscedasticidad es

conveniente aplicar logaritmos a los valores. Adems, pueden removerse del anlisis
las variables que ms responsabilidad tienen en el problema de la heteroscedasticidad
(Prez, 2005).
81
Los residuales deben exhibir un patrn de independencia. Existen varias pruebas
estadsticas que pueden detectar la autocorrelacin entre los residuos. Las ms
comunes son (Miket, 2007):
El contraste estadstico de Durbin Watson.

La funcin de autocorrelacin.
La prueba de rachas.
Un contraste muy empleado para evaluar la presencia de autocorrelacin es el

contraste de Durbin-Watson para el cual la expresin (Prez, 2005):
( e e t 1 )
2
t
D= t =2
T (76)
e2t
t =1
Permite aplicar la regla (no tan estricta) de que si el valor de D es cero existe
autocorrelacin positiva perfecta, si D est prximo a 2 no hay autocorrelacin y si D
est prximo a 4 hay autocorrelacin negativa perfecta. Existen tablas donde D se
encuentra tabulado y segn el rango que le corresponda a su valor, se acepta o
rechaza la hiptesis de autocorrelacin (Prez, 2005).
La funcin de autocorrelacin para un retardo k se define como (Miket, 2007):
1 T k 1 T k

T k i=1
( ei e )( ei+k e ) ei ei + k
T k i=1
rk = = (77)
1 T 1 T 2
i( ) ei
2
e e
T i=1 T i=1
Si los residuos son independientes entonces rk deber estar cercano a cero para todos
los valores de k (Miket, 2007).
La prueba de rachas, que se basa en el orden en el que se obtienen las observaciones

muestrales, es una tcnica til para probar la hiptesis nula H0 de que las
observaciones en realidad se extraen al azar. Tambin se puede utilizar para detectar
desviaciones en la aleatoriedad de una secuencia de mediciones cuantitativas en el
tiempo, ocasionadas por tendencias o periodicidades (Walpole et al., 1999). Es
importante destacar que la realizacin de un contraste de aleatoriedad sobre los datos
muestrales, exige que stos estn dispuestos en el mismo orden en que fueron
seleccionados los elementos que forman la muestra. Es decir, no se permite ningn
82
tipo de manipulacin sobre los datos, ni tampoco su clasificacin en tablas de
frecuencias (Mir i Martnez et al., 2006).
Esta prueba usa el hecho de que los residuos oscilarn alrededor de cero en una
proporcin normal si las partidas o inicios aleatorios son independientes. Este
procedimiento contrasta si es aleatorio el orden de aparicin de dos valores de una
variable (Prez Lpez, 2008). En esta prueba se analiza la secuencia temporal del
signo de los residuos (+ + + + + + + +) y se cuenta el nmero de rachas (o
sea, el nmero de periodos en que los residuos conservan el mismo signo) (Miket,
2007). Tambin se puede llamar racha a una sucesin de valores por encima o debajo
de la mediana. La longitud de la racha es el nmero de observaciones consecutivas
con esta propiedad (Pea, 2005b). Este nmero de rachas ser bajo si los residuos
estn correlacionados positivamente y alto si estn correlacionados negativamente
(Miket, 2007). Se rechazar la hiptesis de independencia cuando el nmero de
rachas sea significativamente pequeo o grande (Pea, 2005b).
Para resolver la presencia de multicolinealidad se puede (Prez, 2005):
Ampliar el nmero de observaciones.

Transformar las variables.
Remover del anlisis algunas variables.
Sustituir las variables independientes por sus primeras componentes
principales (puntuaciones).
Cuando los datos no presenten linealidad se pueden hacer transformaciones para

linealizar el modelo y efectuar todo el proceso con la estructura linealizada. Algunas
transformaciones que pueden ser de ayuda son (Etxeberria, 1999):
Funcin Transformacin Forma lineal
y = xb y ' = log y x ' = log x y ' = log + x '
y = e x y ' = log y y ' = + log x
x 1 1
y= y' = x' = y' = x'
( x ) y x
e+x y
y= y ' = log y' = + x
1 + e+ x 1 y
TABLA 4 Transformaciones para linealizar el modelo (Fuente: Etxeberria, 1999)
83
Respecto a la normalidad, si se detectan desviaciones con respecto a la misma se
debe revisar su significatividad mediante el uso de alguna prueba no paramtrica que
permita revisar el ajuste de los datos a la curva normal (Etxeberria, 1999). Si el modelo
propuesto es correcto sus residuos debern (aproximadamente) parecerse a las
observaciones de una distribucin normal con media cero (Figura 9) (Miket, 2007).
Las pruebas estadsticas comunes para probar la normalidad son (Miket, 2007):
1. La prueba de Kolmogorov-Smirnov.
2. La prueba del Chi-cuadrado.
0,5
0,4
0,3
0,2
0,1
0
-4 -3 -2 -1 0 1 2 3 4
FIGURA 9 Funcin densidad de probabilidad normal
La prueba de Kolmogorov-Smirnov utiliza la funcin de distribucin acumulativa

emprica como una herramienta para probar la efectividad del ajuste a la distribucin.
Si Fn(x) es la proporcin de las observaciones en la muestra que son menores o
iguales a x y F0(x) denota la funcin de distribucin acumulativa hipottica de la
poblacin (poblacin normal), la prueba estadstica de Kolmogorov-Smirnov es (Miket,
2007):
Dn = sup Fn ( x ) F0 ( x ) = La mxima distancia entre Fn ( x ) y F0 ( x ) (78)

x
Si los residuos no se ajustan a una distribucin normal la observacin Dn ser grande

(Miket, 2007).
84
La prueba de bondad de ajuste Chi-cuadrada usa el histograma como herramienta
para probar la bondad del ajuste de una distribucin. Si fi expresa la frecuencia
observada en cada uno de los intervalos de clase del histograma y Ei representa el
nmero esperado de observaciones en cada intervalo de clase asumiendo la
distribucin supuesta, la distribucin hipottica es rechazada si el estadstico 2 es
grande (mayor que el valor crtico de una distribucin Chi-cuadrada con m 1 grados
de libertad, donde m es el nmero de intervalos de clase usados para construir el
histograma). 2 se define as (Miket, 2007):
( fi Ei )
2
m
=
2
(79)
i =1 Ei
Si los residuos son plurimodales esto puede ser ocasionado por la existencia de
distintas subpoblaciones en la poblacin bajo anlisis (Etxeberria, 1999). Una forma de
resolver este problema podra ser dividir a la poblacin en grupos por medio de una
tcnica de clasificacin y entonces realizar el anlisis a cada grupo por separado.
4.7 ANLISIS DE CORRELACIN CANNICA (CCA)
El anlisis de correlacin cannica, CCA, es una generalizacin de la correlacin

mltiple en aspectos de regresin. Se requiere que las variables se dividan en dos
grupos. La asignacin de las variables en estos grupos debe depender de la
naturaleza de las variables (por ejemplo en uno de los grupos podran estar las
variables fciles de medir y en el otro las que sean difciles de obtener). Un aspecto
fundamental que se espera dilucidar con el CCA es si se pueden utilizar las variables
de uno de los grupos para pronosticar las variables del otro grupo (Johnson, 2000).
El propsito de esta tcnica es caracterizar las relaciones estadsticas independientes

que existen entre dos (y posiblemente ms) conjuntos de variables aleatorias. Las
correlaciones cannicas asociadas miden la extensin (lineal) de la relacin entre los
conjuntos (Kettenring, 2006).
El anlisis de correlacin cannica permite una particin explcita de un conjunto de

datos en variables explicativas y respuesta con el propsito de identificar pares de
vectores (patrones) en estos espacios parciales de datos (Callies, 2005).
En el CCA el objetivo es buscar una combinacin lineal de un grupo de variables

independientes medidas en escala numrica y una combinacin lineal de un segundo
85
conjunto de variables dependientes tambin medidas en escala numrica,
correlacionadas al mximo (que tengan la correlacin ms grande) (Prez, 2005).
La idea es de principio determinar un par de combinaciones lineales que posean la

mayor correlacin. Despus se obtiene el par de combinaciones lineales que tenga la
mayor correlacin de entre los pares incorrelacionados con el par seleccionado
inicialmente. Y as el mtodo contina. Los pares de combinaciones lineales reciben el
nombre de variables cannicas y sus correlaciones son llamadas correlaciones
cannicas (Johnson et al., 1992).
Si se dispone de un conjunto de datos de n observaciones y k variables pueden

subdividirse en dos grupos: el primero con p1 variables y el segundo con p2 variables
(Pea, 2002). Siendo X = ( x1,, x p1 ) e Y = ( y1,, yp2 ) variables estadsticas
centradas, que constituyen en conjunto la variable p-dimensional ( x1,, x p1, y1,, yp2 )
con el valor p = p1+p2, y p2 < p1, con matriz de covarianzas cuadrada de orden p
particionada as (Prez, 2005):
S11 S1p1 S1,p1 +1 S1p

S21 S2p1 S2,p1 +1 S2p

Sp 1 Sp1p1 Sp1,p1 +1 Sp1,p S11 S12
S= 1 = (80)
S21 S22
S Sp1 +1,p1 Sp1 +1,p1 +1 Sp1 +1,p
p1 +1,1

Sp,1 Sp,p1 Sp,p1 +1 Sp,p
En la expresin anterior S11 y S22 son las matrices de covarianzas del conjunto de las
xi y del conjunto de las yi, respectivamente. S12 es la matriz de covarianzas de las p1
variables del primer grupo con las p2 variables del segundo grupo. Adems, se tiene
que S12 = S'21 (Calvo, 1993).
Si en lugar de utilizar matrices de covarianzas se emplea la matriz de correlaciones se

tiene (Calvo, 1993):
86
p1 p2
R11 R12 p1
R =
(81)
R 21 R 22 p2
En el CCA se determinan r (r < p1) pares sucesivos de nuevas variables (ui, vi)
llamadas variables cannicas que sean combinacin lineal de las variables originales,
de forma que cada par constituya la mejor explicacin de cada conjunto respecto al
otro, que no haya sido proporcionada por los pares anteriores. Estas combinaciones
lineales tienen la forma (Prez, 2005):
ui = i1x1 + i2 x 2 + + i,p1x p1
(82)
vi = i1 y1 + i2 y2 + + i,p2 yp2
Lo que se est haciendo es reemplazar las p1 + p2 variables por dos nuevas variables
(las variables cannicas) ui y vi (Calvo, 1993).
El primer par de variables cannicas es un par de combinaciones lineales u1 y v1, que

tienen varianzas unitarias, en las cuales la correlacin entre los grupos se maximiza
El segundo par de variables cannicas es un par de combinaciones lineales u2, v2, que
tienen varianzas unitarias y las cuales maximizan la correlacin de entre todas las
alternativas que estn incorrelacionadas con el primer par de variables cannicas
(Johnson et al., 1992). Y as sucesivamente para las restantes variables cannicas.
Suponiendo que no hay singularidades dentro de ambos conjuntos de variables el

nmero de variables cannicas que puede ser definido en esta forma es igual al
nmero de variables en el ms pequeo de los dos conjuntos (Kettenring, 2006).
En total aplicando el CCA a los dos conjuntos de variables, X con p1 variables, Y con
p2 variables se pueden obtener r combinaciones lineales (nmero de pares de
variables cannicas), donde r = min(p1, p2) que se pueden ordenar por su importancia
(Pea, 2002). Consecuentemente hay r coeficientes de correlacin cannica (Tusell,
2007):
87
u1 = Xa1, v1 = Yb1, r1 = cor (u1, v1 )
u2 = Xa2 , v 2 = Yb 2 , r2 = cor (u2 , v 2 )

(83)
ur = Xar , v r = Yb r , rr = cor (ur , vr )
Cuando existen correlaciones cannicas altas (se obtienen varios coeficientes de

correlacin cannica) las conclusiones son ms tiles debido a que se conoce que
medidas de diferentes variables muestran relacin entre s y adems se puede saber
la influencia relativa que poseen cada una de las variables xi y cada una de las yi
(Calvo, 1993).
Las r variables cannicas obtenidas en el CCA tienen algunas propiedades que se

mencionan a continuacin (Pea, 2002):
1. Las variables cannicas tienen por coeficientes a los vectores propios

relacionados al valor propio de las matrices Sii1 2 SijSjj1S ji , para i = 1, 2 y con la
condicin i j.
2. Las variables cannicas constituyen representaciones de los dos grupos de
variables y se obtienen en pares atendiendo al requerimiento de mxima
correlacin.
3. Se acostumbra tomar los signos de las variables cannicas de manera que las
correlaciones entre las variables cannicas ui y vi sean de signo positivo.
4. El valor de las correlaciones cannicas i2 es el coeficiente de correlacin
elevado al cuadrado, existente entre las dos variables cannicas que
correspondan.
5. Las correlaciones cannicas son invariantes a las transformaciones lineales de
las variables.
6. La primera correlacin cannica 12 tiene un valor mayor o igual que el mayor
coeficiente de correlacin simple elevado al cuadrado, entre variables
individuales de cada conjunto X e Y.
7. Si se elige estandarizar las variables y se desarrolla el anlisis con las matrices
de correlacin, las correlaciones cannicas no varan.
Una manera de aplicar el CCA es iniciar por el primer clculo de las correlaciones
cannicas. Una vez terminado se pueden excluir para anlisis posteriores tanto las
variables del conjunto X como del conjunto Y que tengan una menor preponderancia
88
explicativa. De esta manera se efecta un segundo clculo y se revisan los resultados
generados que sern distintos de los obtenidos con el primer clculo. Se deben seguir
efectuando aplicaciones del CCA y comparando resultados entre s hasta que se
consigan conclusiones importantes tanto de la mejor correlacin cannica observada,
as como de aquellos grupos de variables que aparecen en dicha correlacin. Tambin
es importante detectar las variables que fueron eliminadas por su dbil aportacin
explicativa y sealar las posibles causas de que ello ocurriera (Calvo, 1993).
Es interesante mencionar que adems de su propio campo de accin el CCA abarca

como casos particulares, los mtodos de regresin y, por extensin, las tcnicas del
anlisis discriminante. Para el caso del anlisis discriminante si se tienen G1
variables dependientes y estableciendo (Pea, 2002):
1 si la observacin pertenece al grupo 1, i = 1, , G 1

yi = (84)
0 en otro caso
Estas G1 variables del tipo binario (pues slo tiene cada una de ellas dos valores
posibles) se pueden ordenar en una matriz Y con dimensiones n ( G - 1) . Adems se
tiene la matriz X con dimensiones n p, con p variables independientes. La correlacin

cannica existente entre las matrices X e Y lleva a la misma solucin que la que
proporciona el anlisis discriminante (Pea, 2002).
4.8 PLSR
La regresin en mnimos cuadrados parciales, PLSR, es un trmino libre para una

familia de filosofas y tcnicas relacionadas con los mtodos de modelacin
multivariantes derivados de los conceptos bsicos de Herman Wold de ajuste iterativo
de modelos bi-lineales en varios bloques de variables (Martens et al., 1989).
La principal aplicacin del modelado con PLS en la calibracin multivariante es usar el

modelo de regresin final para propsitos predictivos (De Jong, 1993).
El PLSR es una tcnica de calibracin multivariante que permite encontrar una

relacin entre un conjunto de datos predictores (independientes) X y un conjunto de
respuestas (dependientes) Y. Este mtodo es capaz de proporcionar predicciones
estables an cuando X contenga variables altamente correlacionadas (Singh et al.,
2007).
89
Este mtodo fue una propuesta efectuada con el propsito de resolver el problema de
multicolinealidad en la regresin o la calibracin. Comparado con otros mtodos de
regresin para datos colineales, una ventaja con el PLSR es que la informacin en la
matriz Y es utilizada (Helland, 2006).
El PLSR es una extensin del modelo de regresin lineal mltiple (MLR). Busca un
modelo lineal que describa unas variables a pronosticar en trminos de otras variables
observables (predictivas). Adems realiza esta funcin sin imponer las restricciones de
otros mtodos (www.statsoft.com).
El mtodo PLSR es una buena alternativa a los mtodos clsicos de MLR y regresin
en componentes principales (PCR) porque es ms robusto. Robusto significa que los
parmetros del modelo no cambian mucho cuando nuevas muestras de calibracin
son tomadas de la poblacin total (Geladi et al., 1986).
Dentro del mbito de los modelos, otra forma de expresar el concepto de robustez es
el siguiente: una propiedad deseable de un buen estimador para un parmetro en el
modelo f(x) es continuar siendo razonablemente bueno como estimador de si el
modelo experimenta una pequea modificacin. Cuando se da esta propiedad, se dice
que el estimador es robusto para (Pea, 2005b).
Cualquier anlisis de datos efectuado con PLSR esta basado en la suposicin de

homogeneidad. Esto significa que el proceso o sistema investigado debe de estar en
un estado similar a travs de toda la investigacin y el mecanismo de influencia de X
sobre Y debe ser el mismo (Wold et al., 2001b).
El mtodo busca componentes de X que sean tambin relevantes para Y. As, el PLSR
busca un conjunto de componentes (los vectores latentes) que desarrollen una
descomposicin simultnea de X e Y con la limitacin de que estos expliquen, tanto
como sea posible, la covarianza entre X e Y (Abdi, 2007).
Los modelos de variables latentes como el PLSR, asumen la existencia de un conjunto

de variables latentes subyacentes que conducen los cambios en el proceso o sistema
investigado (Wold et al., 2001).
Las limitaciones del MLR no afectan al mtodo PLSR. Este ltimo aprovecha que la
correlacin entre las variables originales es elevada para sustituirlas por unas pocas
variables que no estn correlacionadas entre s. Estas variables que sustituyen dentro
90
del mtodo a las originales reciben el nombre de variables latentes y se obtienen por
medio de la combinacin lineal de todas las variables de inicio, como lo indica la
siguiente expresin (Ferr, 2006):
t i = w1x1 + w 2 x 2 + + w p x p (85)
Donde w1, w2, , wp son los pesos o cargas. Y p es el nmero de variables originales.
El valor que una observacin adquiere en esta nueva variable, ti, recibe el nombre de
puntuacin (score). En general son necesarias dos o ms puntuaciones (dos o ms
variables latentes) para describir las observaciones de un fenmeno cualquiera (Ferr,
2006).
El mtodo PLSR extrae de las variables predictivas (X) las puntuaciones t, y de las
variables respuesta (Y) las puntuaciones u, las cuales maximizan su covarianza, esto
es max { cov(t, u) } cada vez que se extrae una componente y relaciona cada par de
saturaciones en una relacin lineal. Debido a esto, el mtodo es nombrado como
parcial, pues se aplica a la parte restante de la informacin que est sin explicar
despus de extraer cada una de las componentes (Li et al., 2003).
Adems el PLSR ha demostrado ser una poderosa tcnica de regresin para

problemas donde los datos tienen ruido (Baffi et al., 1999).
El uso de este mtodo tiene varias ventajas. La primera es que con l se puede
obtener una solucin ms robusta que con otros mtodos (la solucin no se ve muy
afectada por el ruido en las observaciones al contrario de lo que sucede en otras
tcnicas). La segunda, no es necesario calcular matrices inversas. Tercera, la
precisin puede ser mejorada por medio del ajuste del nmero de variables latentes
(factores) (Li et al., 2003).
Varias aplicaciones han mostrado que este mtodo resuelve los problemas de
prediccin multivariante para datos altamente colineales o linealmente dependientes,
con una capacidad de prediccin satisfactoria. El modelo resultante a menudo posee
buenas propiedades de interpretacin tambin debido a su parsimonia dimensional
(De Jong, 1993).
El principal propsito del PLSR es construir un modelo lineal Y = XB + E , donde Y es

una matriz respuesta de n casos por m variables, X es una matriz de variables
predictoras (o independientes) de n casos por p variables, B es una matriz de
91
coeficientes de regresin con dimensiones p m, por ltimo E es un trmino de ruido
para el modelo el cual posee las mismas dimensiones que Y. Generalmente, las
variables en X e Y estn centradas, por medio de la sustraccin de sus medias y estn
escaladas, lo cual se efecta dividindolas entre sus desviaciones estndar
(www.statsoft.com).
La modelacin bi-lineal es un enfoque poderoso y flexible de la calibracin

multivariante. Puede producir predictores informativos y confiables Y = f( X ) , por medio
de la proyeccin de muchas variables (Martens et al., 1989):
X = ( x1, x 2 , x 3 ,..., xK ) (86)
En unas pocas variables (Martens et al., 1989):
T = ( t1, t 2 ,..., t A ) (87)
O sea (Martens et al., 1989):
T = XW (88)
Y usando estas variables comprimidas T, como regresores para Y (Martens et al.,

1989).
Por esta razn, las estructuras comunes en las variables X son comprimidas dentro de
modelos estabilizados, dejando fuera mucho del ruido como residuales. El problema
importante es, sin embargo, como definir los factores ms relevantes, T, desde el
punto de vista de la prediccin (Martens, et al., 1989).
El nmero mximo de factores o variables latentes que puede ser calculado es el

resultado de min(N, K), donde N es el nmero de observaciones y K es el nmero de
variables independientes X (Li et al., 2002).
El PLSR divide las variables independientes y las variables dependientes medidas en

el producto de dos matrices ms pequeas. Esto involucra un paso de compresin de
datos donde los datos medidos son comprimidos a un pequeo nmero de
intensidades llamadas puntuaciones (scores), en un nuevo sistema coordenado. Los
nuevos ejes son llamados factores y son combinaciones lineales de las variables
originales. Un factor representa una variacin sistemtica encontrada en el conjunto de
92
datos. Los coeficientes de regresin de cada variable original en cada factor son
llamados las saturaciones (Blanco, et al., 1995).
El PLSR produce una matriz de pesos o cargas W que refleja la estructura de

covarianza entre las variables predictoras y las variables respuesta. La matriz de
pesos W tiene dimensiones p c. Las columnas de W son los vectores de pesos para
las columnas de X que al multiplicarse entre s producen la matriz de puntuaciones
factoriales T de dimensiones n c. Estos pesos o cargas son calculados de manera
que cada uno de ellos maximice la covarianza entre las respuestas y las
correspondientes puntuaciones factoriales. El procedimiento de mnimos cuadrados
ordinario (OLS) para la regresin de Y sobre T es entonces desarrollado para producir
Q, que son las cargas para Y (o los pesos para Y), de manera que Y = TQ + E. Una
vez que Q es calculado se tiene la expresin Y = XB + E, donde B = WQ y la
prediccin con el modelo est completa (www.statsoft.com).
Una matriz adicional que es necesaria para una descripcin completa del
procedimiento PLSR es la matriz de saturaciones factoriales P de dimensiones p c la
cual proporciona un modelo factorial X = TP + F, donde F es la parte sin explicar de las
puntuaciones de X (www.statsoft.com).
El algoritmo estndar para calcular las componentes del PLSR (o sea, los factores) es
el algoritmo NIPALS (nonlinear iterative partial least squares o algoritmo en mnimos
cuadrados parciales iterativo no lineal). Existen muchas variantes del algoritmo
NIPALS (www.statsoft.com).
El Algoritmo NIPALS estndar es el siguiente (Baffi et al., 1999):
0. Centrar en media y escalar X e Y.
1. Establecer las puntuaciones de las variables respuesta, u, iguales a una

columna de Y.
2. Calcular los pesos o cargas de las variables entrada, w, por medio de la
regresin de X sobre u:
uT X
wT = (89)
uT u
3. Normalizar w a longitud unitaria:
93
w
w= (90)
w
4. Calcular las puntuaciones de las entradas, t:
Xw
t= (91)
wT w
5. Calcular las cargas de salida, q, por medio de la regresin de Y sobre t:
tT Y
qT = (92)
tT t
6. Normalizar q a longitud unitaria:
q
q= (93)
q
7. Calcular las nuevas puntuaciones de la salida, u:
Y q
u= (94)
qT q
8. Comprobar la convergencia de u; si el caso es que s se est dando la

convergencia, ir al paso 9, si no es as ir al paso 2.
9. Calcular las saturaciones de las entradas, p, por medio de la regresin de X
sobre t:
tT X
pT = (95)
tT t
10. Calcular el coeficiente interno de regresin del modelo b:
tT u
b= (96)
tT t
11. Obtener la matriz residual de las entradas:
E = X t pT (97)
12. Obtener la matriz residual de las salidas:
94
F = Y b t qT (98)
13. Si dimensiones adicionales son necesarias en el PLSR reemplazar X e Y por E

y F, respectivamente y repetir los pasos del 1 al 13.
En algunas investigaciones el algoritmo anterior NIPALS es sintetizado as (Li et al.,

2003):
1. Desde i = 1 hasta a (el nmero de componentes elegido).
wi = Es el vector singular dominante restante de XTY.
2. Calcular las puntuaciones y las saturaciones.
t i = Xw i Xw i , pi = X T t i
(99)
qi = Y T t i Y T t i , ui = Yqi
3. Se obtiene el coeficiente interno de regresin.
bi = uiT t i (100)
4. Se deflacionan las matrices de datos.
X = X t ipiT , Y = Y bi t iqiT (101)
5. Se regresa al paso 1 para la prxima componente.
En situaciones prcticas el algoritmo NIPALS usualmente converge (Geladi et al.,

1986).
En el PLSR X (Figura 10) e Y son descompuestos en la suma de series de matrices de

rango 1 (Li et al., 2003):
X = t1p1T + + t apaT + E = TPT + E
(102)
Y = u1q1T + + ua qaT + F = UQ T + F
Donde ti y ui son llamados los vectores de puntuaciones; T y U son las matrices de

puntuaciones con las columnas ti y ui, respectivamente; pi y qi son los vectores de
saturaciones; P y Q son las matrices de saturaciones con columnas pi y qi; E y F son
los residuales de X e Y. Y la relacin entre X e Y es descrita por la relacin interna
entre ti y ui, donde ui = biti y bi es llamado el coeficiente de regresin parcial. En la
95
ecuacin (102) el sufijo a representa el nmero de factores comunes utilizado (Li et al.,
2003).
La fuerza de este mtodo es la capacidad de eliminar colinealidades y ruido dentro de

la matriz de predictores X. Esto se logra mediante la extraccin de matrices parciales
Xp de X, donde Xp contiene en el caso ptimo slo la informacin que es relevante
para la descripcin de la matriz de respuestas Y. Cada matriz parcial Xp es
representada por un conjunto de vectores ortogonales t y w. El vector t contiene las
puntuaciones de los objetos en Xp sobre la variable latente W. As, dos vectores
ortogonales u y q son calculados para reproducir Yp como una matriz parcial de Y.
Adems, las variables latentes son calculadas bajo la restriccin de mxima
covarianza entre t y u con el propsito de optimizar la capacidad predictiva del modelo
de regresin (Einax et al., 1999).
m m 1
n n n
FIGURA 10 Puntuaciones (t) y saturaciones (p) son obtenidas proyectando X dentro de los vectores
Una forma de ver al PLSR es como un conformador de nuevas variables (variables

latentes), ta, como las combinaciones lineales de las X y luego usa las nuevas ta como
variables predictoras de Y (Wold et al., 2001b).
Finalmente el modelo de regresin puede expresarse como (Li et al., 2003):
96
X = TPT + E
(103)
Y = TBQ T + F = UQ T + F
Donde B es una matriz diagonal con los elementos bi (Li et al., 2003):
b1 0
b2
B= (104)

0 ba
En la cual a es el nmero de factores o regresiones parciales seleccionado (Li et al.,

2003).
Si hablamos de estimaciones de las variables respuesta (dependientes) se puede

utilizar la siguiente expresin (Abdi, 2007):
Y = XBPLS (105)
Donde BPLS es la matriz B obtenida durante el desarrollo del PLSR (Abdi, 2007).
Un mtodo alternativo de estimacin de las componentes del PLSR es el algoritmo

SIMPLS el cual se describe a continuacin (www.statsoft.com):
Para cada h = 1, , c, donde (www.statsoft.com):
A0 = X ' Y
M0 = X ' X (106)
C0 = I
Y dado c, se inicia con (www.statsoft.com):
1. Calcular qh, el autovector dominante de AhAh.

2. wh = Ahqh, ch = whMhwh, wh = wh/ c h y se almacena wh dentro de W como
una columna.
3. ph = Mhwh y se almacena ph dentro de la matriz P como una columna.
4. qh = Ahwh y se almacena qh dentro de la matriz Q como una columna.
5. vh = Chph y vh = vh vh .
6. ch+1 = ch vhvh y Mh+1 = Mh phph.
97
7. Ah+1 = chAh
La matriz T en el algoritmo SIMPLS es calculada como T = XW y la matriz B para la

regresin de Y sobre X es obtenida con B = WQ (www.statsoft.com).
El SIMPLS constituye un algoritmo muy eficiente para un amplio rango de estructuras

de datos (De Jong, 1993).
Otro mtodo para desarrollar el PLSR es el Algoritmo Kernel que fue propuesto por
Lindgren et al. (1993). Presupone que las columnas de X e Y estn centradas en
media y escaladas apropiadamente antes de efectuar la estimacin del modelo PLSR.
Los pasos de este algoritmo son (Dayal et al., 1997):
1. Calcular las matrices de covarianza XTX y XTY. La matriz kernel XTYYTX puede
calcularse mediante la multiplicacin de XTY por (XTY)T.
2. El vector de pesos o cargas wa es calculado como el autovector
correspondiente al autovalor ms grande de (XTYYTX)a usando tanto el mtodo
de la potencia u otras tcnicas (SVD, etc.):
wa (XTYYTX)awa (107)
3. Los vectores de saturaciones pa y qa son calculados como:
p = T
(
w aT X T X ) a
(108)
a
(
w aT X T X ) a
wa
q = T
(
w aT X T Y ) a
(109)
a
w T
a (X X) T
a
wa
4. Despus del clculo de cada vector latente las matrices de covarianza XTX y
XTY pueden ser actualizadas as:
(X X) ( ) ( X X ) (I w p )
T
T
= I w apaT T
a
T
a (110)
a +1 a
(X Y) ( ) (X Y)
T
T
= I w apaT T
(111)
a +1 a
Ntese que slo la matriz X esta siendo deflacionada en las ecuaciones

anteriores (Dayal et al., 1997).
98
En la mayora de los algoritmos del PLSR tanto la matriz X como la matriz Y son
deflacionadas despus del clculo de cada vector latente (Dayal et al., 1997).
Algunas propiedades bsicas de los parmetros del PLSR son (Li et al., 2003):
a) Las puntuaciones, t, son ortonormales o sea t iT t j = 0 para i j, y t i = 1.
b) Los pesos o cargas, w, son ortogonales o sea w iT w j = 0 .
Por otra parte, se debe tener cuidado cuando se analicen grandes conjuntos de datos
por medio del mtodo PLSR para que el resultado sea el mejor posible. A continuacin
se proporcionan algunas recomendaciones:
Una forma inicial recomendable de proceder cuando se tienen grandes

conjuntos de datos es dividir las observaciones en categoras y entonces
desarrollar anlisis por separado para cada categora (Kettaneh, 2005).
Con respecto a la velocidad de procesamiento el algoritmo NIPALS o sus
equivalentes continan siendo los ms rpidos (Kettaneh, 2005).
Una ventaja con los grandes grupos de datos es que procedimientos que
consumen mucho tiempo de ordenador, como la tcnica de validacin cruzada,
no son necesarios (Kettaneh, 2005).
Todos los grandes conjuntos de datos poseen datos anmalos los cuales es
necesario identificar y eliminar del conjunto de calibracin antes de efectuar el
modelado (aplicar el procedimiento). Uno de los planteamientos para hacer
esto es ordenar por cada variable y remover o modificar un pequeo porcentaje
de los valores extremos de la variable. Tpicamente este porcentaje est entre
el 1 y el 5%. Por ejemplo, una forma de proceder sera, despus de ordenar,
reemplazar todos los valores mayores que el percentil 99 o menores que el
percentil 1 por los valores de estos lmites. A este planteamiento se le ha dado
el nombre de recortado. El recortado remueve la gran mayora de los datos
anmalos (Srivastava et al., 2001; Lix et al., 2004; Kettaneh et al., 2005;
Chang, 2007) y se recomienda que este proceso sea aplicado de manera
rutinaria a cualquier conjunto grande de datos (Kettaneh, 2005).
Muchos grandes conjuntos de datos muestran comportamientos no lineales
substanciales debido a que muchas variables varan sobre un rango muy
grande. Algunas de estas faltas de linealidad podran desaparecer despus de
transformaciones adecuadas de datos (logartmica, etc.). Sin embargo, la nica
forma de tratar con no linealidades muy fuertes es dividir los datos en partes
99
pequeas conglomerados- y entonces elaborar modelos por separado
(Kettaneh, 2005).
Esta tcnica est basada en la suposicin de que la relacin subyacente no

lineal puede ser aproximada localmente por un modelo lineal y por lo tanto
sobre estas regiones pequeas (dominios de linealidad local) (Baffi et al.,
1999).
Estas cadenas de modelos lineales o modelos lineales por intervalos, son

llamados modelos jerrquicos en la direccin de la observacin (Kettaneh,
2005).
La experiencia disponible en el uso del mtodo PLSR con varias tcnicas analticas ha
demostrado que permite algunos efectos no lineales, entregando buenas predicciones
al respecto (Blanco et al., 1995)
Otro planteamiento para manejar la no linealidad de los datos es buscar subconjuntos

lineales en los grandes conjuntos de datos (Figura 11) (Geladi, 2002). Un
planteamiento simple para extender la matriz de entrada es incluir combinaciones no
lineales de las variables originales X (como son logaritmos, valores cuadrticos,
productos cruzados, etc.) y entonces desarrollar una regresin PLS lineal sobre la
matriz extendida de entradas (variables independientes) y la matriz de salida (variables
dependientes) (Li et al., 2005).
La utilizacin de factores en el PLSR tiene otro beneficio, adems de reducir el nmero

de variables: reduce el ruido de los datos. Los factores estn ordenados por la
variabilidad que explican: cada nuevo factor que se adiciona al modelo describe
menos variabilidad sistemtica (que es la parte de la variabilidad que se utiliza para
predecir) y ms variabilidad aleatoria (el ruido que incrementa la incertidumbre en el
pronstico). Debido a esto se deben tomar los factores necesarios para modelar la
mayora de la variabilidad sistemtica, pero no incluir demasiados para impedir
introducir ruido en exceso (Ferr, 2006).
La cantidad de observaciones necesarias para estimar un modelo PLSR depender de

las predicciones que se quieran efectuar con l. Las observaciones utilizadas en la
calibracin deben mostrar todas las variaciones que despus se podran encontrar en
las observaciones del intervalo de tiempo en el que se quiere efectuar el pronstico.
Esto permite al algoritmo poder identificar las variaciones que se pueden presentar
100
(Ferr, 2006).
Aproximaciones lineales
FIGURA 11 Aproximaciones lineales locales (Fuente: Geladi, 2002)
4.8.1 El PLSR para una sola variable y (Algoritmo PLS1)
El mtodo de la regresin PLS aplicado en su forma bsica a una variable individual y

no es iterativo. Sea Amax el nmero mximo de factores PLSR que sern calculados.
Primero las variables de entrada X son mejoradas por medio de un pretratamiento de
escalado para tener niveles comparables de ruido y asegurarse de que ninguna
variable encubrir (ocultar) a las otras (Martens et al., 1989).
Al PLS1 en algunas publicaciones se le conoce como modelo PLSR de respuesta

simple y al PLS2 como modelo PLSR multi-respuesta (Ergon, 2006).
Al utilizar el PLS1 para diferentes variables respuesta, yi, se tendrn diferentes

matrices de cargas wi y los diferentes estimadores bi estarn localizados en sub-
espacios diferentes. Al utilizar el PLS2 para todas las respuestas se asegura contar
con estimadores individuales en el mismo sub-espacio, tenindose a menudo
predicciones degradadas (Ergon, 2006).
4.8.2 El PLSR para varias variables Y (Algoritmo PLS2)
Algunas ocasiones varias variables y1, y2, , yJ deben ser predichas del mismo
conjunto de datos de entrada X. El objetivo es utilizar un procedimiento de prediccin
101
que no requiera J distintas repeticiones de casi el mismo modelado. Para no llegar a
esto se utiliza la llamada regresin PLS2. Si se tuviera el caso J = 1 se tendra el
mismo proceso que con el algoritmo PLS1 (Martens et al., 1989).
Si existen varias variables yi es recomendable usar un solo anlisis PLS2 en lugar de j

distintas ejecuciones del PLS1, en una primera etapa. El anlisis PLS2 puede tambin
ser til durante la calibracin si se sabe que las variables yi estn fuertemente
correlacionadas entre s. En la modelacin PLS2 el efecto del ruido aleatorio en los
datos de calibracin Y puede ser reducido y podra proporcionar mejores predicciones
de las variables Y que la calibracin PLS1, para estas variables consideradas de
manera individual (Martens et al., 1989).
Cuando se da el caso de que los problemas de no linealidad son un agente de ms

importancia que el ruido aleatorio podra ser ventajoso usar modelacin PLS1
separada para cada variable de Y para obtener los resultados finales de calibracin, la
deteccin de datos anmalos y la prediccin de los valores (Martens et al., 1989).
El PLS2 tiene la capacidad de analizar y modelar varias variables juntas, Y, lo cual

tiene la ventaja de proporcionar un panorama completo y simple, en lugar de modelos
por separado para cada variable yi. Por tanto, cuando las variables yi estn
correlacionadas deben ser analizadas en conjunto. Si las yi en verdad miden aspectos
enteramente distintos y por lo tanto son claramente independientes, un modelo PLS2
tender a mostrar muchas componentes y ser difcil de interpretar. En ese caso
procede efectuar el modelado con el PLS1 para cada variable y esto proporcionar un
conjunto de modelos ms simples, con pocas dimensiones, los cuales son ms fciles
de interpretar (Wold et al., 2001).
Por lo tanto, para efectuar la eleccin correcta entre PLS1 y PLS2 se debe comenzar
con un PCA solamente de la matriz Y. Este mostrar el nmero de componentes
resultantes APCA. Si este valor es pequeo comparado con el nmero de variables yi
(M), las yi se encuentran correlacionadas y un modelo PLS2 para todas las yi tendr
mayor garanta de xito. Sin embargo, si el nmero de componentes significativas es
grande, lo cual se observa en los grficos de saturaciones del PCA, se debern
desarrollar modelos PLS1 para cada uno de los grupos configurados por las
componentes obtenidas del PCA (Wold et al., 2001b).
102
4.8.3 Error de prediccin
Un paso muy importante cuando se ajustan modelos que sern utilizados para la
prediccin de observaciones futuras es verificar los resultados, o sea, aplicar los
resultados actuales a un nuevo conjunto de observaciones que no hayan sido usadas
para calcular estos resultados (estimacin de los parmetros) (www.statsoft.com).
Un anlisis (o modelado) consiste de dos pasos: (i) se hace un intento por proponer un
modelo (de la forma Y = f(X) entre dos grupos de variables, las independientes (X) y
las dependientes (Y)) para el comportamiento del sistema investigado. El conjunto de
datos utilizado en este paso se llama un conjunto de calibracin o entrenamiento. Los
parmetros del modelo son llamados coeficientes de regresin o sensibilidades. (ii) Se
obtienen las variables independientes de otras muestras o grupos de datos. Estas son
usadas junto con las sensibilidades para predecir los valores de las variables
dependientes. Este es el paso de prediccin o prueba (Geladi et al., 1986).
A un conjunto de valores predichos de las variables respuesta, Y, se le representa por

Y (De Jong, 1993; Hadjiiski et al., 1999; Abdi, 2007).
El objetivo ms importante de la calibracin del modelo es predecir correctamente. La

situacin ideal es cuando los valores predichos coinciden con las observaciones
medidas. Entonces, todos los puntos en el grfico predichos contra observados caen
sobre una diagonal y slo una pequea cantidad de ruido genera desviaciones de esta
lnea (Figura 12) (Geladi, 2002).
Para llegar a un modelo correcto y altamente predictivo slo las variables relacionadas
con la propiedad bajo estudio deben ser incluidas. El modelo correcto ms pequeo
posible es aquel con el mnimo error de prediccin para el conjunto de observaciones
(Baumann et al., 2002).
Para reducir el error de prediccin existen varias alternativas: (i) usar ms datos
porque se ha visto que el error de prediccin (o estimacin) va disminuyendo para
grandes conjuntos de calibracin, (ii) utilizar mejores datos, porque una forma de
mejorar la capacidad de prediccin es emplear mejores datos, (iii) simplificando la
poblacin para la calibracin, la calibracin multivariante est basada en la
aproximacin de datos con una poblacin limitada de observaciones y no se puede
esperar que el modelo calibrado ajuste igual de bien a todos los tipos de
observaciones; en algunos casos podra darse una mejora en el ajuste y prediccin de
103
resultados si la poblacin para calibracin es dividida en varias subpoblaciones
pequeas y (iv) usando un modelo mejorado se pueden hacer mejoras potenciales al
modelo por medio del uso de modificaciones o pretratamiento de los datos y
comprobar las suposiciones fundamentales del mtodo (Martens, et al., 1989).
Observaciones
predichas
Observaciones
medidas
FIGURA 12 Comportamiento lineal con poco ruido, homoscedstico, sin sesgo, de un modelo utilizado
para obtener las observaciones estimadas (Fuente: Geladi, 2002)
4.8.4 Validacin cruzada (Cross validation)
Un punto muy importante al hablar del tema de validacin es que si usamos una
muestra (separada) para efectuar la validacin se espera (como hiptesis para que
todo el proceso sea congruente y en verdad el modelo funcione adecuadamente para
realizar con l predicciones tiles) que las mismas relaciones entre las variables que
haba al construir el modelo se mantengan aproximadamente iguales, cumplindose
esto por lo menos para las muestras de validacin y calibracin (Sundberg, 2006).
En otras palabras, aparecen errores cuando los valores de Y seleccionados para la

calibracin no representan a la poblacin para la cual se desea efectuar la prediccin.
Por lo tanto un objetivo de la seleccin de la muestra de calibracin es que
proporcione una buena extensin (esto es, que los valores que incluya muestren la
mayor variedad de situaciones que se puedan presentar en el sistema o todas las
condiciones que se puedan presentar en el periodo para el que se desea realizar la
validacin) (Sundberg, 2006).
Se debe de garantizar que la muestra seleccionada para efectuar la calibracin
104
muestre una variacin similar a la de la poblacin natural para la cual se quiere realizar
el pronstico, en particular si la muestra es pequea (Sundberg, 2006).
Con el propsito de construir un modelo con la aptitud de ajustarse bien y que

efecte predicciones adecuadas es necesario tener una prueba para la significancia
predictiva de cada variable latente. La validacin cruzada, CV, es una forma prctica y
confiable de comprobar la significancia predictiva (Li, et al., 2003).
Se ha mostrado que la CV hace ms eficiente el uso de los datos de entrenamiento

disponibles para calibracin en comparacin con un conjunto de datos fijo. Los errores
obtenidos por validacin cruzada son siempre menores (Baumann et al., 2002).
La validacin interna o validacin cruzada, (CV), es un mtodo de re-muestreo donde

mltiples grupos son dejados fuera del clculo de las sumas de cuadrados de las
diferencias observadas menos estimadas. Debido a que se trata de un mtodo de re-
muestreo, la CV puede ser llevada a cabo de numerosas maneras (Geladi, 2002).
La CV es el mejor mtodo de validacin interna. As como el enfoque de validacin

externa busca validar la calibracin del modelo en un conjunto independiente de datos
de prueba. Pero al contrario que la validacin externa, la CV no desecha datos para
probar solamente (Martens, et al., 1989); esto quiere decir que en la validacin externa
se usa solamente una parte de los datos, los correspondientes a la etapa de
calibracin para construir el modelo (que es probado con los datos reservados para
validacin), por lo que la validacin externa no emplea todos los datos disponibles
para elaborar el modelo. Por su parte la validacin cruzada, CV, al considerar la
informacin dividida en grupos, deja uno de estos fuera en cada clculo, por lo que al
final los utiliza todos para determinar el modelo.
La CV completa consiste en que cada observacin es dejada fuera del proceso de

regresin una vez y el modelo es calculado sin ella (Figura 13). Entonces el modelo
desarrollado se usa para predecir esa observacin (Davies, 2001).
Para validar el modelo se necesita obtener una matriz Y con valores conocidos. Para
este propsito se puede usar la misma matriz Y usada en la calibracin (validacin
interna) o si estuviera disponible, una matriz Y de prueba (Figura 13) (Einax et al.,
1999).
Una mejor indicacin de la aplicabilidad de los modelos en los usos prcticos es

obtenida cuando pueden ser probados con un conjunto de prueba (Einax et al., 1999).
105
Si no se sabe cuntos vectores latentes seran suficientes para un modelo PLSR se
puede emplear la tcnica CV para seleccionar el nmero ptimo (Dayal et al., 1997).
El nmero adecuado de factores es particular de cada fenmeno a ser calibrado y

depende de la propiedad a ser pronosticada. Este nmero se obtiene, en principio,
probando modelos con distinto nmero de factores (Ferr, 2006).
Cuando en el mtodo PLSR son seleccionadas ms componentes que las necesarias

(nmero ptimo) el procedimiento se ve sometido a un sobre ajuste, con lo que el
error de prediccin se incrementa (Engelen et al., 2003).
Validacin cruzada completa

X Y
Los casos son dejados
Modelado
fuera sucesivamente de X y
Validacin Y. Con los elementos
restantes en las matrices
se construye un modelo
Modelado
para predecir el caso
Validacin eliminado de Y.
Conjunto de prueba
X1 Y1
Las matrices X1 y Y1 son
Modelado empleadas para calcular un
modelo PLSR. Este modelo
es aplicado a X2 para
X2 Y2 predecir los valores de Y2,
que tambin debe ser
conocida para efectuar la
Validacin
validacin.
FIGURA 13 Validacin de modelos PLSR (Fuente: Einax et al., 1999)
Si en el mtodo PLSR son seleccionadas menos componentes que las ptimas se dice
que el modelo est subajustado y el error de validacin ser mayor que en el modelo
con la cantidad adecuada de factores (Geladi, 2002).
La seleccin del nmero de componentes principales (vectores latentes) no es fcil y

se basa a menudo en el procedimiento por estimacin del error de prediccin de la CV,
106
el cual es usualmente calculado por la variante del procedimiento de CV llamada
dejando uno fuera (LOO). El procedimiento LOO usa un algoritmo iterativo para
determinar el error de las m predicciones de la matriz Y ( Y ), desarrolla la calibracin
con (m 1) muestras y usa la restante para cuantificacin. El modelo es usualmente
construido en base al nmero de PCs (componentes principales) que minimizan el
error de prediccin (Figura 14) (Blanco et al., 1995).
1,1
0,9
Error promedio de validacin
0,7
0,5
0,3
0,1
1 2 3 4 5 6
Nmero de factores utilizados en el modelo
FIGURA 14 Error promedio de validacin para modelos con distinto nmero de factores (Fuente: Ferr,
2006)
Una forma de cuantificar la magnitud del fallo del modelo PLSR es por medio del Error
cuadrtico medio de prediccin (MSEC), el cual se obtiene con la siguiente expresin
(Blanco, et al., 1995):
1 1 m n
( y ij yij )
2
MSEC = (112)
n m i=1 j=1
Donde yij es la concentracin de la variable dependiente j en la muestra (observacin)

i, yij es la concentracin estimada, n es el nmero de variables dependientes en la
muestra y m el nmero de observaciones en el conjunto de calibracin (Blanco et al.,

1995).
Con el propsito de caracterizar la capacidad de prediccin del modelo propuesto se

puede calcular la raz del error cuadrtico medio (RMSECV) de validacin cruzada
107
(Balabin et al., 2007):
(y y i )
2
i
(113)
RMSECV = i =1
Donde yi y yi se refieren al valor actual y al valor predicho para la observacin i,

respectivamente; N es el nmero de observaciones en el conjunto de validacin. Esta
medida de la capacidad del modelo para pronosticar valores est planteada para
variables dependientes tomadas individualmente no para todo el conjunto de variables
dependientes (Balabin et al., 2007).
Se sugiere que para seleccionar k (el nmero de componentes o factores del modelo)
se tome en cuenta el valor mnimo que alcance el RMSECV (Engelen et al., 2003).
Con el propsito de seleccionar un modelo PLSR ptimo y parsimonioso (o sea, que

represente la variabilidad en los datos sin causar sobre ajuste) tambin se cuenta con
el Criterio de informacin de Akaike (AIC) (Viscarra Rossel, 2007):
AIC = N log (RMSECV ) + 2m (114)
Donde N es el nmero de observaciones y m es el nmero de parmetros del modelo

(Viscarra Rossel, 2007).
En la CV completa se repite la calibracin i veces, tratando cada vez la i-sima parte

del conjunto de calibracin total de observaciones predichas. Al final de la calibracin
las observaciones han sido tratadas como observaciones predichas y el RMSECV
estimado (raz del error cuadrado medio de validacin cruzada) puede ser calculado
(Martens et al., 1989).
Para el caso del PLSR, Geladi y Kowalski (1986) y Wold et al. (2001) disearon la
siguiente propuesta (Li et al., 2003):
1. Dividir los datos (X e Y) en G grupos.

2. Remover el grupo i de los G grupos anteriores y desarrollar el PLSR con k
variables latentes en los G 1 grupos restantes. El resultado es un modelo i
paralelo.
3. Introducir las variables independientes, xi, del grupo removido i dentro del
modelo paralelo i. La suma de los errores cuadrticos de las diferencias entre
108
la respuesta, yi y su estimacin proveniente del modelo paralelo, yi , que recibe
el nombre de PRESSi, es calculada.
4. Se itera desde el paso 2 al 3, hasta que los G modelos paralelos son
construidos, as como todos los PRESSi son calculados.
5. Se suman todas las PRESSi asociadas con k variables latentes y el resultado
es llamado PRESSk.
6. Se va al paso 2 para el caso de la siguiente variable latente.
Una medida muy til para probar el ajuste de una regresin es el valor R2, el
coeficiente de determinacin. La definicin de R2 es (Li et al., 2003):
( y y )
2
RSS
R2 = 1 = 1 (115)
( y y)
2
SS
En la opinin de Hadjiiski et al., 1999, el coeficiente de determinacin es una

alternativa para seleccionar un modelo que reproduzca el sistema.
Para el caso de prediccin una medida similar, Q2, recibe el nombre de R2 de

validacin cruzada y generalmente indica la calidad de la prediccin efectuada con el
modelo elaborado. La definicin de Q2 es (Li et al., 2003):
( y y )
2
PRESS
Q = 1
2
= 1 (116)
( y y)
2
SS
Cuando la validacin cruzada es aplicada en modo secuencial, la CV es desarrollada

para un componente y despus el siguiente. Si k componentes son seleccionados para
2
el modelo, el valor de validacin cruzada, Qk,i , es calculado para la variable respuesta
2
i (yi) despus de cada componente. La suma de las Qk,i , llamada Qk2 , se obtiene con
la expresin (Li et al., 2003):
Qk2 = Qk,i
2
(117)
Un valor ms grande de Qk2 quiere decir que la habilidad de prediccin del modelo es
mayor. Si el valor Qk2+1 es mayor que Qk2 , la componente adicional deber ser incluida
en el modelo. El nmero de variables latentes que proporciona el mximo Qk2 deber

ser empleado en la modelacin con PLSR (Li et al., 2003).
109
La capacidad de prediccin de un modelo puede explicarse por el hecho de que las
saturaciones del primer componente principal o factor, en las muestras de calibracin y
prueba, sean muy similares para ambos conjuntos. La mayor parte de la variacin en
el conjunto de prueba puede ser explicada por el primer componente principal (primer
factor comn) (Rodrigues et al., 2006).
4.8.5 Metodologa de aplicacin
A continuacin se proporciona un resumen de cmo desarrollar e interpretar un

modelo PLSR (Wold et al., 2001b):
1. Tener una buena comprensin del estado del problema.

2. Conseguir datos adecuados tanto de Y (respuestas) como de X (predictores).
3. La primera parte de informacin acerca del modelo es el nmero de
componentes significativas, A, que constituye la complejidad del modelo y por
tanto del sistema.
4. La bondad del ajuste del modelo est dada por R2 y Q2. La R2 proporciona un
lmite superior de qu tan bien explica el modelo los datos y predice las nuevas
observaciones y el Q2 aporta un lmite inferior para los mismos aspectos.
5. Las grficas de puntuaciones (u, t) para las primeras dos o tres dimensiones
del modelo mostrarn la presencia de datos anmalos, curvatura o grupos en
los datos.
6. a. Si se observan problemas, por ejemplo valores pequeos de R2 y Q2, o
datos anmalos, grupos o curvatura en los grficos de puntuaciones, se debe
intentar remediar el problema. Despus de posiblemente tener que transformar
los datos, modificar el modelo, dividir los datos en grupos, eliminar datos
anmalos o cualquier otra accin, se comienza en el paso 1.
b. Si no se observan problemas y el modelo es interpretable, se puede intentar

podar (recortar) ligeramente el modelo mediante la eliminacin de trminos no
importantes, como por ejemplo coeficientes de regresin pequeos.
Para tener una impresin de qu tan bien predice un modelo elaborar la grfica de
valores Y observados en la muestra de calibracin o en la muestra (separada) de
validacin contra los valores predichos correspondientes Y (Sundberg, 2006).
Cuando es posible hacerlo, obtener un conjunto adicional (independiente) de

observaciones para usar en la validacin externa y comprobar as el modelo.
110
Desafortunadamente, esto no es a menudo factible y el planteamiento ms comn
para la seleccin del modelo base es el mtodo de validacin cruzada dejando una
observacin fuera (cuando el nmero de datos no es muy grande) (Denham, 2000).
Aparte de las medidas ya mencionadas si tenemos un conjunto de prueba con j

observaciones y la medida Yi es conocida para este grupo, se puede utilizar para
calcular el valor la raz del error cuadrtico medio de prediccin (RMSEP) (Hadjiiski et
al., 1999):
12
1 J 2
RMSEP = ( yi yi ) (118)
J i=1
Entre ms cercanos estn yi y la estimacin yi , el valor de RMSEP se hace ms

pequeo y esto significa que el modelo elegido predice bien para el conjunto de
prueba (Hadjiiski et al., 1999).
111
112
CAPTULO 5. DESCRIPCIN DEL MODELO MECANICISTA
5.1 INTRODUCCIN
Los modelos matemticos para aplicacin en embalses pueden clasificarse de manera

amplia como fundamentados fsicamente, empricos o combinados. Los modelos
fundamentados fsicamente utilizan las ecuaciones que gobiernan el transporte de
calor, de los constituyentes de calidad y de flujo del agua, para simular temperatura y
concentraciones en el agua, sobre la base de la geometra del sistema (por ejemplo la
tabla calados-volmenes-reas), caudales y condiciones climticas (Hydrologic
Engineering Center, 1986; Martn et al., 1999; Martin et al., 1999; Deas et al., 2000).
Tericamente un modelo con fundamento fsico es aplicable a un amplio rango de

sistemas y es capaz de efectuar simulaciones bajo una variedad de circunstancias que
podran no estar presentes actualmente en el sistema (Martin et al., 1999). Uno de los
modelos que se desarroll en este trabajo es de este tipo.
El modelo planteado en este trabajo fue desarrollado a travs de la revisin de la

literatura disponible y programado especialmente en el lenguaje Visual Basic 2005
(integrante de la suite Visual Studio 2005); posee dos componentes fundamentales:
una componente hidrodinmica (flujo de los caudales) y otra de temperatura del agua
(flujo de calor y transporte).
La mayora de los proyectos de modelacin en almacenamientos pueden ser

adecuadamente estimados con representaciones unidimensionales a lo largo del eje
principal de variacin. Muchos de los grandes embalses estn estratificados y tienen
apreciables gradientes verticales de temperatura y otros constituyentes, pero son
uniformes lateralmente. Para almacenamientos el eje principal de variacin es vertical
(Martin et al., 1999; Hornung, 2002).
Un embalse puede ser modelado con varios grados de sofisticacin. Los modelos
unidimensionales son tpicamente empleados en almacenamientos estratificados con
grandes tiempos de residencia. La dinmica de muchos depsitos y lagos vista en
escalas de tiempo mayores que aquellas de eventos extremos como tormentas y
avenidas es bien descrita usando esta aproximacin (Martin et al., 1999).
En la mayora de los modelos unidimensionales el sistema es caracterizado como una

serie de capas horizontales bien mezcladas (Figura 15). Cada rebanada horizontal
113
(elemento de volumen) se caracteriza por un rea, espesor y volumen (Environmetal
Laboratory, 1995; Deas et al., 2000).
La energa trmica y la masa pasan a travs de cada capa por adveccin y difusin.
La evaporacin, el calor sensible y los flujos de radiacin de onda larga ocurren
solamente en la capa superficial (Deas et al., 2000). La radiacin solar penetra a
travs de las capas, decayendo exponencialmente con la profundidad (Ley de Beer-
Lambert) (Hydrologic Engineering Center, 1986). Los caudales que ingresan son
agregados a las capas a la profundidad adecuada donde la densidad del caudal que
entra (como funcin de la temperatura) coincide con la densidad del agua en el
embalse (Deas et al., 2000). Tambin ingresa volumen de agua debido a la
precipitacin directa sobre el espejo de agua (Environmental Laboratory, 1995).
Los flujos de salida pueden ocurrir en cualquier capa, incluyendo la superficial donde
se pierde masa debido a la evaporacin, o la capa del fondo donde se pierde agua
debido a la infiltracin (Hydrologic Engineering Center, 1986; Deas et al., 2000).
FIGURA 15 Esquema de modelo unidimensional de embalse (Fuente: Deas, M. L., Lowney, C. L. 2000.
Water temperature modelling review)
Dentro de cada capa la temperatura se considera isotermal (completamente mezclada)

y cada una de las concentraciones de constituyentes de calidad del agua se considera
homognea (uniforme). Los caudales que ingresan o que salen acontecen como
fuentes o prdidas en cada capa y los que ingresan son mezclados instantneamente
114
dentro de la capa. El transporte interno ocurre solamente en la direccin vertical, a
travs de los procesos de adveccin y difusin efectiva. El trmino de difusin efectiva
engloba la difusin molecular y turbulenta, as como tambin el mezclado por procesos
convectivos (Martin et al., 1999; Deas et al., 2000).
La adveccin se origina debido al movimiento del flujo y no cambia la identidad de la

sustancia que est siendo transportada (Chapra, 1997). La adveccin vertical es
gobernada tanto por la localizacin de los caudales que ingresan, como por los
caudales que egresan del embalse (Hydrologic Engineering Center, 1986; Martin et al.,
1999). Entonces el clculo de las zonas de distribucin de las entradas y toma de las
sueltas es muy importante dentro del modelo.
La adveccin vertical es uno de los dos mecanismos de transporte utilizados en el

modelo para transportar constituyentes de calidad del agua entre elementos. La
adveccin vertical se define como el flujo entre elementos, el cual es el resultado de la
continuidad del flujo en todos los elementos (Environmental Laboratory, 1995).
La difusin se refiere al movimiento de masa debido al movimiento aleatorio del agua.

En una escala microscpica la difusin molecular se origina debido al moviendo
Browniano aleatorio de las molculas de agua. Una clase similar de movimiento
aleatorio ocurre a gran escala debido a vrtices y es llamado difusin turbulenta.
Ambas tienen la tendencia a minimizar gradientes (esto es, diferencias de
concentracin) debido al movimiento de masa desde regiones de alta concentracin
hacia las de baja (Chapra, 1997).
La difusin horizontal es generalmente mucho mayor que la difusin vertical. Este es el

motivo por el cual se considera en la prctica que las capas horizontales estn
uniformemente mezcladas (Martin et al., 1999).
Las capas son numeradas iniciando en el fondo del embalse y continuando hacia
arriba (Figura 16).
Debido a que cada capa es considerada como uniforme en sus atributos trmicos,
biolgicos y qumicos, los parmetros de la capa son asignados en el punto medio de
esta cuando los resultados son presentados.
115
Capa 3
Capa 2
Capa 1
Capa 0
FIGURA 16 Orden de numeracin de las capas, iniciando desde el fondo del embalse
Suposiciones del modelo y limitaciones.- Todos los modelos son representaciones

simplificadas de un prototipo real. Los mayores supuestos y limitaciones del modelo
son:
Supuesto unidimensional.- Las limitaciones en este aspecto: Las
variaciones longitudinales y laterales en los constituyentes de la calidad
del agua no pueden ser predichas, todas las cantidades que entran y los
constituyentes son instantneamente dispersados en las capas
horizontales, las predicciones del modelo son probablemente ms
representativas de las condiciones de la calidad del agua cerca de la
presa o en la parte donde tiene mayor profundidad el embalse (Martin et
al., 1999).
El modelo no cuenta con un algoritmo para el caso en que se forme una
capa de hielo en la superficie del almacenamiento.
Muchos de los programas de monitoreo obtienen datos mensualmente.
Para obtener valores a usarse en los intervalos computacionales
establecidos (diarios) como estos son menores que el lapso de muestreo,
se requiere proponer valores diarios entre los datos de muestreo (es
posible hacer esto mediante interpolacin).
Una caracterstica importante del modelo es el espesor variable de cada capa. Cada
una de ellas puede expandirse o contraerse a lo largo del eje vertical para adaptarse al
agua que fluye hacia dentro o fuera de dicha capa. Un exceso de entradas sobre las
salidas origina un almacenamiento extra de agua en una capa y se produce su
expansin. Un exceso de salidas sobre las entradas genera una contraccin.
La ventaja de una formulacin de capas variables es significativa. La dispersin

numrica es reducida porque los flujos verticales entre capas no son requeridos
(Environmental Laboratory, 1995).
116
Las capas que llegan a ser demasiado grandes o demasiado pequeas pueden
eventualmente llevar a problemas de resolucin o a errores numricos. Esta situacin
es controlada redimensionando capas que han excedido los lmites de espesor
especificados por el usuario. Cuando las capas son divididas o unidas sus atributos
geomtricos son recalculados y todas las concentraciones de energa y materiales son
redefinidas. Los tamaos de las capas son repetidamente revisados para su divisin o
unin hasta que todas las dimensiones estn dentro de los lmites especificados
Existen dos formas para describir el movimiento de un fluido. En el primer mtodo, la

representacin Lagrangiana, la variacin temporal de las variables relevantes
(velocidad, densidad, etc.) es descrita por un elemento de fluido en movimiento. En el
segundo mtodo, la representacin Euleriana, las ecuaciones para las variables son
formuladas en puntos fijos (como en un Sistema de Coordenadas Cartesianas)
(Lerman et al., 1995). El presente modelo corresponde, evidentemente, a la
representacin Lagrangiana.
5.2 DATOS NECESARIOS
La informacin requerida para la implementacin del modelo mecanicista en un

embalse es la siguiente:
Temperaturas iniciales. Dos lecturas a distintas profundidades como

mnimo.
Para las ocho tomas y el vertedor, datos acumulados diarios de caudal de
salida para todo el periodo de simulacin.
Caractersticas de los caudales de salida. Para las tomas se requiere la
altura sobre el fondo del embalse y el ngulo del puerto de extraccin.
Para el vertedor se necesita la altura de la cresta (medida desde el fondo)
y la longitud libre del vertedor.
Se requiere proponer, de inicio, las siguientes constantes generales: Ke,
Coeficiente de extincin lumnica; Factor por viento; , Proporcin de la
radiacin absorbida en la superficie de la radiacin entrante neta; KeSS,
Coeficiente de extincin lumnica por slidos suspendidos; a y c,
Coeficientes para calcular la difusin turbulenta vertical.
Datos a escala diaria de: volumen en el embalse, velocidad del viento,
radiacin, evaporacin, precipitacin, filtracin; para los flujos entrando
por el ro y (hasta) cuatro entradas: caudal de entrada y temperatura
117
correspondiente.
La tabla calado-volumen-superficie del almacenamiento.
Las caractersticas de las capas: espesor mnimo y espesor mximo
permitidos.
Datos geogrficos de la presa: latitud, longitud y altitud.
Datos expresados como media del da correspondiente de: temperatura
del aire sobre el embalse, humedad relativa, temperatura del agua en la
superficie del embalse y cobertura de nubes (CL).
5.3 ORDEN DE LOS PROCESOS A REALIZAR EN LAS CAPAS DEL EMBALSE

PARA CADA DA DEL PERIODO DE SIMULACIN
El flujo propuesto para los procesos a llevar a cabo en el modelo es:
1 Efectuar la Mezcla entre capas debida a Flotacin. A este proceso

tambin se le llama Comprobacin de la Estabilidad de la Estructura de
las capas y se efecta comparando la densidad de las capas.
2 Unir capas que tengan un espesor por debajo del Espesor Mnimo y re-
numerar las capas.
3 Dividir por un nmero entero de divisiones las capas que tengan un
espesor superior al espesor mximo permitido y re-numerar las capas.
Esto se hace para disminuir la dispersin numrica.
4 Calcular la Difusin Turbulenta en las capas del embalse, ya modificadas
por los procesos anteriores.
5 Ubicar, en la capa correspondiente, cada uno de los caudales que ingresa
al embalse.
6 Determinar los caudales a extraer de cada una de las capas debido a la
extraccin por tomas y desage del vertedor.
FIGURA 17 Capas con las que se representa un embalse
118
7 Calcular los flujos de calor en las capas del almacenamiento.
8 Efectuar las modificaciones de la capa de fondo y en la superficial debido
a precipitacin, evaporacin e infiltracin.
9 Obtener la temperatura en cada una de las capas para el siguiente da
(Figura 17).
5.4 ESTABILIDAD DE LA ESTRUCTURA DE CAPAS
La densidad termal se obtiene solamente en funcin de la temperatura del agua. La

determinacin de la densidad se puede hacer para cada una de las capas del embalse
o para los flujos de entrada, en cada intervalo de tiempo.
No se involucra en el clculo de la densidad las concentraciones de slidos. Sin

embargo, se supone de inicio que tanto en el embalse como en los caudales de
entrada, las concentraciones de slidos, tanto suspendidos como disueltos, son
reducidas y no tienen una influencia significativa en la determinacin de la densidad
del agua (Hydrologic Engineering Center, 1986). Si se tuviera el caso de altas
concentraciones de slidos, ya sea en el embalse o en los flujos de entrada, la
densidad de estos dependera en gran medida, aparte de la temperatura, de dichos
valores de concentracin.
Para calcular la densidad termal se tiene la siguiente expresin (U. S, Army Corps of
Engineers, 1987):
( T 3,98 ) ( T + 283 )
2
(119)
T = 1000
503,57 ( T + 67,26 )
Donde:
T = Temperatura del agua.
La obtencin de la densidad de las capas es importante pues los siguientes procesos

dependen de su determinacin:
Ubicacin vertical, en la capa que corresponde, de los caudales que

entran al embalse.
Procesos de mezclado de capas, impulsados por procesos trmicos
(inestabilidad por flotacin y empuje hidrosttico de capas).
Determinacin de caractersticas generales de las capas, al unirse o
119
dividirse.
Una vez que se cuenta con la densidad de cada una de las capas para un da de
simulacin la estabilidad de la estructura de capas es comprobada por comparacin de
la densidad de las capas (Centre for Water Research, 2007). Para que la estructura de
capas sea estable las aguas de mayor densidad deben estar en el fondo del embalse y
tienen sobre ellas aguas menos densas.
Esta comprobacin es hecha comenzando con la capa superficial y comparando la

densidad con la capa directamente debajo de ella. Si la densidad de la capa sobre
yacente (de las dos capas, la que est arriba) es mayor que la densidad de la capa por
debajo de ella, las capas son combinadas, las concentraciones de las dos capas son
fusionadas de acuerdo a las ecuaciones que gobiernan la conservacin de
constituyentes y la nueva densidad se obtiene con la nueva temperatura. La densidad
de esta capa es entonces comparada con la siguiente capa debajo de ella y el proceso
se repite hasta que la capa con la cota ms baja (la que est en el fondo del embalse)
es alcanzada. Este proceso asegura que el perfil de la densidad sea siempre estable
(Centre for Water Research, 2007).
Cuando se combinan dos capas, las leyes de conservacin de energa trmica

(temperatura) y masa (concentraciones de constituyentes de calidad del agua) pueden
generalizarse as (Centre for Water Research, 2007):
Ci Mi + Ci+1 Mi+1
Ci* = (120)
Mi + Mi+1
Donde:
C*i = Concentracin de la nueva capa.

Ci = Concentracin en la capa i.
Ci +1 = Concentracin en la capa i + 1.
M i = Masa de la capa i.
M i +1 = Masa de la capa i + 1.
Los subndices se refieren a los nmeros de capa.
5.5 UNIN DE CAPAS CON ESPESOR POR DEBAJO DEL MNIMO
Las capas que llegan a ser demasiado grandes o demasiado pequeas, pueden
eventualmente conducir a problemas de resolucin o a errores numricos. Esta
situacin es reducida por medio del redimensionado de capas que han excedido los
120
lmites de espesor especificados por el usuario (Hydrologic Engineering Center, 1986;
Environmental Laboratory, 1995).
Son establecidos lmites por el usuario para los espesores y volmenes de cada capa.
Los lmites superior e inferior son sealados para asegurar que una resolucin
adecuada es alcanzada y que un nmero excesivo de capas no ser usado (Centre for
Water Research, 2007).
Cuando las capas son divididas o unidas sus atributos geomtricos son recalculados y
todas las concentraciones y temperaturas son elaboradas nuevamente. Los tamaos
de las capas son continuamente revisados para su divisin o unin hasta que todos los
tamaos estn dentro de los lmites especificados (Centre for Water Research, 2007).
El espesor mnimo debe de cumplir con la regla Espesormax > 2Espesormin, de otra
forma el algoritmo de unin y el de la divisin podran no funcionar adecuadamente
(Hornung, 2002).
Para las capas con espesor menor que el mnimo permisible son unidas con la capa
vecina de menor espesor. Las capas se renumeran y las caractersticas geomtricas
son determinadas (Centre for Water Research, 2007).
Los criterios que se propusieron en el modelo son:
El lmite inferior de espesor de una capa ser de 0,6 m para el modelo

propuesto. Este valor se plantea as debido a que se tom una
formulacin para el flujo de radiacin solar en las capas del embalse,
donde la profundidad del agua se toma con el parmetro Z*, comenzando
0,6 m por debajo de la superficie (Environmental Laboratory, 1995).
Para todas las comprobaciones con el propsito de verificar que las
capas estn dentro de los lmites especificados slo se atender a los
espesores y no a los volmenes para tener slo un criterio de
comparacin, lo que har ms fciles los clculos. Despus de poner en
funcionamiento un algoritmo, como al unir o separar capas, todas las
propiedades, tanto geomtricas como de constituyentes de calidad del
agua s tomarn en cuenta el volumen de cada una de las capas
involucradas.
Se programar el mecanismo de unin de capas para las capas que
tengan un espesor inferior a 0,6 m. Si el espesor de la capa del fondo es
121
inferior a 0,6 m se unir con la capa que est por encima de ella. Si la
capa superficial tiene un espesor inferior a 0,6 m se unir a la capa que
sta por debajo de ella. Para todas las otras capas, la capa de espesor
inferior a 0.6 m se unir con la capa vecina, de las dos existentes, que
tenga el espesor menor (Centre for Water Research, 2007).
5.6 DIVISIN DE CAPAS CON ESPESOR MAYOR AL ESPESOR MXIMO

ESPECIFICADO
El valor del PLTmax (espesor mximo permitido de capa) controla fuertemente la

resolucin espacial del modelo. Esto se debe a que las capas se unirn y crecern en
espesor hasta que alcancen el lmite superior de espesor de capa, sern divididas, se
unirn otra vez, especialmente durante el mezclado en la superficie del agua. Un
PLTmax de 2 a 3 m ha proporcionado la generacin de los mejores resultados en
modelos de mltiples capas en almacenamientos (Hornung, 2002).
Las capas con espesor mayor al espesor mximo admisible son divididas en las
porciones requeridas, creando nuevas capas con propiedades idnticas pero con
espesores reducidos (espesores menores que el mximo permitido) (Hornung, 2002).
Las capas son renumeradas y las propiedades geomtricas determinadas.
Los criterios que se aplicaron para efectuar la divisin de capas fueron:
El lmite superior de espesor de una capa ser de 2,5 m haciendo un

promedio del rango antes mencionado. Este lmite cumple a su vez el
requerimiento de que el Lmite Superior > 2(Lmite Inferior) para que el
algoritmo de la divisin de capas funcione adecuadamente. (Hornung,
2002)
Para todas las comprobaciones con el propsito de verificar que las
capas estn dentro de los lmites especificados slo se atender a los
espesores, para tener slo un criterio de comparacin. Despus de poner
en funcionamiento un algoritmo, como al unir o separar capas, todas las
propiedades tanto geomtricas como de constituyentes de calidad del
agua s tomarn en cuenta el volumen de cada una de las capas
involucradas.
El algoritmo propuesto para efectuar la divisin de capas es:
Se comienza la revisin del espesor las capas para que no rebasen el
122
lmite superior permisible. Se iniciar con la capa del fondo. Al dividir una
capa se re-numeran las capas por arriba de ella (Figura 18).
El espesor de la capa que se vaya a dividir se fraccionar por medio de
un nmero entero que depender de cuntas veces rebase el espesor el
lmite mximo establecido.
i+2 i+3
i+1 i+2
i+1 Espesor(i) / 2
i
i Espesor(i) / 2
i1 i1
i2 i2
FIGURA 18 Divisin de la capa i en dos capas y re-numeracin de las capas por encima de la capa i
Al dividir una capa las capas resultantes tendrn los mismos valores para
los constituyentes de calidad del agua que la capa original, por lo que no
es necesario efectuar clculos de mezclado (Hornung, 2002).
Al final del procedimiento teniendo ya los nuevos espesores, se obtendr
para cada capa su volumen correspondiente y el rea de su superficie
superior (frontera superior).
5.7 CLCULO DE LA DIFUSIN TURBULENTA
La difusin turbulenta es un proceso de transporte que reduce los gradientes y es

calculada usando un Coeficiente de Difusin Turbulenta que es dependiente de la
velocidad del viento, magnitudes de los caudales de entradas y salidas, as como de la
estratificacin de las densidades (Martin et al., 1999).
La clave para simular la estratificacin se relaciona en como el coeficiente de difusin

vertical vara con la profundidad. Una variedad de procedimientos han sido
propuestos. Uno de los primeros fue el de Munk y Anderson (1948). Este modelo
asume que el coeficiente de difusin es una funcin del nmero de Richardson
(Chapra, 1997):
E0
E (z) = (121)
(1 + a R i )
3
2
Donde (Chapra, 1997):
123
E0 = El coeficiente de difusin para estabilidad neutral.
Ri = Nmero de Richardson.
a = Una constante (ser una constante general a calibrar).
Una variedad de formulaciones han sido propuestas para relacionar E0 con la

profundidad y la velocidad del viento. Una formulacin simple es (Chapra, 1997):
E 0 = c 0 (122)
c = Una constante emprica (ser una constante general a calibrar).

0 = Velocidad cortante del viento.
s (123)
0 =
w
w = Densidad del agua.

s = Esfuerzo cortante en la interfase aire-agua.
s = aire cd U 2w (124)
aire = Densidad del aire.

cd = Coeficiente de arrastre.
cd = 0,00052 U 0,44 (125)

w
Uw = Velocidad del viento.
La densidad del aire para una temperatura dada se calcula con la expresin (Llorca et
al., 2006):
P Pm
aire = (126)
RT
Donde (Llorca et al., 2006):
aire = Densidad del aire, en gramo/litro = kg/m3.

P = Presin atmosfrica, en atmsferas.
124
Pm = Peso molecular del aire = 28,96 g/mol.
R = Constante de los gases = 0,082 (Atmlitro)/(Kmol).
T = Temperatura termodinmica ambiente, en K.
La presin atmosfrica se puede obtener con la frmula (Llorca et al., 2006):
P = 1013, 25 (1 22,5569 106 z ) (127)

5,25611
hPa
Donde (Llorca et al., 2006):
z = Altitud local, en m.
Una formulacin para poder calcular el nmero de Richardson es la siguiente (Chapra,

1997):
g

x
Ri = (128)
0
( zs z )
2
zs = Calado total del lago o almacenamiento (Figura 19).

z = Profundidad medida desde la superficie del agua (Figura 19).
Origen
z
zs
FIGURA 19 Representacin de algunas variables para obtener el nmero de Richardson
Y una estimacin propuesta de la derivada parcial de la densidad con respecto a la

profundidad (el gradiente vertical de la densidad) es:
i i 1
= Espesor Espesor (129)
x i i
+ i +1
2 2
Donde:
125

= Tasa de cambio de la densidad con respecto a la profundidad
x i
(tambin llamado gradiente de la densidad).
i = Densidad de la capa i.
Espesori = Espesor de la capa i.
Si la densidad aumenta su valor en la direccin vertical hacia abajo el gradiente es de

signo positivo.
Para tener una idea del orden de magnitud de los coeficientes de difusin turbulenta
se presenta la Figura (20) (Chapra, 1997):
Estuarios
DISPERSIN LONGITUDINAL
Ros
Ocano
DIFUSIN TURBULENTA HORIZONTAL
DIFUSIN Lagos
MOLECULAR
Capa superficial
DIFUSIN EN POROS
DIFUSIN TURBULENTA VERTICAL
MEDIA (SEDIMENTOS) Capas
10-8 10-6 10-4 10-2 100 102 104 106 108
cm2/s
FIGURA 20 Rangos tpicos del Coeficiente de difusin en aguas naturales y sedimentos (Fuente: Chapra,
S. C. 1997. Surface water-quality modeling)
Los coeficientes de difusin turbulenta son varios rdenes de magnitud mayores que
los de escala molecular. Ntese tambin que la difusin horizontal es generalmente
mucho mayor que la difusin vertical (Chapra, 1997).
El rango tpico de la Difusin Vertical Turbulenta (definida como propiedad) es el

siguiente (Thomann et al., 1987; West et al., 2003):
10-2 a 102 cm2/s
La Difusin Vertical Turbulenta es la suma de la difusin molecular y la difusin

vorticosa turbulenta (West et al., 2003).
126
5.8 UBICACIN DE CAUDALES QUE INGRESAN AL EMBALSE
Dinmica de las entradas.- La entrada del ro, de una conduccin o cualquier otro
elemento que aporte flujo al embalse es modelada por la insercin de este volumen
dentro del nmero de capas existentes, a la profundidad apropiada (Deas et al., 2000).
Si el volumen de la capa llega a ser excesivo nuevas capas son formadas en el
siguiente paso de tiempo.
FIGURA 21 Esquema de posibles ubicaciones, a distintos niveles, de un flujo que ingresa a un embalse
(Fuente: Deas, M. L., Lowney, C. L. 2000. Water temperature modelling review)
La comparacin inicial que se efecta para ubicar correctamente el flujo que ingresa
es la siguiente:
Si Temperatura del caudal de entrada Temperatura de la superficie del

embalse, entonces el volumen total es aadido a la capa superior. Como
el agua que ingresa es menos densa que la del embalse flotar sobre la
superficie del embalse, como un sobre-flujo (Figura 21). Los sobre flujos
son comunes en primavera. Los vientos superficiales a menudo provocan
que los sobre-flujos sean rpidamente disipados.
Si Temperatura del caudal de entrada < Temperatura de la superficie del
embalse, ocurre flujo sumergido y son necesarios clculos para ubicar el
flujo de entrada. Al ser el agua que ingresa ms densa que el agua de
superficie la flotacin negativa causa que el flujo que ingresa se movilice
127
por debajo de la superficie del embalse convirtindose en un sub-flujo
(Figura 21). Los sub-flujos son comunes en el otoo. Las aguas fluviales
someras se enfran ms rpido que las aguas embalsadas y las
tormentas otoales causan influjos de alta turbidez. Si los sub-flujos son
ms densos que las aguas del fondo podran permanecer en el fondo del
almacenamiento (Figura 21). Sin embargo, la mayora de los sub-flujos
son menos densos que la capa del fondo. En ese caso el sub-flujo tiende
a separarse del fondo y se llama nter flujo.
El centroide del flujo que entra al depsito se considera que estar ubicado en la capa
cuya densidad tenga una magnitud que est ms cercana a la densidad del flujo de
entrada (Figura 22).
Si un volumen que ha ingresado alcanza su nivel de flotacin neutral es

instantneamente insertado en la capa que est ubicada en ese nivel. As es como se
obtiene el volumen diario (caudal diario), que ingresa a cada una de las capas.
El algoritmo para asignar un caudal de entrada a una capa especfica del embalse es
el siguiente:
Caudal de
entrada
Capa i
FIGURA 22 Ubicacin de un caudal de entrada en la capa i
1. Verificar que exista el caudal de entrada.

2. Calcular densidad del agua en el caudal de entrada. Se utiliza la frmula
(119).
3. Determinar en que capa ingresa ese flujo. Para esto se utiliza la
expresin:
128
entrada capa
Comprobacin = 100 (130)
capa
Se aplica esta frmula en todas las capas en las que se encuentre

dividido el embalse y en la capa donde el resultado sea menor es donde
se asume que ingresar el caudal, debido a que se presentar la mayor
similitud de las densidades del caudal que ingresa y la capa del embalse
correspondiente.
4. Al final del procedimiento se modifica el volumen de las capas para el da

siguiente de simulacin.
5.9 EXTRACCIN DE CAUDALES POR TOMAS Y VERTEDOR
Procesos de mezclado por los flujos de salida
Los flujos de salida de un embalse contribuyen al mezclado a travs de corrientes que

ellos inducen. La magnitud y localizacin de estas corrientes controlan no slo la
calidad de las sueltas, sino tambin la calidad dentro del lago o almacenamiento
(Martin et al., 1999). Dado el control de los caudales de salida para la calidad del agua
en el embalse varios aspectos de la gestin se presentan:
Qu pasa con la calidad del agua de las sueltas si el diseo o la

operacin de las estructuras de toma es modificada?
Qu pasa con la calidad del agua en el almacenamiento si el diseo o la
operacin de las estructuras de toma es cambiada?
Pueden las estructuras de toma ser operadas para cumplir con las
normas de calidad del agua para el suministro solicitado?
Pueden las estructuras de suelta selectiva (de nivel especificado)
mejorar la calidad del agua en el embalse?
Finalmente, dentro del almacenamiento, de dnde viene el agua?
El modelo planteado permite la simulacin (no as por el momento la optimizacin) de

la operacin de las tomas existentes, para simular la variable temperatura. A
continuacin se expresan las caractersticas de los mtodos desarrollados en el
modelo para lograr esto.
Caractersticas de los procesos de mezcla por flujos de salida
Cuando el agua es sustrada del embalse una zona de extraccin se desarrolla. La
129
extensin de esta zona depende del valor de la suelta, la localizacin de la extraccin,
la batimetra del almacenamiento y el ambiente de estratificacin del lago. La
estratificacin, la cual limita la extensin vertical de las capas de extraccin, tiene una
influencia particularmente fuerte. Para una cantidad de caudal de suelta y localizacin
la zona de extraccin disminuye a la vez que el gradiente de la densidad aumenta.
Dependiendo del grado de estratificacin, la magnitud de la suelta, su localizacin y
otros factores relacionados al diseo de la presa y la batimetra del almacenamiento, la
zona de extraccin puede ser bastante estrecha o extendida al fondo del embalse o a
la superficie del agua (Martin et al., 1999).
Un patrn tpico de extraccin es mostrado en la Figura (23) (Martin et al., 1999).
Velocidad Densidad
Q Zona de
extraccin
Profundidad
FIGURA 23 Patrn de extraccin (Fuente: Martin, J. L., McCutcheon, S. C. 1999. Hydrodynamics and
transport for water quality modelling)
Dentro de la zona de extraccin la distribucin de velocidades puede variar de un

punto de mxima velocidad a velocidad cero en el lmite de esta zona. El punto de
mximas velocidades no est necesariamente centrado en el puerto de extraccin sino
que depende de la forma del perfil de la densidad. Identificando el lmite de la zona de
extraccin y la distribucin de velocidades dentro de esta zona se hace relativamente
sencillo estimar la calidad de las sueltas del almacenamiento de los perfiles verticales
de calidad del agua (Martin et al., 1999). Las velocidades de las extracciones pueden
tambin ser utilizadas directamente en modelos para predecir los efectos de estas en
la calidad del agua del embalse.
Anlisis del proceso de extraccin
Numerosos mtodos para predecir la extensin de las zonas de extraccin y las
130
distribuciones de velocidad resultantes han sido propuestos. Por ejemplo Fischer et al.
(1979) describieron mtodos para calcular patrones de extraccin similares a los
utilizados en el anlisis de inter-flujos. El modelo BETTER aplicado a un nmero de
embalses de la Tennessee Valley Authority calcula el espesor de la zona de extraccin
(h) arriba y debajo de la elevacin de la toma con (Hydrologic Engineering Center,
1986):
h = c w Qout (131)
Donde (Hydrologic Engineering Center, 1986):
Qout = Es el valor del caudal de suelta.

cw = Coeficiente de espesor.
Se asume una distribucin de flujo triangular o Gaussiana para repartir flujos dentro de
la zona de extraccin (Bender et al. 1990).
Bohan and Grace (1973) desarrollaron ecuaciones para calcular los lmites tericos de
la extraccin los cuales fueron modificados por Smith et al. (1985) para incluir el
ngulo de la extraccin (Martin et al., 1999):
Q (132)
=
ZN
3
Donde (Martin et al., 1999):
Q = Caudal.
Z = Distancia desde el centro de lnea del puerto a los lmites superior e inferior
de extraccin (b o D en la Figura 24).
= ngulo del puerto de extraccin (en radianes).
N = Flotacin.
g (133)
N=
Z
= Diferencia de densidad entre los lmites superior o inferior de la extraccin

y la densidad al centro de lnea del puerto de extraccin.
= Densidad (en kg/m3) al centro de lnea del puerto (Figura 24).
La convencin es que es positivo para flujos estratificados estables, donde (Martin

et al., 1999):
131
= ( lmite sup erior ) ( puerto desage ) (134)
= ( puerto desage ) ( lmite inf erior ) (135)
Para resolver la ecuacin (132) deben conocerse la elevacin de la superficie del

agua, la elevacin del fondo del almacenamiento, la elevacin del puerto de extraccin
y el perfil de la densidad. Sin embargo, debido a que la ecuacin (132) contiene
trminos como la distancia desde el centro de lnea del puerto (Z) y la densidad (la
cual es funcin de Z), es necesario resolver esta ecuacin iterativamente. Un
procedimiento de solucin tpico donde las zonas de extraccin superior o inferior
pueden formarse libremente dentro del embalse (no hay interferencia en la superficie o
en el fondo) es (Martin et al., 1999):
1. Re-arreglar la ecuacin (132) as:
Z3 N (136)
Q =0

2. Comprobar si existe interferencia primero empleando un valor de Z igual

a la distancia desde el centro de lnea del puerto a la superficie. Estimar
la densidad en el centro de lnea del puerto de extraccin y en la
superficie del agua y sustituir estos valores en la ecuacin (136). Si la
solucin no es cero y es positiva, la interferencia de la superficie existe.
Similarmente, sustituyendo la distancia desde el centro de lnea del
puerto al fondo junto con la densidad en el fondo del embalse y
determinar si la interferencia del fondo existe.
3. Si ambas evaluaciones del paso 2 son negativas, la zona de extraccin
se forma libremente en el embalse. El lmite de la superficie de
extraccin (la zona por arriba del puerto) puede determinarse usando
estimaciones iterativas de valores para Z y la densidad a la altura Z
encima del centro de lnea hasta que la ecuacin (136) se aproxime a
cero, dentro de la tolerancia. El lmite inferior de la extraccin (por
debajo del centro de lnea del puerto) puede ser determinado de
manera similar.
4. Si la interferencia de la superficie o del fondo existen un lmite terico
de extraccin puede determinarse. Este lmite es deducido usando
valores de Z calculados usando elevaciones por encima de la superficie
del agua (para interferencia de la superficie) o debajo del fondo del
132
almacenamiento (para interferencia del fondo). Sin embargo, esta
solucin requiere un estimado de la densidad para regiones fuera de los
lmites del embalse. Davis et al. (1987) estim esas densidades por
interpolacin lineal usando la densidad al centro de lnea del puerto y la
densidad en la superficie o el fondo del almacenamiento.
Truncado debido a la
Interferencia de la
superficie
Lmite de
b
interferencia
Q CL
Puerto
D
PERFIL DE
VELOCIDAD Lmite
inferior
libre
FIGURA 24 Definicin de las caractersticas de la extraccin (Fuente: Martin, J. L., McCutcheon, S. C.

1999. Hydrodynamics and transport for water quality modelling)
Para el caso donde una frontera experimente interferencia y la otra no el lmite de

extraccin que se forma libremente no puede ser estimado con precisin usando la
ecuacin (136). Smith et al. (1985) propusieron una extensin de la ecuacin (136)
para estimar el lmite libre de formacin de la capa. La solucin contina de manera
similar a como se describi anteriormente usando la formulacin descrita por Smith
(1985) (Martin et al., 1999):
Slo para el lmite libre (Figura 24) (Martin et al., 1999):
Q 0.125
= (137)
3
D' N X3
b b
1 1 D'
= 1 + sin + D' (138)
2 1 b 1 b
D' D '
Y (Martin et al., 1999):
133
b
1
X = 1 + D ' (139)
2 1 b
D'
b = Distancia desde el centro de lnea del puerto a la frontera de interferencia.

D = Distancia entre el lmite de extraccin libre y la frontera de interferencia
(Figura 24).
El valor de N es (Martin et al., 1999):
g (140)
N=
D'
= Diferencia de densidad entre el valor de la superficie (para interferencia de

superficie) y el lmite inferior libre o la densidad en el fondo (para
interferencia desde el fondo) y el lmite libre superior. La convencin es
que:
= ( capa sup erior ) ( lmite libre ) (141)
O tambin (Martin et al., 1999):
= ( lmite libre sup erior ) ( capa del fondo ) (142)
Una vez que los lmites de la extraccin son establecidos, la distribucin de

velocidades puede ser estimada. Para la estimacin del perfil de velocidad dentro de
los lmites de extraccin el embalse es dividido en capas y la densidad determinada al
centro de lnea de cada capa. El clculo de la distribucin vertical de velocidades se
basa en una estimacin de la localizacin de la velocidad mxima la cual se puede
obtener con (Bohan and Grace 1973):
2
Z (143)
YL = H s e n 1.57 L
H
YL = Es la distancia desde el lmite inferior a la elevacin de velocidad mxima

(Figura 25).
H = Es la distancia vertical entre los lmites de extraccin superior e inferior.
ZL = Es la distancia vertical entre el centro de lnea de la toma de salida
y el lmite inferior de la extraccin.
134
Donde la interferencia existe los lmites de extraccin tericos son empleados, los
cuales pueden ser por encima de la superficie del agua (para interferencia de la
superficie) o por debajo del fondo del embalse (para interferencia del fondo) (Martin et
al., 1999).
MAX

LMITE SUPERIOR y
v Y
VMAX
PUERTO CL
PERFIL DE PERFIL DE LA
VELOCIDAD DENSIDAD
FIGURA 25 Definicin esquemtica de variables para calcular los perfiles de velocidad (Fuente: Martin, J.
L., McCutcheon, S. C. 1999. Hydrodynamics and transport for water quality modelling)
Una vez que la localizacin de la velocidad mxima es determinada, la velocidad en

cada capa I puede ser obtenida con (Martin et al., 1999):
y(I) ( I )
2
VN ( I ) = 1 (144)
Y MAX
La expresin (144) es para el caso de zonas de extraccin experimentando

interferencia (Martin et al., 1999).
Y para el caso donde no exista interferencia (Bohan and Grace 1973):
y(I) ( I )
2
VN ( I ) = 1 (145)
Y MAX
VN(I) = Velocidad normalizada (V(I)/VMAX).

y(I) = Distancia vertical desde la elevacin de velocidad mxima al centro de
lnea de la capa I.
Y = Distancia vertical desde la elevacin de velocidad mxima a el
lmite de extraccin superior o inferior (se determina por si el centro de
lnea de la capa I est por encima o por debajo del punto de velocidad
mxima).
(I) = Diferencia de la densidad entre la elevacin de velocidad mxima y el
centro de lnea de la capa I.
135
MAX = Diferencia de la densidad entre el punto de velocidad mxima y el
lmite de extraccin superior o inferior (como corresponda).
Ntese que si la interferencia existe sern pronosticadas velocidades para

localizaciones tanto por arriba de la superficie del agua o por debajo del fondo del
almacenamiento. Estas distribuciones de velocidades son entonces truncadas en los
lmites del embalse para producir la distribucin final de velocidades (Martin et al.,
1999).
Una vez que la distribucin de velocidades es conocida, el valor del caudal en cada
capa I puede ser estimado con (Hydrologic Engineering Center, 1986):
VN ( I )
Q ( I) = N
QT (146)
V ( I)
I =1
N
Donde (Hydrologic Engineering Center, 1986):
Q(I) = Caudal que se extrae de la capa I.

QT = Magnitud total de la suelta.
La calidad de la extraccin puede ser determinada de un simple promedio ponderado

de caudal:
Q ( I) C ( I)
CR = N (147)
Q(I)
I =1
Donde:
CR = Concentracin del constituyente de calidad del agua en la suelta.

C(I) = Concentracin en cada capa.
Caudales de salida por el vertedor
El anlisis del flujo en vertedor se basa en los resultados de Bohan y Grace (1973),
Harleman y Elder (1965) y experimentos conducidos por el WES ms recientemente.
Para la extraccin sobre un vertedor el lmite superior de extraccin se asume que
ser en la superficie del agua y el lmite inferior de extraccin es calculado de
(Environmental Laboratory, 1995):
Q DH w 0
C g ( Z0 + H w ) = 0 (148)
3

L Z0 + H w w
136
Donde (Environmental Laboratory, 1995):
C = Coeficiente adimensional, C = 0.54 para Z0 Hw

C = 0.78 para Z0 < Hw
Q = Descarga sobre el vertedor, m3/hr.
D = Coeficiente adimensional, D = 0.0 para Z0 Hw
D = 0.70 para Z0 < Hw
L = Longitud libre del vertedor, m.
Hw = Distancia vertical desde la superficie del agua a la cresta del vertedor, m.
Z0 = Distancia vertical desde la cresta del vertedor al lmite inferior de la
extraccin, m.
0 = Diferencia de la densidad entre la elevacin de la cresta del vertedor y el
lmite inferior de extraccin, kg/m3.
w = Densidad a la elevacin de la cresta del vertedor, kg/m3.
Las variables anteriores son mostradas en la Figura (26). La ecuacin (148) requiere
una solucin iterativa para Z0 (Environmental Laboratory, 1995).
Las descargas de las capas por flujo sobre el vertedor son determinadas de acuerdo al
tipo de vertedor. Para un vertedor sumergido el perfil de velocidad por abajo del punto
de velocidad mxima est dado por (Environmental Laboratory, 1995):
3
y
u = u m 1 (149)
Y m
u = Velocidad en el punto considerado.

um = Velocidad mxima.
Y arriba del punto de mxima velocidad con (Environmental Laboratory, 1995):
y 2
u = u m 1 (150)
Y m
Para un vertedor libre la velocidad mxima ocurre en la superficie. El perfil de

velocidad por debajo de la superficie est dado por (Environmental Laboratory, 1995):
y P
u = u m 1 (151)
Y m
Donde el exponente P es definido empricamente en trminos del Coeficiente de

descarga para vertedor libre como 4.35 menos el valor de 1.04 veces el Coeficiente de
entrada (Environmental Laboratory, 1995).
137
TEMPERATURA Hw
PERFIL DE
VELOCIDAD
w
Z0
0
LMITE INFERIOR
FLUJO
FIGURA 26 Extraccin por vertedor (Fuente: Environmental Laboratory. 1995. CE-QUAL-R1: A numerical
one-dimensional model of reservoir water quality; users manual)
5.10 FLUJOS DE CALOR EN LAS CAPAS DEL ALMACENAMIENTO
La distribucin de energa en un embalse tiene influencia significativa en las

operaciones de almacenamiento y calidad del agua. La temperatura del agua es un
factor dominante en la determinacin de la densidad, que a su vez, controla la
ubicacin del agua que entra, la carga de constituyentes asociada y la distribucin del
flujo de salida (Environmental Laboratory, 1995). La temperatura del agua tiene una
fuerte influencia en los valores de las reacciones qumicas y biolgicas (Chapra, 1997).
Por estas razones, la estructura de temperatura en las capas es tan importante.
Todos los flujos de calor actan solamente en la superficie del agua y en consecuencia
afectan solamente a la capa superficial, con excepcin de la radiacin solar de onda
corta, que no puede ser considerada exclusivamente as pues es absorbida
exponencialmente con la profundidad (Environmental Laboratory, 1995).
Dentro de los procesos ms dominantes en el intercambio de energa trmica se tiene

la adveccin y el intercambio de calor a travs de la interfase aire-agua (Hydrologic
138
Engineering Center, 1986; Martin et al., 1999).
El rgimen termal de almacenamientos templados es el resultado, primeramente, de la

interaccin de dos procesos: (1) transferencia de energa trmica y movimiento a
travs de la superficie del embalse y (2) la fuerza de gravedad actuando sobre las
diferencias de la densidad en el interior del almacenamiento (Martin et al., 1999).
Para poder calcular la temperatura en las capas de un almacenamiento un paso previo

es obtener los flujos de energa trmica en las capas. Este proceso se inicia con la
radiacin de onda corta en superficie (Hydrologic Engineering Center, 1986; Martin et
al., 1999).
Radiacin solar neta de onda corta.- La radiacin solar puede ser medida de una
forma relativamente no costosa y es reportada por algunas estaciones climatolgicas.
Slo si la radiacin solar medida no est disponible deber ser calculada (Hydrologic
Engineering Center, 1986).
Del Instituto Valenciano de Investigaciones Agrarias (I.V.I.A) se obtuvieron los datos

de radiacin solar global (medidos en la estacin de Villajoyosa, en W/m2) (Paredes et
al., 2006b). Para los clculos a efectuar estas mediciones se requieren en unidades de
cal/(dam2) (Hydrologic Engineering Center, 1986; Martin et al., 1999). Con el
propsito de efectuar la conversin se emplea el siguiente factor (Serway et al., 2005):
J
1
W 1 cal 86400 s cal
1 2 s = 20640 2
m 1 W 4,186 J 1 da m da
Energa trmica en una capa i (excepto la capa superficial) y el Coeficiente de

extincin lumnica.- La radiacin solar es absorbida en la superficie del agua y
selectivamente con la profundidad, dependiendo de la longitud de onda de la luz,
propiedades del agua y la materia suspendida en la misma. Esta absorcin es
usualmente supuesta como de comportamiento exponencial con la profundidad (Ley
de Beer-Lambert), pero efectos de superficie generan discrepancias menores en el
primer metro superficial del embalse. Para incorporar estas discrepancias en el modelo
una cierta fraccin, , de la radiacin solar se asume que ser absorbida en una zona
de la superficie de 0,6 m de espesor (Figura 27). La fraccin remanente, (1-
)(Radiacin solar neta), es absorbida exponencialmente en la profundidad con un
coeficiente de extincin lumnica, . Esto es (Environmental Laboratory, 1995):
139
(Z) = (1 ) Q ns e Z* (152)
(Z) = Flujo de radiacin solar a la profundidad Z.

Z* = Profundidad del agua, comenzando 0,6 m por debajo de la superficie
(esto es, Z* = Z 0,6 m).
Q ns = Radiacin solar.
Para el caso general de una capa, i, que tiene un espesor y est limitada por las
superficies horizontales A(i + 1) y A(i) y localizada 0,6 m + Z debajo de la superficie, la
energa absorbida es (Environmental Laboratory, 1995):
Energa trmica(i) = (1 )Q ns e Z* Area(i + 1) (1 )Q ns e ( Z*+ Espesor ) Area(i)

(153)
Qns
0,6 m
(1-)Qns
Z*
(1-)Qnse-Z*
Espesor
(1-)Qnse-(Z*+Espesor)
FIGURA 27 Flujos de radiacin solar con la profundidad (Fuente: Environmental Laboratory. 1995. CE-
QUAL-R1: A numerical one-dimensional model of reservoir water quality; users manual)
El coeficiente de extincin, , es dependiente de la calidad y tipo de materia

suspendida en el agua. Este coeficiente de extincin es entonces dividido en dos
partes (Environmental Laboratory, 1995):
= w + k j C j (154)
140
= Coeficiente de extincin lumnica, 1/m.

w = Coeficiente de extincin para agua clara, 1/m.
k j = Coeficiente de extincin para el constituyente Cj, (1/m)/(g/m3).
Cj = Constituyente de calidad, (g/m3).
Las constantes generales que se requerirn, segn lo antes mencionado, para

efectuar la distribucin de energa termal en las capas del embalse son:
La fraccin de la radiacin absorbida en los primeros 0,6 m.

Coeficiente de extincin lumnica para agua clara.
Flujo de energa trmica en la capa superficial del embalse.- El intercambio de calor en

la superficie es modelado como una combinacin de cinco procesos (Hydrologic
Engineering Center, 1986; Chapra, 1997; Martin et al., 1999):
J n = I ( 0 ) + J an J br J c J e (155)
Donde (Hydrologic Engineering Center, 1986; Chapra, 1997; Martin et al., 1999):
Jn = Intercambio de calor en la superficie del agua. Si tiene signo positivo (+),

la capa de agua en la superficie del embalse recibe energa en forma de
calor; si el signo es negativo (), la pierde.
I(0) = Radiacin solar neta de onda corta en la superficie del agua.
Jan = Radiacin atmosfrica neta de onda larga.
Jbr = Radiacin de onda larga que sale del agua.
Jc = Conduccin.
Je = Evaporacin.
Todos los flujos son expresados en cal/(dam2) (Hydrologic Engineering Center, 1986;
Martin et al., 1999).
1.- Radiacin solar neta de onda corta.- Se obtiene con la siguiente expresin, que es
la radiacin solar total que ingresa en la superficie del embalse menos la radiacin que
pasa a las capas por debajo de la superficial (Environmental Laboratory, 1995; Martin
et al., 1999):
I(0) = Q ns Area n (1 ) Q ns Area n 1 e Z* (156)
Donde (Environmental Laboratory, 1995; Martin et al., 1999):
Area n = rea de la superficie del embalse.
141
Area n 1 = rea de la frontera inferior de la capa superficial del embalse.
2.- Radiacin atmosfrica de onda larga.- El flujo de radiacin de onda larga que
desciende de la atmsfera es uno de los mayores trminos en el balance de calor en
superficie. Este flujo puede calcularse usando la Ley de Stefan-Boltzmann (Martin et
al., 1999):
J an = ( Taire + 273) sky (1 R L ) 10000 Area n (157)

4
Jan = Radiacin atmosfrica de onda larga.

= La constante de Stefan-Boltzmann, donde:
cal
= 11, 702 108
cm d K 4
2
Taire = Temperatura del aire (C).

sky = Emisividad efectiva de la atmsfera (adimensional).
RL = Coeficiente de reflexin de onda larga (adimensional). RL = 0,03.
Y se tiene que (Martin et al., 1999):
sky = clear (1 + 0,17 C2L ) (158)
CL = Fraccin del cielo cubierta de nubes.
El valor de clear se calcula con la expresin de Brunt (1932):
clear = 0,6 + 0,031 eaire (159)
eaire = Presin de vapor del aire (en mmHg).
La presin de vapor del aire se puede calcular con (Martin et al., 1999; Hornung,
2002):
hr 7,5 Taire
eaire ( Taire ) = exp 2,3026 + 0,7858 (160)
100 Taire + 237,3
Donde (Martin et al., 1999; Hornung, 2002):
142
eaire = Presin de vapor del aire, en mbar.
hr = Humedad relativa (en %).
Para convertir de mbar a mmHg, se tiene que 1 mbar = 0,75006 mmHg. eaire se
deber de multiplicar por este factor antes de introducirla a la ecuacin (159) (Serway
et al., 2005).
3.- Radiacin de onda larga proveniente del agua.- La radiacin que emite la superficie
del agua es representada por la Ley de Stefan-Boltzmann (Martin et al., 1999):
J br = ( T + 273) 10000 Area n (161)

4
Jbr = Radiacin de onda larga proveniente del agua.

= Emisividad del agua. = 0,97.
T = Temperatura del agua (en C).
4.- Conduccin y conveccin.- Conduccin es el proceso de transferencia de calor de

molcula a molcula cuando materiales a distintas temperaturas son puestos en
contacto. Conveccin es el proceso de transferencia de calor que ocurre debido al
movimiento de masa en los fluidos (Serway et al., 2005). Ambos pueden ocurrir en la
interfase aire-agua y es posible describirlos con la expresin (Martin et al., 1999):
J c = c1 f ( U w )( T Taire ) 10000 Area n (162)
Jc = Flujo de calor debido a conduccin y conveccin.

c1 = Coeficiente de Bowen. c1 = 0,47 mmHg/C
f(Uw) = Define la dependencia de la transferencia de la velocidad del
viento sobre la superficie del agua.
Uw = Velocidad del viento medida a una distancia fija sobre la superficie
del agua.
T = Temperatura del agua en la superficie del embalse (en C).
La opcin que se usar para calcular f(Uw) es, de Brady, Graves y Geyer (1969)
(Chapra, 1997; Martin et al., 1999):
f ( U w ) = 19,0 + 0,95 U 2w (163)
En estas expresiones el viento ir multiplicado por un factor llamado Factor por viento
(es una constante general) (Hornung, 2002).
143
5.- Evaporacin y condensacin.- El calor perdido por evaporacin puede ser
representado por la Ley de Dalton (Martin et al., 1999):
J e = f ( U w )( es eaire ) 10000 Area n (164)
Je = Calor perdido por evaporacin.

es = Presin de saturacin de vapor en la superficie del agua (en mmHg).
eaire = Presin de vapor del aire (en mmHg).
La presin de saturacin de vapor es calculada con (Chapra, 1997; Martin et al., 1999;
Llorca et al., 2006):
17,27 T
es = 4,596e 237,3+ T (165)
Donde (Chapra, 1997; Martin et al., 1999; Llorca et al., 2006):
T = Temperatura del agua (en C).
Transferencia de calor entre el sedimento y el agua.- No se incluir en los clculos. La

informacin que se requiere del sedimento para incluirlo en los clculos de flujo de
energa trmica es: la temperatura de los sedimentos del fondo, la densidad, el calor
especfico de los sedimentos y el espesor efectivo de la capa de sedimento (Chapra et
al., 2003).
5.11 PRECIPITACIN, EVAPORACIN E INFILTRACIN
En el flujo de calor que ocurre dentro del embalse que se considera dividido en capas,
intervienen, entre otros, tres factores (Martin et al., 1999; Hornung, 2002):
Evaporacin.
Precipitacin.
Filtracin.
Evaporacin.- La evaporacin se resta en volumen de la capa superior del embalse.

La ecuacin genrica de prdida de calor por evaporacin es (Martin et al., 1999;
Serway et al., 2005):
HL = Lw E (166)
144
Donde (Martin et al., 1999; Serway et al., 2005):
HL = Prdida de calor, en W/m2.

= Densidad del agua que est siendo evaporada, en kg/m3.
Lw = Calor latente del agua, en J/kg.
E = Tasa de evaporacin, en m/s.
Con solamente una proporcin pequea de molculas (en comparacin al volumen

total del embalse) localizada cerca de la superficie, movindose en la direccin
correcta para escapar del lquido y con una velocidad superior a la velocidad media en
un cierto instante, la tasa de evaporacin es limitada. Adems, como las molculas de
mayor energa escapan y las que quedan tienen menor energa cintica media, la
temperatura del lquido se reduce. Este fenmeno tambin es llamado de enfriamiento
evaporativo (Martin et al., 1999).
Al considerar la energa trmica perdida por evaporacin en la capa superficial del

embalse se est tomando en cuenta la evaporacin y, en consecuencia, el volumen
evaporado no tienen influencia ya en la ecuacin de energa diferencial de energa
termal. Para efectos de caudales de salida el volumen evaporado se sustrae de la
capa superficial del almacenamiento.
Precipitacin.- El volumen de agua que ingresa al embalse por precipitacin directa

sobre el espejo de agua se considera que entra a la capa superior. La temperatura del
agua de lluvia se considera igual a la temperatura del aire cercano a la superficie del
embalse.
Filtracin.- Se asume que la filtracin ocurre por completo en la capa 0 (capa que se
ubica en el fondo del embalse). El agua que se infiltra deja el embalse conteniendo la
misma temperatura y propiedades que la capa del fondo.
5.12 PROCESO PARA EL CLCULO DE TEMPERATURA EN CADA UNA DE LAS

CAPAS
Debido a que la temperatura es una concentracin de energa termal, la ecuacin

general de conservacin de masa es aplicable. Para cualquier capa i la ecuacin
general de energa termal es (Environmental Laboratory, 1995):
T
i C p ( Ti Vi ) = i Cp Di Ai Zi + ( i Ai ) Zi
t Z Z Z (167)
+ i Cp ( Qin Tin + Q p Tp Ti Q out )
145
i = Densidad del agua, kg/m3.

Cp = Calor especfico del agua, cal/(Ckg).
Ti = Temperatura, C.
Vi = Volumen de la capa, m3.
Di = Difusividad, m2/d.
Ai = rea, m2.
Zi = Espesor, m.
i = Flujo de radiacin solar, cal/m2/d.
Qin = Volumen que ingresa, m3/d.
Tin = Temperatura del volumen que ingresa, C.
Qp = Volumen bombeado de regreso, m3/d.
Tp = Temperatura del volumen bombeado de regreso, C.
Qout = Volumen que sale, m3/d.
Los trminos de la ecuacin (167) representan varios procesos que ocurren dentro del
almacenamiento en relacin con los flujos de energa trmica en las capas, como son
los siguientes (Environmental Laboratory, 1995):
Razn de Absorcin interna

cambio = Difusin + de radiacin solar + Adveccin (168)
cal / d cal / d

cal / d cal / d
La adveccin incluye trminos para salidas, tributarios y bombeos de regreso, que

ingresan hacia el almacenamiento. El ltimo paso es calcular el nuevo perfil vertical de
temperatura. Para la capa superficial del embalse el flujo neto de calor a travs de la
interfase aire-agua debe ser agregado en el lado derecho de la ecuacin (167)
Dos mtodos han sido desarrollados para modelar la distribucin vertical de

temperaturas. El primero est basado en un planteamiento de difusin turbulenta
(Figura 28). Las soluciones numricas son desarrolladas dividiendo la dimensin
vertical en segmentos. El calor es suministrado en la superficie y entonces es
distribuido a travs de la profundidad por difusin (Chapra, 1997).
Un segundo mtodo, llamado planteamiento de capa mezclada, utiliza un balance de

energa mecnica para predecir el espesor del epilimnion. Este espesor de la capa
superficial es entonces modelado como un segmento bien mezclado. El hipolimnion es
modelado como una serie de capas usando el planteamiento de difusin turbulenta
(Chapra, 1997).
Debido a su simplicidad se recurre ms el planteamiento de difusin turbulenta
146
(Chapra, 1997), que es el que se utiliz en este trabajo (Figura 28).
Viento
Flujo trmico en la superficie
FIGURA 28 Difusin turbulenta (Fuente: Chapra, S. C. 1997. Surface water-quality modeling)
Un ejemplo de diagrama de bloques para clculo de temperatura en una capa es el de

la Figura (29):
Influjo Temperatura en Flujo de salida

una capa
particular
Difusin
Temperatura en
otras capas del
embalse
FIGURA 29 Factores que intervienen en la obtencin de la temperatura de una capa
El desarrollo en diferencias finitas de la expresin de conservacin de la energa

trmica para la obtencin de la temperatura de una capa i es (Figura 30):
147
Ti+1
Ei
Te Ti
Ti Capa i
Qe Qs
Ei-1
Ti-1
FIGURA 30 Flujos de energa trmica en una capa i
La nomenclatura que se utiliza es (Figura 31):
E0,0 A0,1 V0,0 Zmed1,0
Da de Nmero del Da de inicio Nmero Da de inicio Nmero Distancia entre los

inicio de coeficiente de la de rea de la de capa centros de las capas
simulacin de difusin simulacin simulacin 0y1
A5
Capa 4
A4
Capa 3
A3 E3
Capa 2
A2 E2
Capa 1
A1 E1
Capa 0
A0 E0
FIGURA 31 Algunas de las variables empleadas en las ecuaciones en diferencias finitas
En el caso de temperatura se tiene la expresin (Environmental Laboratory, 1995):
d ( Ti Vi ) d d
= Ti ( Vi ) + Vi ( Ti ) (169)
dt dt dt
148
Y desarrollando para una capa i cualquiera (Environmental Laboratory, 1995):
d ( Ti Vi ) d d
= Ti ( Vi ) + Vi ( Ti ) =
dt dt dt
A i,i
Qe Te Qs Ti + E i,i ( Ti +1 Ti ) (170)
Zmed i +1,i
A i,i 1
E i,i 1 ( Ti Ti 1 ) + Energa (+ / ) por radiacin
Zmed i,i 1
Para obtener el cambio en la temperatura de capa se despeja de la ecuacin (170):
d A i,i
Vi ( Ti ) = Qe Te Qs Ti + E i,i ( Ti +1 Ti )
dt Zmed i +1,i
(171)
A i,i 1 d
E i,i 1 ( Ti Ti 1 ) + Energa (+ / ) por radiacin Ti ( Vi )
Zmed i,i 1 dt
Y se puede expresar el ltimo trmino de la ecuacin (171) as:
d V V
( Vi ) = i +1 i (172)
dt t
Por lo tanto, la ecuacin (171) quedara as:
d A i,i
Vi ( Ti ) = Qe Te Qs Ti + E i,i ( Ti +1 Ti )
dt Zmed i +1,i
(173)
A i,i 1 V Vi
E i,i 1 ( Ti Ti 1 ) + Energa (+ / ) por radiacin Ti i +1
Zmed i,i 1 t
La energa ganada o perdida por radiacin se puede calcular as (Martin et al., 1999):
H = Vi c ( T2 T1 ) (174)
H = Energa ganada o perdida por radiacin para la capa completa, en cal/da.

= Densidad de la capa, en kg/m3.
Vi = Volumen de la capa i, en m3.
cal
c = Calor especfico del agua = 1 .
g C
T2 = Temperatura final de la capa, en C.
T1 = Temperatura inicial de la capa, en C.
mi = Masa de la capa i, en kg. Se tiene m = Vi.
149
Para expresar en las mismas dimensiones de la ecuacin (173) la ecuacin (174):
H
= Vi ( T2 T1 ) (175)
c
H (176)
Energa (+/-) por radiacin =
c
La expresin (176) ser la que se va a sustituir en la (173). Slo falta expresarla en las
mismas unidades. Para esto se obtiene el factor de conversin correspondiente:
cal
H
H d 1 H m3
= = C (177)
c kg cal 1000 g 1000 da
3 1

m g C kg
La expresin (177) es la que se usar dentro de la frmula (173) para obtener la

Energa (+/) por radiacin. Por lo que para una capa i cualquiera se tiene, haciendo la
sustitucin (Figura 32):
d Ai,i
Vi ( Ti ) = Qe Te Qs Ti + Ei,i ( Ti +1 Ti )
dt Zmed i +1,i
(178)
A i,i 1 Hi V Vi,i
E i,i 1 ( Ti Ti 1 ) + Ti i +1,i
Zmed i,i 1 1000 i t
Para la capa superior (n1) la ecuacin es:
d A i,n 2
Vn 1 ( Tn 1 ) = Qe Te Qs Tn 1 Ei,n 2 ( Tn 1 Tn 2 )
dt Zmed n 1,n 2
(179)
H n 1 V Vi,n 1
+ Tn 1 i +1,n 1
1000 n 1 t
Para la capa del fondo (capa 0) la ecuacin es:
d A
V0 ( T0 ) = Qe Te Qs T0 + Ei,0 ( T1 T0 ) i,1
dt Zmed1,0
(180)
H0 V Vi,0
+ T0 i +1,0
1000 0 t
El valor de un constituyente para una capa se considera ubicado en el centro, respecto

al eje vertical de la capa.
150
Capa i+1
Zmedi+1,i Ei,i
Capa i
FIGURA 32 Significado fsico de la variable Zmed
Al agrupar las ecuaciones (178), (179) y (180), con respecto a las temperaturas, se
llega a las ecuaciones siguientes:
Capa del fondo (Capa 0):
A i,1 V Vi +1,0 A i,1

V0 T0 = Qs E i,0 + i,0 T0 + E i,0 T1
Zmed1,0 t Zmed1,0
(181)
H0
+ Q e Te +
10000
El subndice i se refiere a un da especfico del periodo para el cual se est efectuando

la simulacin.
Para una capa intermedia j:
A i, j A i, j+1 A i, j Vi, j Vi +1, j

Vj Tj = + E i, j1 Tj1 + Qs E i, j E i, j1 + Tj
Zmedj, j1 Zmedj+1, j Zmedj, j1 t
A i, j+1 Hj
+ E i, j Tj+1 + Qe Te +
Zmedj+1, j 1000 j
(182)
Capa superior (n-1):
A i,n 1 A i,n 1 V Vi +1,n 1

Vn 1 Tn 1 = + E i,n 2 Tn 2 + Qs E i,n 2 + i,n 1 Tn 1
Zmedn 1,n 2 Zmedn 1,n 2 t
H n 1
+ Q e Te +
1000n 1
(183)
151
La ecuacin (182) expresa el hecho de que cada capa es influenciada slo por sus
vecinas inmediatas (arriba y debajo). La expresin (181) indica que la capa del fondo
slo es influenciada por la capa arriba de ella y la (183) que la capa superior slo se ve
afectada por la capa que yace inmediatamente por debajo de ella.
Por definicin (Environmental Laboratory, 1995):
T * = T ( t + t ) (184)
T* = Temperatura en el prximo paso de tiempo (Temperatura en t + t).
Agrupando las ecuaciones que se producen al aplicar (181), (182) y (183), se genera
el siguiente sistema de ecuaciones diferenciales (se ejemplifica para cinco capas
horizontales):
V0 T0 = A 00 T0 + A 01 T1 0 0 0 + P0 ...( 0 )

V1 T1 = A10 T0 + A11 T1 + A12 T2 0 0 + P1 ... (1)

V2 T2 = 0 + A 21 T1 + A 22 T2 + A 23 T3 0 + P2 ... ( 2 )
V T = ... ( 3)
(185)
0 0 + A 32 T2 + A 33 T3 + A34 T4 + P3
3 3
V4 T4 = 0 0 0 + A 43 T3 + A 44 T4 + P4 ...(4)
El trmino Pj es un factor que incluye el influjo (caudal de entrada) y otras

transferencias hacia la capa j que son independientes de las temperaturas en las
capas.
La estrategia numrica para resolver el sistema de ecuaciones (185) involucra una

formulacin de ecuaciones en diferencias homlogas, en las cuales las temperaturas
para el prximo punto en el tiempo son expresadas directamente en trminos de las
temperaturas presentes y sus valores de cambio e implcitamente en trminos de los
valores de cambio en el prximo punto (paso de tiempo) (Hydrologic Engineering
Center, 1986). La naturaleza implcita de esta estrategia es manifestada en la
aproximacin siguiente (Hydrologic Engineering Center, 1986; Environmental
Laboratory, 1995):
152
t t
T0* = T0 + T0 + T0*
2 2
t t *
T1* = T1 + T1 + T1
2 2
t t
T2* = T2 + T2 + T2* (186)
2 2
t t *
T3* = T3 + T3 + T3
2 2
t t *
T4* = T4 + T4 + T4
2 2
Si las expresiones de (186) son sustituidas en el sistema (185), el planteamiento de

solucin es (Environmental Laboratory, 1995):
V0 A 00 2t A 01 2t 0 0 0 T0*
*
A10 2 V1 A11 2t A12 2t
t
0 0 T1
0 A 21 2t V2 A 22 2t A 23 2t 0 T* =
2
0 0 A 32 2t V3 A 33 2t A 34 2t T3*

0 0 0 A 43 2t V4 A 44 2t T4*
(187)
A 00 A 01 A 02 A 03 A 04 T0 + t 2 T0 P0
A
10 A11 A12 A13 A14 T1 + t 2 T1 P1
= A 20 A 21 A 22 A 23 A 24 T2 + t 2 T2 + P2

A 30 A 31 A 32 A 33 A 34 T3 + t 2 T3 P3
A 40
A 41 A 42 A 43 A 44 T4 + t 2 T4 P4
Vj = Volumen de la capa j.
t = Intervalo de tiempo (un da).
i +1
T = T i= Derivada de la temperatura respecto al tiempo en el siguiente paso de
*
j j
tiempo.
Tj = Temperatura de la capa j en el paso de tiempo presente.
Tj = Derivada de la temperatura respecto al tiempo en el paso de tiempo
presente.
Pj =iTrminos independientes de la temperatura de las capas en la
expresin (185).
Para proyectar desde el punto presente en el tiempo hacia el prximo todos los
trminos en el lado derecho de (187) son conocidos debido a que el resultado es una
matriz de constantes (Environmental Laboratory, 1995).
153
Cuando se expresan en forma matricial las ecuaciones contienen un coeficiente
matricial de forma tridiagonal. Las ecuaciones son integradas cada intervalo
computacional mediante un mtodo numrico implcito que consiste en eliminacin
Gaussiana implementada para minimizar el crecimiento del error y los requerimientos
de almacenamiento (Algoritmo de Thomas) (Hydrologic Engineering Center, 1986).
Por lo tanto el sistema (187) se puede expresar as (http://www.cfd-

online.com/Wiki/Tridiagonal_matrix_algorithm_-_TDMA_(Thomas_algorithm)):
b0 c0 0 0 0 d0
a b1 c1 0 0 d1
1
0 a2 b2 c2 0 d2 (188)

0 0 a3 b3 c3 d3
0 d 4
0 0 a 4 b4
Y el algoritmo de Thomas se aplica as (http://www.cfd-online.com/Wiki/Tridiagonal_

matrix_algorithm_-_TDMA_(Thomas_algorithm)):
Desde i = 1 hasta n-1 (cuatro en este ejemplo):
ci 1
bi = bi a i (189)
bi 1
d i 1
di = di a i (190)
bi 1
Para la derivada de la temperatura en el siguiente paso de tiempo n - 1 (para este

ejemplo, el correspondiente a 4) (http://www.cfd-online.com/Wiki/Tridiagonal_matrix
_algorithm_-_TDMA_(Thomas_algorithm)):
d n 1
T4* = Tn*1 = (191)
b n 1
Las otras derivadas de la temperatura en el siguiente paso de tiempo se obtienen as

desde i = n 2 hasta i = 0 (http://www.cfd-online.com/Wiki/Tridiagonal_matrix_
algorithm_-_TDMA_(Thomas_algorithm)):
d i ci Ti*+1
Ti* = (192)
bi
154
Finalmente la temperatura en el siguiente paso de tiempo para cada una de las capas
se obtiene con las expresiones (186) (Environmental Laboratory, 1995).
155
156
CAPTULO 6. DESCRIPCIN DEL SITIO DE ESTUDIO
6.1 UBICACIN GEOGRFICA
El Embalse Amadorio est ubicado en la Provincia de Alicante (Figura 33) y est

dentro del dominio de la Confederacin Hidrogrfica del Jcar (CHJ). Pertenece al
sistema de explotacin de la Marina Baja (Figura 34) (www.chj.es).
FIGURA 33 Ubicacin geogrfica de la Provincia de Alicante
El Sistema de Explotacin Marina Baja se sita en la provincia de Alicante, entre los

1.100 m.s.n.m. y el mar Mediterrneo; comprende las cuencas propias de los ros
Algar y Amadorio y las subcuencas litorales comprendidas entre el ro Algar y el lmite
sur del trmino municipal de Villajoyosa (www.chj.es).
Las coordenadas del Embalse Amadorio, en el Sistema de Coordenadas Universal

Transversal de Mercator (UTM 30) son (Paredes Arquiola et al., 2006):
X: 738 390 m
Y: 4 272 435 m
157
FIGURA 34 Ubicacin del Sistema de Explotacin Marina Baja (Fuente: http://www.chj.es/)
6.2 ANTECEDENTES
Los datos correspondientes a ubicacin de las fuentes de informacin, geografa,

hidrologa, clima, caractersticas de la cuenca y el embalse (Figura 35), vertidos y
demandas, se obtuvieron del Tomo III. Estudio de la calidad ambiental de las aguas
en el embalse de Amadorio. Propuesta de actuaciones, el cual se incluye en las
referencias (Captulo 11).
La informacin de geologa se obtuvo de www.geoiberica.com. La informacin

geogrfica de la direccin electrnica www.dip-alicante.es.
Tambin de la CHJ se obtuvo la informacin de hidrologa, calidad del agua y

morfologa del embalse.
Son de especial mencin los datos de la Sonda multiparamtrica, en el Embalse

Amadorio, registrados por la CHJ. Los parmetros que se recolectan a diferentes
profundidades son: temperatura, pH, oxgeno disuelto y conductividad.
De la Estacin Villajoyosa se obtuvieron los datos meteorolgicos.
158
Curva Calado-Volumen
45
40
35
30
Calado (m)
25
20
15
10
0
0 2 4 6 8 10 12 14 16 18
Volumen (hm3)
FIGURA 35 Curva calado-volumen del Embalse Amadorio
6.3 INFORMACIN BSICA DE LA ZONA
El sistema de explotacin Marina Baja comprende las cuencas de los ros Algar y
Amadorio y las subcuencas litorales comprendidas entre el ro Algar y el lmite sur del
trmino municipal de Villajoyosa, ocupando una superficie de 583 km2 (www. chj.es).
Cuenta con slo 49 hm3 de recursos hdricos. En cuanto a los usos consuntivos,
alcanzan el 62,64 hm3 al ao de los que 30,49 representan la demanda urbana, 31,15
la agrcola y 1,00 hm3 la industrial (www.chj.es).
La Marina Baja est considerada como un rea de alto riesgo en lo referente a las
sequas. Esto produce un impacto socioeconmico grave ya que se trata de una de las
zonas con mayor extensin de regado y es un polo turstico (www.chj.es).
El perodo de sequa que hubo en los aos 80-85 afect gravemente a esta zona y
hubo restricciones de agua para abastecimiento (www.chj.es).
Con el fin de solucionar esta situacin se han realizado diversas actuaciones

tendientes a extender la oferta de abastecimiento mediante infraestructuras de
captacin y regulacin, aprovechamiento de sobrantes. La batera de actuaciones
puesta en juego puede decirse que ha llegado al techo terico de aprovechamiento de
los recursos, que alcanzan un buen nivel de servicio para la situacin actual en un ao
159
medio, existiendo problemas en caso de sequa (www.chj.es).
El dficit previsto para el ao horizonte es de unos 6 hm3, no existiendo ms fuente

alternativa que el aumento en la utilizacin de aguas depuradas generadas por el
propio proceso de urbanizacin en toda la provincia de Alicante, por ejemplo, para los
riegos de Aspe y Hondn de las Nieves (/www.chj.es).
6.4 DESCRIPCIN DE LA CUENCA
El Ro Amadorio de 28,4 km de longitud y 205,0 km2 de cuenca, nace en las sierras de

Retamar de la unin de varios barrancos, siendo los ms importantes Rogull, Monferri
y Escuders (www.chj.es).
El Amadorio sigue al sureste, entre las sierras de la Grana y del Aguilar donde recibe
por su margen izquierda las aguas procedentes de los barrancos de la Surca y de los
Bortolons (www.chj.es).
Seguidamente llega a la ciudad de Relleu, de la que recibe sus aguas procedentes de

la estacin depuradora de aguas residuales (EDAR) (www.chj.es).
Antes de alcanzar el embalse de Amadorio el Ro Amadorio pasa por la Presa de

Relleu, que actualmente no se encuentra en servicio. Aguas abajo de Relleu el ro
recoge por su margen izquierda las aguas del barranco de la Pedrera y por la derecha
del barranco de la Cueva. Finalmente se une al ro Sella en el Embalse de Amadorio,
en el trmino municipal de Villajoyosa (www.chj.es).
El Ro Sella, principal afluente del Amadorio, nace al pie de la Sierra de Retamar en la

unin del barranco de El Seguro y el de Tangarina. En esta zona destaca el pico de
Aitana con ms de 1500 m de altitud (www.chj.es).
El ro llega a la poblacin de Sella, donde recibe las aguas de la EDAR de esta

poblacin. Aguas abajo afluye por la margen izquierda el barranco del Arch y ms
abajo, tambin por la izquierda, los barrancos de Charquer y el arroyo Salado.
Posteriormente pasa por la poblacin de Orcheta y finalmente confluye con el Ro
Amadorio y llega al embalse (www.chj.es).
A partir del embalse el caudal del ro es mnimo. Aparece en este tramo la depuradora
de aguas residuales de Villajoyosa (Figura 36) (www.chj.es).
160
Desemboca en el mar Mediterrneo atravesando la ciudad de Villajoyosa. Est
previsto el acondicionamiento del cauce del ro (www.chj.es).
FIGURA 36 Cuenca del Ro Amadorio (Fuente: http://www.chj.es/)
FIGURA 37 Unidades hidrogeolgicas asociadas a la Cuenca del Ro Amadorio (Fuente:

http://www.chj.es/)
161
La cuenca del Ro Amadorio se encuentra en una zona en la que la erosin potencial
del suelo es alta o muy alta dependiendo de la ubicacin, con valores que van desde
las 40 t/ha/ao a valores por encima de las 100 t/ha/ao. La erosin actual en esta
cuenca est catalogada como moderada, entre 15 y 40 t/ha/ao (Paredes et al.,
2006b).
Dentro de la superficie de la cuenca existen dos unidades hidrogeolgicas: Orcheta y

la de Sierra Aitana (Figura 37) (www.chj.es). La unidad de Orcheta se recarga, en
parte, desde el Embalse Amadorio.
6.5 DESCRIPCIN DEL EMBALSE
El Embalse de propiedad estatal se destina al riego y al abastecimiento, a travs del

Consorcio de la Marina Baja de las ciudades de Benidorm y Villajoyosa (Paredes et al.,
2006b).
La informacin significativa del embalse se presenta por categoras a continuacin:
DATOS ADMINISTRATIVOS DATOS GEOGRFICOS
Nombre de la presa: Amadorio Ro en el que se encuentra la presa: Amadorio
Fase segn RTSPYE: Explotacin Municipio: Villajoyosa
Titular de la presa: Estado Cuenca hidrogrfica: Jcar
Proyectista: J. Aura Candela Provincia: Alicante
Categora en funcin del riesgo potencial: A DATOS HIDROLGICOS
2
Fecha de finalizacin de las obras: 01-01-1957 Superficie de la cuenca hidrogrfica (km ):
205,00
USOS DEL EMBALSE
3
Aportacin media anual (hm ): 6,00
Usuarios: Consorcio Abast. y San. Marina Baja
de Alicante, C.R. de las huertas DFE Villajoyosa Precipitacin media anual (mm): 360,00
3
Tipos: Abastecimiento, riego Caudal punta avenida de proyecto (m /s): 400,00
DATOS DEL EMBALSE DATOS DEL DESAGE
Superficie del embalse a NMN (ha): 103,00 Nmero total de desages en la presa: 1
3 3
Capacidad a NMN (hm ): 16,00 Capacidad (m /s): 68,00
Cota del NMN (m): 127,00
162
DATOS DE LA PRESA DATOS DE LAS TOMAS
Tipo de presa: Gravedad Toma inferior; margen derecha
Cota de coronacin (m): 130,00 Dimetro: 0,50 m
Altura desde cimientos (m): 64,00 Nmero de conductos: 2
Longitud de coronacin (m): 333,00 Cota (m): 90,00
Cota cimentacin (m): 66,00 Capacidad desage ambos conductos

3
(m /s): 2x3
Cota del cauce en la presa (m): 72,00
Toma superior; margen izquierda
3
Volumen del cuerpo presa (miles de m ): 268,00
Dimetro: 0,50 m
DATOS DEL ALIVIADERO
Nmero de conductos: 1
Nmero total de aliviaderos en la presa: 1
Cota (m): 108,50
Tipo: Creager, con compuertas
3
Capacidad desage del conducto (m /s):
Vanos: Dos, de 15 m cada uno 2,25
3
Capacidad a NMN(m /s): 505,6
Regulacin: Compuertas
Compuertas: Taintor estructura abierta, 15 x 4

m, cada una
Cota labio: 123,00 m
TABLA 5 Resumen de las caractersticas del Embalse Amadorio (Fuente: Paredes Arquiola et al., 2006b)
Los recursos hdricos del Embalse Amadorio proceden del ro del mismo nombre y de
su afluente el Sella, aunque la mayor aportacin tiene su origen en los sobrantes y
escorrentas del Ro Algar que se recogen junto a las del Ro Guadalest en el azud del
Mandem. Desde la estacin de bombeo que existe en el azud, las aportaciones son
transportadas por el Canal bajo del Algar con una capacidad de transporte aproximada
de 1,2 m3/s, hasta llegar al azud del Ro Torres donde son impulsadas junto con las
pequeas aportaciones de esta cuenca, que incluye los vertidos de la EDAR de
Finestrat, hasta el Embalse de Amadorio. La capacidad de impulsin en el azud del
Ro Torres es de 1,5 m3/s (Paredes et al., 2006b).
6.6 CLIMA
El clima del Sistema de la Marina Baja es mediterrneo semirido presentndose los

valores ms bajos, en lo que a precipitacin se refiere, en la desembocadura del ro
163
Amadorio. Esta variable aumenta en sentido Norte-Oeste, alcanzndose en Callosa
d'Ensarra casi los 600 mm. La precipitacin media anual es de 400 mm/ao y la
temperatura media es de 16C (Paredes et al., 2006).
La informacin meteorolgica se obtuvo de la estacin de Villajoyosa (la estacin ms

cercana al embalse). Los valores de las variables de inters fueron registrados por la
estacin a escala diaria. Algunas de las variables ms significativas medidas por la
estacin fueron (www. chj.es):
Velocidad media del viento.

Direccin media del viento.
Velocidad mxima del viento.
Temperatura media del aire.
Temperatura mnima del aire.
Temperatura mxima del aire.
Humedad relativa media del aire.
Radiacin solar global (Figura 38).
Precipitacin diaria total (Figura 39).
Evapotranspiracin de referencia (Figura 40).
Se espera que por la ubicacin tan prxima de la estacin Villajoyosa al Embalse

Amadorio (aproximadamente dos kilmetros) los datos recolectados en la estacin
sean representativos del embalse. En el modelo mecanicista (seccin 5.2) se
consider una constante general llamada Factor por viento () (Hornung, 2002), que
es un factor que multiplica a la velocidad del viento; se utiliza para ajustar este
parmetro fsico en caso de que sus valores sean distintos debido a que la estacin
meteorolgica no se encuentra directamente en el embalse, sino a cierta distancia.
Para esta investigacin el valor ajustado del Factor por viento fue de 1,10 (seccin
8.4), lo cual indica que la velocidad del viento en los clculos del modelo ser
incrementada en un 10% para todas las operaciones a efectuar con el modelo
mecanicista.
164
Radiacin solar global
400
300
W/m2
200
100
0
01/01/2000 31/12/2000 31/12/2001 31/12/2002 31/12/2003 30/12/2004
FIGURA 38 Radiacin solar global diaria en Villajoyosa (Fuente: http://www.chj.es)
Precipitacin
80
60
mm
40
20
0
01/01/2000 31/12/2000 31/12/2001 31/12/2002 31/12/2003 30/12/2004
FIGURA 39 Precipitacin diaria en la Estacin Villajoyosa (Fuente: http:// www.chj.es)
165
Evapotranspiracin
6
mm
0
01/01/2000 31/12/2000 31/12/2001 31/12/2002 31/12/2003 30/12/2004
FIGURA 40 Evapotranspiracin diaria en la Estacin Villajoyosa (Fuente: http://www.chj.es)
6.7 GEOLOGA Y USOS DEL SUELO
El embalse se encuentra dentro del dominio de las cordilleras Bticas. Presentan un

estilo estructural propio individualizado por una complicadsima estructura de mantos
superpuestos. Esta estructura de debe a que las Cordilleras Bticas se sitan en una
zona de colisin entre la placa Europea y la Africana. Durante la mayor parte de su
historia geolgica constituy un dominio de plataforma adyacente al continente, con
depsito predominante de materiales carbonatados. La unidad Btica abarca el lmite
sur de la Provincia de Valencia y gran parte de la de Alicante (Figura 41). Se
caracteriza por presentar alineaciones SO-NE, formando tres bandas paralelas,
alargadas, denominadas Zona Prebtica, Zona Sub-btica y Zona Btica, segn la
intensidad de la influencia Btica. El embalse est dentro de lo que se ha denominado
Prebtico Interno (Paredes et al., 2006b).
166
FIGURA 41 Zonas del dominio Btico (Fuente: www.geoiberica.com)
El Prebtico interno representa la zona ms alejada del continente. Se caracteriza por

ser un dominio muy plegado, con frecuentes pliegues cabalgados hacia el Norte o
volcados con vergencia norte; a medida que se avanza hacia el Sur los materiales son
progresivamente ms margosos (medios sedimentarios marinos ms profundos) y de
mayor potencia (debido a la subsidencia). El Prebtico interno comprende las
comarcas de LAlcoia, el Comtat, la Marina Alta, la Marina Baja, el Vinalop y
LAlacant (Paredes et al., 2006b).
En cuanto a la litologa del suelo destaca principalmente el material calcreo (Paredes

et al., 2006b).
En la cuenca del Ro Amadorio, adems de las rocas carbonatadas, aparecen tambin

rocas detrticas y evaporticas. Se encuentran margas, rocas calcreas y
combinaciones de ambas. En las zonas prximas al embalse aparecen nuevamente
calcarenitas y tambin cantos, gravas y limos. En la cuenca del Sella se encuentran
combinaciones de arcillas, margas y yesos (Paredes et al., 2006b).
6.8 INFORMACIN DEMOGRFICA
La Comarca de la Marina Baja est integrada por 18 municipios y tiene una poblacin
censada de 166.255 habitantes, segn los datos del ao 2005. En temporada estival y
debido al flujo turstico se registra un incremento muy importante de la poblacin, en
torno al 200% (Paredes et al., 2006b).
167
Nmero de habitantes Incremento 2000
2005 (%)
Municipio
2000 2005
LAlfs de P 14.139 16.843 19,1
Altea 15.579 21.154 35,8
Benidorm 54.321 67.492 24,2
Finestrat 2.169 3.797 75,1
La Nucia 8.616 12.573 45,9
Polop 2.136 3.353 57,0
La Villajoyosa/Vila Joiosa 23.704 27.983 18,1
Total 120.664 153.195 27,0
TABLA 6 Poblacin de los municipios que forman el Consorcio de Abastecimiento de Aguas y

Saneamiento Marina Baja (Fuente: http://www.dip-alicante.es/documentacin/censo.asp)
Los municipios ms importantes dentro del Consorcio de la Marina Baja, son Benidorm
y Villajoyosa, que concentran ms del 60 % de la poblacin de este sistema de
explotacin.
Se puede observar que los municipios que en el ao 2000 tenan el menor nmero de
habitantes son los que tuvieron un mayor incremento en su poblacin. En general, el
incremento del nmero de habitantes para todo el Sistema de Explotacin de la Marina
Baja, que es de un 27,0 %, es significativo y permite pronosticar que la demanda de
recursos hdricos para suministro urbano (la que requiere mayor calidad del agua) se
incrementar de forma marcada en los prximos aos.
6.9 VERTIDOS AL EMBALSE Y DEMANDAS
En el Embalse de Amadorio existen tres poblaciones cuyo ncleo se encuentra dentro

de su cuenca. Sella y Relleu cuentan, cada una, con una EDAR. La poblacin de
Orcheta est conectada a la EDAR de Villajoyosa y por lo tanto su vertido se realiza
aguas abajo del embalse, por lo que no afecta a la calidad de ste (Paredes et al.,
2006b).
Adems de las aguas residuales depuradas que llegan al Embalse de Amadorio de

manera directa a travs de los cauces a las que son vertidas, aguas depuradas
procedentes de otros municipios pueden alcanzar el embalse a travs de los diferentes
bombeos que se realizan. Es el caso de Bolulla, Trbena y la EDAR Cuenca del
Guadalest cuyas aguas depuradas son vertidas a cauces que alimentan el bombeo
del Mandem. Por otra parte la depuradora de Finestrat vierte una parte de las aguas
de la poblacin de forma que pueden llegar al bombeo de Torres, el resto del caudal
168
residual generado en Finestrat es desviado a la depuradora de Benidorm (Paredes et
al., 2006b).
El uso que se hace del agua del Embalse Amadorio es principalmente para
abastecimiento de la demanda urbana y riego. El aprovechamiento para fines
industriales es prcticamente nulo (Paredes et al., 2006b).
La demanda agrcola que se satisface desde el almacenamiento es aquella que no se

puede cubrir con la reutilizacin de las aguas depuradas de las estaciones de
Benidorm y Villajoyosa, principalmente. Entre los aos 2003 y 2005 la media anual del
volumen suministrado para este propsito desde Amadorio es algo superior a 1
hm3/ao (Paredes et al., 2006b).
Por otra parte, la demanda urbana de los municipios de Benidorm y La Villajoyosa

puede suministrarse, de forma parcial, desde el Embalse Amadorio (Paredes et al.,
2006b).
Desde el almacenamiento se ha suministrado una magnitud total de 6 hm3/ao de

valor medio (Paredes et al., 2006). Este valor puede aumentar en el futuro como
consecuencia del, casi seguro, aumento de la poblacin en los centros urbanos
servidos.
DISTRIBUCIN MENSUAL DE LA DEMANDA (%)

OCT NOV DIC ENE FEB MAR ABR MAY JUN JUL AGO SEP
7 4 0 0 0 9 5 7 11 23 23 11
TABLA 7 Demanda consuntiva en el mbito del Plan Hidrolgico del Jcar (Fuente: http://www.chj.es/)
6.10 NORMATIVIDAD APLICABLE AL RECURSO HDRICO EN EL EMBALSE
El Plan Hidrolgico del Jcar menciona que el tramo correspondiente al Embalse de

Amadorio al estar destinado para produccin de agua potable tiene como objetivo de
calidad el A2, segn la nomenclatura del Anexo 1 del Reglamento de la Administracin
Pblica del Agua y de la Planificacin Hidrolgica (http://www.chj.es/).
Para las aguas superficiales susceptibles de ser destinadas al consumo humano

clasificadas en el grupo A2 los niveles de calidad para las variables analizadas en este
trabajo son:
169
Parmetro Lmite
Temperatura 25C
Oxgeno disuelto 50% saturacin
pH 5,5 9
Conductividad a 20C 1000 S/cm
TABLA 8 Algunos lmites de variables de calidad del grupo A2 (Fuente: Real Decreto 1541/1994)
Respecto a la temperatura, las herramientas de prediccin podran permitir conocer,

segn las condiciones ambientales y la profundidad, a qu nivel se debe efectuar la
extraccin.
La concentracin de saturacin para el oxgeno disuelto en agua es la mxima

concentracin de oxgeno que puede estar disuelto en agua. En general, varios
factores ambientales pueden afectar a este valor. Desde el punto de vista de la
modelacin de la calidad del agua los ms importantes son la temperatura, la salinidad
y las variaciones de la presin parcial debidas a la elevacin del lugar (Chapra, 1997).
La siguiente ecuacin puede usarse para establecer la dependencia de la saturacin

de oxgeno con respecto a la temperatura (Chapra, 1997):
1,575701 105 6,642308 107 1,243800 1010

ln osf = 139,34411 + +
Ta Ta2 Ta3
(193)
8,621949 1011

Ta4
Donde osf es la concentracin de saturacin de oxgeno disuelto en agua dulce a una

atmsfera (en mg/) y Ta es la temperatura absoluta (Chapra, 1997).
La dependencia de la saturacin con respecto a la salinidad puede expresarse con la

siguiente expresin (Chapra, 1997):
1,0754 101 2,1407 103

ln oss = ln osf S 1,7674 102 + (194)
Ta Ta2
Donde oss es la concentracin de saturacin de oxgeno disuelto en agua salada a una

atmsfera (en mg/ ) y S es la salinidad (en g/ ) (Chapra, 1997).
Se puede apreciar en las expresiones anteriores que la temperatura del agua tiene
una gran influencia sobre la concentracin de saturacin del oxgeno disuelto.
170
El pH tiene como lmites inferior y superior de las observaciones los valores 5,885 y
9,053, respectivamente. Por lo tanto, prcticamente se encuentra siempre cumpliendo
los lmites 5,5 - 9 de las aguas superficiales del grupo A2.
La conductividad vara con la temperatura y por convencin se haba establecido una

temperatura a la que deban de referirse las medidas de conductividad. Anteriormente
la temperatura estndar de referencia era de 25C; en tiempos ms recientes se ha
establecido como temperatura estndar la de 20C. La determinacin prctica de la
conductividad estndar puede efectuarse de forma instrumental, compensando
electrnicamente la temperatura o de forma algebraica (Romero Rojas, 1999).
6.11 DESCRIPCIN DE LA SONDA
El rgimen de los ros es muy variable llegando algunos a tener caudales muy bajos
en pocas de estiaje e incluso a no tener caudal, poniendo en peligro el uso del
recurso en una parte del ao (probablemente cuando es ms necesario). Este
panorama conduce obligadamente a contar con medios de almacenamiento, los
embalses, que cumplen las funciones de laminar caudales en periodos de avenidas y
la de almacenar agua para periodos durante el ao en que los caudales existentes no
podran satisfacer la demanda (Prats i Vime et al., 2004).
Frecuentemente, las fuentes que alimentan de agua a los embalses no garantizan la

calidad requerida para los distintos usos solicitados, e inclusive, los caudales que
ingresan al embalse pueden estar cargados de nutrientes y otros contaminantes (Prats
i Vime et al., 2004).
Debido a lo anteriormente expresado se necesita dar seguimiento a la calidad del agua

almacenada en los embalses por medio de diversos mecanismos (Prats i Vime et al.,
2004).
El seguimiento real de la calidad del agua embalsada presenta problemas que en

ocasiones son de difcil solucin. Las campaas de muestreo, de hecho, se efectan
en intervalos de tiempo muy amplios por lo que deben complementarse con acciones
adicionales para disponer de un verdadero control de la calidad y tomar acciones
oportunas (Prats i Vime et al., 2004).
Para garantizar en todo momento la calidad para los usos requeridos es necesario
detectar ciclos que se desarrollan en el embalse, algunos de ellos de duracin muy
corta en comparacin con el tiempo transcurrido entre campaas de muestreo (como
171
por ejemplo, el ciclo de aumento de la cantidad de algas que generalmente ocurre en
unos pocos das) (Prats i Vime et al., 2004).
Si se pretende detectar estos ciclos se hace patente que la tcnica clsica de

muestreo no es la solucin ms adecuada para estos retos, a menos que se efecte
cuando los fenmenos se producen (algo poco probable) o que la campaa de
muestreo sea permanente (lo que implica utilizar gran cantidad de recursos
econmicos, tcnicos y humanos, lo que en la prctica no es factible) (Prats i Vime et
al., 2004).
La solucin al problema apunta a un tipo de actuacin permanente y constante y por

tanto automtica que informe de las observaciones en tiempo real y que tenga la
capacidad de detectar los parmetros que evidencian la aparicin de estos ciclos
(Prats i Vime et al., 2004).
El seguimiento del estado de la calidad del agua en un embalse se puede abordar

desde dos enfoques: i) medir los parmetros directos determinantes de la calidad o ii)
los parmetros indirectos que caracterizan cada situacin (Prats i Vime et al., 2004).
Para datos continuos y en tiempo real es ms adecuado el segundo enfoque (por ser
ms sencillo y econmico, generalmente, obtener los parmetros indirectos que
configuran cada ciclo) (Prats i Vime et al., 2004).
Algunos de los parmetros que pueden ayudar a establecer la situacin de la calidad

del agua embalsada y el riesgo de cambio brusco de esta calidad pueden ser: la
temperatura, el oxgeno disuelto y el potencial redox, todos ellos medidos a diferentes
profundidades (Prats i Vime et al., 2004).
La meteorologa puede causar cambios en la calidad del agua por lo que interesa su
registro para efectuar determinadas predicciones e incluso para modelizar el
comportamiento del agua embalsada. La informacin meteorolgica ms importante
es: temperatura, precipitacin atmosfrica, radiacin solar, intensidad y direccin del
viento, as como evaporacin (Deas et al., 2000; Prats i Vime et al., 2004).
La meteorologa presente es determinante para la continuidad en el tiempo de un

determinado estado de calidad. Las variaciones de la temperatura del agua en
superficie generadas por los cambios en la temperatura del aire o por la lluvia pueden
acelerar las corrientes de conveccin y provocar la rotura de la termoclina,
provocando, por ejemplo, la aparicin rpida de fitoplancton (Prats i Vime et al., 2004).
172
FIGURA 42 Trabajos de instalacin de equipos para la sonda multiparamtrica autoposicionable (Fuente:
www.chj.es)
Para efectuar la medicin de los parmetros que auxiliarn en el establecimiento del

estado de calidad del agua en el embalse se puede utilizar un equipo fijo. Este se
monta en un punto crtico del embalse, por ejemplo, en una toma de agua que ser
potabilizada para suministro a una poblacin (Prats i Vime et al., 2004).
En el ao 2003 se efectu la instalacin de una sonda multiparamtrica

autoposicionable en el Embalse Amadorio (Figura 42). Esta sonda desarrolla el
seguimiento continuo de los parmetros bsicos de calidad del agua (como son
temperatura, pH, conductividad y oxgeno disuelto) a distintos niveles del embalse, lo
cual permite elaborar perfiles verticales de estos constituyentes. Los perfiles verticales
pueden servir como auxiliares en el seguimiento ecolgico del embalse, estudiar los
procesos de mezcla, determinar la estructura de estratificacin, etc. (www.chj.es).
El sistema est constituido por una unidad de medida fija, medios de transmisin de
datos y un centro de recepcin de informacin (Prats i Vime et al., 2004).
La sonda se mont en una plataforma situada en el paramento del embalse,

aprovechando la infraestructura de una caseta de accionamiento de vlvula de toma
173
FIGURA 43 Vista de la caseta donde opera la sonda multiparamtrica (Fuente: www.chj.es)
La sonda multiparamtrica (Figura 43) aporta una informacin muy til para la gestin
de la calidad del agua embalsada, en tiempo real y con unos medios relativamente
sencillos, con una tasa baja de mantenimiento, debido al sistema automtico instalado
Cabe sealar que los avances siguen adelante, ya que existe la posibilidad
actualmente de disponer de sondas capaces de medir ms parmetros (potencial
redox, clorofila a, cianobacterias, etc.), para agregar informacin a la actualmente
disponible y, con esto, mejorar la gestin sobre todo en el aspecto temporal.
174
CAPTULO 7. APLICACIN DE LOS MTODOS MULTIVARIANTES
7.1 INTRODUCCIN
Antes de aplicar cualquier mtodo estadstico un paso fundamental es el

establecimiento del intervalo de tiempo que se usar para reportar las observaciones,
tanto las meteorolgicas, las hidrolgicas, as como las de calidad del agua del
embalse.
Los parmetros meteorolgicos fueron obtenidos de la estacin ms cercana al

Embalse Amadorio, la estacin Villajoyosa. Las magnitudes medidas fueron las
siguientes:
V, Velocidad media del viento (Km/h).

DV, Direccin media del viento.
Vx, Velocidad mxima del viento (Km/h).
T, Temperatura media (C).
Tn, Temperatura mnima (C).
Tx, Temperatura mxima del aire (C).
Horas fro, Nmero de horas por debajo de 7 C.
HR, Humedad relativa media del aire (%).
Rad, Radiacin solar global (W/m2).
P, Precipitacin total (mm).
ETo, Evapotranspiracin de referencia, calculada mediante el mtodo
de Penman-Monteith, salvo en el caso de incidencias con el
anemmetro donde se utiliza el mtodo de Hargreaves (mm).
Se dispone de estas medidas a escala de tiempo diaria (intervalo de 24 horas

representativo del da de referencia).
El intervalo de tiempo del que se cuenta con informacin va del 01/01/2004 al

20/09/2005. Se observa que en el periodo mencionado la informacin est completa
para todos los parmetros meteorolgicos, sin existir interrupciones o datos faltantes.
Las magnitudes hidrolgicas y de calidad del agua, calculadas y observadas, fueron

las que a continuacin se enumeran (Paredes et al., 2006b):
Volumen de explotacin (m3).
175
Caudal de entrada al embalse (m3/da).
Caudal de salida del embalse (m3/da).
Temperatura del agua que entra al embalse (C).
Filtracin (m3/da).
SS, slidos suspendidos en el caudal de entrada (mg/l).
DBO5, demanda bioqumica de oxgeno de 5 das en el caudal de entrada
(mg/l).
O2, oxgeno disuelto en el caudal de entrada (mg/l).
Norg, nitrgeno orgnico en el caudal de entrada (mg/l).
NH4, nitrgeno amoniacal en el caudal de entrada (mg/l).
NO3, nitratos en el caudal de entrada (mg/l).
A, fitoplancton en el caudal de entrada (mg/l).
Porg, fsforo orgnico en el caudal de entrada (mg/l).
Pinorg, fsforo inorgnico en el caudal de entrada (mg/l).
Todas las cantidades anteriores estn expresadas a escala diaria (lapso de tiempo de
24 horas).
Los mtodos que pueden ser usados para medir las variables qumicas fueron los
siguientes (AENOR, 2005):
Para los slidos suspendidos se emple el mtodo de filtracin por filtro de

fibra de vidrio.
La demanda bioqumica de oxgeno de 5 das se puede determinar o por el
Mtodo de dilucin y siembra con adicin de alil tiourea o por el Mtodo para
muestras no diluidas.
El oxgeno disuelto puede obtenerse por el Mtodo yodomtrico o por el
Mtodo electroqumico.
Para el nitrgeno orgnico se us la determinacin de nitrgeno Kjeldahl por el
Mtodo de mineralizacin con selenio.
La cantidad de nitrgeno amoniacal fue obtenida por anlisis de flujo (CFA y
FIA) y deteccin espectromtrica.
Los nitratos fueron determinados con el anlisis por inyeccin de flujo (CFA y
FIA) con deteccin espectromtrica.
Para el fitoplancton se emple el recuento del mismo por microscopa invertida.
El fsforo orgnico y el inorgnico por medio de las directrices indicadas en la
Norma Espaola para determinacin del fsforo mediante el Mtodo
176
espectromtrico de molibdato de amonio.
Para el periodo de tiempo del 01/01/2004 al 20/09/2005, los valores de los distintos
parmetros enumerados estn completos, sin existir valores faltantes.
Es necesario hacer notar que las mediciones de los parmetros de calidad del agua
que ingresa al embalse fueron escasamente monitoreados, por lo que con el fin de
efectuar una modelacin realizada en el Tomo III. Estudio de la calidad ambiental de
las aguas en el Embalse de Amadorio. Propuesta de actuaciones basada en
ecuaciones en diferencias finitas para dos capas (epilimnion e hipolimnion), se
supusieron valores constantes para los parmetros: Temperatura del agua que entra al
embalse, SS, DBO5, O2, Norg, NH4, NO3, A, Porg y Pinorg.
Una parte de la propuesta de trabajo de tesis est basada en algunos mtodos

multivariantes, con el objetivo de caracterizar y modelar estados de calidad del agua
en el embalse. El fundamento para diferenciar entre estos estados y modelarlos es
que cada una de las variables consideradas presenten variaciones, pues los cambios
en algunas de estas variables de calidad estn correlacionados con las modificaciones
en otras. Por lo tanto, una variable que posea un valor constante no ser til para
distinguir (diferenciar) entre fases de calidad del agua en el embalse ni para modelar,
pues al ser su valor constante, no presenta correlacin con los cambios que se
presentan en otras variables.
Debido a lo anterior los parmetros Temperatura del agua que entra al embalse, SS,
DBO5, O2, Norg, NH4, NO3, A, Porg y Pinorg, no sern incluidos en el desarrollo de los
mtodos multivariantes empleados.
La sonda multiparamtrica midi en el interior del embalse los siguientes valores de

parmetros de calidad del agua a distintas profundidades:
Temperatura (C).
Oxgeno disuelto (mg/l).
pH.
Conductividad (S/cm).
Respecto al intervalo de tiempo en el que se efectuaron los registros de la sonda se

observa que fueron efectuados en distintos formatos: en ocasiones slo se obtuvo un
perfil al da (en diferentes horarios entre das), en otras se obtuvo el perfil existente
177
durante varios momentos del da.
Debido a que en el procesamiento se debe efectuar para registros (conjuntos de

observaciones) que estn aplicados al mismo sistema y representando la misma
unidad de tiempo y como los datos meteorolgicos e hidrolgicos estn expresados
para una escala de tiempo diaria (24 horas) como unidad temporal, se tomar como
unidad temporal para todos los anlisis a realizar 24 horas (escala diaria). Para el caso
de la sonda multiparamtrica, si durante un da especfico slo se obtuvo un perfil se
tomar como representativo del da; por otra parte, si se obtuvieron varios perfiles de
concentraciones en el mismo da se obtendr la media aritmtica de ellos para cada
profundidad correspondiente. Esa media aritmtica ser considerada como
representativa para ese da especfico. Es necesario mencionar que para contar con
informacin de mayor calidad es necesario que los registros que se tomen con la
sonda multiparamtrica en el futuro sean recolectados a intervalos regulares de tiempo
y todos los das en los mismos horarios, pues esto permitir que los valores medios
del da sean ms representativos de las 24 horas que se estn analizando. Asimismo,
esto permitira que la resolucin temporal del modelo pueda ser mejor (lapsos de tres
o cuatro horas, cada hora, etc.).
Es necesario mencionar los das concretos para los que se cuenta con valores
medidos en la sonda. Los das que no se muestran en la Tabla (9), entre los periodos
que se muestran con informacin, son en los cuales la sonda no registr informacin
por algn motivo.
En el periodo en el que se efecta el estudio (01/01/2004 a 20/09/2005) se tienen 153

das con informacin para el ao 2004 y 233 das con informacin en el ao 2005.
De los das con informacin disponible, se tiene que en el ao 2004 los das con
informacin completa para todas las variables y dentro de los rangos normales que se
espera encontrar son 138 das. Los das con informacin faltante o con valores no
verosmiles son 15, para el mismo ao 2004.
Para el ao 2005 se tiene que todos los das en lo que la sonda s registr informacin,
poseen informacin verosmil y sin observarse valores perdidos.
Una vez que se conoce la informacin con la que se cuenta (variables medidas, su
disponibilidad y calidad), se procede a la aplicacin de los mtodos multivariantes
convenientes. En principio, para los das con informacin vlida se estructuran los
178
datos de calidad del agua con respecto a la profundidad (medida desde la superficie
del embalse) y los datos meteorolgicos e hidrolgicos se repiten para cada
profundidad registrada el mismo da. Las matrices estructuradas as para cada da son
concatenadas una encima de la otra, generndose una nueva matriz de datos
aumentada.
Periodos de tiempo en los que existen registros

Periodo Observaciones
Registros de oxgeno, temperatura y
01/01/2004
conductividad no vlidos
Registro de oxgeno, temperatura y
31/01/2004 conductividad no vlidos; medicin slo en
superficie
11/02/2004 13/02/2004 Registro de oxgeno y conductividad no vlidos
18/02/2004 19/02/2004 Registro de oxgeno no vlido
24/02/2004 02/03/2004 Registro de oxgeno no vlido
31/03/2004 04/04/2004
05/07/2004 16/08/2004
28/09/2004 07/10/2004
09/10/2004 07/12/2004
09/12/2004 26/12/2004
28/12/2004 29/12/2004
05/01/2005 18/02/2005
21/02/2005 16/03/2005
Para algunas horas del da la informacin est
23/03/2005
incompleta
24/03/2005 25/03/2005
Para la hora 0 slo se midi a una profundidad
26/03/2005
de 5,83
27/03/2005 30/03/2005
06/04/2005 09/04/2005
13/04/2005
19/04/2005 09/07/2005
Slo se tienen registros de algunas
10/07/2005 11/07/2005
profundidades
15/07/2005 19/09/2005
TABLA 9 Disponibilidad de informacin en la sonda
Se iniciar realizando estadstica descriptiva de los datos. Tambin se revisar la

normalidad univariante de cada variable. Se mencionarn posibles transformaciones
de los datos para hacerlos ms normales y homocedsticos.
179
Despus se efectuar un anlisis de componentes principales (PCA) con el propsito
de conocer si existen componentes que agrupen a variables o que expliquen el
comportamiento de conjuntos de ellas.
Tambin se efectuar el anlisis factorial (FA) de los datos para obtener las
puntuaciones factoriales de cada una de las observaciones, ya que al estar los
factores o variables latentes incorrelacionados entre s las puntuaciones constituyen el
punto de partida de otros mtodos (como los de regresin mltiple o los mtodos de
regresin ms avanzados).
El anlisis cluster (CA) se aplicar a los datos para formar grupos de datos que sean
ms homogneos entre s y, con esto, auxiliar a que los anlisis cumplan ms
adecuadamente con la suposicin de linealidad. Adems, se efectuar un anlisis
cluster de variables para conocer si existen conglomerados de variables que muestren
algunas similitudes de comportamiento entre ellas.
A continuacin se usar el anlisis discriminante (DA), el cual servir como una

confirmacin de la existencia de los grupos obtenidos con el anlisis cluster.
El modelo lineal de regresin mltiple ser aplicado con propsitos exploratorios para
conocer la forma posible de las expresiones de regresin y contar con una primera
aproximacin de la correlacin.
El anlisis de correlacin cannica (CCA) servir para establecer las relaciones entre
variables de manera numrica. Es un mtodo de regresin ms avanzado que el
anteriormente mencionado.
Por ltimo, se efectuarn aplicaciones del PLSR para obtener expresiones para las
variables de salida. Para tener un panorama de los resultados conseguidos se harn
comparaciones con los mtodos de regresin usados anteriormente y se obtendrn
conclusiones.
7.2 SOFTWARE
Los paquetes estadsticos proporcionan capacidades extensas para el anlisis de

datos. Muchos paquetes de anlisis estadsticos generales proveen capacidades para
la gestin de bases de datos, grficas y generacin de reportes junto con una variedad
de clculos estadsticos, que incluyen estadstica descriptiva, varios tipos de pruebas
estadsticas, anlisis de regresin y correlacin y anlisis de series temporales. Varios
180
programas estadsticos de propsito general son mostrados en la Tabla (10) (Wurbs,
1994).
Debido a que los datos estadsticos se pueden tratar como matrices se pueden utilizar
los paquetes MATLAB y GAUSS, excelentes programas para las operaciones con
matrices, por lo que son recomendables para elaborar programas propios y probar
anlisis nuevos, no incluidos en los paquetes tradicionales. Su gran ventaja es la
flexibilidad y tienen el inconveniente de que son menos automticos para anlisis
convencionales (Pea, 2002).
Programas de anlisis estadstico

Minitab
BMDP
S-PLUS
SAS
SPSS
STATA
StatGraphics
TABLA 10 Paquetes de anlisis estadstico para propsitos en general (Fuente: Wurbs, R. A. 1994; Pea,
D., 2002)
Para aplicar el PLSR se tienen diversos programas. Algunos de ellos son:
Statgraphics, que aparte de ser un paquete estadstico de propsito general incluye el

ajuste de un modelo lineal por el mtodo PLSR (StatPoint Inc., 2005).
El software libre ParLeS sirve para la modelacin multivariante y la prediccin. Una de

sus funciones es precisamente el desarrollo del PLSR con distintas opciones para el
tratamiento de los datos (Viscarra Rossel, 2007).
El SPSS, programa estadstico de propsito general, incluye en su versin 16.0 (no

disponible actualmente en pases de habla hispana) este mtodo que requiere contar
con la Extensin de Programacin de SPSS (www.spss.com, 2008).
Desde la versin 6.11, SAS (paquete estadstico) incluye este mtodo con el
procedimiento PROC PLS, as como el CALIS para modelos ms complejos
(statisticssolutions.com).
TOMCAT es un toolbox para MatLab. La interfaz grfica y sus rutinas son disponibles
libremente, estn programadas en MatLab 6.5. Entre los mtodos que implementa se
181
encuentra el de Mnimos Cuadrados Parciales (PLSR) (Daszykowski et al., 2007).
LIBRA es una librera para MatLab y desarrolla mtodos estadsticos robustos. Estos
programas son proporcionados de manera libre y para uso no comercial solamente.
Algunas de las funciones requieren el toolbox de Estadstica de MatLab. Uno de los
mtodos que desarrolla es el de Mnimos Cuadrados Parciales (PLSR), que en esta
librera tiene su denominacin como csimpls, el cual desarrolla el PLSR clsico.
Tambin esta librera dispone del proceso rsimpls, en donde la r al inicio del nombre
significa que se est aplicando una versin robusta del PLSR (versin robusta se
refiere a que esa metodologa se ve poco afectada por valores anmalos) (Verboven
et al., 2005).
Unscrambler es una herramienta de anlisis estadstico, en la cual se trata el anlisis

multivariante. Incluye dentro de sus funciones el mtodo PLSR (www.camo.com/).
Se comenzar utilizando los programas Excel, Statgraphics y SPSS para el desarrollo

de la mayora de los mtodos multivariantes.
7.3 EXPLORACIN INICIAL DE LOS DATOS
Debe tenerse siempre en cuenta que se est tratando con tres grupos o familias de
datos: meteorolgicos, hidrolgicos y de calidad del agua; que para esta investigacin
sern expresados a escala diaria. Uno de los objetivos ms importantes que se
persigue lograr es que al tener como informacin de partida los grupos de datos
meteorolgicos e hidrolgicos se logren efectuar predicciones adecuadas de las
variables de calidad del agua.
Los das para los cuales se tiene informacin estn incluidos en los aos 2004 y 2005.
La informacin para el ao 2004 es de 138 das con registros vlidos y 233 para el
2005. El total es de 371 das.
Por lo general en los estudios de modelacin se considera una parte de la informacin

para efectuar la calibracin del modelo y la parte restante para la validacin (como
ser para el caso que se analiza). El criterio ms comn es el que toma el conjunto de
datos entero y lo divide en dos subconjuntos de igual tamao, llamndolos conjuntos
de datos de calibracin y validacin.
Entonces el conjunto de calibracin ser el de los primeros 186 das (por orden
cronolgico) y el conjunto de validacin el de los 185 das restantes.
182
Por lo tanto la distribucin de los das para la calibracin y la validacin, ser, como
propuesta de inicio la siguiente:
Proceso Periodo de tiempo

31/03/2004 04/04/2004
CALIBRACIN (186 das)

05/07/2004 16/08/2004
28/09/2004 07/10/2004
09/10/2004 07/12/2004
09/12/2004 26/12/2004
28/12/2004 29/12/2004
05/01/2005 18/02/2005
21/02/2005 23/02/2005
24/02/2005 16/03/2005
VALIDACIN (185 das)
23/03/2005 26/03/2005
27/03/2005 30/03/2005
06/04/2005 09/04/2005
13/04/2005
19/04/2005 11/07/2005
15/07/2005 19/09/2005
TABLA 11 Observaciones consideradas para los procesos de calibracin y validacin
Con el propsito de lograr una mayor claridad, las variables que sern parte del
anlisis se clasificarn por su procedencia en tres categoras: meteorolgicas,
hidrolgicas o de estado del embalse y de calidad del agua.
Para involucrar de alguna manera en el anlisis la temporada del ao se agregar

dentro de las variables una que represente el da del ao en el que se efectu la
observacin. Tal variable se denomina da juliano. Esta variable tambin se utiliza en
clculos relacionados con la radiacin solar en programas como el QUAL2K para
representar la presencia de ciclos peridicos.
Adicionalmente, los valores de las variables de calidad del agua dependern de la

profundidad, por lo que la profundidad a la cual se presenta la observacin ser
tambin una variable en el anlisis.
En el Anexo 1 se proporcionan los primeros valores de las variables para mostrar

como se estructuraron los datos antes de iniciar la aplicacin de los mtodos
estadsticos, iniciando con el primer da del periodo en estudio, el 31/03/2004. Slo se
considerarn en el anlisis los das en lo que existen registros vlidos en la sonda del
Embalse Amadorio.
183
Como planteamiento inicial las variables que sern analizadas son:
Clasificacin de la
Variable y sus unidades de medida
variable
Temporal DJ, Da juliano
V, Velocidad media del viento (Km/h)
DV, Direccin media del viento ()
Vx, Velocidad mxima del viento (Km/h)
T, Temperatura media (C)
Tn, Temperatura mnima (C)
Meteorolgicas Tx, Temperatura mxima del aire (C)
Horas fro, Hf, Nmero de horas por debajo de 7 C
HR, Humedad relativa media del aire (%)
Rad, Radiacin solar global (W/m2)
P, Precipitacin total (mm)
ETo, Evapotranspiracin de referencia (mm)
VolExp ,Volumen de explotacin (m3)
Qent, Caudal de entrada al embalse (m3/da)
Hidrolgicas
Qsal, Caudal de salida del embalse (m3/da)
Filt, Filtracin (m3/da)
Profundidad (m)
Ta, Temperatura del agua (C)
Odis, Oxgeno disuelto (mg/l)
Calidad del agua
pH
Con, Conductividad (S/cm)
TABLA 12 Variables con las que se inicia el anlisis
Es adecuado sealar en que forma pueden afectar las variables predictivas a las
variables respuesta (variables a estimar). La temperatura del agua se ve influenciada
por las siguientes variables predictivas:
Las velocidades media y mxima del viento, pues influyen en los procesos de
mezclado (Chapra, 1997) y en su caso rompimiento de la estratificacin,
incidiendo sobre la distribucin de la energa termal en el embalse a todos
niveles.
Las temperaturas media, mxima y mnima del aire, pues al estar en contacto
con la superficie del embalse operan directamente sobre el intercambio de
energa calorfica entre el embalse y la atmsfera (Hydrologic Engineering
Center, 1986; Martin et al., 1999).
Las horas de fro pueden llegar a influenciar en la temperatura del embalse.
184
La radiacin solar global es un aporte de energa directo para el
almacenamiento (Environmental Laboratory, 1995).
La evapotranspiracin tiene influencia en los procesos de intercambio de calor
(Hydrologic Engineering Center, 1986; Chapra, 1997; Martin et al., 1999).
El volumen del embalse proporciona una medida de la inercia trmica que
posee el mismo (dificultad para que su temperatura sea modificada).
La precipitacin, caudales de entrada y salida, adems de la filtracin
constituyen entradas y egresos de agua en el almacenamiento que implican
tambin ganancias o prdidas de energa calorfica (Enrironmental Laboratory,
1995; Martin et al., 1999).
La profundidad es una variable de primordial importancia en la distribucin de
la temperatura, pues a menor profundidad el agua del embalse se ve ms
afectada por la temperatura de la atmsfera adyacente (Hydrologic Engineering
Center, 1986; Chapra, 1997, Martin et al., 1999). Asimismo, la radiacin de
onda corta y de onda larga se absorben hasta determinadas profundidades
(Centre for Water Research, 2003).
El oxgeno disuelto es afectado por las siguientes variables predictivas:
La velocidad media y mxima del viento producen efectos de mezclado que

distribuyen el oxgeno a travs de la profundidad del almacenamiento (Chapra,
1997).
Las temperaturas media, mxima y mnima del aire afectan a la temperatura
del agua en el embalse, lo que a su vez incide sobre la saturacin de oxgeno
del agua (Chapra, 1997).
La precipitacin, caudales de entrada y salida, aparte de la filtracin,
constituyen elementos del balance de oxgeno en el embalse (Environmental
Laboratory, 1995).
La profundidad influye en el oxgeno disuelto, debido a que a mayor
profundidad el agua tiene generalmente ms dificultad para acceder al oxgeno
proveniente del intercambio con la atmsfera (Chapra, 1997). Adems las
entradas y salidas de oxgeno del sistema representadas por la precipitacin,
caudales de entrada y salida, as como la filtracin suceden a profundidades
determinadas (Environmental Laboratory, 1995).
El pH tiene relacin con las siguientes variables predictivas:
185
La velocidad media y mxima del viento, debido a que inducen el mezclado en
el almacenamiento, por lo que pueden ser un factor que ayude a que las
concentraciones en perfil sean ms homogneas (Chapra, 1997).
La precipitacin, los caudales de entradas y salidas, adems de la filtracin son
ingresos y egresos de lquido que puede modificar el valor del pH existente
previamente.
La profundidad influye, debido a que la variacin del pH puede verse afectada
por esta variable, por ejemplo debido a los volmenes que ingresan o egresan
del embalse Amadorio a distintas profundidades.
La conductividad se ve influenciada por las siguientes variables predictivas:
La velocidad media y la mxima del viento produce efectos de mezclado

en el embalse, tendiendo a uniformizar las concentraciones principalmente
en las partes del almacenamiento ms expuestas a su accin (Chapra,
1997).
Las temperaturas media, mnima y mxima del aire afectan directamente a
la temperatura del embalse, haciendo que se puedan presentar
fnomenos como el rompimiento de la estratificacin, que modifican los
valores de conductividad (Chapra, 1997; Martin et al., 1999).
Las horas de fro y la evapotranspiracin afectan a la conductividad debido
a que en la temporada del ao en que se tienen registros de horas de fro,
las temperaturas son ms bajas y se puede tener la seguridad de que el
mezclado en el embalse es prcticamente completo (Wetzel, 2001). Por
otra parte, la presencia de valores altos de evapotranspiracin genera que
la conductividad se incremente, pues existe un menor volumen de agua y
los mismos elementos disueltos.
La radiacin solar global es uno de los factores que al variar puede afectar
a los periodos de estratificacin y mezcla completa en el almacenamiento
(Chapra, 1997; Martin et al., 1999).
La precipitacin, los caudales de entradas y salidas, junto con la filtracin
constituyen entradas y salidas de volmenes con sus concentraciones
particulares, que pueden modificar la conductividad en el embalse.
El volumen de explotacin tambin representa un factor en la
concentracin de la conductividad, pues al ser mayor el volumen
almacenado la variacin en la conductividad ser menor ante una
determinada entrada o salida.
186
La profundidad tambin ayuda a determinar la concentracin de
conductividad, pues la densidad del agua es aproximadamente
proporcional a la concentracin de conductividad (Chapra, 1997) y en
algunas epocas del ao se tendr que a mayor profundidad la
conductividad tendr un valor ms alto.
Respecto a la variable Direccin media del viento, esta puede tener influencia debido a
la orientacin del almacenamiento en los procesos de evaporacin y mezclado, pero al
ser la orientacin una caracterstica particular de cada embalse, las relaciones que se
obtengan sern de aplicacin exclusiva al Embalse Amadorio.
La informacin inicial de partida est expresada a escala diaria. Las variables

meteorolgicas e hidrolgicas estaban directamente expresadas en esta escala en la
informacin original. En cambio, para las variables de calidad del agua medidas con la
sonda multiparamtrica se tenan das con registros efectuados a diferentes horas y
con distinto espaciamiento entre ellos, por lo que se tom como criterio efectuar el
promedio aritmtico de los distintos registros existentes para una misma profundidad y
da y considerarlos como representativos del da correspondiente.
Un paso preliminar al efectuar un estudio estadstico de los datos es realizar una

exploracin. Esto se puede hacer por medio de Estadstica descriptiva. Los
parmetros de Estadstica descriptiva de variables iniciales para el periodo de estudio
completo (del 31/03/2004 al 19/09/2005) se muestran en la Tabla (13).
Para conocer las caractersticas de los datos una de las primeras revisiones que se
deben efectuar concierne a la media de una variable y a su mediana. Si la media es
muy grande o muy pequea en comparacin con la mediana esto indica que los
valores no estn distribuidos normalmente (SPSS, 2006).
La media es bastante sensible a los datos anmalos. La presencia de estos puede

incrementar (o decrementar) la media, resultando un valor de esta atpicamente
grande (o pequeo). Sucede lo mismo si el conjunto de datos es asimtrico. En
general, la media es sensible a las observaciones extremas. Debido a esto, se dice
que la media no es una medida resistente (robusta) (Chase et al., 2000).
187
188
Error Desviacin Varianza de la Coeficiente de

Media Mediana Moda Curtosis Rango Mnimo Mximo
Parmetro tpico estndar muestra asimetra
Da juliano 186,9 1,030 199 197 97,56 9518 -0,9222 -0,1076 359 5 364
V (Km/h) 1,283 0,0032 1,2 1,1 0,3030 0,0918 2,650 1,085 2,2 0,5 2,7
DV () 235,1 0,8434 251 292 79,89 6383 0,1099 -0,8445 359 0 359
Vx (Km/h) 5,168 0,0145 4,9 4,1 1,370 1,876 0,6175 0,9389 7,6 2,5 10,1
T (C) 19,07 0,0661 20,2 25,6 6,260 39,18 -1,096 -0,4031 25,2 3,9 29,1
Tn (C) 14,86 0,0639 15,9 17,5 6,052 36,62 -1,047 -0,3981 24,2 -0,1 24,1
Tx (C) 23,63 0,0666 25,2 25,3 6,311 39,83 -0,9467 -0,4365 27 8,1 35,1
Hf (horas) 1,012 0,0329 0 0 3,119 9,725 12,74 3,537 20 0 20
HR (%) 58,16 0,1353 61 69 12,82 164,4 -0,4131 -0,5587 65 20 85
Rad (W/m2) 201,3 0,8595 210 285 81,42 6629 -1,124 -0,2277 310 21 331
P (mm) 0,4601 0,0214 0 0 2,025 4,102 45,59 6,164 22,4 0 22,4
ETo (mm) 3,509 0,0168 3,7 5,2 1,593 2,537 -1,393 -0,1074 6,1 0,8 6,9
VolExp (m3) 8853793 15916 9158000 6720000 1507776 2,273E+12 -1,370 -0,1984 4992000 6110000 11102000
Qent (m3/da) 22448 482,2 7780 0 45677 2086348622 120,0 9,298 667336 0 667336
Qsal (m3/da) 27094 124,0 29376 20304 11742 137878399 -1,027 -0,3040 50630 778 51408
Filt (m3/da) -710,0 43,19 0 0 4091 16739881 265,8 -15,50 72096 -72096 0
Profundidad (m) 8,885 0,0805 6,67 1,67 7,629 58,21 -0,0584 1,026 29,58 0,42 30
Ta (C) 16,73 0,0671 14,20 13,30 6,361 40,46 -1,295 0,4874 19,29 9,367 28,65
Odis (mg/l) 8,041 0,0445 8,96 0,125 4,215 17,77 -0,7895 -0,6162 15,42 0,0367 15,46
pH 8,237 0,0043 8,32 8,43 0,409 0,1672 1,446 -0,8267 3,268 5,885 9,153
Con (S/cm) 984,6 0,817 970 970 77,42 5994 1,476 1,364 370 845 1215
TABLA 13 Estadstica descriptiva de los datos iniciales
188
Una importante propiedad de la mediana en contraste con la media es que la mediana
es muy insensible al nmero de valores de datos extremadamente pequeos o
extremadamente grandes (datos anormales) (Devore, 1998).
Con el propsito de estudiar de manera inicial la normalidad de las distribuciones de

los valores de las variables y adems analizar si los periodos de calibracin y
validacin seleccionados son homogneos (o no lo son), se muestran las mismas
estadsticas descriptivas para calibracin (31/03/2004 a 23/02/2005) y validacin
(24/02/2005 a 19/09/2005) en el Anexo 2.
La conclusin de revisar el Anexo 2 y el comportamiento de los anlisis que se

efectuarn para los dos periodos se expondr en el Captulo 9.
Para continuar con la exploracin de datos se procede a elaborar diagramas de caja y

bigotes de los valores registrados en cada una de las variables para el periodo
completo de estudio. Estos se muestran en la Figura (44).
Adems, en el Anexo 3 se muestran los diagramas de caja y bigotes para los datos en
cada una de las variables para calibracin y validacin. Se muestran agrupados por
variable para los dos periodos con el fin de comparar el comportamiento de cada
variable para ambos lapsos de tiempo.
400 3,0 400 12 30
2,5 10 25
300 300
20
2,0 8
200 200 15
1,5 6
10
100 100
1,0 4 5
0 0,5 0 2 0
DaJuliano V (Km/h) DV () Vx (Km/h) T (C)
25 40 20 400
20 80
15 300
30
15
60
10 10 200
20
5
40
5 100
0 10
-5 0 20 0
Tn (C) Tx (C) Hf (horas) HR (%) Rad (W/m2)
189
25 12000000 60.000
6 600.000
20
10000000 40.000
15 4 400.000
10
8000000 20.000
2 200.000
5
0 0 6000000 0 0
P (mm) ETo (mm) VolExp (m3) Qent (m3/da) Qsal (m3/da)
0 30 30 20
9
25 25
-20.000 15
20
20 8
-40.000 15 10
15 7
10
-60.000 5
5 10
6
-80.000 0 5 0
Filt (m3/da) Profundidad (m) Ta (C) Odis (mg/l) pH
1.200
1.000
800
Con (uS/cm)
FIGURA 44 Diagramas de caja y bigotes para las variables con los datos iniciales sin transformar para el
periodo completo de estudio (31/03/2004 a 19/09/2005)
Para proseguir con la exploracin de los datos enseguida se muestran los histogramas
correspondientes a cada variable (Figura 45), tomando en cuenta el lapso de tiempo
completo del estudio.
190
1.000
1.250 1.250
800
1.000 1.000
Frecuencia
Frecuencia
Frecuencia
600
750 750
400
500 500
200 250 250
0 0 0
0 100 200 300 400 0,5 1 1,5 2 2,5 0 100 200 300 400
Da juliano V (Km/h) DV ()
1.200
1.250 1.250
1.000
1.000 1.000
Frecuencia
Frecuencia
Frecuencia
800
750 750
600
500 400 500
250 200 250
0 0 0
4 6 8 10 0 5 10 15 20 25 30 -5 0 5 10 15 20 25
Vx (Km/h) T (C) Tn (C)
8.000 1.200
1.250
1.000
1.000 6.000
Frecuencia
Frecuencia
Frecuencia
800
750 4.000 600
500 400
2.000
250 200
0 0 0
10 20 30 40 0 5 10 15 20 20 30 40 50 60 70 80
Tx (C) Hf (horas) HR (%)
1.200 10.000 1.000
1.000 8.000 800

Frecuencia
Frecuencia
Frecuencia
800
6.000 600
600
4.000 400
400
200 2.000 200
0 0 0
0 100 200 300 400 0 5 10 15 20 25 1 2 3 4 5 6 7
Rad (W/m2) P (mm) ETo (mm)
191
1.000 1.200
6.000 1.000
800
Frecuencia
Frecuencia
Frecuencia
800
600 4.000
600
400
2.000 400
200
200
0 0 0
6000000 9000000 12000000 0 200000 400000 600000 0 20000 40000 60000
VolExp (m3) Qent (m3/da) Qsal (m3/da)
10.000 1.200 2.000
8.000 1.000
1.500
Frecuencia
Frecuencia
Frecuencia
800
6.000
600 1.000
4.000
400
500
2.000 200
0 0 0
-80000 -60000 -40000 -20000 0 0 5 10 15 20 25 30 5 10 15 20 25 30
Filt (m3/da) Profundidad (m) Ta (C)
1.200 2.000 4.000
1.000
1.500 3.000
Frecuencia
Frecuencia
Frecuencia
800
600 1.000 2.000
400
500 1.000
200
0 0 0
0 5 10 15 20 6 7 8 9 800 900 1000 1100 1200 1300
Odis (mg/l) pH Con (uS/cm)
FIGURA 45 Histogramas de datos iniciales sin transformar para el periodo completo de estudio
Observando los histogramas anteriores se puede apreciar por la forma que presentan,
que ninguno se adapta a una distribucin normal. Son marcadamente asimtricos los
histogramas de las variables Hf, P, Qent y Filt.
En el Anexo 4 se muestran histogramas de los datos iniciales separados para los

periodos de calibracin y validacin.
Para valorar la normalidad de cada una de las variables se pueden utilizar los grficos
Q-Q. Cuando los puntos estn muy prximos a una lnea recta trazada se puede
establecer que los datos estn distribuidos normalmente. En caso contrario para las
tcnicas estadsticas que as lo exijan, se debe buscar la transformacin de datos
192
adecuada.
En el Anexo 5 se muestran los grficos Q-Q correspondientes a las variables en el

periodo de estudio completo. Estos grficos muestran los cuantiles reales y tericos de
una distribucin normal. Los cuantiles dividen la muestra en una serie de grupos de
igual tamao (Visauta, 2002).
Con el propsito de continuar con la inspeccin de las variables se efectan diagramas

de dispersin por pares (diagrama de dispersin matricial de variables por pares). Este
tipo de grficos ayudan a saber si existen relaciones, ya sea lineales o no lineales
entre los datos (Figura 46). Se presentan en el Anexo 6 los grficos de dispersin
matricial para las variables meteorolgicas (con un registro por da), las variables
hidrolgicas del embalse (un registro por da) y las variables de calidad del agua (por
da y profundidad).
DJ
Profundidad
Ta
Odis
pH
Con
FIGURA 46 Grfico de dispersin matricial para seis variables
A menos que se utilicen pruebas de normalidad, no se puede hablar de la normalidad

de la poblacin de donde fueron obtenidas las muestras de datos (Martn et al., 2008).
Con el propsito de poder afirmar con una cierta probabilidad si una variable es normal
o no se requiere una prueba inferencial. Se usar la prueba de normalidad de
Kolmogorov-Smirnov (con la correccin de la significacin de Lilliefors) (Martn et al.,
2008).
193
La prueba de Kolmogorov-Smirnov es una prueba de bondad de ajuste que se usa
para contrastar la hiptesis nula de que la distribucin de una variable se ajusta a una
distribucin normal. Si el p-valor asociado al estadstico de contraste es inferior que un
cierto nivel de significacin (que se fija generalmente en 0,05) rechazamos la hiptesis
nula a dicho nivel. Cuando el p-valor asociado al estadstico de contraste es mayor
que 0,05 no se puede rechazar la hiptesis nula. En ese ltimo caso se concluye que
la distribucin de una variable puede ser considerada normal (Ferrn, 2002).
La prueba para contrastar la hiptesis de distribucin normal de Kolmogorov-Smirnov-

Lilliefors es una particularizacin de la prueba de Kolmogorov-Smirnov cuando la
distribucin esperada es una normal. Esta prueba es ms precisa que la prueba
general de Kolmogorov-Smirnov cuando se aplica al caso de una distribucin normal
(Ferrn, 1996).
A continuacin se presentan las pruebas de normalidad para las variables analizadas:
Pruebas de normalidad
Kolmogorov-Smirnov(a)
Estadstico gl Sig.
Da juliano ,058 8974 ,000
V (Km/h) ,125 8974 ,000
DV () ,123 8974 ,000
Vx (Km/h) ,116 8974 ,000
T (C) ,110 8974 ,000
Tn (C) ,110 8974 ,000
Tx (C) ,106 8974 ,000
Hf (horas) ,497 8974 ,000
HR (%) ,096 8974 ,000
Rad (W/m2) ,104 8974 ,000
P (mm) ,467 8974 ,000
ETo (mm) ,120 8974 ,000
VolExp (m3) ,100 8974 ,000
Qent (m3/da) ,312 8974 ,000
Qsal (m3/da) ,117 8974 ,000
Filt (m3/da) ,431 8974 ,000
Profundidad (m) ,174 8974 ,000
Ta (C) ,157 8974 ,000
Odis (mg/l) ,099 8974 ,000
pH ,094 8974 ,000
Con (uS/cm) ,259 8974 ,000
a Correccin de la significacin de Lilliefors
TABLA 14 Prueba de normalidad de Kolmogorov-Smirnov para las variables sin transformar
194
Para las 21 variables analizadas el estadstico de Kolmogorov-Smirnov est en el
rango de 0,058 hasta 0,497, con 8974 grados de libertad. Debido a que en todas las
variables la significacin del contraste (p-valor asociado al estadstico de contraste) es
de 0, menor que 0,05 y significativo a cualquier nivel, se rechaza la hiptesis nula de
que la distribucin univariante de cada una de las variables se ajusta a una distribucin
normal. Por lo tanto, ninguna de ellas se adapta a una distribucin normal univariante.
7.4 TRANSFORMACIN DE LOS DATOS
Debido a que algunas tcnicas estadsticas requieren que los datos cumplan con
ciertos requisitos, siendo uno de los ms importantes que las variables sigan una
distribucin normal, se analizarn en este apartado transformaciones para lograr este
objetivo y que los datos parezcan ms normales.
Se probaron inicialmente con la variable Da juliano (una de las que tiene una
distribucin no tan alejada de la distribucin normal, no como en el caso de otras
variables) las transformaciones x2, x3, 1/x, log(x), x, 3
x, 4
x, 5
( )
x , 1/ 1 + ex ,
(
2,6 x 0,84 , e x , e1+ 2 x / 1 + e1+ 2 x ) y 3
2,6 x 0,84 , no resultando enteramente satisfactoria
ninguna de ellas.
Despus se revis el artculo de Van Albada et al. (2007) donde se sugiere una
metodologa ms efectiva para realizar la transformacin, la cual se adopt en este
trabajo. La metodologa desarrollada para cada una de las variables fue la siguiente:
1. Se estandarizaron los datos con la frmula (Mendenhall et al., 1986):
x
z= (195)

2. El menor valor de la variable estandarizada se hace igual con cero por medio
de la expresin:
z1 = z + ( MIN ( z ) ) (196)
3. Se hace que el rango de la variable transformada est entre 0 y 1:
z 2 = z 1 MAX ( z1 ) (197)
195
4. Para efectuar la transformacin se usar la inversa de la funcin de distribucin
acumulada normal estndar ( ) que se conoce con el nombre de funcin
cuantil normal o funcin probit, que puede expresarse en trminos de la funcin
de error (erf) como:
y = 2 erf 1 ( 2 z 2 1) (198)
La variable y es la transformada, cuya distribucin lucir ms normal.
5. Una vez efectuados los procesos de regresin, para re-expresar los resultados
en las unidades originales se usa la expresin:
1 y
x = ( y) = 1 + erf (199)
2 2
Donde es la Funcin de distribucin acumulada normal estndar.
En las frmulas anteriores se tienen funciones a las que se definir tanto su significado
como una manera de calcular sus valores aproximados.
La funcin de error, erf, se define como (es.wikipedia.org/wiki, 2008):
2 X

2
erf( x ) = e t dt (200)
0
A la funcin anterior tambin se le conoce como la Funcin de error de Gauss

(es.wikipedia.org/wiki/, 2008).
La inversa de la funcin de error se puede expresar mediante la serie

(es.wikipedia.org/wiki/, 2008):
2k +1

ck
erf ( x ) =
1
x (201)
k =0 2k + 1 2
Donde c0 = 1 y (es.wikipedia.org/wiki/, 2008):
k 1
c mc k 1m
ck = (m + 1)( 2m + 1) = {1,1,
m =0
,
7 127
6 90
,...} (202)
196
Para efectos del estudio presente la erf-1 se calcul mediante los 8 primeros trminos
de la serie infinita que define a esta funcin (functions.wolfram.com/):
1 x 3 72 x 5 1273 x 7 43694 x 9 348075 x11

erf 1 ( x ) = x + + + + +
2 12 480 40320 5806080 182476800
(203)
200369836 x13 22803568637 x15
+ + + ...
398529331200 167382319104000
La integral de la funcin de error no puede ser evaluada en trminos precisos de

funciones elementales, pero se puede expandir el integrando en una Serie de Taylor y
se obtiene la serie de Taylor para la funcin de error as (es.wikipedia.org/wiki/, 2008):
( 1) x 2n+1 =
n
2
2 x3 x5 x7 x9 x11 x13
erf ( x ) =
n=0 n! ( 2n + 1)

x + + +
3 10 42 216 1320 9360
(204)
x15
+ ...
75600
El clculo de la funcin de error se efecto considerando los primeros 8 trminos de la

serie expresada en (204).
En el caso de que una tcnica estadstica no requiera para su aplicacin que los datos
sigan una distribucin normal se utilizarn los datos originales. Por el contrario, cuando
un supuesto de la tcnica sea el de normalidad se usarn los valores que se
transformaron con la funcin probit. Para cada caso se har mencin explcita del tipo
de datos con los cuales se opera.
7.5 ANLISIS DE COMPONENTES PRINCIPALES
En los anlisis efectuados con el PCA, FA y CA, se utilizaron los datos experimentales
estandarizados con el fin de evitar errores de clasificacin debidos a las amplias
diferencias en la dimensionalidad de los datos. La estandarizacin tiende a
incrementar la influencia de las variables cuya varianza es pequea y reduce la
influencia de las variables cuya varianza es grande. Adems, la estandarizacin
elimina la influencia de las diferentes unidades de medida y homogeniza la
dimensionalidad de los datos (Singh et al., 2004).
7.5.1 Exploracin de datos
Antes de iniciar con el anlisis es importante tener en mente los siguientes aspectos
197
(Tusell, 2007):
1. El uso de las componentes principales no presupone ningn modelo

subyacente.
2. El principal objetivo es la reduccin de dimensionalidad de los datos originales.
En este anlisis se incluirn de inicio todas las variables consideradas y se efectuar

por separado para los periodos de calibracin y validacin, con el propsito de
apreciar las diferencias y las similitudes que existen entre ellos y el comportamiento de
las variables meteorolgicas, hidrolgicas y de calidad del agua.
Luego, se efectuar el PCA solamente para los conjuntos de las variables

meteorolgicas y las hidrolgicas, sin incluir las de calidad del agua, tambin en los
periodos de calibracin y validacin. As, se observar si algunas variables muestran
comportamientos en conjunto que puedan servir con propsitos de pronstico de las
A continuacin se muestra el PCA para el periodo de calibracin. Para realizar este

anlisis se estandarizaron todas las variables de manera univariante. Se hacen
tambin varias observaciones breves al respecto. Comentarios ms extensos del
mismo se efectuarn en el Captulo 9.
Calibracin
Resumen del Anlisis
Variables: DJ, V (Km/h), DV (), Vx (Km/h), T (C), Tn (C), Tx (C), Hf (horas), HR

(horas), Rad (W/m2), P (mm), ETo (mm), VolExp (m3), Qent (m3/da), Qsal (m3/da),
Filt (m3/da), Profundidad (m), Ta (C), Odis (mg/l), pH y Con (S/cm).
Entrada de datos: observaciones
Nmero de casos completos: 4401
Tratamiento de valor perdido: lista considerada
Estandarizado: s
198
Anlisis de Componentes Principales
Componente nmero Autovalor Porcentaje de varianza Porcentaje acumulado
1 6,79448 32,355 32,355
2 3,16844 15,088 47,442
3 2,73154 13,007 60,450
4 2,12718 10,129 70,579
5 1,11699 5,319 75,898
6 0,975219 4,644 80,542
7 0,889645 4,236 84,779
8 0,744069 3,543 88,322
9 0,532399 2,535 90,857
10 0,457111 2,177 93,034
11 0,323965 1,543 94,576
12 0,289435 1,378 95,955
13 0,226527 1,079 97,033
14 0,179863 0,856 97,890
15 0,153877 0,733 98,623
16 0,100315 0,478 99,100
17 0,0775255 0,369 99,469
18 0,0708559 0,337 99,807
19 0,0251807 0,120 99,927
20 0,0127728 0,061 99,988
21 0,00260514 0,012 100
TABLA 15 Resumen del anlisis de componentes principales para el periodo de calibracin
6
Autovalor
0
0 4 8 12 16 20 24
Componente
FIGURA 47 Grfico de sedimentacin para los autovalores en el periodo de calibracin
El propsito del anlisis es obtener un pequeo nmero de combinaciones lineales de

las 21 variables que explican la mayora de la variabilidad en los datos. En este caso
se tienen 5 componentes con autovalor mayor que la unidad (Figura 47). Juntos
explican el 75,9% de la variabilidad en los datos originales.
En el Anexo 7 se incluyen varios elementos generados en el anlisis de componentes

principales, como son:
Las Tablas de pesos de los componentes.
199
Diagramas de dispersin de los componentes por pares.
Grficos de pesos de los componentes.
Al analizar los diagramas de dispersin de los componentes (Anexo 7, los diagramas y

los otros elementos del anlisis de hicieron con las variables estandarizadas, lo que se
estima proporciona mejores resultados que sin estandarizar), se pueden apreciar en
algunos de los diagramas conjuntos pequeos de puntos muy alejados del resto. Son
los datos posiblemente anmalos. Se analizaron los casos ms evidentes (periodo de
calibracin):
En el grfico de dispersin correspondiente a los componentes 5 y 6, los

registros 454 a 479 (correspondientes al da 20/07/2004) se observan muy
alejados de todo el resto del conjunto (Anexo 7). Al revisar los datos se tiene
que la Filtracin para ese da tiene un valor de 72.000 m3/da, que es el valor
ms extremo de esta variable para la calibracin e inclusive tambin para la
validacin. Por lo tanto, se tiene casi la seguridad de que es un valor errneo.
Por ello ser sustituido.
Para efectuar esto, primero se debe tomar en cuenta que el balance se tom
de otro estudio previo y est calculado a escala diaria. Para enmendar el dato
anmalo se har el balance entre los das 18 y 20 de julio de 2004, tomando un
lapso de tiempo de 48 horas. Los resultados de los datos hidrolgicos son (su
valor medio diario):
Fecha Qsal (m3/da) Filt (m3/da) Qent (m3/da)

19/07/2004 31968 0 5420
20/07/2004 31968 0 5420
En el grfico de dispersin de los componentes 5 y 6 se tienen como datos

anmalos los registros 4096 a 4118. Al revisar los datos se observa que la
nica variable que muestra un cambio radical ese da (el 09/02/2005) es la
Direccin media del viento. Los valores anteriores y posteriores a este da
estn en un rango de variacin bien definido. Por lo tanto, es muy probable que
este valor sea incorrecto. Para remediar el error este valor ser sustituido por el
valor medio de los tres das anteriores y los tres das posteriores, esto es, el
valor de 307.
En el grfico de dispersin de los componentes 7 y 8 se observan como datos
alejados del resto los correspondientes a los registros 2613 al 2632. La posible
200
explicacin de esto es: esos registros ocurrieron el da 30/11/2004. En esa
fecha ocurri una precipitacin (22,4 mm) despus de no haberse presentado
ninguna en los 18 das anteriores. Este hecho provoca que los puntos de ese
da se alejen del resto, pero es por una situacin explicable y plausible, por lo
que se dejarn tal como estn sin hacer modificacin alguna.
Por ltimo, en el grfico de dispersin de los componentes 11 y 12 se tienen
como datos apartados del resto de los registros del 1785 al 1804. La
explicacin probable es: esos registros acontecieron el da 25/10/2004. En esa
fecha ocurri una precipitacin (1,4 mm) y a su vez la Radiacin solar global
disminuy hasta 87 W/m2. Y como estos valores estn dentro de los rangos
que se pueden presentar en la realidad, se dejan as.
Es necesario mencionar que en otros registros que se aprecian como anormales se

observa que son los das en que ocurri precipitacin, despus de varios das de no
haberla. Debido a esto, se considera que dichas observaciones s son posibles y se
cree que no se debe retirarlas del anlisis.
Al existir modificaciones en la informacin se requiere obtener nuevamente:
Autovalores.
Grfico de sedimentacin.
Diagramas de dispersin de los componentes por pares (Figura 48).
6,6
4,6
Componente 4
2,6
0,6
-1,4
-3,4
-3,6 -1,6 0,4 2,4 4,4 6,4
Componente 3
FIGURA 48 Diagrama de dispersin de las componentes 3 y 4 en la calibracin despus de hacer

correcciones en los datos
201
Para obtener estos elementos nuevamente se aplica el PCA. Esto se muestra en el
Anexo 8.
Ahora se procede a realizar el anlisis sobre los datos originales, pero en el periodo de
validacin para los datos meteorolgicos, hidrolgicos y de calidad del agua.
Para efectuar el PCA se estandarizaron las variables. Observaciones en mayor

profundidad acerca del mismo se harn en el Captulo 9.
Validacin
Resumen del Anlisis
Variables:
DJ, V (Km/h), DV (), Vx (Km/h), T (C), Tn (C), Tx (C), Hf (horas), HR (horas), Rad
(W/m2), P (mm), ETo (mm), VolExp (m3), Qent (m3/da), Qsal (m3/da), Filt (m3/da),
Profundidad (m), Ta (C), Odis (mg/l), pH y Con (S/cm).
Estandarizado: s

1 7,06814 33,658 33,658
2 3,10922 14,806 48,464
3 2,61874 12,470 60,934
4 1,71601 8,171 69,105
5 1,26001 6,000 75,105
6 1,11537 5,311 80,417
7 0,946606 4,508 84,924
8 0,834233 3,973 88,897
9 0,611696 2,913 91,810
10 0,357924 1,704 93,514
11 0,350898 1,671 95,185
12 0,278083 1,324 96,509
13 0,201686 0,960 97,470
14 0,182888 0,871 98,341
15 0,127015 0,605 98,945
16 0,103275 0,492 99,437
17 0,0583826 0,278 99,715
18 0,0302146 0,144 99,859
19 0,0163144 0,078 99,937
20 0,0101874 0,049 99,985
21 0,00310108 0,015 100
TABLA 16 Resumen del anlisis de componentes principales para el periodo de validacin
202
El propsito del anlisis es obtener un pequeo nmero de combinaciones lineales de
las 21 variables que explican la mayora de la variabilidad en los datos. En este caso,
se extrajeron 6 componentes que poseen un autovalor mayor a 1 (Figura 49). Juntos
explican el 80,42% de la variabilidad en los datos originales.
6
Autovalor
0
0 4 8 12 16 20 24
Componente
FIGURA 49 Grfico de sedimentacin para los autovalores en el periodo de validacin
En el Anexo 9 (el anlisis se efecto con las variables estandarizadas) se encuentran

otras partes del anlisis de componentes principales, las cuales son:

Se revisaron los diagramas de dispersin de los componentes (Anexo 9). Se tienen

algunos casos posibles de datos anmalos (periodo de validacin):
En el grfico de dispersin de las componentes 3 y 4, los registros 2864 a 2890

(del da 15/07/2005) parecen ser anmalos. Al revisar el conjunto de la
informacin se tiene que el caudal de entrada al embalse, Qent, aumenta hasta
un valor extremo de 667.336,3 m3/da, el cual est fuera del rango observado y,
por tanto, es casi seguro que es un error. Para corregirlo se hace un balance
conjunto para los das 14 y 15 de julio de 2005. Una vez efectuado, los nuevos
valores para el da 15/07/2005 son:
Qsal (m3/da) Filt (m3/da) Qent (m3/da)

41040 0 1225,05
203
En el grfico de dispersin de los componentes 19 y 20, los registros 2798 a
2817 (del da 08/07/2005) estn alejados del resto de puntos. Para estos
registros el valor de la radiacin es demasiado bajo (Rad = 29 W/m2). Es un
valor muy alejado de los valores que se presentan en esas fechas por lo que
con mucha seguridad es un error. Fue sustituido por el valor medio de los tres
das anteriores y los tres das posteriores a ese da, 256 W/m2.
En algunos grficos se observan datos alejados del conjunto principal. Se investigaron

todos los ms separados del resto y se determin que esto era as por varias causas:
variacin de la profundidad, aumento de las horas de fro, cambio de la velocidad
media del viento, modificacin de la direccin del viento, disminucin de la humedad
ligada a que ese da, ya no se present precipitacin, aumento de la filtracin, despus
de varios das sin llover se presenta una precipitacin. Todos estos cambios y
variaciones se encuentran dentro de rangos comunes por lo que estos registros no
deben ser eliminados.
Al haber cambios en la informacin se modifican los siguientes elementos:
Autovalores.
Grfico de sedimentacin.
Grficos de pesos de los componentes (Figura 50).
0,52
Odis pH Ta
0,32
VolExp ETo
Componente 2
Rad
V
0,12 Vx Tx
Tn
T
Filt
-0,08 Qsal
Hf P
Qent DV DJ
HR
-0,28
Profundidad
Con
-0,48
-0,3 -0,1 0,1 0,3 0,5
Componente 1
FIGURA 50 Grfico de pesos de las componentes 1 y 2 en la validacin despus de hacer correcciones

en los datos
Para obtener los elementos anteriores, se vuelve a realizar el anlisis por medio del
204
PCA. Todo esto se presenta en el Anexo 10. Comentarios adicionales de estos
resultados se efectan en el Captulo 9.
7.5.2 Puntuaciones
Un paso muy comn en el anlisis de datos multivariantes es obtener una

representacin en pocas dimensiones de los datos (Tusell, 2007).
Al ser las componentes principales variables incorrelacionadas es posible aplicar otros

mtodos multivariantes (por ejemplo, el de regresin mltiple) evitando as efectos de
colinealidad. Se consideran las componentes principales como variables explicativas,
para as poder efectuar inferencias (Cuadras, 2007).
Otra aplicacin del PCA es ordenar (clasificar) elementos de un conjunto por medio de
sus valores en las componentes y estudiar su variabilidad (Cuadras, 2007).
Por lo tanto, se hace necesario conocer los valores que toman las componentes en
cada una de las observaciones. Esto se puede realizar por medio de la frmula (35).
Debido a que el propsito del presente trabajo es realizar inferencia, slo se

considerarn las variables (como independientes o explicativas) de la Tabla (17) para
el clculo de las puntuaciones.
Las cuatro variables de calidad del agua de las que se dispone constituyen las
variables dependientes o variables respuesta.
Primero se obtendrn las puntuaciones de la calibracin y luego las de validacin.
Se calculan los valores de las puntuaciones, Zhi, haciendo uso de los valores de los
pesos de los componentes.
En el Anexo 11 se muestran los resultados del proceso aplicado para obtener las
puntuaciones. Se incluyen en l:
Los pesos de los componentes.

Las primeras puntuaciones de las componentes en cada observacin.
La interpretacin de componentes principales es ms sencilla, en ocasiones,

basndose en los valores que adquieren los pesos de las componentes (Tusell, 2007).
205
Clasificacin de la variable Variable y sus unidades de medida
Hidrolgicas Qsal, Caudal de salida del embalse (m3/da)
Profundidad (m)
TABLA 17 Variables (independientes) que se usaron para obtener las puntuaciones de las observaciones
en las componentes
Pesos altos, positivos y negativos, indican que esas variables tienen presencia
importante en la componente principal considerada (Terrado et al., 2006).
Es muy importante mencionar que este proceso se llev a cabo sobre los valores tal
como se encuentran en los registros, esto es, sin estandarizar. Comentarios acerca de
estos resultados se harn en el siguiente captulo.
En necesario indicar que la revisin de las varianzas y covarianzas muestrales y los

coeficientes de correlacin muestral se efectuarn en el apartado correspondiente al
tema de anlisis factorial en los captulos que corresponda.
7.6 ANLISIS FACTORIAL
La aplicacin del anlisis factorial se efectuar con la siguiente secuencia:
Como fase inicial (exploratoria) se aplicar el anlisis factorial (FA) al conjunto

datos para el periodo completo de estudio, con los datos que se corrigieron en
la fase de PCA (para no tener que manejar datos errneos) sin aplicarles
ninguna transformacin. Luego se aplicar el FA para ese mismo conjunto de
datos (sin datos anmalos y sin aplicar transformacin alguna) dividido en dos
206
partes: calibracin y validacin. Con esto se comprobar la estabilidad de la
solucin (ver seccin 4.3.5).
Verificar la normalidad de las variables corregidas y sin transformar, as como
de las primeras puntuaciones factoriales (scores). Esto para el periodo de
estudio completo.
Despus transformar las variables corregidas con la transformacin descrita en
la seccin 7.4, por medio de la funcin probit, con el fin de que se acerquen lo
ms posible hacia la normalidad. A las variables transformadas se les aplica el
FA y se verifica si la interpretacin obtenida es mejor. Se obtienen las
puntuaciones factoriales y se comprueba si stas se aproximan ms a una
distribucin normal.
Todos los anlisis se harn extrayendo los factores con el mtodo de
componentes principales y en algunos, para verificar, con el de mxima
verosimilitud. Se har una rotacin con el objetivo de simplificar la
interpretacin de los factores con el mtodo Varimax (que trata de reducir el
nmero de variables con saturaciones altas en cada factor). La Rotacin
Varimax permite incrementar la contribucin de los valores de las cargas
factoriales ms altas y la reduccin del peso de valores bajos. Esto lleva a una
mejor comprensin de la estructura de datos (Simeonov et al., 2002).
7.6.1 Periodo completo de estudio y variables sin transformar
a) Anlisis factorial aplicado al conjunto de datos corregido:
Utilizando el Mtodo de componentes principales para extraer los factores se

obtienen los resultados que se presentan en el Anexo 12. Una revisin ms
extensa se realizar en el Captulo 9. Slo algunos de los aspectos ms
importantes se comentan a continuacin.
El determinante de la matriz de correlaciones tiene un valor 5,13 10-11, como

est prximo a cero, esto indica que las variables estn linealmente
relacionadas. Por lo tanto, es pertinente desarrollar el FA. La matriz de
correlaciones (Anexo 12) tiene elementos fuera de la diagonal principal con
valores que aseguran que esta matriz no esta prxima a ser una matriz
identidad (si esto ocurriera, el anlisis factorial llevara a una solucin
deficiente).
La medida de adecuacin muestral de Kaiser-Meyer-Olkin (KMO) indica si la
207
relacin entre cada par de variables puede ser explicada por el resto de
variables, por lo que llevar a cabo un anlisis factorial es una buena solucin.
Valores de KMO por debajo de 0,5 no son aceptables, considerndose
inadecuados los datos para un modelo de FA. Se considera excelente la
adecuacin de los datos para valores de KMO muy cercanos a 0,9. La medida
KMO en este caso tiene un valor de 0,798, que segn el criterio de Kaiser se
puede considerar como entre aceptable y bueno (Visauta et al., 2003).
KMO y prueba de Bartlett
Medida de adecuacin muestral de Kaiser-Meyer-

,798
Olkin
Prueba de esfericidad de Chi-cuadrado

212407,580
Bartlett aproximado
gl 210
Sig. ,000
TABLA 18 Medida de adecuacin muestral de Kaiser-Meyer-Olkin (KMO) y Prueba de

esfericidad de Bartlett para el periodo de estudio completo, los datos sin contener
anmalos evidentes y sin transformar
La Prueba de esfericidad de Bartlett contrasta la hiptesis nula de que la matriz

de correlaciones es una matriz identidad. Si se diera este caso, no existiran
correlaciones significativas entre las variables y no sera adecuado utilizar el
modelo factorial.
En este caso la Prueba de Bartlett indicar que se puede seguir con el anlisis
cuanto mayor sea el valor de la transformacin 2 del determinante de la matriz
de correlaciones (212407,580 en este caso) y por tanto menor el grado de
significacin (p = 0,000 para esta situacin). Si el nivel crtico es mayor que
0,05 no se podr rechazar la hiptesis nula de esfericidad y, por lo tanto, no se
podr garantizar que el modelo factorial sea adecuado para explicar los datos.
Por lo valores obtenidos en la Prueba de Bartlett se contina con el FA.
En la tabla de varianza total explicada se tiene que se extrajeron en total cinco

factores utilizando el criterio de extraer todos los factores que tengan autovalor
mayor que uno (>1).
Los cinco factores extrados explican el 75,258% de la varianza total, el cual es

un valor que se puede considerar como bueno.
208
Varianza total explicada
Sumas de las saturaciones al

Autovalores iniciales
cuadrado de la extraccin
Componente
% de la % % de la %
Total Total
varianza acumulado varianza acumulado
1 6,841 32,576 32,576 6,841 32,576 32,576
2 3,342 15,915 48,491 3,342 15,915 48,491
3 2,500 11,903 60,394 2,500 11,903 60,394
4 1,996 9,507 69,901 1,996 9,507 69,901
5 1,125 5,357 75,258 1,125 5,357 75,258
6 ,977 4,655 79,912
7 ,791 3,767 83,680
8 ,766 3,648 87,327
9 ,485 2,308 89,635
10 ,396 1,886 91,521
11 ,371 1,767 93,287
12 ,306 1,455 94,742
13 ,262 1,250 95,992
14 ,229 1,091 97,083
15 ,174 ,828 97,911
16 ,160 ,760 98,671
17 ,123 ,588 99,258
18 ,106 ,506 99,765
19 ,028 ,135 99,899
20 ,018 ,088 99,987
21 ,003 ,013 100,000
Mtodo de extraccin: Anlisis de Componentes principales.
TABLA 19 Extraccin de factores por el Mtodo de componentes principales en el periodo

completo de estudio, variables sin anmalos y sin transformar
Luego se obtuvo Matriz de componentes. Para observar las variables que se

agrupan en cada factor hay que detectar a las variables cuyas cargas sean
altas en un factor y bajas en los otros. Los valores menores que 0,25 se
consideran bajos, por lo que han sido eliminados de la Tabla (20) para ganar
en claridad.
En la primera componente estn representadas las variables T, Tn, Tx y Qent.

La segunda componente incorpora, entre otras, a la variable Con. La variable
DJ est presente en las componentes 1, 2 y 4. V y HR estn representadas en
las componentes 3 y 4. DV est presente en las componentes 1 y 4. Vx est
aadida en las componentes 3, 4 y 5. Hf est en las componentes 1 y 5, al
igual que Filt. Rad est presente en las componentes 1, 2 y 3. P y pH estn
representadas en las componentes 2,3 y 5. ETo est incorporada en las
componentes 1,2 y 3. VolExp aparece en las componentes 2 y 4. Qsal est en
las componentes 1 y 2. Profundidad est incorporada a las componentes 2, 3 y
209
4. Ta est incluida en las componentes 1, 3 y 4. Y Odis aparece en las
componentes 1 a 4.
Matriz de componentes(a)
Componente
1 2 3 4 5
DJ ,368 -,667 ,447
V ,756 ,439
DV -,526 ,292
Vx ,594 ,435 ,499
T ,980
Tn ,970
Tx ,967
Hf -,567 -,342
HR -,729 -,398
Rad ,714 ,453 ,264
P -,267 -,326 ,615
ETo ,850 ,337 ,302
VolExp ,743 -,486
Qent -,679
Qsal ,787 -,370
Filt -,307 -,349
Profundidad -,434 ,445 -,630
Ta ,670 -,333 ,476
Odis -,548 ,639 -,317 ,297
pH ,585 -,435 ,298
Con -,763
a 5 componentes extrados
TABLA 20 Matriz de componentes de los 5 factores extrados por el Mtodo de componentes

principales, periodo de estudio completo, datos sin anmalos evidentes y sin
transformar
Se observa que es difcil agrupar a las variables en factores, con lo que se

hace necesaria una rotacin. Se aplicar una Rotacin Varimax.
b) Extraccin de los factores por el Mtodo de componentes principales, Rotacin

Varimax:
Una vez efectuada la rotacin Varimax, la matriz de componentes es la

siguiente (se han eliminado los valores inferiores a 0,25 para tener mayor
claridad):
210
Matriz de componentes rotados(a)
Componente
1 2 3 4 5
DJ ,861
V ,904
DV -,599
Vx ,868 ,252
T ,934 ,288
Tn ,909 ,321
Tx ,926 ,274
Hf -,473 -,331 -,440
HR -,777 ,379
Rad ,841 -,291
P ,711
ETo ,936
VolExp -,887
Qent -,719
Qsal ,630 ,654
Filt -,338 -,353
Profundidad -,879
Ta ,570 ,384 ,613
Odis -,478 -,370 ,727
pH -,333 ,644 ,341
Con -,300 ,306 -,737
Mtodo de rotacin: Normalizacin Varimax con Kaiser

principales, periodo de estudio completo, variables sin transformar y Rotacin
Varimax
Se tiene que despus de la rotacin de los factores ha mejorado mucho la

agrupacin de las variables en torno a ellos. En el primer factor quedan
representados DV, T, Tn, Tx (estos tres ltimos con cargas factoriales mayores
que 0,9), Hf, Rad, ETo (con carga factorial mayor que 0,9) y Qent. En el
segundo factor quedan incorporados DJ, VolExp y Qsal. El tercer factor
comprende las variables Profundidad, Ta, Odis, pH y Con. El cuarto factor
contiene a V, Vx y HR. Y el quinto factor representa a P y Filt. Un anlisis ms
a fondo del significado de estos factores se efectuar en el Captulo 9.
c) Extraccin de los factores por el Mtodo de mxima verosimilitud, incluyendo una

rotacin con el Mtodo Varimax
Los resultados de utilizar el Mtodo de la mxima verosimilitud se incluyen en

el Anexo 12. Como este mtodo se aplica para compararlo con la solucin del
anlisis factorial desarrollado con el Mtodo de componentes principales slo
211
se obtendrn las comunalidades, la tabla de varianza total explicada, la matriz
de componentes y la matriz de componentes rotados.
Comunalidades(a)
Variable Inicial
DJ ,700
V ,730
DV ,437
Vx ,612
T ,996
Tn ,989
Tx ,986
Hf ,583
HR ,650
Rad ,939
P ,318
ETo ,974
VolExp ,735
Qent ,537
Qsal ,804
Filt ,119
Profundidad ,715
Ta ,783
Odis ,840
pH ,602
Con ,614
Mtodo de extraccin: Mxima verosimilitud.

a Se han encontrado una o ms estimaciones de comunalidad mayores que 1 durante las
iteraciones. La solucin resultante deber ser interpretada con precaucin.
TABLA 22 Comunalidades de las variables al extraerse los factores por el Mtodo de mxima
verosimilitud para el periodo completo de estudio, variables sin transformar
Al comparar las comunalidades obtenidas para las variables por los dos
mtodos se ve que al extraer los factores por el Mtodo de mxima
verosimilitud disminuy la comunalidad de 14 variables (DJ, V, DV, Vx, HR, P,
VolExp, Qsal, Filt, Profundidad, Ta, Odis, pH y Con) y aument la comunalidad
de 7 variables (T, Tn, Tx, Hf, Rad, Eto y Qent). Es necesario hacer notar que
todas las variables respuesta (Ta, Odis, pH y Con) disminuyeron su
comunalidad (la parte de su variabilidad explicada por los factores) al
extraerse los factores por el Mtodo de mxima verosimilitud.
La Tabla de varianza total muestra los resultados siguientes:
212
Factor
% de la
Total % acumulado
varianza
1 6,841 32,576 32,576
2 3,342 15,915 48,491
3 2,500 11,903 60,394
4 1,996 9,507 69,901
5 1,125 5,357 75,258
6 ,977 4,655 79,912
7 ,791 3,767 83,680
8 ,766 3,648 87,327
9 ,485 2,308 89,635
10 ,396 1,886 91,521
11 ,371 1,767 93,287
12 ,306 1,455 94,742
13 ,262 1,250 95,992
14 ,229 1,091 97,083
15 ,174 ,828 97,911
16 ,160 ,760 98,671
17 ,123 ,588 99,258
18 ,106 ,506 99,765
19 ,028 ,135 99,899
20 ,018 ,088 99,987
21 ,003 ,013 100,000
TABLA 23 Varianza total explicada por cada factor para el periodo completo de estudio, sin
datos anmalos, variables sin transformar y Mtodo de extraccin de mxima
verosimilitud
Los factores que se considerarn sern los que tengan autovalor mayor que
uno (cinco factores). Se observa que los porcentajes de varianza de cada factor
obtenidos por ambos mtodos son idnticos.
Al comenzar con el clculo de la matriz de componentes se observa que el

programa SPSS slo es capaz de proporcionar un resultado de la matriz de
componentes hasta cuando se efectan 5 iteraciones. Con un mayor nmero
de iteraciones no es capaz de efectuar el clculo. Por lo tanto, la matriz de
componentes y la matriz de componentes rotados se calcularn con 5
iteraciones. Esto provoca que la varianza total explicada por cada factor
disminuya, pero sin ser demasiado significativo (11,05% de disminucin del
total de los cinco factores con autovalor mayor a la unidad), como se muestra
en la tabla siguiente:
213
Sumas de las saturaciones al Suma de las saturaciones al

Factor cuadrado de la extraccin cuadrado de la rotacin
% de la % % de la % % de la %
Total Total Total
varianza acumulado varianza acumulado varianza acumulado
1 6,841 32,576 32,576 6,589 31,374 31,374 6,093 29,014 29,014

2 3,342 15,915 48,491 2,504 11,922 43,296 2,499 11,902 40,916
3 2,500 11,903 60,394 2,418 11,513 54,809 2,407 11,461 52,376
4 1,996 9,507 69,901 1,802 8,581 63,391 1,975 9,403 61,779
5 1,125 5,357 75,258 ,746 3,551 66,941 1,084 5,162 66,941
6 ,977 4,655 79,912
7 ,791 3,767 83,680
8 ,766 3,648 87,327
9 ,485 2,308 89,635
10 ,396 1,886 91,521
11 ,371 1,767 93,287
12 ,306 1,455 94,742
13 ,262 1,250 95,992
14 ,229 1,091 97,083
15 ,174 ,828 97,911
16 ,160 ,760 98,671
17 ,123 ,588 99,258
18 ,106 ,506 99,765
19 ,028 ,135 99,899
20 ,018 ,088 99,987
21 ,003 ,013 100,000
TABLA 24 Varianza total explicada por cada uno de los factores al ser extrados con el Mtodo
de mxima verosimilitud en cinco iteraciones, para el periodo completo de estudio y
las variables sin transformar
La matriz factorial que se obtuvo al efectuar las cinco iteraciones con el

mtodo de Mxima verosimilitud es la que se muestra en la Tabla (25).
La matriz factorial de la Tabla (25) muestra a la gran mayora de las variables

saturando en dos o ms factores. Como el ideal del anlisis factorial es hallar
un modelo en el que todas las variables saturen en algn factor, esto es,
pesos factoriales altos en uno de los factores y reducidos en el resto (Visauta
et al., 2003), se efectuar una Rotacin Varimax para intentar lograr este
objetivo.
214
Matriz factorial(a)
Factor
1 2 3 4 5
DJ ,361 -,562 ,323 -,268
V ,399 ,256 ,724
DV -,486
Vx ,654 ,457
T 1,000
Tn ,986
Tx ,987
Hf -,575
HR -,440 -,571
Rad ,668 ,688
P -,290
ETo ,825 ,548
VolExp ,690 -,376 ,390
Qent -,612
Qsal ,755 -,305 -,272
Filt -,251
Profundidad ,785 -,309
Ta ,633 -,531 ,252 -,250
Odis -,553 -,721
pH -,603
Con -,363 ,647
a Se han intentado extraer 5 factores. Se efectuaron 5 iteraciones. (Convergencia=,035). Se ha

terminado la extraccin.
TABLA 25 Matriz factorial de los 5 factores extrados por el Mtodo de mxima verosimilitud con
cinco iteraciones efectuadas, periodo de estudio completo, datos sin anmalos y sin
transformar
Despus de obtener la matriz de factores rotados (Tabla 26) se tienen que los
factores estn constituidos por las siguientes variables: el factor 1 por DV, T,
Tn, Tx, Hf, Rad, ETo, Qent, Qsal y Filt. El factor 2 incluye a DJ y VolExp. En el
factor 3 encontramos a las variables Profundidad, Ta, Odis, pH y Con. V, Vx y
HR estn en el factor 4. Y el factor 5 slo incluye a la variable P.
Por lo tanto, slo se tienen estos cambios de pertenencia de las variables a los
factores al pasar del mtodo de componentes principales al de mxima
verosimilitud: Qsal se transfiere del factor 2 al 1, Filt del factor 5 al 1. Los
valores de las saturaciones no presentan cambios altamente significativos.
Debido a estas modificaciones mnimas se considera que la solucin obtenida
con el mtodo de componentes principales es adecuada.
215
Matriz de factores rotados(a)
Factor
1 2 3 4 5
DJ ,752
V ,866
DV -,542
Vx ,818
T ,971
Tn ,953
Tx ,957
Hf -,561
HR -,680 -,314
Rad ,690 -,263 ,634
P -,268
ETo ,839 ,479
VolExp -,869
Qent -,603 -,264
Qsal ,632 ,618
Filt -,258
Profundidad -,849
Ta ,566 ,363 ,582
Odis -,473 -,346 ,739
pH -,336 ,565
Con -,255 ,271 -,663

Mtodo de rotacin: Normalizacin Varimax con Kaiser.
a La rotacin ha convergido en 8 iteraciones.
TABLA 26 Matriz de factores rotados de los 5 factores extrados por el Mtodo de mxima
verosimilitud para cinco iteraciones, periodo de estudio completo, variables sin
transformar y Rotacin Varimax
7.6.2 Periodo de calibracin, variables sin transformar
Para verificar la estabilidad de la solucin para el periodo de estudio se desarrollar el

FA por el Mtodo de componentes principales y se efectuar una rotacin por el
Mtodo Varimax, tanto para el periodo de calibracin como el de validacin. Los
elementos que se compararn son los siguientes:
Matriz de correlaciones.
Comunalidades de las variables.
Varianza total explicada por los factores.
Matriz de componentes.
Matriz de componentes rotados.
Se inicia con el FA para el periodo de calibracin. Los cinco elementos anteriores se
216
muestran en el Anexo 13. La mayora de las comunalidades (66,7% de ellas) muestran
gran coincidencia en sus valores para las variables, mientras que un 19,0% de ellas
muestran una menor correspondencia y 14,3% restante no tienen similitud entre s.
Las varianzas explicadas por los factores extrados (cinco en ambos casos) tienen
grandes semejanzas y en este aspecto se puede considerar que el FA realizado para
todo el periodo de estudio s es estable.
La matriz de componentes es ms fcil de interpretar al realizar una Rotacin Varimax.

Se observa una gran coincidencia en la pertenencia de las variables a los factores
siendo las nicas diferencias encontradas en las variables Hf, Qent y Ta (para las tres
variables hay valores muy prximos en varios factores), debido a pequeos cambios
en los valores de las saturaciones. En general, la estabilidad en la formacin de los
factores se puede considerar como buena.
7.6.3 Periodo de validacin, variables sin transformar
Se aplicar el FA a los datos de validacin y se obtendr (ver Anexo 14):
Al comparar las comunalidades de las variables se observa que entre el periodo

completo de estudio y el periodo de validacin hay grandes coincidencias, teniendo en
total 61,9% de variables con valores muy prximos entre s, un 23,8% con valores
medianamente prximos entre s y el restante 14.3% sin coincidencia entre s.
Existe una diferencia poco marcada entre el porcentaje de varianza total que explica
cada factor en los periodos completo y de validacin. La mayor diferencia que se
aprecia es que en el periodo completo se extraen 5 componentes con sus autovalores
mayores que la unidad. Mientras que en el periodo de validacin se extrajeron 6
componentes con autovalores mayores que la unidad. En realidad la diferencia entre
ambas extracciones no es importante debido a que en el periodo completo de estudio
el factor ubicado en la posicin nmero 6 (en orden decreciente de magnitud de su
autovalor) tiene un autovalor de 0,977 y para la validacin el factor en la posicin
217
nmero 6 posee un autovalor de 1,083. Por lo tanto, sus valores estn muy prximos.
Las variables que integran los factores se agruparon despus de revisar la solucin
rotada por el Mtodo Varimax, con el fin de tener ms claridad de la pertenencia de
cada variable a uno de los factores. De entrada se tiene que el factor 1 incorpora a las
variables DJ, T, Tn, Tx, VolExp, Qent, Qsal, Odis y pH. El factor 2 contiene a Hf, Rad y
ETo. En el factor 3 saturan las variables Profundidad, Ta y Con. En el cuarto factor
estn V, Vx y HR. En el 5 se encuentran P y Filt. Y en el sexto factor la nica variable
es DV.
El principio de parsimonia dice que entre varias soluciones admisibles se escoge el

modelo factorial que implique un nmero mnimo de factores comunes (Cuadras,
2007).
Debido a esto, se observa que el sexto factor slo representa a una variable (DV) lo
que no ayuda a encontrar explicaciones comunes para la informacin. Debido a esto,
se obtendrn nuevamente la Matriz de componentes y la Matriz de componentes
rotados pero considerando slo cinco factores (Anexo 14).
Con 5 factores de la Matriz de componentes rotados se tiene que el primer factor

contiene a las variables DJ, T, Tn, Tx, Hf, VolExp, Qent, Qsal y Odis. En el factor 2
saturan principalmente Rad, P y ETo. El factor 3 representa a las variables
Profundidad, Ta, pH y Con. El cuarto factor incluye a las variables V, Vx y HR. El factor
5 incluye a DV y Filt.
Las diferencias en los factores entre el periodo completo de estudio y el de validacin

son: DJ, VolExp y Qsal salen del segundo factor y entran todas al primero; Rad y ETo
pasan del primer al segundo factor; DV pasa del factor 1 al 5; Odis sale del tercer
factor y llega al primero; P se va del quinto factor para ingresar al segundo; las otras
variables siguen igual. Por tanto, 8 variables (de 21) cambiaron de factor por lo que
existe una estabilidad en la formacin de los factores de calidad intermedia, siendo
inferior a la encontrada en el caso de la calibracin. Esto puede deberse a que en el
periodo de validacin se incluyeron menos das de invierno que en el de calibracin,
por lo que la formacin de los factores muestra ciertas fluctuaciones.
7.6.4 Normalidad de las puntuaciones factoriales extradas, periodo completo de

estudio
Para los cinco factores extrados en el periodo completo de estudio se muestran los
218
estadsticos descriptivos ms importantes:
Factor 1 Factor 2 Factor 3 Factor 4 Factor 5

Media 0,000 0,000 0,000 0,000 0,000
Error tpico 0,011 0,011 0,011 0,011 0,011
Mediana 0,254 -0,073 0,333 -0,164 -0,130
Moda 1,275 -0,286 0,748 0,110 -0,131
Desviacin estndar 1,000 1,000 1,000 1,000 1,000
Varianza de la muestra 1,000 1,000 1,000 1,000 1,000
Curtosis -1,32 -1,32 0,00 1,47 9,74
Coeficiente de asimetra -0,31 0,05 -0,99 1,02 1,81
Rango 3,94 4,00 4,60 6,33 10,64
Mnimo -2,26 -2,18 -3,11 -2,18 -3,98
Mximo 1,69 1,83 1,50 4,15 6,66
Nmero de casos 8974 8974 8974 8974 8974
TABLA 27 Estadsticos descriptivos de los 5 factores extrados en el periodo completo de estudio,

variables sin datos anmalos y sin transformar
Y la prueba de normalidad de Kolmogorov-Smirnov aplicada para cada uno de los

cinco factores da por resultado:
Estadstico gl Sig.
Factor 1 ,123 8974 ,000
Factor 2 ,092 8974 ,000
Factor 3 ,133 8974 ,000
Factor 4 ,081 8974 ,000
Factor 5 ,118 8974 ,000
TABLA 28 Pruebas de normalidad de Kolmogorov-Smirnov para los cinco factores obtenidos en el

periodo completo de estudio, informacin sin datos anmalos y variables sin transformar
Se observa de la Tabla (28) que ninguno de los factores se ajusta a una distribucin
normal.
7.6.5 Periodo completo de estudio, variables transformadas
Se transformarn las 21 variables considerando el periodo completo de estudio. La

transformacin que se usar en todos los casos es la expuesta en el apartado 5.4,
para aproximar su distribucin a una normal.
219
a) Anlisis factorial aplicado al conjunto de datos corregido de anmalos:
Con el Mtodo de componentes principales se obtienen los resultados que se

muestran en el Anexo 15. Algunos aspectos se comentan en seguida y otros
en el Captulo 9.

Componente cuadrado de la extraccin
% de la % % de la %
Total Total
1 6,853 32,635 32,635 6,853 32,635 32,635
2 3,250 15,476 48,111 3,250 15,476 48,111
3 2,541 12,100 60,211 2,541 12,100 60,211
4 1,995 9,500 69,711 1,995 9,500 69,711
5 1,115 5,311 75,022 1,115 5,311 75,022
6 ,975 4,642 79,664
7 ,797 3,795 83,459
8 ,713 3,394 86,853
9 ,440 2,097 88,950
10 ,434 2,066 91,016
11 ,360 1,716 92,732
12 ,298 1,420 94,153
13 ,269 1,282 95,435
14 ,226 1,076 96,511
15 ,202 ,964 97,475
16 ,185 ,882 98,357
17 ,159 ,756 99,114
18 ,116 ,553 99,667
19 ,041 ,197 99,864
20 ,024 ,115 99,979
21 ,004 ,021 100,000
TABLA 29 Extraccin de factores por el Mtodo de componentes principales en el periodo

completo de estudio, variables sin anmalos y transformadas
El determinante de la matriz de correlaciones tiene un valor 2,63 10-10 que

est prximo a cero, lo que seala que las variables estn relacionadas
linealmente, por lo que es adecuado emplear el FA. La matriz de correlaciones
(Anexo 15) posee elementos fuera de la diagonal principal con valores que
garantizan que la matriz no est prxima a parecerse a una matriz identidad
(una condicin para que el FA sea eficiente).
El KMO tiene un valor de 0,808 que se puede considerar como bueno. La

Prueba de esfericidad de Bartlett tiene un grado de significacin de p = 0,000,
220
por lo que se rechaza la hiptesis nula de esfericidad y se puede continuar con
el anlisis.
Se extrajeron en total cinco factores con autovalores mayores que la unidad.
Los cinco factores extrados representan el 75,022% de la varianza total (un

valor ligeramente inferior al de las variables sin transformar).
La Matriz de componentes sin los elementos con valor inferior a 0,25 es:
Componente
1 2 3 4 5
DJ_T ,335 -,611 ,460
V_T ,762 ,405
DV_T -,499 ,297
Vx_T ,599 ,417 ,511
T_T ,972
Tn_T ,956
Tx_T ,955
Hf_T -,612 -,371
HR_T -,739 -,357
Rad_T ,682 ,476 ,252
P_T -,310 -,390 ,554
ETo_T ,842 ,351 ,315
VolExp_T ,723 -,475
Qent_T -,805
Qsal_T ,762 -,356
Filt_T -,359
Profundidad_T -,426 ,430 -,638
Ta_T ,671 -,328 ,503
Odis_T -,502 ,647 -,342 ,329
pH_T ,591 -,427 ,363
Con_T -,733 ,269

principales, periodo de estudio completo, datos sin anmalos evidentes y
transformados
Para que sea ms sencilla la agrupacin de las variables en factores se

aplicar una Rotacin Varimax:
b) Extraccin de los factores por el Mtodo de Componentes principales, Rotacin

Varimax:
221
En el primer factor estn presentes las variables DV, T, Tn, Tx, Hf, Rad, ETo,
Qent, Qsal y Filt. En el segundo factor quedan incorporados DJ y VolExp. En el
tercero quedan incluidos la Profundidad, Ta, Odis, pH y Con. Para el cuarto
factor se tienen V, Vx y HR. Y en el quinto factor satura principalmente la
variable P.
Componente
1 2 3 4 5
DJ_T ,780 ,258
V_T ,894
DV_T -,578
Vx_T ,880
T_T ,934 ,264
Tn_T ,912 ,292
Tx_T ,918 ,253
Hf_T -,586 -,288 -,425
HR_T -,752 ,417
Rad_T ,765 -,317 -,354
P_T ,728
ETo_T ,896
VolExp_T -,874
Qent_T -,824
Qsal_T ,626 ,621
Filt_T -,413
Profundidad_T -,884
Ta_T ,568 ,407 ,601
Odis_T -,450 -,351 ,751
pH_T -,442 ,574 ,389
Con_T -,265 ,296 -,733

principales, periodo de estudio completo, variables transformadas y Rotacin Varimax
Al representar el quinto factor primariamente a una sola variable (P) es

deseable que se cumpla con el principio de parsimonia, por lo que se busca
que un factor incluya mnimamente dos variables. Por lo tanto, se efecta
nuevamente la Rotacin Varimax pero con slo 4 factores.
Las variables se agruparon as en los factores: en el 1, DV, T, Tn, Tx, Hf, Rad,
ETo, Qent, Qsal, Filt y Ta. Para el 2 estn DJ y VolExp. En el 3 Profundidad,
Odis, pH y Con. Y en el 4, V, Vx, HR y P.
222
Por lo que, en apariencia, la transformacin de las variables genera una
reduccin en el nmero de factores que explican la informacin. El modelo
posiblemente se hace ms simple.
Componente
1 2 3 4
DJ_T ,818
V_T ,892
DV_T -,570
Vx_T ,742
T_T ,932 ,275
Tn_T ,908 ,307
Tx_T ,920 ,258
Hf_T -,529 -,394
HR_T -,852
Rad_T ,798 -,358
P_T -,268 ,279 -,373
ETo_T ,907 ,313
VolExp_T -,836
Qent_T -,833
Qsal_T ,631 ,602
Filt_T -,385
Profundidad_T -,852
Ta_T ,580 ,447 ,550
Odis_T -,440 -,288 ,786
pH_T -,301 ,654
Con_T -,294 ,259 -,737
TABLA 32 Matriz de componentes de 4 factores extrados por el Mtodo de componentes

principales, periodo de estudio completo, variables transformadas y Rotacin
Varimax
c) Extraccin de los factores por el Mtodo de la mxima verosimilitud, incluyendo una

Los resultados generados se incluyen en el Anexo 12.

Al utilizar el Mtodo de mxima verosimilitud se pueden desarrollar slo 14
iteraciones y se observa que las comunalidades iniciales de algunas variables
tienen valores medios al comienzo y bajan an ms durante la extraccin.
Debido a esto, todas las conclusiones que se obtengan deben ser tomadas con
precaucin.
En 16 variables es ms alta la comunalidad (que es la porcin de la varianza
223
de una variable que recibe la contribucin de los factores) obtenida por el
Mtodo de componentes principales que por el de mxima verosimilitud. Las
nicas excepciones son T, Tn, Tx, Rad y ETo. Por lo tanto, es mejor utilizar el
Mtodo de componentes principales pues se explica mejor la varianza de un
mayor nmero de variables.
Comunalidades(a)
Variable Inicial Extraccin

DJ_T ,604 ,513
V_T ,695 ,514
DV_T ,396 ,350
Vx_T ,611 ,254
T_T ,994 ,995
Tn_T ,981 ,993
Tx_T ,980 ,999
Hf_T ,601 ,440
HR_T ,627 ,586
Rad_T ,914 ,878
P_T ,341 ,144
ETo_T ,967 1,000
VolExp_T ,682 ,700
Qent_T ,739 ,636
Qsal_T ,742 ,694
Filt_T ,186 ,106
Profundidad_T ,664 ,692
Ta_T ,785 ,782
Odis_T ,826 ,894
pH_T ,570 ,471
Con_T ,583 ,569

TABLA 33 Comunalidades de las variables al extraerse los factores por el Mtodo de mxima
verosimilitud, para el periodo completo de estudio, variables sin transformar
En la Tabla (33) se tiene que al efectuar la extraccin el tercer factor toma un

autovalor inferior a la unidad, lo que muestra la inestabilidad de la solucin por
el Mtodo de mxima verosimilitud. La varianza total explicada por los cinco
factores tambin disminuye significativamente (ms de un 12% de la
variabilidad total).
La varianza total explicada por cada factor se muestra en la tabla siguiente:
224

Factor cuadrado de la extraccin
% de la % % de la %
Total Total
1 6,853 32,635 32,635 5,586 26,601 26,601
2 3,250 15,476 48,111 3,119 14,851 41,452
3 2,541 12,100 60,211 ,451 2,149 43,600
4 1,995 9,500 69,711 2,401 11,432 55,033
5 1,115 5,311 75,022 1,655 7,882 62,915
6 ,975 4,642 79,664
7 ,797 3,795 83,459
8 ,713 3,394 86,853
9 ,440 2,097 88,950
10 ,434 2,066 91,016
11 ,360 1,716 92,732
12 ,298 1,420 94,153
13 ,269 1,282 95,435
14 ,226 1,076 96,511
15 ,202 ,964 97,475
16 ,185 ,882 98,357
17 ,159 ,756 99,114
18 ,116 ,553 99,667
19 ,041 ,197 99,864
20 ,024 ,115 99,979
21 ,004 ,021 100,000
TABLA 34 Varianza total explicada por cada factor para el periodo completo de estudio, sin
datos anmalos, variables sin transformar y Mtodo de extraccin de mxima
verosimilitud
La matriz factorial que se obtuvo con 14 iteraciones usando el mtodo de

mxima verosimilitud y considerando cinco factores en total, es la que se
muestra en la Tabla (35). Se extrajeron cinco factores en total y se puede
apreciar como se agrupan las variables en cada uno de los factores. Como se
puede apreciar, la pertenencia de cada una de las variables a un factor no est
bien determinada en algunos casos, pues los valores absolutos son de
magnitud cercana entre s.
225
Matriz factorial(a)
Factor
1 2 3 4 5
DJ_T ,506 ,456
V_T -,473 ,498
DV_T -,435 ,272
Vx_T -,280 ,395
T_T ,804 ,577
Tn_T ,748 ,594 ,283
Tx_T ,808 ,585
Hf_T -,372 -,545
HR_T -,272 ,434 -,498
Rad_T ,900
P_T -,316
Eto_T 1,000
VolExp_T ,259 -,519 -,555
Qent_T -,761
Qsal_T ,466 ,569 ,330
Filt_T -,277
Profundidad_T -,765 -,316
Ta_T ,476 ,397 ,530 ,323
Odis_T -,338 -,394 ,760
pH_T ,585
Con_T -,307 -,673
a Se han intentado extraer 5 factores. Requidas ms de 14 iteraciones. (Convergencia=,019).
TABLA 35 Matriz factorial de los 5 factores extrados por Mxima verosimilitud con cinco
iteraciones, periodo de estudio completo, datos sin anmalos y transformados
Para interpretar de forma ms sencilla se efecta una Rotacin Varimax:

Factor
1 2 3 4 5
DJ_T ,690
V_T ,708
DV_T -,520
Vx_T ,500
T_T ,952 ,262
Tn_T ,939 ,294
Tx_T ,924 ,279
Hf_T -,535 -,292
HR_T -,751
Rad_T ,765 -,410 ,311
P_T
ETo_T ,911 ,349
VolExp_T -,813
Qent_T -,789
Qsal_T ,609 ,563
Filt_T -,315
Profundidad_T -,814
Ta_T ,582 ,367 ,552
Odis_T -,439 -,309 ,778
pH_T -,353 ,553
Con_T -,276 ,257 -,652
TABLA 36 Matriz de factores rotados de los 5 factores extrados por Mxima verosimilitud para
cinco iteraciones, periodo de estudio completo, variables transformadas y Rotacin
Varimax
226
Los factores estn constituidos as: el 1 por DV, T, Tn, Tx, Hf, Rad, ETo, Qent,
Qsal, Filt y Ta. El 2 incluye a DJ y VolExp. El 3 incorpora a la Profundidad,
Odis, pH y Con. En el 4 estn V, Vx y HR. En el 5 slo satura dbilmente Tx. La
variable P no satur con un valor superior a 0,25 en ninguno de los cinco
factores.
Por lo tanto, los Mtodos de componentes principales y mxima verosimilitud

slo difirieron al ubicar dos variables (Ta y P), por lo que la formacin de los
factores con variables transformadas parece ser estable al mostrar alta
coincidencia ambos mtodos.
7.6.6 Periodo de calibracin, variables transformadas
Con el propsito de comprobar la estabilidad de la solucin obtenida para el periodo

de estudio se aplica el FA por el Mtodo de componentes principales y se aplicar una
rotacin por el Mtodo Varimax en los periodos de calibracin y validacin. Las partes
del FA que se compararn son:
Para el periodo de calibracin las cinco secciones anteriores se incluyen en el Anexo

16. Respecto a las comunalidades el 66,7% muestran una alta correspondencia en sus
valores dentro de las variables, el 14,3% muestran una coincidencia regular y el 19,0%
restante no tienen similitud entre s.
La varianza total explicada por los factores extrados (cinco en los dos casos) muestra
grandes similitudes y en este aspecto el FA efectuado para el periodo de estudio
completo s es estable.
Al efectuar la Rotacin Varimax se tiene que slo tres variables cambiaron de factor:
Ta, Qsal y Hf. Debido a esto, la estabilidad en la formacin de los factores se puede
considerar como buena.
227
Componente
1 2 3 4 5
DJ_T ,829
V_T ,879
DV_T -,598
Vx_T ,871
T_T ,953
Tn_T ,935
Tx_T ,948
Hf_T -,474 -,482 -,524
HR_T -,775 ,428
Rad_T ,810 -,336
P_T -,255 ,259 -,250 ,449
ETo_T ,900 ,305
VolExp_T ,388 -,828
Qent_T -,748 ,344
Qsal_T ,583 ,650
Filt_T -,387
Profundidad_T ,850
Ta_T ,720 -,448 ,389
Odis_T -,490 -,804
pH_T -,585 ,547
Con_T ,867
Mtodo de extraccin: Anlisis de componentes principales.

TABLA 37 Matriz de factores rotados de los 5 factores extrados por el Mtodo de componentes
principales, periodo de calibracin, variables transformadas y Rotacin Varimax
7.6.7 Periodo de validacin, variables transformadas
Se desarrollar el FA en los datos de validacin, obtenindose (Anexo 17):
En la comparacin de las comunalidades de los periodos completo y de validacin se

observa que hay muy buenas correspondencias en el 66,7% de las variables, un
14,3% de valores medianamente cercanos entre s y el remanente 19,0% sin
correspondencia entre s.
228
Respecto a la varianza total explicada, en el periodo completo se extrajeron 5 factores,
mientras que en la validacin fueron 6. Esto se debe a que el sexto factor del periodo
completo tiene un autovalor de 0,975 y es rechazado por el criterio, pero se encuentra
prximo al sexto factor de la validacin con 1,148.
En la validacin cada uno de los factores explica ms varianza total que en el caso del
periodo completo pero la diferencia en realidad no es muy marcada. En este aspecto
se puede considerar que el FA es suficientemente estable.
Con el fin de que los factores sean comparables se extraern slo 5 factores para
comparar objetivamente el periodo completo y el de validacin. Los resultados de la
Rotacin Varimax son:
Componente
1 2 3 4 5
DJ_T ,937
V_T ,934
DV_T -,541
Vx_T ,880
T_T ,873 ,361
Tn_T ,876
Tx_T ,846 ,405
Hf_T -,500 -,353 ,251 -,291
HR_T -,444 -,685
Rad_T ,869
P_T -,613 ,354
ETo_T ,510 ,763
VolExp_T -,824 ,339 ,261
Qent_T -,693 -,496
Qsal_T ,859
Filt_T -,680
Profundidad_T -,880
Ta_T ,648 ,708
Odis_T -,566 ,724
pH_T -,457 ,617
Con_T -,844
Mtodo de extraccin: Anlisis de componentes principales. Se extrajeron slo 5 factores.

TABLA 38 Matriz de factores rotados de 5 factores extrados por el Mtodo de componentes principales,
periodo de validacin, variables transformadas y Rotacin Varimax
Se tiene que al pasar del periodo completo de estudio al de validacin en total siete
variables cambian de factor: DJ, VolExp, Rad, P, ETo, DV y Filt. Se puede considerar
229
la estabilidad de la formacin de los factores como regular y el uso de los factores en
el periodo de validacin se debe hacer con precaucin, pues los resultados podran
tener variaciones significativas.
7.6.8 Normalidad de las puntuaciones factoriales extradas, variables transformadas,

periodo completo de estudio
Los estadsticos descriptivos de los cinco factores extrados en el periodo completo de

estudio, usando las variables transformadas, son:
Factor 1 Factor 2 Factor 3 Factor 4 Factor 5

Media 0,000 0,000 0,000 0,000 0,000
Error tpico 0,011 0,011 0,011 0,011 0,011
Mediana 0,224 0,128 -0,054 0,012 -0,128
Moda -0,590 -0,577 -0,615 0,357 -0,470
Desviacin estndar 1,000 1,000 1,000 1,000 1,000
Varianza de la muestra 1,000 1,000 1,000 1,000 1,000
Curtosis -1,04 -0,10 1,13 -0,06 2,84
Coeficiente de asimetra -0,41 -0,52 0,23 0,03 0,92
Rango 4,44 6,49 9,02 7,08 9,77
Mnimo -2,63 -4,27 -4,77 -2,98 -4,22
Mximo 1,82 2,21 4,24 4,10 5,55
Nmero de casos 8974 8974 8974 8974 8974
TABLA 39 Estadsticos descriptivos de los 5 factores extrados en el periodo completo de estudio,

variables sin datos anmalos y transformadas
Se observa que el efecto de transformar las variables es el de suavizar los picos en la

mediana, moda, curtosis (marcadamente) y el coeficiente de asimetra. El rango y el
mnimo empeoran sus valores en casi todos los factores.
La prueba de normalidad de Kolmogorov-Smirnov para los factores proporciona los

resultados siguientes:
Estadstico gl Sig.
Factor 1 ,104 8974 ,000
Factor 2 ,054 8974 ,000
Factor 3 ,032 8974 ,000
Factor 4 ,013 8974 ,001
Factor 5 ,061 8974 ,000
TABLA 40 Pruebas de normalidad de Kolmogorov-Smirnov para los cinco factores obtenidos en el

periodo completo de estudio, informacin sin datos anmalos y variables transformadas
230
En la Tabla (40) se aprecia que ninguno de los cinco factores se ajusta a una
distribucin normal, pero en el factor 4 se ve que el nivel de significacin llega a un
valor de 0,001, el ms alto que se ha obtenido hasta el momento. Adems, cada uno
de los valores del estadstico de Kolmogorov-Smirnov es menor en cada uno de los
factores (ver tambin Tabla 28) y debido a que cuanto ms pequeo es el estadstico y
ms grande por tanto el nivel de significacin, mejor es el ajuste de los datos a una ley
normal (Visauta, 2002).
As, se puede asegurar que el efecto de la transformacin de las variables es acercar

ligeramente la distribucin de los factores a una distribucin normal.
7.7 ANLISIS CLUSTER
7.7.1 Exploracin inicial, datos sin anmalos y sin transformar - Periodo completo de
estudio
Se iniciar analizando el periodo completo de estudio estando removidos los datos

anmalos y usando las variables sin transformar. Ser aplicado el algoritmo de K-
medias, pues es un mtodo de agrupacin no jerrquica y este tipo de algoritmos son
tiles para grandes conjuntos de observaciones (como es el caso) (Prez, 2005;
McNeil et al., 2005) debido a que los mtodos no jerrquicos pueden aplicarse a
conjuntos de datos mucho mayores que las tcnicas jerrquicas (Johnson et al., 1992),
adems de ser el mtodo ms importante dentro de las tcnicas no jerrquicas, debido
a que es el ms utilizado y el que proporciona los mejores resultados (Prez, 2005).
Antes de aplicar el algoritmo de K-medias cada una de las variables ser
estandarizada.
Adems, se revisar si existen variables altamente correlacionadas. Si existe un

conjunto de variables con alta correlacin slo se dejar para el estudio la variable
ms representativa o importante de ese conjunto.
Al observar el grfico de dispersin matricial (Anexo 6) y la matriz de correlaciones del

periodo completo de estudio (Anexo 12) se tiene que las variables T, Tn y Tx estn
altamente correlacionadas, al igual que ETo y Rad.
Debido a esto, se toma la decisin de eliminar de todos los anlisis a las variables Tn
(Temperatura mnima del aire) y Tx (Temperatura mxima del aire) y conservar a T
(Temperatura media del aire) por ser de entre estos tres parmetros T un valor medio
del da y no un valor extremo.
231
Asimismo, se prescindir de Rad (Radiacin solar global) y se conservar ETo
(Evapotranspiracin de referencia) por ser esta ltima una magnitud ms comn en la
medicin de parmetros meteorolgicos.
Se aplic el algoritmo de K-medias retirando esas tres variables. El software SPSS

sirvi para este propsito. Para seleccionar el nmero de grupos se efectu una
prueba F de reduccin de variabilidad comparando la suma de cuadrados dentro de
los grupos con K grupos y K+1 grupos y calculando la reduccin relativa de
variabilidad al aumentar un conglomerado. Se us la ecuacin (51) y la regla prctica
de Hartigan.
Nmero de conglomerados Suma de cuadrados dentro de los grupos Valor de F

10 10141,61
11 9292,71 818,78
50 2649,89
51 2626,66 78,9
200 743,82
201 740,91 34,5
500 311,84
501 311,28 15,4
TABLA 41 Criterio de seleccin del nmero de conglomerados para el periodo completo de datos
La aplicacin del criterio anterior conlleva dos problemas: 1) el nmero de

conglomerados resultante es muy grande (por lo tanto, difcil de manejar e implica una
cantidad muy grande de regresiones) y 2) existen conglomerados que slo poseen
unos pocos elementos.
Adems, se observa en los Anexos 2 y 3 que para las variables Hf (Horas fro), P
(Precipitacin total diaria) y Filt (Filtracin) la mayora de sus valores son iguales a
cero, por lo que no sirven para clasificar ni tampoco muestran la variabilidad necesaria
para estar incluidos en los anlisis multivariantes. Debido a esto, sern removidos en
los procedimientos a efectuar en esta seccin desde este punto.
Despus de remover las tres variables anteriores se efecta nuevamente la aplicacin

del algoritmo de K-medias, pero se tiene que para 501 grupos el valor de F es de 19,3.
Asimismo, se sigue con el problema de conglomerados muy pequeos (con pocos
registros).
Debido a lo anterior, se decide cambiar el criterio: se pondr como restriccin que la
232
cantidad mnima de observaciones o registros en cada conglomerado sea
aproximadamente de 30. Al comparar la distribucin de observaciones para 14 y 15
conglomerados se observa que la que satisface mejor el criterio es la correspondiente
a 15 conglomerados.
Nmero de casos Nmero de casos

Conglomerado Conglomerado
en cada conglomerado en cada conglomerado
1 1047 1 553
2 67 2 390
3 92 3 990
4 867 4 133
5 112 5 2260
6 380 6 1184
7 2151 7 76
8 613 8 27
9 627 9 763
10 291 10 967
11 1261 11 67
12 291 12 100
13 459 13 740
14 716 14 418
Vlidos 8974 15 306
Vlidos 8974
TABLA 42 Comparacin del nmero de casos para 14 y 15 conglomerados en el periodo completo de

estudio
El resultado del CA eligiendo 15 conglomerados se muestra en el Anexo 18.
El resultado del nmero de conglomerados, 15, no se tomar como un valor fijo sino
como un valor orientativo del nmero de grupos en los anlisis que se realizarn en los
siguientes apartados.
7.7.2 Formacin de conglomerados para prediccin de calidad del agua Periodo de

calibracin, variables sin transformar
En este apartado se formarn conglomerados con las siguientes variables

consideradas como predictivas (11 variables estandarizadas): DJ, V, DV, Vx, T, HR,
ETo, VolExp, Qent, Qsal y Profundidad. Para el nmero de conglomerados se
continuar con el criterio propuesto de que el menor nmero de elementos en un
grupo sea alrededor de 30.
Al aplicar el algoritmo de K-medias el nmero de conglomerados que ms se ajustan

al criterio es de 19. La distribucin de los registros en los conglomerados se muestra
en la siguiente tabla:
233
Nmero de casos en
Conglomerado
cada conglomerado
1 229
2 92
3 24
4 126
5 254
6 243
7 424
8 45
9 273
10 320
11 241
12 507
13 227
14 143
15 50
16 46
17 508
18 516
19 133
Vlidos 4401
TABLA 43 Nmero de conglomerados y distribucin de casos, periodo de calibracin, variables sin

transformar
Los centros de cada uno de los 19 conglomerados obtenidos se muestran en el Anexo

19.

validacin, variables sin transformar
Una vez formados los 19 conglomerados en el apartado anterior y determinados sus

centros, se procede a realizar la agrupacin de los datos en el periodo de validacin
con las mismas 11 variables predictivas estandarizadas (DJ, V, DV, Vx, T, HR, ETo,
VolExp, Qent, Qsal y Profundidad), utilizando en las opciones del anlisis cluster del
SPSS 19 conglomerados y como centros de las agrupaciones los calculados en el
apartado anterior.
La distribucin de observaciones obtenida al aplicar al procedimiento de K-medias en

los 19 conglomerados es la que se muestra en la Tabla (44).
Se observa en la tabla anterior que para el periodo de validacin las observaciones se

agrupan slo en 15 de los 19 conglomerados formados para el periodo de calibracin.
Todas las observaciones del periodo de validacin fueron clasificadas en algn
conglomerado.
234
Nmero de casos en
Conglomerado
cada conglomerado
1 245
2 0
3 334
4 198
5 305
6 271
7 569
8 0
9 217
10 311
11 395
12 446
13 264
14 0
15 0
16 61
17 272
18 475
19 210
Vlidos 4573
TABLA 44 Nmero de conglomerados y distribucin de casos, centros los obtenidos para el periodo de
calibracin, observaciones del periodo de validacin, variables sin transformar
Periodo
Calibracin
1 Validacin
Ta_Estand
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
No_Conglomerado
__
FIGURA 51 Grficos de caja y bigotes agrupados por periodos de calibracin y validacin, para
temperatura del agua estandarizada, variables sin transformar y estandarizadas
Por lo tanto, al ser establecidos slo 15 conglomerados para el periodo de validacin

se est regresando al nmero establecido para el periodo completo de estudio. Para
este caso el periodo con un menor nmero de conglomerados establece dicha
cantidad tambin para los otros periodos de anlisis.
235
La comparacin de la variable Temperatura del agua (estandarizada) se realiz para
cada uno de los conglomerados, tanto para el periodo de calibracin como el de
validacin (Figura 51).
Comparaciones como la anterior para las variables Ta, Odis, pH y Con se realizan
para los siguientes casos:
Variables sin transformar.

Variables transformadas.
Puntuaciones en componentes principales de variables sin transformar.
Puntuaciones factoriales (slo factores mayores a uno) de variables sin
transformar.
Se plantearon estos tratamientos para tener la posibilidad de evaluar la efectividad de

cada uno de ellos de manera individual (no combinados). Estas se muestran en los
Anexos 21, 22, 23 y 24.

calibracin, variables transformadas
Nmero de casos en
Conglomerado
cada conglomerado
1 582
2 667
3 389
4 271
5 247
6 122
7 189
8 345
9 37
10 383
11 682
12 75
13 297
14 71
15 44
Vlidos 4401
TABLA 45 Nmero de conglomerados y distribucin de casos, periodo de calibracin, variables

transformadas y sin estandarizar
Se formarn conglomerados con las siguientes variables predictivas (11 variables, slo
se transformarn sin estandarizar): DJ, V, DV, Vx, T, HR, ETo, VolExp, Qent, Qsal y
Profundidad. Se tomar el criterio propuesto de que el menor nmero de elementos en
un grupo sea alrededor de 30.
236
Con el algoritmo de K-medias el nmero de conglomerados que ms se ajustan al
criterio es de 15.
Los centros obtenidos de este anlisis se usarn en el prximo apartado.

validacin, variables transformadas
Una vez formados los 15 conglomerados del apartado anterior se procede a realizar la
agrupacin de los datos en el periodo de validacin con las mismas 11 variables
predictivas sin estandarizar (DJ, V, DV, Vx, T, HR, ETo, VolExp, Qent, Qsal y
Profundidad), utilizando en las opciones del anlisis cluster 15 conglomerados y como
centros los calculados en el apartado anterior.
Se tiene que las observaciones se clasifican, en el periodo de validacin, slo en 12 de

los 15 conglomerados generados en el periodo de calibracin. Por el momento, la
ventaja que se ve al transformar las variables es que se tienen que procesar un menor
nmero de conglomerados.
La comparacin de los valores transformados de las variables respuesta de calidad del

agua (Ta, Odis, pH y Con) en los conglomerados, se muestra en el Anexo 22.
La distribucin de observaciones obtenida al aplicar al procedimiento de K-medias en

los 15 conglomerados es la siguiente:
Nmero de casos en
Conglomerado
cada conglomerado
1 334
2 544
3 67
4 189
5 408
6 0
7 0
8 257
9 678
10 724
11 667
12 28
13 327
14 0
15 350
Vlidos 4573
TABLA 46 Nmero de conglomerados y distribucin de casos, centros los obtenidos para calibracin,
observaciones del periodo de validacin, variables transformadas y sin estandarizar
237
calibracin, puntuaciones en componentes principales de variables sin
transformar
Los conglomerados se formarn con las puntuaciones en componentes principales de

las siguientes variables predictivas estandarizadas (11 variables): DJ, V, DV, Vx, T,
HR, ETo, VolExp, Qent, Qsal y Profundidad. El criterio propuesto es que el menor
nmero de elementos en un grupo sea alrededor de 30.
Con el algoritmo de K-medias el nmero de conglomerados que ms se ajustan al

criterio es de 18.
Conglomerado Nmero de casos en cada conglomerado

1 408
2 246
3 50
4 232
5 227
6 342
7 69
8 683
9 92
10 247
11 45
12 575
13 292
14 41
15 386
16 273
17 24
18 169
Vlidos 4401
TABLA 47 Nmero de conglomerados y distribucin de casos, periodo de calibracin, puntuaciones en

componentes principales de variables sin transformar y estandarizadas
Los centros de los conglomerados se conservan para el apartado siguiente.

validacin, puntuaciones en componentes principales de variables sin
transformar
Con los centros de los 18 conglomerados del apartado anterior se procede a realizar la
agrupacin de las puntuaciones en componentes principales de los datos en el periodo
de validacin con las mismas 11 variables predictivas sin estandarizar (DJ, V, DV, Vx,
T, HR, ETo, VolExp, Qent, Qsal y Profundidad) y utilizando en las opciones del anlisis
cluster 18 conglomerados y como centros los calculados en el apartado anterior.
La distribucin de observaciones al aplicar al procedimiento de K-medias en los 18

conglomerados se muestra en la Tabla (48). Se tiene que las observaciones se
clasifican en el periodo de validacin en 17 de los 18 conglomerados.
238
Nmero de casos en
Conglomerado
cada conglomerado
1 403
2 198
3 67
4 284
5 323
6 169
7 0
8 452
9 61
10 125
11 269
12 355
13 312
14 438
15 190
16 347
17 349
18 231
Vlidos 4573
TABLA 48 Nmero de conglomerados y distribucin de casos, periodo de calibracin, puntuaciones en

componentes principales de variables sin transformar y estandarizadas
La comparacin de los valores de las variables respuesta de calidad del agua

estandarizadas (Ta, Odis, pH y Con) dentro de los conglomerados, se muestra en el
Anexo 23.

calibracin, puntuaciones factoriales de las variables sin transformar
Para agrupar los conglomerados se usarn las puntuaciones factoriales de los factores
con autovalor superior a la unidad, para las siguientes variables predictivas
estandarizadas (11 variables): DJ, V, DV, Vx, T, HR, ETo, VolExp, Qent, Qsal y
Profundidad. Se extrajeron 3 factores. El criterio propuesto es que el menor nmero de
elementos en un grupo sea alrededor de 30.
El anlisis factorial fue realizado con el Mtodo de componentes principales, se aplic

una Rotacin Varimax y las puntuaciones factoriales se obtuvieron por el Mtodo de
regresin.
Al aplicar el algoritmo de K-medias el nmero de conglomerados que se ajusta ms al

criterio es 14.
239
Nmero de casos en
Conglomerado
cada conglomerado
1 154
2 41
3 331
4 397
5 230
6 567
7 146
8 614
9 186
10 466
11 92
12 578
13 46
14 553
Vlidos 4401
TABLA 49 Nmero de conglomerados y distribucin de casos, periodo de calibracin, puntuaciones

factoriales de variables sin transformar y estandarizadas
Los centros de estos conglomerados se emplearn en el siguiente apartado.

validacin, puntuaciones factoriales de las variables sin transformar
Nmero de casos en
Conglomerado
cada conglomerado
1 356
2 322
3 345
4 889
5 276
6 258
7 78
8 150
9 327
10 294
11 399
12 392
13 61
14 426
Vlidos 4573
TABLA 50 Nmero de conglomerados y distribucin de casos, periodo de validacin, puntuaciones

factoriales de variables sin transformar y estandarizadas
Con los 14 centros anteriores se procede a formar los conglomerados para el periodo
de validacin. Se usarn las puntuaciones factoriales de las variables predictivas DJ,
V, DV, Vx, T, HR, ETo, VolExp, Qent, Qsal y Profundidad, obtenidas con los mismos
mtodos del apartado anterior. Se extrajeron 4 factores con autovalor mayor a la
unidad, pero slo se considerarn los 3 mayores debido a que slo se tienen 3
240
factores en el anlisis factorial correspondiente a la calibracin.
Aplicando el algoritmo de K-medias se obtiene la distribucin de observaciones en los

conglomerados que se muestra en la Tabla (50).
Las observaciones se clasifican para la validacin en (exactamente) los 14

conglomerados que se formaron en el periodo de calibracin.
La comparacin de los valores de las variables respuesta de calidad del agua

estandarizadas (Ta, Odis, pH y Con) en los conglomerados se muestra en el Anexo
24.
7.7.10 Anlisis cluster de variables Variables estandarizadas y sin transformar
El CA de variables puede auxiliar en la reduccin de la dimensin como lo hace el

anlisis factorial (Pea, 2002), pero el anlisis de conglomerados de variables es
menos restrictivo porque no exige linealidad (Gil Pascual, 2003).
Atendiendo a los periodos de calibracin y validacin en conjunto se obtendrn los

dendogramas por cada uno de los conglomerados, con el objetivo de poder determinar
en cada uno como se agrupan las variables. Para formar los conglomerados se utiliz
el Mtodo del promedio entre grupos o vinculacin entre grupos como medida de
distancia o disimilitud se emple la distancia eucldea al cuadrado. Los resultados se
muestran en el Anexo 25.
Se puede observar que para los distintos conglomerados la forma de asociarse de las
variables es diferente en cada agrupamiento.
7.7.11 Anlisis cluster de variables Variables transformadas
Se obtendrn los dendogramas en los periodos de calibracin y validacin (agrupados

conjuntamente) para cada uno de los conglomerados. Como medida de disimilaridad
se us la distancia eucldea al cuadrado y como mtodo para formar los
conglomerados el de vinculacin inter-grupos. Los dendogramas de los
conglomerados se incluyen en el Anexo 26.
Se observa que para los distintos conglomerados las agrupaciones de las variables
ocurren para cada uno de ellos de diferentes maneras.
241
7.8 ANLISIS DISCRIMINANTE
En esta seccin se aplicar el DA a los registros conforme a la clasificacin de

conglomerados obtenida con el anlisis cluster.
Como una observacin importante las estandarizaciones de las variables (en el caso
de que se usen) fueron efectuadas para los periodos de calibracin y validacin con
los parmetros del periodo de calibracin (media y desviacin estndar) y luego
agrupadas para el periodo completo de estudio. Esto se efectu as para que el
proceso de estandarizacin en general slo dependiera de un conjunto de parmetros
(los de calibracin).
En todos los apartados siguientes se us la opcin de emplear la matriz de

covarianzas intra-grupos en vez de la opcin de utilizar la matriz de covarianzas de los
grupos separados. Esta ltima opcin proporciona mejores resultados, pero se prefiri
usar la primera, por otorgar resultados ms conservadores.
7.8.1 Periodo completo de estudio Variables sin transformar
Probabilidades previas para los grupos

Probabilidad Casos utilizados
No Grupo
previa (en %) en el anlisis
1 5,28 474
2 1,03 92
3 3,99 358
4 3,61 324
5 6,23 559
6 5,73 514
7 11,07 993
8 0,50 45
9 5,46 490
10 7,03 631
11 7,09 636
12 10,62 953
13 5,47 491
14 1,59 143
15 0,56 50
16 1,19 107
17 8,69 780
18 11,04 991
19 3,82 343
Total 100,00 8974
TABLA 51 Grupos y su probabilidad previa de ser clasificados correctamente por mero azar, periodo de
estudio completo, variables sin transformar y no estandarizadas
Primero se efecto el anlisis discriminante sobre las variables sin estandarizar. Se
242
probaron los modos estndar y de inclusin paso a paso (stepwise). Debido a que en
este ltimo modo fueron incluidas todas las 11 variables predictivas consideradas (DJ,
V, DV, Vx, T, HR, ETo, VolExp, Qent, Qsal y Profundidad), ambos modos presentan
los mismos resultados en cuanto a clasificacin de los registros en los grupos por lo
que slo se presentan los del modo estndar en el Anexo 27.
Los conglomerados considerados para el anlisis fueron 19. Las probabilidades

previas se calcularon segn el tamao de los grupos.
De inicio las probabilidades de clasificar correctamente un registro por mero azar son
las que se muestran en la Tabla (51).
El resultado de la clasificacin efectuada con las funciones discriminantes se muestra

en la Tabla (52).
Resultados de la clasificacin
Grupo de pertenencia pronosticado
No Grupo Total
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Recuento 1 383 8 42 41 474
2 92 92
3 312 2 3 18 23 358
4 221 80 6 17 324
5 1 22 356 11 15 51 6 85 12 559
6 98 10 371 35 514
7 19 49 16 19 770 81 39 993
8 45 45
9 4 392 7 48 13 24 2 490
10 20 6 477 18 89 21 631
11 2 36 373 156 69 636
12 40 109 804 953
13 10 380 88 13 491
14 143 143
15 50 50
16 96 11 107
17 18 147 26 589 780
18 3 988 991
19 6 64 2 271 343
TABLA 52 Resultados de la clasificacin (Matriz de confusin), periodo de estudio completo, variables sin
transformar y no estandarizadas
Para los 19 conglomerados los casos clasificados correctamente constituyen el 79,3%

de los casos en los grupos originales. En comparacin con las probabilidades previas
de clasificacin correcta este porcentaje se puede considerar como alto, lo que
confirma la correcta formacin de los conglomerados en el anlisis cluster y tambin
se disminuye la importancia del no cumplimiento de la homocedasticidad de las
243
variables independientes (indicada por los resultados de la Prueba M de Box, Anexo
27) (Gil Pascual, 2003).
Los casos clasificados correctamente mediante validacin cruzada (opcin: dejando

uno fuera, Mtodo jackknife) fue del 79,1%, valor que casi coincide con el anterior.
Si slo se considera los grupos que tienen registros tanto en el periodo de calibracin
como en el de validacin (15 grupos: 1, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13, 16, 17, 18 y 19),
el porcentaje de clasificados correctamente es del 79,0% de los casos, por lo que
prcticamente no existe cambio.
Despus, al estandarizar las variables con los parmetros del periodo de calibracin,
se aplicaron nuevamente los modos estndar y de inclusin por pasos. En el modo de
inclusin por pasos se incluyeron todas las 11 variables predictivas por lo que los dos
modos aportan idnticas clasificaciones. Slo se presentan los resultados del modo
estndar en el Anexo 28 a).
Los grupos en el anlisis fueron 19 y las probabilidades previas se calcularon segn el

tamao de los grupos:

Probabilidades Casos utilizados
No grupo
previas (en %) en el anlisis
1 5,3 474
2 1,0 92
3 4,0 358
4 3,6 324
5 6,2 559
6 5,7 514
7 11,1 993
8 0,5 45
9 5,5 490
10 7,0 631
11 7,1 636
12 10,6 953
13 5,5 491
14 1,6 143
15 0,6 50
16 1,2 107
17 8,7 780
18 11,0 991
19 3,8 343
Total 100,0 8974
estudio completo, variables sin transformar y estandarizadas con los parmetros del periodo
de calibracin
244
La clasificacin realizada por el DA es:
Nmero de Grupo de pertenencia pronosticado
Total
conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Original 1 382 11 41 40 474
Recuento 2 92 92
3 312 2 3 6 35 358
4 238 65 4 17 324
5 21 358 11 16 49 5 86 13 559
6 101 10 368 35 514
7 4 42 16 19 824 49 39 993
8 45 45
9 4 394 5 48 13 24 2 490
10 19 6 487 21 77 21 631
11 3 33 355 158 75 12 636
12 39 108 791 15 953
13 10 380 88 13 491
14 143 143
15 50 50
16 96 11 107
17 22 163 26 569 780
18 5 986 991
19 4 61 2 276 343
transformar y estandarizadas con los parmetros del periodo de calibracin
Los registros clasificados de manera correcta constituyen un 79,6% de los registros

agrupados originalmente. Es un 0,3% superior al caso de cuando las variables estn
sin estandarizar. Por tanto, se puede afirmar que para el anlisis discriminante los
resultados sern prcticamente los mismos si las variables se aportan sin estandarizar
o estandarizadas para todo el periodo en estudio con los parmetros del periodo de
calibracin exclusivamente.
Los registros clasificados de manera correcta por validacin cruzada (Mtodo

jackknife) fue de 79,4 %, valor muy prximo al antes mencionado.
Al tomar en cuenta slo los conglomerados que se extienden en los dos periodos, el
de calibracin y validacin (15 grupos: 1, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13, 16, 17, 18 y
19), el porcentaje de clasificaciones correctas es 78,9 %, un valor un poco inferior al
obtenido considerando 19 grupos.
Por otra parte, se estandarizaron de forma univariante los periodos de calibracin y

validacin por separado, luego se unieron en un solo conjunto para llevar a cabo el
anlisis discriminante y se aplicaron nuevamente los modos estndar y de inclusin
por pasos. En el modo de inclusin por pasos se incluyeron todas las 11 variables
245
predictivas por lo que los dos modos aportan idnticas clasificaciones. Slo se
presentan los resultados del modo estndar en el Anexo 28 b).
Los grupos en el anlisis fueron 19 y las probabilidades previas se calcularon segn el

tamao de los grupos:

No grupo
previas (en %) en el anlisis
1 5,3 474
2 1,0 92
3 4,0 358
4 3,6 324
5 6,2 559
6 5,7 514
7 11,1 993
8 0,5 45
9 5,5 490
10 7,0 631
11 7,1 636
12 10,6 953
13 5,5 491
14 1,6 143
15 0,6 50
16 1,2 107
17 8,7 780
18 11,0 991
19 3,8 343
Total 100,0 8974
estudio completo, variables sin transformar y estandarizadas por separado en los periodos de
calibracin y validacin
La clasificacin realizada por el DA se muestra en la Tabla (56).
Los registros clasificados de manera correcta constituyen un 87,8% de los registros

agrupados originalmente. Es un 8,5% superior al caso de cuando las variables estn
sin estandarizar. Esto puede estar ocurriendo, posiblemente, debido a que los
conglomerados antes de ser formados por el anlisis cluster son tipificados con el fin
de que las diferentes escalas de medida y distintas unidades no influyan en la forma
de agrupar. Debido a esto, al estar las variables estandarizadas se ajustan ms al
esquema tratado por el anlisis cluster en su momento. El agrupamiento de los
registros se tom del efectuado para las variables tipificadas en el anlisis cluster y
este agrupamiento se us en el DA, tanto para las variables originales como para las
tipificadas, acercndose ms a la estructura de ordenamiento de estas ltimas.
246
Total
conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Original 1 381 9 64 20 474
Recuento 2 92 92
3 334 1 1 1 21 358
4 308 3 13 324
5 2 11 402 12 17 34 15 55 11 559
6 38 1 475 514
7 36 40 9 908 993
8 45 45
9 378 17 56 15 22 2 490
10 3 577 10 18 21 2 631
11 2 35 455 82 60 2 636
12 26 49 878 953
13 11 13 379 88 491
14 143 143
15 50 50
16 11 10 86 107
17 10 19 43 708 780
18 13 6 972 991
19 37 306 343
transformar y estandarizadas por separado para los periodos de calibracin y validacin
Los registros clasificados de manera correcta por validacin cruzada (Mtodo

jackknife) fue de 87,6 %, valor muy prximo al antes mencionado.
Al tomar en cuenta slo los conglomerados que se extienden en los dos periodos, el
de calibracin y validacin (15 grupos: 1, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13, 16, 17, 18 y
19), el porcentaje de clasificaciones correctas es 87,3 %, un valor un poco inferior al
obtenido considerando 19 grupos.
7.8.2 Periodo completo de estudio Variables transformadas
Se utilizaron tanto el modo estndar como el de inclusin por pasos. Debido a que en
este ltimo se incluyeron las 11 variables predictivas consideradas los dos mtodos
proporcionaron los mismos resultados. Por lo tanto, slo se presentan los del modo
estndar en el Anexo 29.
El nmero de grupos en el anlisis fue de 15. Las probabilidades previas de los grupos
se muestran en la Tabla (57).
Los casos clasificados correctamente en los 15 grupos es de 84,0% (Tabla 58) de los
casos en los grupos originales. Este porcentaje se puede considerar como muy bueno
en comparacin de las probabilidades previas al azar segn el tamao del grupo.
247
El nico grupo con un porcentaje de clasificacin inferior al 50% fue el grupo 5 (42,4%
de casos clasificados correctamente), por lo que habr que tener precauciones al
efectuar procesos donde intervenga este.

No de Probabilidad Casos en el
grupo previa anlisis
1 10,2 916
2 13,5 1211
3 5,1 456
4 5,1 460
5 7,3 655
6 1,4 122
7 2,1 189
8 6,7 602
9 8,0 715
10 12,3 1107
11 15,0 1349
12 1,1 103
13 7,0 624
14 0,8 71
15 4,4 394
Total 100 8974
estudio completo, variables transformadas
La clasificacin realizada por el DA es la siguiente:
Nmero Grupo de pertenencia pronosticado
del Total
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
grupo
Recuento 1 893 22 1 916
2 1100 48 18 41 4 1211
3 78 362 16 456
4 37 20 403 460
5 194 279 11 27 57 73 14 655
6 107 15 122
7 189 189
8 13 499 90 602
9 585 122 8 715
10 13 65 26 927 66 10 1107
11 73 50 1225 1 1349
12 95 8 103
13 2 4 18 6 53 541 624
14 71 71
15 2 40 60 6 20 266 394
TABLA 58 Resultados de la clasificacin (Matriz de confusin), periodo de estudio completo, variables

transformadas
El porcentaje obtenido por validacin cruzada (Mtodo jackknife, dejando uno fuera),
fue de 83,9%, valor altamente cercano al anterior.
Al considerar slo los grupos que poseen registros en el periodo de calibracin y en el
248
de validacin (12 grupos: 1, 2, 3, 4, 5, 8, 9, 10, 11, 12, 13 15) el porcentaje de
clasificaciones correctas es el mismo, observndose una mejora casi inapreciable en
el grupo 5. Se puede concluir que no hay modificacin.
7.8.3 Periodo completo de estudio Puntuaciones en componentes principales de las

variables sin transformar
Las puntuaciones en componentes principales (con estandarizacin) se obtuvieron por

separado para calibracin y validacin, se aplic la tcnica del anlisis cluster para
obtener los conglomerados en el conjunto de calibracin y los centros obtenidos fueron
empleados para formar los conglomerados en el periodo de validacin. Estos
resultados sern revisados por medio del DA. La salida de este procedimiento se
resume en el Anexo 30.
Los modos estndar y de inclusin por pasos (que incluy a las 11 componentes)
proporcionaron idnticos resultados por lo que slo se presenta el modo estndar.
La cantidad de grupos en el anlisis fue de 18. Las probabilidades previas

correspondientes a los grupos se muestran en la Tabla (59).

Nmero inicial Probabilidades Casos utilizados
de casos previas en el anlisis
1 9,0 811
2 4,9 444
3 1,3 117
4 5,7 516
5 6,1 550
6 5,7 511
7 0,8 69
8 12,6 1135
9 1,7 153
10 4,1 372
11 3,5 314
12 10,4 930
13 6,7 604
14 5,3 479
15 6,4 576
16 6,9 620
17 4,2 373
18 4,5 400
Total 100 8974
estudio completo, puntuaciones en componentes principales (con estandarizacin)
Los registros clasificados correctamente dentro de los grupos (Tabla 60) constituyen
249
un 88,1% de los originales. Este porcentaje se puede considerar como excelente. El
porcentaje que se obtuvo por validacin cruzada tiene un valor de 87,9%.
Si se toman en cuenta slo los conglomerados que poseen registros tanto en el

periodo de calibracin como en el de validacin (quedara nicamente fuera el grupo
7) el porcentaje de clasificaciones correctas queda exactamente igual.
No inicial Grupo de pertenencia pronosticado
Total
de casos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Original 1 800 11 811
Recuento 2 12 298 9 33 22 6 33 22 9 444
3 117 117
4 437 18 41 20 516
5 25 502 22 1 550
6 39 47 20 359 16 10 17 3 511
7 69 69
8 1 1079 36 13 6 1135
9 147 6 153
10 19 309 6 8 26 4 372
11 7 11 296 314
12 43 15 2 4 2 847 16 1 930
13 28 26 528 22 604
14 58 14 406 1 479
15 1 11 28 536 576
16 7 54 557 2 620
17 4 8 2 46 3 8 14 6 1 281 373
18 15 3 25 18 339 400
TABLA 60 Resultados de la clasificacin (Matriz de confusin), periodo de estudio completo,

puntuaciones en componentes principales (con estandarizacin)
7.8.4 Periodo completo de estudio Puntuaciones factoriales de las variables sin

transformar
Las puntuaciones factoriales se obtuvieron por separado para los periodos de

calibracin y validacin. El anlisis cluster se us para formar los conglomerados en la
calibracin y los centros de estos se emplearon para agrupar a los registros de
validacin. La agrupacin obtenida se analizar con el DA. Los resultados estn en el
Anexo 31.
Los modos estndar y de inclusin por pasos (que incluy mediante su algoritmo a las
puntuaciones en los factores 1,2 y 3) entregaron salidas de clasificacin idnticas. Se
tomar en cuenta nicamente el modo estndar.
La cantidad de grupos analizados fue de 14. Las probabilidades previas de una

clasificacin correcta en los grupos fueron:
250
No de Probabilidades Casos
grupo previas (%) utilizados
1 5,7 510
2 4,0 363
3 7,5 676
4 14,3 1286
5 5,6 506
6 9,2 825
7 2,5 224
8 8,5 764
9 5,7 513
10 8,5 760
11 5,5 491
12 10,8 970
13 1,2 107
14 10,9 979
Total 100 8974
estudio completo, puntuaciones factoriales (tres factores)
Las clasificaciones correctas representan un 88,5% (Tabla 62). Esta proporcin,

considerando la cantidad de datos involucrados y el nmero de grupos, se considera
excelente.
El porcentaje conseguido mediante validacin cruzada (dejando uno fuera) fue de

88,4%. Por lo que, de todos los apartados de clasificacin vistos en el anlisis
discriminante, este es el que proporciona los mejores resultados.
Total
conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Original 1 399 59 52 510
Recuento 2 320 43 363
3 559 117 676
4 4 1154 128 1286
5 6 477 23 506
6 788 14 23 825
7 34 190 224
8 12 752 764
9 82 31 395 5 513
10 44 44 616 56 760
11 22 467 2 491
12 125 20 825 970
13 107 107
14 29 21 38 891 979
TABLA 62 Resultados de la clasificacin (Matriz de confusin), periodo de estudio completo,

puntuaciones factoriales (tres factores)
251
Los 14 conglomerados tienen elementos tanto en el periodo de calibracin como en el
de validacin.
7.9 MODELO LINEAL DE REGRESIN MLTIPLE
Con el propsito de tener una referencia de comparacin, se aplicar la regresin

lineal mltiple (MLR) sobre los datos de calibracin completos (usando al arrancar con
el proceso todas las 17 variables predictivas), se obtendr la ecuacin correspondiente
y se probar en el periodo de validacin para contar con una idea del ajuste esperado
y el error cometido. Este proceso se llevar a cabo para las 4 variables de calidad del
agua de inters: temperatura del agua (Ta), oxgeno disuelto (Odis), el pH y
conductividad (Con).
La calibracin y la validacin son a menudo utilizadas para medir el desempeo de un

modelo. El rango de aplicabilidad del modelo est generalmente empatado al rango de
condiciones usadas para calibrar, validar o probar el modelo (Deas et al., 2000). Para
los distintos mtodos multivariantes y el modelo mecanicista que se usarn para
efectuar estimaciones es necesario tomar en cuenta que tanto las regresiones como
los coeficientes del modelo mecanicista estn supeditados al rango que poseen para
esta aplicacin las variables predictivas. Y por otra parte el hecho de efectuar los
procesos de calibracin y validacin garantiza que para estas condiciones los
resultados sean estables, no presentndose estos por mera casualidad.
El mtodo que se us en la seleccin de variables fue el de seleccin hacia delante

que permiti obtener un modelo prcticamente con los mismos resultados, pero con
menos variables, que es un modelo ms simple e interpretable. Los resultados son:
Periodo Variable R2 corregido Error estndar de estimacin

Ta 0,746 2,768
Odis 0,774 2,055
Calibracin
pH 0,286 0,340
Con 0,654 59,011
Ta 0,672 4,124
Odis 0,658 2,810
Validacin
pH 0,380 0,473
Con 0,592 76,569
TABLA 63 Resultados del ajuste inicial efectuado para los periodos de calibracin y validacin de las
variables de calidad del agua
Para el periodo de validacin el R2 corregido recibe el nombre de Q2 (o R2 corregido de
252
validacin cruzada). Este se obtuvo por medio de la ecuacin (116).
Es necesario aclarar en este punto que el coeficiente de determinacin, tanto para el

periodo de calibracin como en el de validacin, fue calculado en base a valores
diarios (cada 24 horas) para cada profundidad correspondiente, por lo que se est
evaluando la calidad de las estimaciones hechas a escala temporal diaria y a escala
espacial unidimensional (en la direccin vertical hacia abajo). Esta forma de obtener el
coeficiente de determinacin ser aplicada durante todo el desarrollo de la tesis.
El error estndar de estimacin, Se, cuando interviene ms de una variable

independiente se obtuvo con la expresin (Nolberto Sifuentes, 2002):
(y y i )
2
i
(205)
Se = i =1
n k 1
Donde (Nolberto Sifuentes, 2002):
Se = Error estndar de estimacin (en las mismas unidades de la variable

observada).
yi = Valor observado de la variable.
y i = Valor estimado de la variable.
n = Nmero de observaciones.
k = Nmero de variables predictivas.
Para los grupos formados mediante estandarizacin de variables (sin transformar),

transformacin de variables, puntuaciones en componentes principales y puntuaciones
factoriales, se aplicar el MLR a los casos del grupo existentes en el periodo de
calibracin para ajustar el modelo y se comprobar en el de validacin. Esto se har
para las 4 variables respuesta (Ta, Odis, pH y Con). En cada caso, se usarn los
tratamientos ms adecuados para las variables independientes y las variables
respuesta. Slo en el caso de grupos formados mediante las variables transformadas
se usarn estas ltimas dentro del proceso.
Si se calcula la ecuacin de regresin sobre datos a los que previamente se les haya
aplicado un tratamiento especfico se debe tener en cuenta que las propiedades de los
estimadores de los coeficientes de regresin se refieren a la forma tratada, no a los
originales (Etxeberria, 1999).
Con el propsito de poder comparar realmente la efectividad de cada tratamiento y tipo

de agrupamiento las medidas de adecuacin y error cometido se calcularn con los
253
valores estimados de la variable respuesta en sus dimensiones y unidades originales.
En otras palabras, se le aplicar el tratamiento inverso al que se le haya administrado,
para comparar los resultados de la calibracin y validacin en las unidades originales.
7.9.1 MLR en grupos formados con las variables estandarizadas
Al usar variables independientes en las que la mayora de sus valores toman valor
cero, se observ que algunas estimaciones estaban en valores extremos (arriba de 1
1014 C para la temperatura del agua), por lo que se determin excluir esas variables
de todos los anlisis (Hf, P y Filt), con el objetivo de contar con mayor estabilidad en
las estimaciones.
Adems, como las variables T, Tn y Tx presentan colinealidad, slo se usar T.

Asimismo, Rad y ETo tambin son colineales por lo que slo intervendr en los
anlisis ETo.
Aqu se consideran los 19 grupos formados en los apartados 7.7.2 (conglomerados

formados por medio del algoritmo de K-medias en el anlisis cluster para el periodo de
calibracin, con las variables sin transformar y aproximadamente 30 elementos por
grupo como mnimo) y 7.7.3 (agrupamientos formados con el algoritmo de K-medias
del anlisis cluster para el periodo de validacin, con las variables sin transformar y
aproximadamente 30 elementos por conglomerado como mnimo). Las variables
predictivas y las variables respuesta fueron probadas para un conglomerado en el
periodo de calibracin sin estandarizar las variables y luego estandarizadas,
observndose que el coeficiente de determinacin corregido adquiri el mismo valor
en ambos casos, por lo que el procedimiento MLR fue llevado a cabo con las variables
expresadas en su escala y unidades originales con el fin de que las ecuaciones de
regresin sean ms fciles de utilizar al efectuar las sustituciones en ellas.
Para el primer conglomerado en la calibracin se ajusta una ecuacin por medio de

regresin mltiple, la ecuacin obtenida se usa para efectuar estimaciones en el
mismo conglomerado de los valores del periodo de calibracin y tambin para efectuar
predicciones en el periodo de validacin para los registros que fueron clasificados por
el anlisis cluster como del mismo grupo. Se contina as hasta terminar con todos los
conglomerados y una vez completas las estimaciones se comparan con los datos
observados, obtenindose el R2 corregido y el error estndar de estimacin para cada
una de las variables a estimar, separados por periodo correspondiente (calibracin o
validacin).
254
Los resultados de este proceso de regresin por conglomerados fue el siguiente:

Ta 0,966 1,048
Odis 0,944 1,042
Calibracin
pH 0,722 0,214
Con 0,928 27,014
Ta 0,477 6,786
Odis 0,235 5,312
Validacin
pH 0,197 0,716
Con 0,091 123,523
TABLA 64 Resultados de la regresin mltiple efectuada para 15 grupos seleccionados (de 19) que
poseen registros en los periodos de calibracin y validacin
Se puede observar en la tabla anterior que respecto a la modelacin por periodo

entero (calibracin), el ajuste por conglomerados mejora en la calibracin pero su
calidad predictiva para el periodo de validacin disminuye bastante.
Como conclusin inicial, el proceso anterior puede proporcionar buenos resultados

para efectuar interpolacin dentro de un conglomerado (por ejemplo, para recuperar
valores faltantes), pero su uso en periodos distintos llevara a inferencias de baja
calidad.
7.9.2 MLR en grupos formados con las variables transformadas
Se usarn los 15 grupos obtenidos en los apartados 7.7.4 (agrupamientos generados

con el algoritmo de K-medias del anlisis cluster en la calibracin, utilizando variables
transformadas y aproximadamente 30 elementos por agrupamiento como mnimo) y
7.7.5 (conglomerados formados con el algoritmo de K-medias del anlisis cluster en la
validacin, empleando variables transformadas y aproximadamente 30 elementos por
grupo como mnimo). Las variables predictivas sern en total 11: DJ, V, DV, Vx, T, HR,
ETo, VolExp, Qent, Qsal y Profundidad. Las variables predictivas y las variables
respuesta se usarn transformadas, de los periodos de calibracin y validacin por
separado. Una vez obtenidos los resultados se les aplicar la transformacin inversa a
las variables respuesta, para obtener sus estadsticas referidas a sus unidades
originales. Como se trata de un planteamiento predictivo, para realizar esta
transformacin inversa se usarn los parmetros obtenidos en el periodo de
calibracin para pronosticar los valores de las variables de calidad del agua en el otro
periodo.
255
El procedimiento para obtener las estimaciones de las variables de calidad del agua en
la calibracin y la validacin, adems del R2 corregido y el error estndar de
estimacin, es similar al descrito en el apartado anterior (7.9.1).
Los ndices de calidad de la prediccin fueron los siguientes:

Ta 0,951 1,257
Odis 0,909 2,843
Calibracin
pH 0,742 0,207
Con 0,925 27,765
Ta 0,017 5,4 1014
Odis 0,000 1,2 1015
Validacin
pH -0,002 0,8944
13
Con -0,002 9,0 10
TABLA 65 Resultados de la regresin mltiple efectuada para 12 grupos seleccionados (de 15) que
poseen registros en los periodos de calibracin y validacin
Con respecto al caso de las variables estandarizadas, en el periodo de calibracin

todas las variables, excepto el pH, empeoran su estimacin. Y en el periodo de
validacin los resultados obtenidos son de muy baja calidad.
7.9.3 MLR en grupos formados con puntuaciones en componentes principales
Las puntuaciones se obtendrn por medio de la matriz de correlacin, usando las

variables independientes (11): DJ, V, DV, Vx, T, HR, ETo, VolExp, Qent, Qsal y
Profundidad. Las variables dependientes se expresarn en sus unidades originales.
Se usarn 17 conglomerados (de 18 totales) que poseen informacin tanto en el

periodo de calibracin como en el de validacin. Las puntuaciones que se usarn en
los clculos provienen de los periodos de calibracin y validacin, obtenidas por
separado para cada uno de los periodos.
Los resultados para el periodo de calibracin y validacin se muestran en la Tabla

(66). Se puede concluir que existe un adecuado poder de interpolacin dentro de los
grupos en la calibracin, pero en la validacin la capacidad predictiva es pobre. Por
tanto, este planteamiento puede servir para completar informacin faltante en el
periodo para el que se hicieron las regresiones, pero no para pronosticar en otros
periodos.
256
Ta 0,964 1,0508
Odis 0,938 1,0803
Calibracin
pH 0,720 0,2126
Con 0,932 26,2916
Ta 0,105 29,1127
Odis 0,245 51,3197
Validacin
pH 0,166 137,8221
Con 0,100 1024,7778
TABLA 66 Resultados de la regresin mltiple efectuada para los periodos de calibracin y validacin
usando puntuaciones en componentes principales
7.9.4 MLR en grupos formados con las puntuaciones factoriales
Las puntuaciones factoriales se obtuvieron para los tres primeros factores (con
autovalor mayor a la unidad) usando las variables independientes del apartado
anterior. Las variables dependientes se emplearon en sus unidades originales.
El nmero de conglomerados utilizado es de 14 (que abarcan el total de registros del

estudio), los cuales se extienden en los dos periodos de anlisis. Las puntuaciones se
obtuvieron por separado para los dos periodos.
Los parmetros de calidad del ajuste son:

Ta 0,613 3,4163
Odis 0,452 3,1985
Calibracin
pH 0,341 0,3270
Con 0,251 86,9016
Ta 0,001 25,8111
Odis 0,027 19,1120
Validacin
pH 0,092 1,8434
Con 0,000 567,4418
TABLA 67 Resultados de la regresin mltiple efectuada para los periodos de calibracin y validacin
usando puntuaciones factoriales (considerando tres factores)
De la tabla anterior se puede concluir que este planteamiento no es el ms adecuado

tanto para interpolacin en el periodo de calibracin, as como para pronstico en el de
validacin.
257
7.10 ANLISIS DE CORRELACIN CANNICA
La correlacin cannica es una generalizacin de la regresin lineal mltiple que

considera las relaciones espaciales entre las variables que se requiere pronosticar.
Se busca que dadas unas variables predictivas X = (x1, , xp1) y unas variables
respuesta Y = (y1, , yp2), se requiere estimar el valor del vector respuesta de forma
conjunta a partir de los patrones espaciales que mayor correlacin presenten con el
vector predictivo (Gutirrez et al., 2004).
En este trabajo ms que conocer como se relaciona el conjunto de variables respuesta

con el conjunto de variables predictivas lo que se pretende es predecir los valores que
adquiere cada una de las variables respuesta dados valores del conjunto de las
variables predictivas.
El planteamiento sera que dadas dos muestras simultneas de tamao n (Gutirrez et

al., 2004):
X T = ( x1,, x p1 ) Y T = ( y1,, yp2 )

T T
(206)
Se trata de encontrar dos subespacios proyectores ({f ,, f } y {g ,, g }) ,

1 r 1 r
respectivamente, con r min {p1,p2 } , para los dos espacios de datos:
f11 f1p1
x1
u=F X =
T T
v = GT Y T (207)
x p1
fr1 frp1
De manera tal que las proyecciones ui y vi tengan correlacin mxima para cada
pareja i = j de vectores y estn incorrelacionadas para i j (Gutirrez et al., 2004).
Cuando ya se han obtenido los vectores cannicos en cada espacio, conocindose un

valor de X para el vector predictivo se puede obtener una estimacin de Y procediendo
as: se proyecta X sobre el espacio de vectores cannicos de acuerdo con la ecuacin
(207) y se obtiene u. Cada componente del vector proyectado est linealmente
relacionada con las componentes de Y. Despus, se efectan las regresiones entre
estos parmetros con fundamento en los valores disponibles (Gutirrez et al., 2004):
258
vi = aiui + bi , i = 1,,r (208)
As, se obtiene el valor estimado de v y se invierte la proyeccin para calcular el vector

de estimaciones en el espacio original:
( )
1
y = GT v (209)
La inversa anterior slo es posible calcularla cuando el nmero de variables respuesta

es menor que el nmero de variables predictivas (Gutirrez et al., 2004).
7.10.1 CCA sobre periodos de calibracin y validacin completos
Para comenzar se efectu el ajuste de datos por medio del CCA para el periodo de
calibracin completo usando todas las variables predictivas (17 en total), expresando
las variables en su escala original. El anlisis se presenta en el Anexo 32. Los
resultados pronosticados en la validacin son:
Q2 corregido Error tpico de la estimacin

Ta 0,019 7,3105
Odis 0,438 4,0510
pH 0,226 0,4436
Con 0,215 54,5706
TABLA 68 Resultados del CCA aplicado para el periodo de validacin usando 17 variables predictivas
expresadas en su escala original
Se observa que los resultados no son adecuados.
Ahora se efectuar el mismo proceso sobre el periodo de calibracin completo, pero

con slo 11 variables independientes (DJ, V, DV, Vx, T, HR, ETo, VolExp, Qent, Qsal y
Profundidad). El anlisis se incluye en el Anexo 33. Los resultados del periodo de
validacin fueron:

Ta 0,151 52,9007
Odis 0,430 29,4936
pH 0,254 6,5348
Con 0,215 87,9793
expresadas en su escala original
259
Los resultados son menos satisfactorios que en el caso anterior, lo cual se ve reflejado
en el error tpico.
Al desarrollar los dos procesos anteriores se detect que en el clculo de variables

cannicas influyen ms unas variables predictivas que otras. Por lo que se proceder
a estandarizarlas antes de efectuar el CCA. En el Anexo 34 se incluye el anlisis. Los
resultados de validacin (con 17 variables) son:

Ta 0,640 4,9211
Odis 0,677 2,5213
pH 0,383 0,3900
Con 0,555 86,0564
estandarizadas
Con el propsito de saber si los valores de estandarizacin influyen al usar las

ecuaciones ajustadas se procedi a efectuar la tipificacin de las 17 variables del
periodo de validacin, pero con los valores correspondientes a la media y desviacin
estndar del periodo de calibracin. Los resultados de validacin fueron (se us el
mismo CCA del Anexo 34):

Ta 0,679 4,0730
Odis 0,682 2,6199
pH 0,434 0,4431
Con 0,604 74,9468
TABLA 71 Resultados del CCA aplicado para el periodo de validacin usando 17 variables predictivas,
estandarizadas con los parmetros del periodo de calibracin
Se observa que los valores del coeficiente de determinacin en el periodo de

validacin y el error tpico correspondiente han mejorado bastante.
A continuacin se efecta en los mismos trminos el anlisis anterior, excepto que se

remover de los clculos la nica variable que no se considera dentro de las variables
meteorolgicas o hidrolgicas, el da juliano (DJ). El Anexo 35 contiene el anlisis
efectuado. Los valores que representan la calidad de la estimacin para el periodo de
validacin quedan as:
260
Ta 0,664 4,1044
Odis 0,738 2,6086
pH 0,474 0,4459
Con 0,603 79,4605
Se observa una mejora en la prediccin de las variables Odis y pH y una disminucin

ligera de Con. Pero como es un modelo con menos variables (ms sencillo y que se
desempea mejor que el anterior), se prefiere este.
As, es preferible para cumplir con el Principio de Parsimonia (simplificar el modelo sin
perder poder de prediccin) intentar reducir el nmero de variables. Para esto, en el
Anexo 36 fueron seleccionadas de entre las dos primeras variables cannicas (por ser
las que explican ms del 50% de la variabilidad) los pesos de las variables
independientes con valor mayor a 0,10, eliminado del anlisis a las variables que no
cumplan con este requisito. Se procedi as en dos ocasiones hasta que todas las
variables predictivas tenan cuando menos un peso mayor a 0,10. Las variables que
resultaron satisfactorias en este sentido fueron nueve: T, Tn, Tx, Hf, HR, ETo, VolExp,
Qsal y Profundidad. Los resultados del ajuste se muestran en la tabla siguiente:

Ta 0,657 4,1295
Odis 0,738 2,5785
pH 0,475 0,4412
Con 0,607 77,9733
Se observa que los resultados son muy similares a los de la Tabla (72), pero con slo
nueve variables, por lo que este modelo se prefiere.
7.10.2 CCA sobre las variables originales estandarizadas
En base a los resultados obtenidos en el apartado anterior se efectuarn varias

regresiones sobre los conglomerados obtenidos en la seccin 7.7.2 y 7.7.3 por medio
del CCA, con las caractersticas siguientes: se usarn 16 variables independientes (se
excluye DJ), las estandarizaciones se efectuarn con la media y la desviacin
estndar del periodo de calibracin entero.
261
Al efectuar el procedimiento por conglomerados se tiene que las variables del bloque
independiente son linealmente dependientes, por lo que no se puede aplicar el
anlisis.
7.10.3 CCA sobre las variables transformadas
Se realizarn anlisis en los conglomerados formados en las secciones 7.7.4 y 7.7.5

empleando 16 variables independientes (no se incluye DJ). Las transformaciones de
las variables se efectuarn con los parmetros obtenidos del periodo de calibracin.
Cuando se realiza el proceso se detecta que las variables son linealmente

dependientes en varios de los grupos, por lo que no se genera una salida vlida. No se
puede aplicar el anlisis para obtener los resultados del periodo de validacin
completo.
7.10.4 CCA sobre las puntuaciones en componentes principales
Usando los conglomerados generados en las secciones 7.7.6 y 7.7.7 y empleando en

el anlisis 16 variables predictivas (la variable DJ no se usa), se calcularn 16
componentes principales y sus correspondientes puntuaciones para ser manejadas en
el anlisis.
Para realizar el CCA el segundo grupo de variables estar integrado por las
puntuaciones en componentes principales de las variables respuesta.
Despus de aplicado el procedimiento se observa que los errores tpicos de

estimacin son demasiado grandes en los conglomerados (de valor igual o mayor a la
media de las variables que se requiere predecir). Por lo que este anlisis no se tomar
en cuenta.
7.10.5 CCA sobre las puntuaciones factoriales
Con los conglomerados formados en las secciones 7.7.8 y 7.7.9 y usando 16 variables
predictivas (DJ no se emplear) se calcularn las puntuaciones factoriales para los
autovalores mayores que uno, para formar el primer conjunto de variables para el
anlisis de correlacin cannica.
Para formar el segundo conjunto se obtendrn las puntuaciones factoriales de las 4

variables dependientes, tambin para autovalores mayores a la unidad.
262
En todos los casos los factores se obtendrn por medio de una Rotacin Varimax y el
mtodo de extraccin ser el de componentes principales.
En las variables predictivas se extrajeron cuatro factores (pues se obtuvo la misma

cantidad de autovalores mayores a la unidad). Tambin para las variables respuesta
se calcularon cuatro factores, pero en este caso se hizo para poder obtener por medio
de las puntuaciones factoriales estimadas los valores de las variables respuesta para
el periodo de validacin.
El coeficiente de determinacin corregido (R2 corregido) es cercano a cero para las 4

variables respuesta, por lo que no se considera satisfactorio este anlisis y no se
presenta.
7.11 PLSR
Su aplicacin est basada sobre la suposicin de homogeneidad, esto es, el sistema

analizado debe encontrarse en un estado similar a travs de toda la investigacin
(Wold et al., 2001b).
En todas las aplicaciones que se efecten del mtodo las variables X y Y sern
estandarizadas (centradas y escaladas en varianza por columnas) antes de iniciar
con el mismo (Baffi et al., 1999).
De inicio se aplicar el algoritmo PLS1, esto es, las variables Y predichas de manera
individual (una a la vez) (Ergon, 2006). En el caso donde se tenga evidencia referente
a un buen proceso de prediccin se desarrollarn variantes en el modelado, con el
objetivo de intentar mejorar la estimacin.
En cada caso se probar con varias componentes para saber cuntas utilizar para
conseguir la mejor prediccin posible en el periodo de validacin. Este ser el nico
criterio utilizado para seleccionar el nmero de componentes.
7.11.1 Periodos de calibracin y validacin completos
Se tomarn las 17 variables independientes iniciales y las 4 variables dependientes,

se estandarizarn de forma univariante (por cada variable) antes de llevar a cabo el
procedimiento de regresin con el PLSR.
Los resultados de este anlisis se incluyen en el Anexo 37. Los resultados sucintos
263
son:
Nmero de
Periodo Variable R2 Error estndar de estimacin
componentes extradas
Ta 7 0,7448 2,77
Odis 14 0,7744 2,05
Calibracin
pH 11 0,2882 0,34
Con 8 0,6533 59,10
Ta 7 0,6965 4,02
Odis 14 0,6862 2,61
Validacin
pH 11 0,4342 0,44
Con 8 0,6083 72,36
TABLA 74 Resultados del PLSR aplicado a los periodos de calibracin y validacin, algoritmo PLS1
Estos resultados son ligeramente superiores en poder de prediccin para Ta y Con,

siendo un poco menos efectivos en Odis y pH que los mejores obtenidos con el CCA
para 9 variables predictivas (Tabla 73), mostrndose el PLSR ms flexible.
7.11.2 Variables originales estandarizadas
Se aplicar el PLSR a los conglomerados de las secciones 7.7.2 y 7.7.3. Se usarn 17

variables predictivas. Las estandarizaciones en las variables se harn para el periodo
de calibracin completo.
Los valores del coeficiente de determinacin y el error tpico de validacin por grupos
son peores que los que se muestran en la Tabla (74) para el periodo de validacin
completo (la variable ms afectada fue pH). Por lo tanto, al no ser mejor este anlisis
no se muestra.
7.11.3 Variables transformadas
En este caso se considerarn los conglomerados formados en las secciones 7.7.4 y

7.7.5 para emplear el PLSR. Las estandarizaciones utilizadas sern las del periodo de
calibracin entero.
Los valores de los dos estadsticos que miden la calidad del ajuste indican que por
este procedimiento la validacin no arroja buenos resultados (no es adecuada), por lo
que no se incluyen aqu.
264
7.11.4 Puntuaciones en componentes principales
Se emplearn los conglomerados generados en las secciones 7.7.6 y 7.7.7 para la

aplicacin del PLSR. Las puntuaciones en componentes principales corresponden a
los periodos de calibracin y validacin completos.
Se usaron 17 variables independientes obtenindose 17 componentes principales. De

las 4 variables respuesta se obtuvieron 4 componentes principales. El PLSR se aplic
al periodo de calibracin. Se comprob en el periodo de validacin.
Al realizar la validacin se observa que el coeficiente de determinacin toma valores

bajos y el error tpico se dispara enormemente. Por lo tanto, la estimacin de los
valores no es adecuada y no se presenta.
7.11.5 Puntuaciones factoriales
En este caso se usarn los conglomerados obtenidos en las secciones 7.7.8 y 7.7.9
para la regresin con el PLSR. Las puntuaciones factoriales para realizar la regresin
fueron obtenidas con los periodos de calibracin y validacin enteros.
En el periodo de calibracin fueron empleadas 17 variables independientes,

obtenindose 4 factores con autovalor mayor que la unidad, que fueron los utilizados
en el anlisis. El mtodo de extraccin de factores fue el de componentes principales,
se efectu una rotacin Varimax y las puntuaciones factoriales se obtuvieron por el
procedimiento de regresin. Para las 4 variables respuesta tambin se obtuvieron 4
factores con las mismas opciones antes mencionadas; esto se efectu as debido a
que para obtener las puntuaciones factoriales usando las variables de calidad del agua
es necesario multiplicar matricialmente las variables respuesta del periodo de
calibracin por una matriz de coeficientes. Luego se usa el PLSR para obtener las
estimaciones de los puntuaciones factoriales y despus para calcular las variables
respuesta del periodo de validacin es necesario utilizar la matriz inversa de la matriz
de coeficientes, que debe ser cuadrada para poder invertirla; por este motivo se
obtiene el mismo nmero de factores que la cantidad de variables respuesta. Los
resultados de la calibracin arrojan un R2 con valores bajos, lo cual augura una mala
prediccin.
Para efectuar el pronstico se obtuvieron 4 factores de los valores correspondientes a

17 variables independientes para sustituirlos en las expresiones de regresin.
265
Los resultados muestran un coeficiente de determinacin muy bajo (cercano a cero)
para las 4 variables respuesta. Por lo tanto, este anlisis no se tomar en cuenta.
7.12 MEJORA DE LOS RESULTADOS
Considerando que dentro de los mtodos revisados el PLSR es uno de los que
proporciona los mejores resultados y es una tcnica que no impone suposiciones a
cumplir de inicio, se intentar mejorar los resultados de la regresin sobre las variables
de calidad del agua proponiendo variantes dentro de la aplicacin del PLSR.
7.12.1 Variables predictivas fsicas
Con el objetivo de darle un sentido estrictamente fsico a las variables empleadas en la

estimacin de parmetros de calidad del agua la variable Da Juliano (DJ) no ser
incluida en los anlisis subsiguientes.
Los resultados empleando 16 variables predictivas quedan as (por constituir la

autntica comprobacin de la efectividad del proceso slo se muestran los valores de
validacin):
Nmero de
Ta 7 0,6749 4,04
Odis 14 0,7410 2,59
Validacin
pH 12 0,4757 0,44
Con 12 0,6061 78,76
TABLA 75 Resultados del PLSR aplicado al periodo de validacin, algoritmo PLS1, 16 variables
predictivas
Disminuye ligeramente el R2 de la variable Ta, pero aumenta significativamente en

Odis y pH. El error estndar de la variable Con creci ligeramente.
Este anlisis globalmente es de calidad similar al mostrado en la Tabla (74), pero con
una variable independiente menos por lo que cumple con el principio de parsimonia y
por lo tanto es superior.
7.12.2 Recortado de datos
Para realizar el recortado sobre los datos primero se orden por cada variable y se
reemplazaron todos los datos mayores que el percentil 99 y los datos menores que el
266
percentil 1, por los valores de estos lmites. El recortado se aplic tanto a las variables
independientes como a las dependientes.
Es muy importante hacer notar que el proceso de recortado slo se aplic al periodo
de calibracin. El periodo de validacin se utiliz con sus valores originales. Los
resultados son:
Nmero de
Ta 4 0,6935 4,03
Odis 13 0,7419 2,61
Validacin
pH 10 0,4723 0,43
Con 8 0,6096 77,86
TABLA 76 Resultados del PLSR aplicado al periodo de validacin, algoritmo PLS1 y recortado de los
datos, 16 variables predictivas
Al comparar los resultados obtenidos con los de la Tabla (75) (idntica cantidad de
variables independientes) se observa que las modificaciones observadas son muy
pequeas. Debido a esto, en este trabajo no se emplear el recortado.
La aplicacin del proceso de recortado ha servido para tener la seguridad de que los
datos de calibracin son estables en sus predicciones y no poseen valores extremos
importantes. Tambin se puede concluir que el proceso inicial de depuracin de los
datos fue hecho correctamente.
7.12.3 Modelo reducido Trminos lineales
Fundamentalmente el principio de parsimonia indica que un modelo debe ser til y lo

ms sencillo posible.
Coeficientes PLSR Coeficientes PLSR
0.35 0.6
Coeficientes estandarizados
Ta Odis
0.3
0.15
0
-0.05
-0.3
-0.25
-0.6
-0.45 -0.9
HR
HR
Hf
Hf
DV
DV
T
T
Tx
Tx
V
P
Vx
Tn
Vx
Tn
Filt
Filt
Rad
ETo
Rad
ETo
Qent
Qent
Qsal
Qsal
VolExp
VolExp
Profundidad
Profundidad
267
Coeficientes PLSR Coeficientes PLSR
0.9 0.8
pH Con
0.6
0.5
0.3
0.2
0
-0.1
-0.3
-0.6 -0.4
-0.9 -0.7
HR
Hf
HR
Hf
DV
Tx
DV
T
V
P
Vx
Tn
Filt
Tx
V
P
Rad
ETo
Qent
Vx
Tn
Rad
Qent
Filt
ETo
Qsal
Qsal
VolExp
VolExp
Profundidad
Profundidad
FIGURA 52 Coeficientes estandarizados del modelo PLSR, 16 variables predictivas
Haciendo uso de grficos de coeficientes PLSR para cada variable de calidad del agua
obtenidos en el apartado 7.12.1 y que se muestran en la Figura 52, se proponen
modelos reducidos con un mnimo de prdida de informacin.
El resumen de los modelos obtenidos es el siguiente:
Nmero de
Nmero de variables Error estndar
Periodo Variable componentes R2
predictivas de estimacin
extradas
Ta 5 2 0,6892 4,07
Odis 4 3 0,7491 2,32
Validacin
pH 6 6 0,4843 0,42
Con 3 3 0,6304 71,44
TABLA 77 Resultados del PLSR aplicado al periodo de validacin, algoritmo PLS1, modelo reducido en
trminos lineales
Se puede apreciar (al comparar con la Tabla 75) que con la excepcin de un muy
ligero aumento en el error de la variable Ta, todos los valores restantes que miden la
calidad del ajuste mejoran.
Por lo tanto, al existir mejor estimacin de las variables de calidad del agua con una
cantidad reducida de variables, se concluye que esta es la mejor regresin efectuada
hasta este punto del trabajo. Los resultados de la regresin efectuada se presentan en
el Anexo 38. Las ecuaciones de estimacin son:
Ta_Est = 8,3202 0,310551 Profundidad + 0,000112235 Qsal

(210)
+ 0,56017 ETo + 0,191481 Tn + 0,180964 T
Odis_Est = 11,1268 0,752148 ETo 0,342047 Profundidad
(211)
0,238237 Tx + ( 8,68778 107 ) VolExp
268
pH_Est = 7,43143 0,144645 ETo + 0,0305618 Tx 0,0259479 Tn
(212)
+ (1,11747 107 ) VolExp 0,0408722 Hf 0,0154395 Profundidad
Con_Est = 1220,88 + 8,71871 Profundidad 0,0000336155 VolExp

(213)
0,854586 ETo
7.12.4 Matriz extendida de entradas
Con el propsito de perfeccionar la regresin se extender la matriz de entradas

incluyendo trminos no lineales de las variables originales X (logaritmos, valores
cuadrticos, valores cbicos, recprocos). A continuacin se desarrollar un PLSR
sobre la matriz extendida de entradas (variables predictivas) y cada una de las
Esta variante del PLSR es denominada INLR (implicit non-linear PLS regression) y se
ha mostrado que permite la modelacin de no linealidades suaves (de segundo o
tercer grado polinmico) en las relaciones X-Y (Berglund et al., 1997; Berglund et al.,
2001).
Los valores obtenidos son:
Nmero de Nmero de Error estndar

Periodo Variable R2
trminos utilizados componentes extradas de estimacin
Ta 7 6 0,6945 4,04
Odis 6 5 0,7190 2,71
Validacin
pH 7 4 0,4723 0,41
Con 4 4 0,6386 73,57
TABLA 78 Resultados del PLSR aplicado al periodo de validacin, algoritmo PLS1, usando la matriz
extendida de entradas
Al comparar con la Tabla (77) (modelo reducido en trminos lineales) se observa que
los resultados prcticamente son los mismos a excepcin del parmetro oxgeno
disuelto, que aparece mejor modelado en la Tabla (77). Por lo tanto, se preferir de
entre estos dos modelos el reducido en trminos lineales.
Siguiendo con la propuesta de modelacin no lineal se investigar la siguiente lnea:

considerando los resultados obtenidos con el modelo reducido en trminos lineales se
intentar efectuar una regresin no lineal, considerando como nica variable
independiente (x) a los valores estimados de una variable de calidad del agua y como
variable dependiente (y) a sus correspondientes valores observados. Las expresiones
269
resultantes para obtener las estimaciones de las variables de calidad del agua son las
siguientes:
Ta = 11, 23160366 0,0608831 ( Ta _ Est ) 0,0206138 ( Ta _ Est )

2
(214)
+ 0,00223407 ( Ta _ Est )
3
11,915435
Odis = (215)
1 + 54,990249 e 0,659802( Odis _ Est )
pH = 0,0695477 + 1,017231 ( pH _ Est ) 0,001066627 ( pH _ Est )

2
(216)
Con = 21,609260 + 1,0422319 ( Con _ Est ) ( 2,05126 105 ) ( Con _ Est )

2
(217)
En las ecuaciones (214) a (217) las variables con terminacin _Est hacen referencia a
las ecuaciones (210) a (213).
Los parmetros que miden el ajuste de las observaciones al modelo toman los
siguientes valores:

Ta 0,8635 2,03
Odis 0,7668 2,09
Calibracin
pH 0,2656 0,35
Con 0,6115 62,56
Ta 0,7426 3,54
Odis 0,7554 2,38
Validacin
pH 0,4844 0,42
Con 0,6310 71,48
TABLA 79 Resultados del PLSR aplicado a los periodos de calibracin y validacin, modelacin no lineal,
usando los resultados del modelo reducido en trminos lineales
En el periodo de calibracin se observa que las variables Temperatura del agua y

Oxgeno disuelto son muy bien modeladas; asimismo, la estimacin de la
Conductividad es regular y el pH es mal simulado.
Respecto al periodo de validacin, tanto Ta como Odis son bien modeladas (mejor que
en el modelo reducido en trminos lineales, Tabla 77), el modelado de la Con sigue
siendo regular (de igual calidad que en el modelo reducido en trminos lineales) y la
variable pH presenta un comportamiento errtico al aumentar su R2 (prcticamente
con los mismos valores de la Tabla 77).
Se concluye que la modelacin no lineal es adecuada para obtener buenas
270
estimaciones de la variable Ta, las variables Odis y Con sern estimadas con un
ajuste regular por medio del modelo reducido en trminos lineales y para pH es
necesario plantear otras opciones para efectuar su estimacin.
7.12.5 Modelacin usando la correlacin entre variables respuesta
Al examinar el Anexo 12 se observa que existe correlacin entre las variables

respuesta. En esta seccin se intentar hacer uso de esta correlacin para mejorar la
estimacin de las variables de calidad del agua.
Es importante mencionar que las expresiones matemticas a obtener contienen

variables respuesta, por lo que al ser empleadas para calcular variables de ese mismo
grupo indican que existe una correlacin entre ellas, pero no necesariamente
dependencia.
Se efectuar un PLS1 lineal para cada una de las variables respuesta en el periodo de
calibracin incluyendo en cada ocasin como variables predictivas a las restantes
variables dependientes.
Para el periodo de validacin se tiene que los parmetros que miden la calidad de la
regresin oscilan es sus valores y no tienden hacia un valor fijo. Se concluye que al
contar slo con valores estimados de las variables respuesta no es posible mejorar el
pronstico de stas, pues los estimados poseen un error (no determinado
exactamente para cada caso en la validacin) que impide su uso como predictores
confiables.
271
272
CAPTULO 8. APLICACIN DEL MODELO MECANICISTA
8.1 REVISIN Y TRATAMIENTO DE LOS DATOS
En la aplicacin de un modelo la gestin de informacin conlleva la revisin de los

datos no procesados con anterioridad para detectar valores faltantes, anmalos, fuera
de rango (Kettaneh et al., 2005) y tomar las medidas pertinentes en cada caso.
El modelo mecanicista propuesto fue programado especialmente en el lenguaje Visual

Basic 2005.
En el caso de las concentraciones iniciales es necesario para el desarrollo del modelo

proporcionar, al menos, 2 lecturas de temperatura del agua en el embalse a diferentes
profundidades al inicio de la simulacin. Las lecturas no utilizadas son rellenadas con
ceros.
Cuando en un da del periodo de simulacin no se hubiera extrado caudal por una

toma o el vertedor en el dato de caudal se escribe cero, para no dar lugar a errores en
la interpretacin del dato.
Dentro de las caractersticas de las salidas (tomas y vertedor) un valor fundamental es

la cota del fondo del embalse. Contando con ella y con las cotas al centro de toma y la
altura de la cresta del vertedor se obtienen inmediatamente las alturas sobre el fondo
de cada toma y el vertedor.
Los datos diarios de volumen en el embalse, evaporacin, precipitacin, filtracin y

caudal de entrada por el ro se ajustaron para que el balance fuera satisfactorio.
En la tabla calado-volumen-superficie se efectuaron varios ajustes. Primero, para el

rea correspondiente al calado nulo (cero) se modific el valor original de cero. Para
esto, se efectu un ajuste tomando los valores desde el calado 0,5 m con incrementos
de 0,5 m hasta llegar a 20,0 m. De las funciones que se probaron con ayuda del
programa CurveExpert 1.3, la que proporcion el mejor ajuste fue:
A = 8306,12 + 16566,928 ( Calado ) 63.764653 ( Calado ) + 7.9689324 ( Calado ) (218)

2 3
Empleando esta expresin el error estndar es de 5503,3086 y el coeficiente de

correlacin tiene un valor de 0,9988245. El rea correspondiente al calado cero tiene
un valor de A0 = 8306,12 m2. Este valor tiene su importancia dentro del clculo del flujo
273
neto de sedimentos en la capa del fondo.
Otros valores que fueron ajustados en la tabla calado-volumen-superficie para que

correspondieran a los valores de sus conjuntos de datos vecinos fueron:
Calado Volumen original Volumen ajustado
2,1 39052 69012,5
Calado rea original rea ajustada
2,5 51340 51330
2,6 51335 51330
10,5 181906,6667 185240
10,6 183573,3333 185240
Los valores de latitud y longitud del embalse (localizacin geogrfica) fueron obtenidos
introduciendo los valores de las coordenadas UTM en la Calculadora Geodsica
(http://www.ign.es/ign/home/calculadora/UTM2LL.jsp). Los resultados son los
siguientes:
Latitud 38 34 3,97349 N
Longitud 0 15 50,0174 W
En la altitud del embalse se report, en metros, la cota de coronacin al considerarse

este como un valor representativo del almacenamiento.
Los datos meteorolgicos, como son la velocidad del viento, la radiacin solar, la
temperatura del aire y la humedad relativa fueron registrados completos a escala diaria
para todo el periodo de simulacin.
A continuacin, se efecta una mencin especial del tratamiento dado a las cantidades
temperatura superficial del agua del embalse y la cobertura de nubes.
8.2 COBERTURA DE NUBES Y TEMPERATURA SUPERFICIAL DEL EMBALSE
La cobertura de nubes media diaria es un parmetro necesario para el clculo del flujo
de energa de radiacin atmosfrica neta de onda larga que penetra en el agua
(Environmental Laboratory, 1995; Martin et al., 1999; Deas et al., 2000).
274
La estacin de Villajoyosa, al ser una estacin automtica, no registra la cobertura de
nubes (Deas et al., 2000). Es necesario contar con este dato a escala diaria para que
los clculos de flujos de energa trmica (Environmental Laboratory, 1995; Martin et
al., 1999; Deas et al., 2000) y en consecuencia los clculos de la temperatura en las
capas del almacenamiento sean efectuados de manera correcta.
Una propuesta para estimar el valor de la cobertura de nubes, que puede variar da a
da, es obtenerla en base a la siguiente metodologa empleando los registros de
radiacin solar media diaria:
Clculo de la cobertura de nubes media diaria en base a la radiacin solar media diaria
1.- Para un da determinado se calculan los valores de las variables H0, at y Rs

(siguiendo la metodologa expresada en Martin y McCutcheon, 1999) para cada hora
del da, en donde:
H0 = Flujo de radiacin de onda corta que llega a la parte externa de la

atmsfera terrestre.
at = Fraccin de radiacin que alcanza la superficie del agua despus de la
reduccin por difusin y absorcin.
Rs = Albedo o fraccin de la radiacin solar reflejada en la superficie del agua.
500
H 0 a t (1 R s )
400
300
200
100
0
0 5 10 15 20
Hora del da
FIGURA 53 Variacin horaria de la radiacin solar de onda corta despus de difusin, absorcin y
reflexin en la superficie del agua
275
2.- Se elabora la grfica que muestre la variacin de H 0 a t (1 R s ) a lo largo del da
considerado (Figura 53).
3.- Se obtiene el rea bajo la grfica y se divide entre 24 (nmero de horas del da)
para obtener el valor medio del da.
rea
Valor medio de H 0 a t (1 R s ) = (219)
24
4.- Por medio de la expresin siguiente:
H sw = {Valor medio de H o a t (1 R s )} Ca (220)
Hsw = Radiacin solar media registrada del da.

Ca = Es la fraccin de la radiacin pasando a travs de las nubes.
Como Ca = 1 0,65 C2L , se puede despejar el valor de CL:
H sw
CL = 1, 2403 1 (221)
Valor medio de H 0 a t (1 R s )
Y con la ecuacin (221) se obtiene el valor de CL para el da en anlisis.
Debido a la gran cantidad de datos y operaciones involucradas la obtencin de la

cobertura de nubes para cada da del periodo de simulacin se efecto con un
programa elaborado ex profeso, Nubosidad, programado en Microsoft Visual Basic
2005.
Temperatura superficial del embalse
La temperatura superficial del embalse se midi slo en una parte del periodo de
estudio. A continuacin se proporcionan los intervalos para los que s existen
mediciones:
276
Intervalo de tiempo
11/02/2004 a 13/02/2004
18/02/2004 a 19/02/2004
24/02/2004 a 28/02/2004
01/03/2004 a 02/03/2004
31/03/2004 a 04/04/2004
05/07/2004 a 16/08/2004
28/09/2004 a 07/10/2004
09/10/2004 a 29/10/2004
31/10/2004 a 06/12/2004
09/12/2004 a 24/12/2004
26/12/2004
28/12/2004 a 29/12/2004
05/01/2005 a 18/02/2005
21/02/2005 a 16/03/2005
23/03/2005 a 30/03/2005
06/04/2005 a 09/04/2005
13/04/2005
19/04/2005 a 06/07/2005
08/07/2005 a 11/07/2005
15/07/2005 a 19/09/2005
Esta variable es importante debido a que interviene en la obtencin de la radiacin de

onda larga que sale del agua, el calor perdido por conduccin y conveccin, as como
la evaporacin. Por lo que es imprescindible contar con la temperatura media diaria del
agua del almacenamiento.
277
Con el fin de generar los datos faltantes se eligi efectuar el anlisis de regresin.
Para elegir las variables de las que dependera la temperatura superficial del agua en
el embalse se procesaron junto con los datos existentes de esta variable y para los
mismos das las siguientes cantidades:
Da Juliano (inicia cada ao con valor uno).

Radiacin, en W/m2.
Evaporacin, en mm.
Precipitacin, en mm.
Temperatura del aire, en C.
Humedad relativa, en %.
Cobertura de nubes (fraccin del cielo cubierto).
En un modelo de regresin una variable respuesta (en este caso la temperatura del
agua de la superficie del depsito) es expresada como una funcin de una o ms
variables predictivas ms la incertidumbre. En muchos casos (pero no en todos) la
forma funcional es lineal con coeficientes indeterminados (StatPoint, 2005).
El objetivo del anlisis de regresin es construir un modelo que (StatPoint, 2005):
Describa las relaciones que existen entre las variables de una manera
que permita predecir la variable respuesta proporcionando los valores de
las variables predictivas.
No contenga ms variables que las necesarias para generar una buena
prediccin.
La ltima consideracin es en ocasiones referida como parsimonia. Tpicamente los

modelos que involucran un pequeo conjunto de predictores bien seleccionados tienen
el mejor desempeo en la prctica (StatPoint, 2005).
El primer paso para comenzar cuando se inicia la construccin de un modelo de

regresin es con el procedimiento de anlisis mltiple de variables.
La matriz de grficas (Figura 54) para cada par de variables se realiz con el software
estadstico STATGRAPHICS.
La tabla de correlaciones muestra una matriz de coeficientes de correlacin estimados

para cada par de variables en el anlisis, el nmero de observaciones utilizado para
278
Temperatura_Agua
Da_Juliano
Radiacin
Evaporacin
Precipitacin
Temperatura_Aire
Humedad relativa
Cobertura_de_Nubes
FIGURA 54 Matriz de grficas para variables del embalse

279
279
obtener la estimacin y el valor P. El coeficiente de correlacin r es un nmero entre el
rango -1 y 1, el cual mide la solidez de la relacin lineal entre dos variables. Entre ms
cercana es la correlacin a -1 o +1, ms slida es la relacin. El signo de la correlacin
indica la direccin de la relacin. Un valor positivo significa que la variable respuesta
aumenta cuando la variable predictiva aumenta. Un valor negativo significa que la
variable respuesta disminuye cuando la predictiva aumenta (StatPoint, 2005).
Para determinar si dos variables estn o no significativamente relacionadas entre s un

valor P es calculado por cada coeficiente de correlacin. Cualquier par de variables
para el cual el valor P es menor que 0,05 exhibe una correlacin lineal
estadsticamente significativa a un nivel de confianza del 5% (StatPoint, 2005). A
continuacin se presenta la tabla de correlaciones obtenida:
Correlations
Temperatura_Agua Da_Juliano Radiacin Evaporacin Precipitacin
Temperatura_Agua 0.3981 0.6675 0.8226 -0.1203
p 0.0000 0.0000 0.0000 0.0192
Da_Juliano 0.3981 -0.1058 0.0546 0.1243
0.0000 0.0395 0.2892 0.0155
Radiacin 0.6675 -0.1058 0.9327 -0.3407
0.0000 0.0395 0.0000 0.0000
Evaporacin 0.8226 0.0546 0.9327 -0.2580
0.0000 0.2892 0.0000 0.0000
Precipitacin -0.1203 0.1243 -0.3407 -0.2580
0.0192 0.0155 0.0000 0.0000
Temperatura_Aire 0.9674 0.3984 0.6527 0.8210 -0.1339
0.0000 0.0000 0.0000 0.0000 0.0091
Humedad relativa 0.0663 0.0482 -0.2204 -0.2526 0.2718
0.1978 0.3491 0.0000 0.0000 0.0000
Cobertura_de_Nubes 0.1640 0.0617 -0.2731 -0.0650 0.3900
0.0014 0.2307 0.0000 0.2069 0.0000
Temperatura_Aire Humedad relativa Cobertura_de_Nubes

Temperatura_Agua 0.9674 0.0663 0.1640
0.0000 0.1978 0.0014
Da_Juliano 0.3984 0.0482 0.0617
0.0000 0.3491 0.2307
Radiacin 0.6527 -0.2204 -0.2731
0.0000 0.0000 0.0000
Evaporacin 0.8210 -0.2526 -0.0650
0.0000 0.0000 0.2069
Precipitacin -0.1339 0.2718 0.3900
0.0091 0.0000 0.0000
Temperatura_Aire 0.0456 0.1418
0.3756 0.0057
Humedad relativa 0.0456 0.4282
0.3756 0.0000
Cobertura_de_Nubes 0.1418 0.4282
0.0057 0.0000
TABLA 80 Correlaciones para variables del embalse
De la matriz de grficas, Figura (54) y la tabla de correlaciones, Tabla (80), se observa
280
que la temperatura superficial del agua est ms correlacionada con la temperatura
del aire y con la evaporacin; claro, esto dentro de un modelo de regresin lineal
mltiple.
El resultado del anlisis de regresin es el siguiente:
Multiple Regression - Temperatura_Agua

Dependent variable: Temperatura_Agua (En grados Celsius)
Independent variables:
Da_Juliano (nmero de da del ao)
2
Radiacin (en W/m )
Evaporacin (en mm)
Precipitacin (en mm)
Temperatura_Aire (en C)
Humedad relativa (en %)
Cobertura_de_Nubes (CL)
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT -1.58508 0.48992 -3.23538 0.0013
Da_Juliano 0.00661735 0.0010828 6.11132 0.0000
Radiacin 0.00651944 0.00524063 1.24402 0.2143
Evaporacin 0.651283 0.355346 1.83281 0.0676
Precipitacin -0.0233754 0.0420644 -0.555706 0.5787
Temperatura_Aire 0.752368 0.0404088 18.6189 0.0000
Humedad relativa 0.030639 0.0104191 2.94067 0.0035
Cobertura_de_Nubes 1.56056 0.501051 3.11457 0.0020
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value

Model 15344.8 7 2192.11 956.40 0.0000
Residual 850.348 371 2.29204
Total (Corr.) 16195.1 378
TABLA 81 Anlisis de varianza con todas las variables
R-squared = 94.7494 percent

R-squared (adjusted for d.f.) = 94.6503 percent
Standard Error of Est. = 1.51395
Mean absolute error = 1.14945
Durbin-Watson statistic = 0.759042 (P=0.0000)
Lag 1 residual autocorrelation = 0.614895
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship
between Temperatura_Agua and 7 independent variables. The equation of the fitted model is:
281
Temperatura_Agua = -1.58508 + 0.00661735*Da_Juliano
+ 0.00651944*Radiacin+ 0.651283*Evaporacin
(222)
- 0.0233754*Precipitacin + 0.752368*Temp_Aire
+ 0.030639*Humedad relativa + 1.56056*Cobert_Nubes
Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship
between the variables at the 95.0% confidence level.
El coeficiente de correlacin es de 0,947 el cual se puede considerar como un valor de

ajuste muy bueno. El error estndar de la estimacin es de 1,51. La ecuacin ajustada
al modelo es la (222).
Para revisar de una forma rpida cuales son las variables ms significativas en el
anlisis se realiz una regresin del tipo Stepwise (por pasos), para intentar mejorar el
ajuste. Los resultados fueron los siguientes:
Multiple Regression - Temperatura_Agua

Dependent variable: Temperatura_Agua (En grados Celsius)
Independent variables:
Da_Juliano (nmero de da del ao)
Radiacin (en W sobre m2)
Evaporacin (en mm)
Precipitacin (en mm)
Temperatura_Aire (en grados Celsius)
Humedad relativa (en %)
Cobertura_de_Nubes (CL)
Standard T
Parameter Estimate Error Statistic P-Value
CONSTANT -1.41082 0.475045 -2.96987 0.0032
Da_Juliano 0.00630129 0.00105641 5.96483 0.0000
Evaporacin 1.06312 0.124331 8.55074 0.0000
Temperatura_Aire 0.727498 0.0330735 21.9964 0.0000
Humedad relativa 0.0387098 0.00763211 5.07196 0.0000
Cobertura_de_Nubes 1.02514 0.331658 3.09096 0.0021
Analysis of Variance
Source Sum of Squares Df Mean Square F-Ratio P-Value

Model 15339.9 5 3067.99 1338.08 0.0000
Residual 855.224 373 2.29282
Total (Corr.) 16195.1 378
TABLA 82 Anlisis de varianza con slo cinco variables
R-squared = 94.7193 percent

R-squared (adjusted for d.f.) = 94.6485 percent
Standard Error of Est. = 1.51421
282
Mean absolute error = 1.15216
Durbin-Watson statistic = 0.778448 (P=0.0000)
Lag 1 residual autocorrelation = 0.605243
The StatAdvisor
The output shows the results of fitting a multiple linear regression model to describe the relationship
between Temperatura_Agua and 7 independent variables. The equation of the fitted model is
Temperatura_Agua = -1.41082 + 0.00630129*Da_Juliano + 1.06312*Evaporacin

+ 0.727498*Temperatura_Aire + 0.0387098*Humedad relativa (223)
+ 1.02514*Cobertura_de_Nubes
Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship
between the variables at the 95.0% confidence level.
Se observa que el coeficiente de correlacin y el error estndar son iguales al

resultado anterior, por lo que no se aprecia ninguna mejora al realizar este anlisis,
salvo que se mantiene la misma precisin pero utilizando menos variables (se tiene
parsimonia).
Observando la Figura (54) se tiene que la temperatura del agua posee grficas con
poca dispersin de los datos (los datos aproximadamente se ubican sobre una lnea
de tendencia bien definida) para las variables da Juliano y temperatura del aire. Se
harn anlisis de regresin simple con cada una de ellas.
S = 1.04242228
Temperatura del agua en superficie
r = 0.98760335
00
30.
00
24.
00
18.
00
12.
0
6.0
0
0.0
0.0 100.0 200.0 300.0 400.0
Da Juliano
FIGURA 55 Grfico de ajuste para temperatura del agua y da juliano
283
El anlisis de regresin para la temperatura del agua y el da juliano se muestra en la
Figura 55.
La ecuacin ajustada a los datos es la siguiente (que tiene una forma funcional similar
a la del radio normalizado de la rbita de la Tierra, Chapra, S., Pelletier, G., 2003.
QUAL2K: A modeling framework for simulating river and stream water quality:
Documentation and users manual):
Temp _ del _ agua = 18,688504 + 8,7790295 cos ( 0,01694358 Da _ Juliano 3,5888365 ) (224)
El coeficiente de correlacin es de 0,988 el cual es un valor de ajuste excelente (muy

cercano a 1). El error estndar de la estimacin es de 1,04. Por lo tanto, este ajuste
mejora con mucho a todos los ajustes realizados con anterioridad.
Ahora se realiza el anlisis de regresin simple para la temperatura del agua en la

superficie del embalse y temperatura del aire (Figura 56). El anlisis arroja los
siguientes resultados:
S = 1.47777061
Temperatura del agua en superficie
r = 0.97499433
00
35.
00
28.
00
21.
00
14.
0
7.0
0
0.0
0.0 7.0 14.0 21.0 28.0 35.0
Temperatura del aire

FIGURA 56 Grfico de ajuste para temperatura del agua en funcin de la temperatura del aire
La ecuacin obtenida es:
284
Temp _ del _ Agua = 1,9818128 + 2, 2039583 Temp _ Aire 0, 243991787 ( Temp _ Aire )
2
+ 0,014066741 ( Temp _ Aire ) 0,000250405 ( Temp _ Aire )

3 4
(225)
El coeficiente de correlacin es de 0,975 el cual es un valor de ajuste excelente, pero

el obtenido en la regresin anterior (da Juliano y temperatura del agua en superficie)
ofrece un coeficiente an mejor. El error estndar de la estimacin es de 1,48 que es
mucho mayor que el de la regresin anterior (el error que se comete al aplicar la
presente regresin es mucho mayor que el cometido con la regresin anterior). Por lo
tanto, este ajuste es bueno pero el anterior es el mejor de todos los efectuados.
Conclusin.- La expresin que se utilizar para completar los datos faltantes de la

temperatura del agua en la superficie del embalse es la ecuacin (224) la cual
proporciona el mejor ajuste a los datos existentes, tiene parsimonia y su grfica
(Figura 55) muestra una buena representacin de la estacionalidad que posee esta
variable.
8.3 INICIO DE LA SIMULACIN
La simulacin se inicia con el clculo del calado en el embalse para cada da del
tiempo a simular. Se obtiene con el volumen diario en el embalse y la tabla calados-
volmenes. Esta variable es una de las ms importantes para todos los procesos a
realizar.
Para el primer paso de tiempo (primer da) el embalse se divide en capas de espesor
igual a un metro, iniciando del fondo hacia arriba. La ltima capa (la de superficie)
puede tener espesor de un metro o ms, sin superar los dos metros. Esto se hace
para que los procesos a efectuar en las capas tengan una configuracin de inicio
estable.
Se obtiene la altura media de cada capa. Haciendo uso de las lecturas de

concentraciones iniciales se obtienen las concentraciones (temperatura del agua) del
primer da en cada capa por medio de una interpolacin lineal. Esto se hizo as pues al
requerirse como mnimo dos lecturas no es posible efectuar interpolaciones de mayor
orden.
El siguiente proceso efectuado fue obtener la densidad para cada una de las capas.
285
Teniendo ya estos valores de inicio se puede comenzar con los procesos y el orden
marcado en la seccin 5.3, e iniciar con el proceso iterativo de resolucin para cada
paso de tiempo.
8.4 CALIBRACIN
La calibracin del modelo es una nocin fundamental de la modelacin en general y

significa buscar la mejor concordancia entre las variables de estado observadas y las
calculadas mediante la variacin de un nmero de parmetros (Angelini et al., 2000;
Logofet et al., 2002).
La calibracin se define como las primeras pruebas o afinacin del modelo a un

conjunto de datos de campo de un sistema. Tal afinacin incluye un conjunto
consistente y racional de parmetros y constantes tericamente defendibles. Durante
la calibracin estos parmetros y constantes se ajustan (Martn et al., 1999; Martin et
al., 1999).
El objetivo de la calibracin es ajustar los parmetros y constantes de manera que los

resultados del modelo se ajusten a las observaciones de una manera ptima (Chapra,
1997).
Existen dos enfoques generales para evaluar la calidad de la calibracin: el subjetivo y

el objetivo (Chapra, 1997).
La valuacin subjetiva est basada en una comparacin visual de la simulacin con los
datos. Estos usualmente consisten en grficas de series temporales individuales por
cada una de las variables de estado. El modelador ajusta parmetros y constantes
hasta que estima que la concordancia entre los resultados del modelo y los datos luce
adecuada (Chapra, 1997).
En contraste, el enfoque objetivo depende del desarrollo de algunas medidas

cuantitativas de la calidad del ajuste (usualmente alguna medida del error cometido).
Una vez que tales medidas son adoptadas los parmetros son ajustados hasta que el
mejor valor (usualmente un mnimo) es alcanzado (Chapra, 1997).
Hay numerosas medidas que pueden desarrollarse para valuar el ajuste. Una muy
empleada es la sumatoria de las diferencias cuadrticas (Chapra, 1997):
286
Sr = ( c p,i c m,i )
n
2
(226)
i =1
cp,i = Prediccin de concentracin del modelo para el tiempo i.

c m,i = Concentracin medida en el tiempo i.
La suma de los cuadrados proporciona un valor total que debe ser mnimo cuando las
predicciones y las medidas estn en concordancia. Esta medida proporciona un valor
nico que puede monitorearse mientras se ajustan los parmetros (Chapra, 1997).
La calibracin para embalses usualmente involucra examinar tanto los perfiles de las
concentraciones dentro del almacenamiento (al menos un conjunto de observaciones
representativas de la red interna), as como las concentraciones en los caudales de
salida. Tpicamente cuando se analizan perfiles de embalses el comienzo y el
rompimiento de la estratificacin termal, la localizacin de la termoclina y las
concentraciones del agua en el hipolimnion y el epilimnion, son factores de primera
importancia (Martin et al., 1999; Deas et al., 2000).
La evaluacin de la calibracin puede incluir todos los datos medidos en el perfil

vertical o slo ubicaciones seleccionadas (Environmental Laboratory, 1995; Deas et
al., 2000).
Para el caso de la temperatura del agua la comparacin de temperaturas cercanas a la

superficie es algunas veces pasada por alto en la modelacin de grandes embalses,
debido a que el agua en la superficie tiende a responder en periodos cortos de tiempo
a las condiciones meteorolgicas mientras que el agua ms profunda responde a
variaciones de largo plazo (estacionales) (Martin et al., 1999; Deas et al., 2000).
Cuando los parmetros y constantes del modelo no puedan ser medidos directamente
en el campo o el laboratorio frecuentemente son efectuadas estimaciones preliminares
de los valores encontrados en la literatura o de relaciones aproximadas. La mayora de
estas estimaciones iniciales sern adecuadas para la calibracin final. Sin embargo,
un puado de parmetros crticos deber normalmente ser cambiado iterativamente,
hasta que las simulaciones del modelo concuerden lo mejor posible con el conjunto de
datos medidos seleccionado para la calibracin (Martn et al., 1999; Paredes et al.,
2006a).
287
El conjunto de valores observados que se usar para calibrar, constituido por los das
del periodo y sus profundidades correspondientes, ser el mismo que se utiliz en los
mtodos multivariantes (del 31/03/2004 al 23/02/2005).
Las constantes generales a controlar son las siguientes:
Ke, coeficiente de extincin lumnica.

Factor por viento.
, proporcin de la radiacin absorbida en la superficie de la radiacin
entrante neta.
KeSS, coeficiente de extincin lumnica para los slidos suspendidos.
a, coeficiente para calcular la difusin turbulenta vertical.
c, coeficiente para calcular la difusin turbulenta vertical.
Las constantes se fueron modificando una a una en distintos porcentajes y se midi el

error cuadrtico de estimacin de la temperatura.
Los valores base (de inicio para el anlisis) de las constantes y parmetro sern los
siguientes (Bowie et al., 1985; Chapra, 1997; Hornung, 2002; Centre for Water
Research, 2003):
Ke (1/m) Factor por viento a c
0,40 1,00 0,55 0,01 0,005
TABLA 83 Valores iniciales para la calibracin
Considerando lo anterior se inicia con el proceso de calibracin de las constantes para

las cuales sus valores poseen los rangos de variacin aceptados siguientes (Bowie et
al., 1985; Hornung, 2002; Centre for Water Research, 2003):
Constante o parmetro Rango de variacin

Ke 0,03 a 4,0 (1/m)
Factor por viento 1,0 a 1,6
0,55 (fijo)
TABLA 84 Rangos de variacin tpicos de algunas constantes y parmetros
El orden de calibracin ser el siguiente:
1. Ke.
288
2. Factor por viento.
3. a.
4. c.
Este orden fue eligido as debido a que se inicio con la calibracin de las constantes
ms generales (que afectan a ms procesos) y luego con las ms especficas (que
involucran menos procesos) (Martn et al., 1999), as como tambin atendiendo a la
estructura del programa estructurado en Visual Basic 2005. La calibracin fue
efectuada de manera manual y atendiendo como medida de efectividad de la
calibracin al error cuadrtico medio. El nmero de simulaciones efectuado fue muy
numeroso (ms de cincuenta), para tener la seguridad de elegir correctamente los
coeficientes. Con cada coeficiente analizado (la calibracin fue realizada optimizando
un coeficiente a la vez) se elaboraron grficos de valor propuesto del coeficiente
contra el error cuadrtico medio para contar con elementos detallados que aseguren la
eleccin correcta del coeficiente en cada caso.
Los valores obtenidos en la calibracin son los siguientes:
Constante o parmetro Valor
Ke 0,30
Factor por viento 1,10
a 0,04
c 0,004
TABLA 85 Valores obtenidos en la calibracin
Y los resultados asociados a la modelacin de la variable de salida, temperatura del

agua, se muestran a continuacin como perfiles verticales promedio mensuales de los
meses de marzo, abril, julio, agosto, septiembre, octubre, noviembre y diciembre del
ao 2004 (Figuras 57 a 66); adems los meses de enero y febrero del ao 2005.
289
Grficos promedio mensuales
5 8 11 14 17 20
0
12
Temperatura
simulada
Temperatura sonda
18
24
30

FIGURA 57 Perfil de temperaturas simulada y observada (sonda) para el mes de marzo de 2004
5 8 11 14 17
0
14
Temperatura
simulada
Temperatura sonda
21
28
35

FIGURA 58 Perfil de temperaturas simulada y observada (sonda) para el mes de abril de 2004
290
6 12 18 24 30
0
14
Temperatura
simulada
Temperatura sonda
21
28
35
FIGURA 59 Perfil de temperaturas simulada y observada (sonda) para el mes de julio de 2004
6 12 18 24 30 36
0
14
Temperatura
simulada
Temperatura sonda
21
28
35
FIGURA 60 Perfil de temperaturas simulada y observada (sonda) para el mes de agosto de 2004
291
5 10 15 20 25 30
0
14
Temperatura
simulada
Temperatura sonda
21
28
35
FIGURA 61 Perfil de temperaturas simulada y observada (sonda) para el mes de septiembre de 2004
12 16 20 24 28
0
12
Temperatura
simulada
Temperatura sonda
18
24
30

FIGURA 62 Perfil de temperaturas simulada y observada (sonda) para el mes de octubre de 2004
292
10 12 14 16 18 20
0
12
Temperatura
simulada
Temperatura sonda
18
24
30
FIGURA 63 Perfil de temperaturas simulada y observada (sonda) para el mes de noviembre de 2004
10 12 14 16 18 20
0
14
Temperatura
simulada
Temperatura sonda
21
28
35
FIGURA 64 Perfil de temperaturas simulada y observada (sonda) para el mes de diciembre de 2004
293
6 9 12 15 18
0
14
Temperatura simulada
Temperatura sonda
21
28
35
FIGURA 65 Perfil de temperaturas simulada y observada (sonda) para el mes de enero de 2005
6 8 10 12 14
0
14 Temperatura simulada
Temperatura sonda
21
28
35

FIGURA 66 Perfil de temperaturas simulada y observada (sonda) para el mes de febrero de 2005
294
8.5 VALIDACIN
La validacin o verificacin del modelo consiste en usar o probar el modelo calibrado

en un conjunto diferente de datos de calidad del agua a los utilizados durante el
proceso de calibracin preferiblemente bajo diferentes condiciones externas
(condiciones iniciales y de frontera) para examinar la validez del modelo (Schladow et
al., 1997; Hornung, 2002). Una vez que se ha completado esta fase de verificacin o
auditoria el modelo puede considerarse verificado (Martin et al., 1999).
En el proceso de validacin los parmetros del modelo estn fijos y no se permiten

ajustes adicionales despus del paso de calibracin (Martn et al., 1999; Deas et al.,
2000).
La simulacin que se efecta con el modelo durante el proceso de validacin es

comparada con los datos registrados (variables respuesta) para valuar el grado de
fiabilidad del modelo para hacer simulaciones de tipo seguro. La experiencia, pruebas
estadsticas de variables importantes y otros mtodos son usados para decidir si el
modelo es fiable para los propsitos que se tienen (Martin et al., 1999).
La validacin no implica una amplia aplicabilidad del modelo. Si la nueva simulacin

con el modelo coincide con los nuevos datos recolectados, el modelo ha sido
confirmado como una herramienta de prediccin efectiva para el rango de condiciones
definida por la calibracin original y el conjunto de datos de validacin (Martin et al.,
1999; Deas et al., 2000).
Un modelo calibrado debe seguirse validando para asegurarnos de que proporcione

buenos resultados. La calibracin y la validacin son actualmente consideradas como
pasos iniciales de un proceso iterativo que puede involucrar calibraciones y
validaciones repetidas cada cierto periodo de aos con el fin de actualizar y disear un
modelo operacional (Chapra, 1997). Adems, la calidad, cantidad y tipo de datos para
validar puede aumentar en el tiempo.
La validacin se efectu con los mismos das y sus profundidades correspondientes

utilizados con los mtodos multivariantes, del 24/02/2005 al 19/09/2005, en el cual las
condiciones dentro del embalse fueron significativamente similares con respecto al
periodo elegido para la calibracin.
Para la variable de salida temperatura se elaborarn grficas comparativas de los

valores registrados (observados) con la sonda multiparamtrica y los simulados con el
295
modelo. Se muestran las grficas del perfil medio mensual a continuacin (Figuras 67
a 73) para los meses en los que se efecta la validacin, que son para el ao 2005 los
meses de: marzo, abril, mayo, junio, julio, agosto y en septiembre se representa el
periodo comprendido desde el da primero hasta el da veinte del mismo mes.
4 8 12 16 20
0
14 Temperatura simulada
Temperatura sonda
21
28
35

FIGURA 67 Perfil de temperaturas simulada y observada (sonda) para el mes de marzo de 2005
4 8 12 16 20
0
14
Temperatura sonda
21
28
35

FIGURA 68 Perfil de temperaturas simulada y observada (sonda) para el mes de abril de 2005
296
4 10 16 22 28
0
14
Temperatura sonda
21
28
35

FIGURA 69 Perfil de temperaturas simulada y observada (sonda) para el mes de mayo de 2005
4 10 16 22 28
0
14
Temperatura sonda
21
28
35

FIGURA 70 Perfil de temperaturas simulada y observada (sonda) para el mes de junio de 2005
297
6 12 18 24 30
0
14
Temperatura sonda
21
28
35

FIGURA 71 Perfil de temperaturas simulada y observada (sonda) para el mes de julio de 2005
6 12 18 24 30
0
12
Temperatura sonda
18
24
30

FIGURA 72 Perfil de temperaturas simulada y observada (sonda) para el mes de agosto de 2005
298
6 12 18 24 30
0
14
Temperatura sonda
21
28

FIGURA 73 Perfil de temperaturas simulada y observada (sonda) para el mes de septiembre de 2005
299
300
CAPTULO 9. ANLISIS DE RESULTADOS Y DISCUSIN
9.1 OBTENCIN DE VARIABLES PREDICTIVAS
9.1.1 De operacin del embalse
De las variables correspondientes al embalse las ms importantes en las tcnicas

CCA y PLSR fueron VolExp (Volumen de explotacin, m3), Qsal (Caudal de salida del
embalse, m3/da) y Profundidad (m).
En el mtodo mecanicista las variables de estado del embalse que se requieren son
los Caudales de entrada y salida del embalse, Qent y Qsal, el Volumen en el embalse,
VolExp y la Filtracin, Filt.
Para determinar los valores ms probables de VolExp y Qsal (la Profundidad se puede
tomar a varios niveles y la profundidad mxima depende del volumen embalsado a
travs de la tabla calados-volmenes) se pueden seguir varias metodologas.
Una de ellas sera en base a consultar a los Especialistas encargados de la gestin del
embalse por medio del llamado Juicio de experto para contar con valores estimados
de las variables del almacenamiento.
Otra metodologa sera el empleo de series temporales, pues estas variables han sido
medidas a lo largo de muchos aos y se aprecia que los registros estn completos
(una serie temporal proviene de registrar los valores de una variable a travs del
tiempo en intervalos regulares) (Pea, 2005a). Si estos modelos se basan
exclusivamente en la historia de la propia serie se denominan univariantes. Los
pronsticos obtenidos con este tipo de modelos se basan en la suposicin de que las
condiciones futuras sern semejantes a las del pasado y son muy tiles para
predicciones a corto plazo. Por otra parte, al tomar en cuenta adems de las variables
del embalse otras cantidades como son la evolucin de la poblacin servida residente,
afluencia de turistas, demanda agrcola o superficie cultivada, disponibilidad de otras
fuentes del recurso dentro de la zona de aprovechamiento del almacenamiento y las
variables meteorolgicas, se puede hacer uso de los modelos multivariantes de series
temporales. Con estos existe la posibilidad de mejorar las estimaciones de las
variables de estado del embalse (Pea, 2005a).
El caudal de entrada se puede obtener de los registros de bombeos hacia el embalse,

as como los volmenes diarios aportados por las depuradoras en la cuenca que
301
constituyen en este caso las principales contribuciones. As que se deben revisar las
proyecciones disponibles del cambio estimado de estas cantidades.
La filtracin se puede obtener por balance de las entradas y salidas del

almacenamiento, por medio de las estimaciones de las cuales se disponga de estas
ltimas cantidades.
9.1.2 Meteorolgicas
Las variables meteorolgicas ms importantes para los mtodos CCA y PLSR fueron T
(Temperatura media del aire, C), Tn (Temperatura mnima del aire, C), Tx
(Temperatura mxima del aire, C), Hf (Horas de fro, h), HR (Humedad relativa media
del aire, %) y ETo (Evapotranspiracin de referencia, mm).
Adems de las variables ya mencionadas en el prrafo anterior el mtodo mecanicista

requiere la velocidad media del viento, la radiacin y la precipitacin.
Una forma de estimar estas variables y que sirvan de base a la prediccin de los
parmetros de calidad del agua es por medio del Juicio de experto emitido por un
profesional de la meteorologa que conozca la evolucin temporal de las variables de
inters.
Otro mtodo sera el de series temporales univariantes (para periodos de prediccin

cortos). Para los periodos de prediccin ms amplios se puede hacer uso de los
mtodos multivariantes de series temporales involucrando informacin de otras
variables (Pea, 2005a) meteorolgicas no incluidas y de estaciones vecinas a la
estacin meteorolgica de Villajoyosa, en su caso.
Tambin existen los llamados modelos del clima. Estos sirven para efectuar
predicciones en las cuales se trabaja con anomalas (estimaciones de desviaciones
mensuales o trimestrales, con referencia a la climatologa), o con su carcter (positivo,
normal o negativo) y no con los valores especficos de las variables (Gutirrez et al.,
2004).
Existen los modelos acoplados ocano-atmsfera de pronstico estacional que en la

actualidad permiten pronosticar con cierto grado de certidumbre anomalas mensuales
o estacionales durante ciertas pocas y para algunas regiones del mundo (asociadas
primordialmente a las anomalas en la ENSO, El Nio-Oscilacin del Sur) (Gutirrez et
al., 2004).
302
El problema de algunos modelos globales del clima es su resolucin espacial, pues
generan predicciones para superficies muy extensas (80 80 km o mayores), con lo
cual aspectos locales como la orografa, vegetacin, cuerpos de agua, etc., no son
considerados para una regin ms reducida (momac.uclm.es/).
Un modelo que parte de la salida del modelo global AVN (NCEP-NOAA) y que busca
superar el problema de la resolucin espacial, presentando un mayor nivel en el
detalle es el PROMES desarrollado en Espaa por el Grupo de Modelizacin para el
Medio Ambiente y el Clima. Al ser el PROMES un modelo de rea limitada, el dominio
de aplicacin est centrado sobre la Pennsula Ibrica. Durante la simulacin es
necesario aportarle de manera continua los valores de las variables atmosfricas en
los contornos laterales de la regin de dominio del modelo. Estos valores provienen de
la salida del modelo AVN (NCEP-NOAA). La resolucin horizontal del PROMES es de
15 15 km. El mismo grupo de investigacin desarrolla un modelo del clima a escala
regional para simular el clima presente y futuro en Europa y la cuenca Mediterrnea
(momac.uclm.es/). Este modelo puede ayudar con los valores meteorolgicos
requeridos por las tcnicas CCA y PLSR.
Como datos especiales que tambin requiere el desarrollo del modelo mecanicista
estn la temperatura del agua superficial en el embalse y la cobertura de nubes. Para
el caso de la temperatura del agua superficial en el embalse se efectuaron varias
regresiones y se determin que las ms adecuada era una en funcin de la variable
Da Juliano por medio de una funcin de forma cosenoidal, aplicable para todo el ao.
Las estaciones automticas como la de Villajoyosa no registran la cobertura de nubes

(Deas et al., 2000). Con el fin de obtener la cobertura de nubes media diaria, se
plante una metodologa que utiliza el flujo de radiacin de onda corta terica que
llega a la parte externa de la atmsfera terrestre, la fraccin de radiacin que alcanza
la superficie del agua despus de la reduccin por difusin y absorcin, el albedo de la
superficie del agua y la radiacin solar media registrada del da. Debido a la gran
cantidad de clculos involucrados se elabor un programa en Visual Basic 2005 que
desarrollara este planteamiento.
9.2 ESTUDIO INICIAL DE LOS DATOS POR MTODOS MULTIVARIANTES
Uno de los aspectos que atrae primero la atencin en la gestin de grandes

volmenes de datos es la consideracin de su confiabilidad. Segn Kettaneh et al.
(2005), todos los grandes conjuntos de datos poseen datos anmalos.
303
Es un hecho que al contar con amplios grupos de datos habr algunas partes dentro
del conjunto que presenten ausencias, omisiones o errores (debidos a varias fuentes),
variaciones forzadas o inconsistencias. Por ejemplo, en la informacin proveniente de
la sonda multiparamtrica se observa que en algunos das se midieron las variables a
diferentes profundidades en vez de las acostumbradas comnmente o que en otros
slo se contaba con un perfil diario, pero en estos casos no se tomaba a la misma
hora del da (habr variacin en las mediciones al ser registradas a las 3:00 horas o a
las 14:00, slo analcese el caso de la temperatura del agua para distintas horas del
da); en ocasiones si se tenan varios perfiles para obtener un promedio de ellos todos
eran de un mismo periodo del da (maana, tarde o noche). Por otra parte, tanto los
datos meteorolgicos como los hidrolgicos tambin pueden poseer errores
inherentes.
El objetivo es tener conciencia de estos aspectos (que siempre se presentan en

diversas formas en la prctica del anlisis de datos) para intentar por medio de
diversas tcnicas minimizar sus efectos adversos en el estudio y modelacin de las
variables de inters.
Para que los procedimientos estadsticos pudieran ser aplicados de manera confiable
de los datos iniciales fueron removidos valores a todas luces errneos o das que
exhiban valores ausentes. Despus de que la informacin pas por este tamiz, con el
propsito de realizar inferencias se consider la divisin de sta en dos periodos:
calibracin y validacin. Para esto, los das existentes se dividieron aproximadamente
en dos partes iguales y la primera de ellas (con respecto al tiempo), fue considerada
como datos de calibracin y la otra se us para validacin.
Pero con el propsito de que las conclusiones de cualquier anlisis, clculo o modelo
obtenidas en los datos de calibracin puedan ser aplicables a los datos de validacin
es necesario revisar si las variables en ambos periodos toman valores
(aproximadamente) dentro de los mismos lmites (Figura 74). Para efectuar esto se
obtuvieron estadsticas descriptivas de las variables para los dos periodos (Anexo 2).
La conclusin es que en la mayora de los casos los lmites que toma cada una de las
variables en los dos periodos son muy similares; para las variables Hf, P, Qent, Qsal y
Con, que son las que presentan las diferencias ms significativas, los lmites se
encuentran dentro de los mismos rdenes de magnitud. Por lo tanto, haciendo
referencia a estadsticas descriptivas de las variables disponibles se puede concluir
que en el periodo de calibracin y el de validacin las variables toman valores
aproximadamente dentro de los mismos lmites. Se puede llegar a la misma conclusin
304
al revisar los diagramas de caja y bigotes en el Anexo 3.
20,0
15,0
Odis (mg/l)
10,0
5,0
0,0
Calibracin Validacin
FIGURA 74 Diagrama de caja y bigotes de oxgeno disuelto para los periodos de calibracin y validacin
En la Tabla (12) se encuentran las variables utilizadas en esta seccin junto con sus
abreviaturas.
Respecto a la normalidad de las variables se puede observar en los histogramas de la

Figura (45) que ninguna de las variables exhibe una distribucin normal (la formas de
sus histogramas no se asemejan al grfico de una distribucin normal, como se
observa en la Figura 75).
1.200
1.000
Frecuencia
800
600
400
200
0
20 30 40 50 60 70 80
HR (%)
FIGURA 75 Histograma de humedad relativa (%) para el periodo completo de estudio
Esta apreciacin es confirmada al revisar los diagramas Q-Q de los datos iniciales
(Anexo 5 y Figura 76) y la prueba de normalidad de Kolmogorov-Smirnov (con la
correccin de Lilliefors) para cada una de las variables (Tabla 14).
305
4
Normal esperado
0
-2
-2 0 2 4 6 8 10
Valor observado
FIGURA 76 Diagrama Q-Q de evapotranspiracin para el periodo de estudio completo
Se intent solucionar la situacin de falta de normalidad en los datos probando para

esto distintos tipos de transformaciones (seccin 7.4). Debido a la estructura adoptada
para los datos ninguna de las transformaciones intentadas sobre los valores logr que
cumplieran con la prueba de normalidad.
9.3 APLICACIN DEL PCA
Con el objetivo de proporcionar la misma influencia a las variables en este anlisis los
datos se estandarizaron. Se realiz primero el anlisis de componentes principales del
periodo de calibracin para todas las variables (meteorolgicas, hidrolgicas, calidad
del agua y Da Juliano). Se obtuvieron cinco componentes con autovalores mayores
que la unidad (hubo una sexta componente con un autovalor de 0,98 pero al no
satisfacer el criterio no se consider) y que en conjunto explican un 75,9% de la
variabilidad contenida en los datos originales.

Componente
Autovalor Porcentaje de varianza Porcentaje acumulado
nmero
1 6,79448 32,355 32,355
2 3,16844 15,088 47,442
3 2,73154 13,007 60,450
4 2,12718 10,129 70,579
5 1,11699 5,319 75,898
6 0,975219 4,644 80,542
TABLA 86 Porcentaje de varianza explicada por las primeras componentes principales para el periodo de
calibracin, variables estandarizadas
La primera componente explica un 32,4% de la varianza. En el Anexo 7 se observa

que las variables que poseen mayores pesos ( peso > 0, 25 ) en esta primera
componente son T, Tn, Tx, Rad, Eto, Qsal y Ta. Se puede interpretar que esta
306
componente representa la energa trmica en el sistema y su balance.
La segunda componente representa un 15,1% de la varianza. Las variables con pesos

altos en esta componente son DJ, Hf, Rad, VolExp, Odis y Con. Esta componente se
relaciona con la poltica de gestin del embalse, la variacin estacional de energa
trmica y los parmetros de calidad del agua ms afectados por estas influencias.
Componentes
Variable
1 2 3 4 5 6 7
DJ 0,134344 0,371215 -0,069300 -0,332976 -0,001983 -0,077019 0,078531
V -0,054194 -0,258480 0,274217 -0,404803 -0,135416 -0,081706 0,058346
DV -0,206907 0,065572 0,028698 -0,260413 0,331011 0,079670 0,045238
Vx -0,024976 -0,162526 0,206584 -0,408870 -0,485762 -0,134045 -0,112845
T 0,375898 0,018683 -0,023962 -0,010627 -0,062084 0,037994 0,002141
Tn 0,372289 0,048966 -0,039415 -0,003146 -0,053546 0,023360 -0,027970
Tx 0,371293 0,003470 -0,024354 -0,003343 -0,031251 0,069052 0,042544
Hf -0,198504 -0,251637 0,136428 0,106961 0,369485 -0,111238 -0,266187
HR 0,018820 0,247806 -0,270606 0,426459 -0,119554 0,011712 -0,017541
Rad 0,290548 -0,261377 0,135362 0,108942 0,010109 0,103157 0,038903
P -0,061232 0,229358 -0,117962 0,003346 -0,293545 -0,243116 -0,786717
Eto 0,336220 -0,205651 0,127691 0,004569 -0,077207 0,037001 -0,070170
VolExp 0,082030 -0,404050 0,086351 0,353197 -0,175572 -0,002178 -0,092796
Qent -0,216803 0,116647 -0,064483 0,034106 -0,401812 0,099364 0,324327
Qsal 0,285674 0,200727 -0,066627 -0,217541 0,231297 -0,041039 -0,040710
Filt -0,063614 0,018968 0,022872 -0,136527 -0,013260 0,912368 -0,333095
Profundidad 0,013624 0,175023 0,432751 0,216761 -0,143239 0,079461 0,072626
Ta 0,282310 -0,080991 -0,299427 -0,172867 0,090590 -0,031996 -0,052403
Odis -0,227576 -0,254965 -0,358857 -0,098802 0,004540 -0,002016 -0,005006
pH -0,060446 -0,098104 -0,407869 -0,054493 -0,327100 0,142024 0,198437
Con -0,046205 0,380305 0,380468 0,058782 -0,060759 0,034680 0,051922
TABLA 87 Tabla de pesos de los primeros siete componentes en el periodo de calibracin
La tercera componente contiene un 13,0% de la varianza total del conjunto. Esta

componente se encuentra ms influida por las variables V, HR, Profundidad, Ta, Odis,
pH y Con. La tercera componente representa la influencia del mezclado por el viento y
la variacin de los parmetros de calidad del agua con respecto a la profundidad. Las
otras componentes no se analizarn debido a que representan porcentajes de
varianza menores.
Asimismo, continuando con el PCA mostrado en el Anexo 7 los diagramas de

dispersin (Figura 77) fueron de gran ayuda para estudiar valores sospechosos de ser
errneos. El proceso completo para su deteccin y su correccin en los casos donde
la revisin demostr que eran con alta probabilidad datos incorrectos se muestra en la
seccin 7.5.1.
307
3
Componente 6 -3
-6
-9
-12
-4,2 -2,2 -0,2 1,8 3,8
Componente 5
FIGURA 77 Diagrama de dispersin de las componentes 5 y 6 en el periodo de calibracin mostrando

algunos probables datos atpicos
A continuacin se aplic el PCA al periodo de validacin obtenindose seis

componentes con autovalores mayores a la unidad, que agrupadas explican un 80,4%
de la varianza de los datos en este periodo.
La primera componente explica un 33,7% de la varianza. En el Anexo 9 se muestra

que las variables con mayores pesos en esta componente son DJ, T, Tn, Tx, ETo,
VolExp, Qsal y Odis (Figura 78). Se podra interpretar como una componente asociada
con la operacin en el tiempo del embalse, la temperatura ambiente y el oxgeno
disuelto.

1 7,06814 33,658 33,658
2 3,10922 14,806 48,464
3 2,61874 12,470 60,934
4 1,71601 8,171 69,105
5 1,26001 6,000 75,105
6 1,11537 5,311 80,417
TABLA 88 Porcentaje de varianza explicada por las primeras componentes principales para el periodo de
validacin, variables estandarizadas
La segunda componente representa un 14,8% de la variabilidad total. Las variables

que ms influyen en esta componente son Rad, ETo, Profundidad, Ta, Odis, pH y Con
(Figura 78). La componente se asocia con el balance de energa en el
almacenamiento, as como el cambio de las variables de calidad del agua con la
profundidad.
308
0,53
Odis Ta
0,33 pH
ETo
Rad
Componente 2 0,13 VolExp

Vx
V
Tx
T
Tn
Filt
Qent Qsal
-0,07 Hf DV P
DJ
HR
-0,27
Profundidad
Con
-0,47
-0,27 -0,07 0,13 0,33 0,53
Componente 1
FIGURA 78 Grfico de pesos de los componentes 1 y 2 en la validacin, datos sin corregir
La tercera componente contiene un 12,5% de la varianza. Esta ms influida por las

variables V, Vx y HR; se puede relacionar al efecto del viento y la humedad.
Con base en los diagramas de dispersin (Figura 79) del Anexo 9 se revisaron los
datos que podran ser incorrectos. Los pasos seguidos para sustituir esos valores se
presentan en la seccin 7.5.1.
Atendiendo solamente al porcentaje de variabilidad explicado por las componentes

tomadas individualmente o en conjuntos, se puede decir que los periodos de
calibracin y validacin presentan valores muy similares.
0,37
0,17
Componente 20
-0,03
-0,23
-0,43
-0,6 -0,4 -0,2 0 0,2 0,4 0,6
Componente 19
FIGURA 79 Diagrama de dispersin de las componentes 19 y 20 en el periodo de validacin mostrando

algunos probables datos atpicos
309
9.4 RESULTADOS DEL ANLISIS FACTORIAL
El anlisis factorial se utilizar esencialmente como elemento de anlisis exploratorio

del conjunto de datos.
9.4.1 Periodo completo de estudio, variables sin transformar
En el Anexo 12 se muestran los resultados del anlisis factorial realizados para el

periodo entero de estudio estando las variables sin transformar. Aparte de los
comentarios vertidos en la seccin 7.6.1 se efectuar a continuacin la revisin de
algunos elementos del anlisis efectuado.
De entrada la matriz de correlaciones mostrada en el Anexo 12 parece adecuada,

pues muchos de sus elementos fuera de su diagonal principal son distintos de cero.
Una matriz de correlaciones cercana a una matriz identidad seala que el anlisis
factorial desembocar en una solucin deficiente. En la parte inferior de la matriz de
correlaciones aparece el nivel crtico unilateral (Sig. unilateral) asociado a cada
coeficiente de correlacin. Un nivel crtico inferior a 0,05 seala que la correlacin
entre el par de variables correspondientes puede ser considerada significativamente
distinta de cero. Debido a esto lo mejor es encontrar muchos niveles crticos de valor
reducido, como sucede en este caso. Una excepcin a esto ocurre con la Profundidad
que muestra muchos valores superiores al nivel 0,05, pero esto no debe alarmar pues
esta variable se establece de acuerdo a consideraciones operativas (en qu niveles se
quiere efectuar las lecturas) y por lo tanto no presenta correlacin con la mayora de
las variables (excepto con las que tienen relacin con ella, como por ejemplo el
volumen almacenado).
Al examinar las variables de calidad del agua se observa que Ta posee altas
correlaciones con: T, Tn, Tx, ETo, Qsal y Profundidad; esto sugiere que la temperatura
del agua depende principalmente de la temperatura del aire y sus picos, ya que al
aumentar estas tambin aumenta Ta debido a la conduccin del calor en la superficie;
as como de la evapotranspiracin que al crecer genera un incremento positivo en Ta,
esto indica que cuando existen las condiciones para alta evaporacin estas tambin
producen el calentamiento del agua; depende tambin de las salidas de caudal del
almacenamiento ya que al aumentar estas ltimas tambin lo hace Ta, esto sucede
debido a que al aumentar las salidas del embalse disminuye el volumen almacenado y
se necesita menos energa para aumentar la temperatura de la masa de agua;
adems de la profundidad de medicin, de manera que a mayor profundidad menor
310
ser Ta pues la energa por conduccin incide directamente sobre las capas
adyacentes a la superficie y la energa absorbida por radiacin disminuye al aumentar
la profundidad.
Matriz de correlaciones
DJ V DV Vx T Tn Tx Hf HR Rad P Eto VolExp Qent
DJ 1,000 -0,062 0,017 -0,014 0,362 0,389 0,336 -0,421 0,036 -0,141 0,145 0,022 -0,670 0,014
V -0,062 1,000 0,126 0,689 -0,158 -0,179 -0,153 0,208 -0,646 0,068 -0,188 0,122 0,032 0,010
DV 0,017 0,126 1,000 0,006 -0,486 -0,494 -0,454 0,199 -0,202 -0,428 0,108 -0,485 -0,274 0,319
Vx -0,014 0,689 0,006 1,000 -0,072 -0,101 -0,068 0,065 -0,463 -0,047 0,045 0,069 0,038 0,073
T 0,362 -0,158 -0,486 -0,072 1,000 0,986 0,987 -0,576 0,041 0,668 -0,132 0,825 -0,085 -0,612
Tn 0,389 -0,179 -0,494 -0,101 0,986 1,000 0,956 -0,585 0,110 0,610 -0,090 0,777 -0,118 -0,606
Tx 0,336 -0,153 -0,454 -0,068 0,987 0,956 1,000 -0,562 0,002 0,684 -0,159 0,830 -0,085 -0,606
Hf -0,421 0,208 0,199 0,065 -0,576 -0,585 -0,562 1,000 -0,194 -0,238 -0,059 -0,349 0,167 0,196
HR 0,036 -0,646 -0,202 -0,463 0,041 0,110 0,002 -0,194 1,000 -0,191 0,245 -0,242 -0,050 0,064
Rad -0,141 0,068 -0,428 -0,047 0,668 0,610 0,684 -0,238 -0,191 1,000 -0,331 0,930 0,398 -0,567
P 0,145 -0,188 0,108 0,045 -0,132 -0,090 -0,159 -0,059 0,245 -0,331 1,000 -0,248 -0,149 0,087
ETo 0,022 0,122 -0,485 0,069 0,825 0,777 0,830 -0,349 -0,242 0,930 -0,248 1,000 0,277 -0,637
VolExp -0,670 0,032 -0,274 0,038 -0,085 -0,118 -0,085 0,167 -0,050 0,398 -0,149 0,277 1,000 -0,099
Qent 0,014 0,010 0,319 0,073 -0,612 -0,606 -0,606 0,196 0,064 -0,567 0,087 -0,637 -0,099 1,000
Qsal 0,622 -0,094 -0,270 -0,101 0,755 0,773 0,737 -0,415 0,035 0,303 -0,023 0,478 -0,476 -0,485
Filt -0,015 0,057 0,196 0,042 -0,251 -0,263 -0,237 0,117 -0,126 -0,216 -0,035 -0,240 -0,060 0,255
Profund. -0,024 0,004 -0,010 0,006 -0,002 -0,002 -0,002 0,010 0,000 0,015 -0,008 0,015 0,036 0,002
Ta 0,319 -0,099 -0,287 -0,076 0,633 0,636 0,617 -0,336 0,040 0,395 -0,059 0,499 -0,161 -0,416
Odis -0,449 0,072 0,197 0,070 -0,553 -0,562 -0,536 0,307 -0,053 -0,248 0,020 -0,372 0,342 0,293
pH -0,249 -0,100 -0,033 -0,016 -0,099 -0,115 -0,086 -0,179 0,111 0,064 0,051 -0,016 0,323 0,025
Con 0,309 0,000 0,230 0,000 -0,188 -0,167 -0,193 -0,048 0,044 -0,336 0,142 -0,315 -0,383 0,264
Determinante = 5,13E-011
TABLA 89 Parte de la matriz de correlaciones, periodo completo de estudio, variables sin transformar
Odis presenta altas correlaciones con T, Tn, Tx, Qsal y Profundidad; por lo que la
concentracin de oxgeno disuelto obedece mayormente a: la temperatura del aire y
sus picos, de manera que al aumentar la temperatura del aire disminuye el Odis
posiblemente porque al aumentar la temperatura del aire esto origina el aumento de la
temperatura del agua y al subir esta, genera que la concentracin de oxgeno disuelto
en el agua sea menor; adems con las salidas de caudal del embalse ya que al
incrementarse las salidas disminuye el Odis, esto puede ocurrir porque el agua que se
extrae es la que posee la mayor concentracin de oxgeno lo que representa una
prdida para la masa de agua; asimismo de la profundidad, ya que al aumentar la
profundidad disminuye el Odis pues el agua en la superficie est sujeta a la
reaireacin y cuando ocurre la estratificacin trmica es difcil que este aporte de
oxgeno sea compartido eficientemente con las capas del fondo, adems las capas
ms profundas estn sujetas a la demanda de oxgeno por parte de los sedimentos.
Es notorio que tanto Ta como Odis prcticamente dependen de las mismas variables.
311
pH tiene correlaciones medianamente significativas con: VolExp, ya que al aumentar el
volumen tambin lo hace el pH, esto posiblemente debido a que al ingresar agua al
embalse y aumentar su volumen se hacen menos propicias las condiciones para el
aumento de la acidez; as tambin con la profundidad ya que al aumentar la
profundidad disminuye el pH, esto ocurre pobrablemente porque al ir descendiendo las
condiciones generales para el desarrollo de la acidez son ms favorables.
Y Con slo posee alta correlacin con la profundidad ya que al aumentar la

profundidad tambin lo hace la conductividad, esto se debe a que al aumentar la
conductividad del agua esta se hace ms densa y tiende a ubicarse en el fondo, en
cambio el agua con menor conductividad es menos densa y por flotacin tiende a estar
cercana a la superficie.
La siguiente parte del anlisis es la matriz anti-imagen integrada por los coeficientes
de correlacin parcial entre cada par de variables, con signo cambiado. Los elementos
de la diagonal principal son similares al estadstico KMO e interesa que estn
prximos a la unidad. Para este caso la mayora de los elementos cumplen esta
condicin.
Grfico de sedimentacin
4
Autovalor
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Nmero de componente
FIGURA 80 Grfico de sedimentacin para el periodo completo de estudio
En la tabla de la varianza total explicada (Tabla 90) se observa que existen cinco
312
factores incluidos en el modelo con autovalores mayores a la unidad. La primera
componente explica un 32,6% de la varianza total, la segunda un 15,9%, la tercera un
11,9%, la cuarta un 9,5% y la quinta un 5,4%. El grfico de sedimentacin (Figura 80)
muestra estas componentes.
Sumas de las saturaciones al cuadrado

de la extraccin
Componente
% de la % % de la %
Total Total
1 6,841 32,576 32,576 6,841 32,576 32,576

2 3,342 15,915 48,491 3,342 15,915 48,491
3 2,500 11,903 60,394 2,500 11,903 60,394
4 1,996 9,507 69,901 1,996 9,507 69,901
5 1,125 5,357 75,258 1,125 5,357 75,258
TABLA 90 Varianza total explicada por los factores incluidos en el modelo, periodo completo de estudio
Tambin se tiene la tabla de comunalidades. La comunalidad es la fraccin de

variabilidad en cada variable explicada por los factores. Antes de la extraccin de los
factores su valor para cada variable es la unidad e interesa que una vez efectuada la
extraccin contine siendo alta. Las nicas variables que no cumplen con esto son DV
y Filt, por lo que el modelo factorial no las reproduce adecuadamente.
Comunalidades
Inicial Extraccin
DJ 1,000 ,794
V 1,000 ,840
DV 1,000 ,457
Vx 1,000 ,819
T 1,000 ,962
Tn 1,000 ,950
Tx 1,000 ,936
Hf 1,000 ,544
HR 1,000 ,748
Rad 1,000 ,844
P 1,000 ,585
ETo 1,000 ,936
VolExp 1,000 ,831
Qent 1,000 ,526
Qsal 1,000 ,831
Filt 1,000 ,252
Profundidad 1,000 ,814
Ta 1,000 ,851
Odis 1,000 ,898
Ph 1,000 ,647
Con 1,000 ,737
TABLA 91 Comunalidades de las variables para el periodo completo de estudio
313
En la matriz de componentes rotados se muestra que las variables DV, T, Tn, Tx, Hf,
Rad, ETo y Qent, se sitan en la primera componente que puede ser denominada
como energa trmica externa al embalse y entradas de la misma debido a cambio en
el volumen. En la segunda componente se pueden ubicar las variables DJ, VolExp y
Qsal (variacin temporal del volumen almacenado y caudal de salida programado).
En la tercera componente se encuentran Profundidad, Ta, Odis, pH y Con (variacin
de la calidad del agua con la profundidad). En la cuarta componente estn V, Vx y HR
(velocidad y humedad del aire). Y la quinta componente incluye a las variables P y
Filt (precipitacin y filtracin).
Por otra parte, al comparar la extraccin de factores por el Mtodo de componentes

principales y por el de Mxima verosimilitud, los pesos en los factores cambian poco,
slo en algunos casos significativamente pero la configuracin de las componentes es
prcticamente idntica, solamente cambia la variable Filt de estar incluida en la quinta
componente a ubicarse en la primera y Qsal pasa del factor 2 hacia el uno. Debido a
esto se puede considerar que la solucin del FA es confiable.
Matriz de factores rotados
Factor
1 2 3 4 5
DJ ,752
V ,866
DV -,542
Vx ,818
T ,971
Tn ,953
Tx ,957
Hf -,561
HR -,680 -,314
Rad ,690 -,263 ,634
P -,268
ETo ,839 ,479
VolExp -,869
Qent -,603 -,264
Qsal ,632 ,618
Filt -,258
Profundidad -,849
Ta ,566 ,363 ,582
Odis -,473 -,346 ,739
pH -,336 ,565
Con -,255 ,271 -,663

TABLA 92 Matriz de componentes de los 5 factores extrados por Mxima verosimilitud, periodo completo
de estudio, variables sin transformar y Rotacin Varimax
314
9.4.2 Periodo de calibracin, variables sin transformar
En el Anexo 13 se puede observar que se extrajeron 5 componentes con autovalores

mayores que la unidad y en conjunto explican un 76,3% de la varianza total en este
periodo. Al comparar con el tiempo completo de estudio, tambin se extrajeron 5
componentes que cumplen con el criterio del autovalor mayor a la unidad y explican un
75,3% de variabilidad del conjunto de datos. Por lo tanto el FA es confiable, pues
coinciden prcticamente los porcentajes de varianza acumulada en ambos casos
analizados.

% de la % % de la %
Total Total
1 6,932 33,010 33,010 6,932 33,010 33,010
2 3,180 15,144 48,154 3,180 15,144 48,154
3 2,730 12,999 61,153 2,730 12,999 61,153
4 2,101 10,006 71,160 2,101 10,006 71,160
5 1,080 5,144 76,303 1,080 5,144 76,303
TABLA 93 Varianza total explicada por los factores incluidos en el modelo, periodo de calibracin
Adems, como se menciona en la seccin 7.6.2, la formacin de los factores es muy

similar lo que indica que el comportamiento del sistema y las relaciones entre variables
dentro de l son estables a travs del tiempo.
Revisando la matriz de correlaciones se tiene que las variables de calidad del agua
muestran las siguientes correlaciones relevantes: Ta con las variables T, Tn, Tx, ETo y
Qsal; Odis con T, Tn, Tx y Profundidad; asimismo, pH con Profundidad; asimismo Con
respecto tambin a Profundidad.
315
Matriz de componentes rotados
Componente
1 2 3 4 5
DJ ,869
V ,880
DV -,675
Vx ,874
T ,931 ,291
Tn ,911 ,326
Tx ,919 ,268
Hf -,484 -,498 -,474
HR -,792 ,408
Rad ,823 -,256 -,336
P ,451
ETo ,915 -,259
VolExp ,440 -,811
Qent -,477 ,579
Qsal ,531 ,718
Filt -,370
Profundidad -,841
Ta ,663 ,374 ,523
Odis -,494 -,267 ,776
pH ,652 ,482
Con -,870

TABLA 94 Matriz de componentes rotados con cinco factores, periodo de calibracin, variables sin
transformar
9.4.3 Periodo de validacin, variables sin transformar
El Anexo 14 muestra que las primeras 5 componentes con autovalores superiores a la

unidad explican un 78,4% de la variabilidad total de los datos en este lapso de tiempo.
Si se compara este valor con el correspondiente al periodo de calibracin se tiene que
son muy similares, constituyendo esto una primera indicacin de que los dos periodos
se pueden considerar, aproximadamente, como homogneos entre s.

% de la % % de la %
Total Total
1 7,729 36,807 36,807 7,729 36,807 36,807
2 3,135 14,928 51,735 3,135 14,928 51,735
3 2,578 12,277 64,012 2,578 12,277 64,012
4 1,720 8,188 72,200 1,720 8,188 72,200
5 1,295 6,165 78,366 1,295 6,165 78,366
TABLA 95 Varianza total explicada por los factores incluidos en el modelo, periodo de validacin
316
Las diferencias observadas en la formacin de los componentes entre los periodos de
calibracin y validacin son las siguientes: DJ se ubica en el segundo componente en
la calibracin y en el primero en la validacin; DV est en el primer componente
durante la calibracin y en el quinto en la validacin; en la calibracin Hf se ubica en el
segundo componente y en la validacin en el en el primero; Rad est incluido en el
primer componente en la calibracin y en el segundo componente en la validacin; P
est en la quinta componente en la calibracin y en la segunda en la validacin; ETo
pertenece a la primera componente durante la calibracin y a la segunda en la
validacin; VolExp se incluye en la segunda componente en la calibracin y en primera
para la validacin; Qent est incluida en la quinta componente en la calibracin y en la
primera durante la validacin; Qsal pertenece a la segunda componente en la
calibracin y a la primera en la validacin; Filt est ubicada dentro de la primera
componente en la calibracin y en la quinta durante la validacin; Ta se incluye en la
primera componente en la calibracin y en la tercera para la validacin; Odis est en la
tercera componente durante la calibracin y en la primera en la validacin.
Matriz de componentes rotados 5 Factores
Componente
1 2 3 4 5
DJ ,972
V ,931
DV -,635
Vx ,894
T ,863 ,389
Tn ,872 ,297 ,278
Tx ,841 ,425
Hf -,406 -,363 ,270 -,320
HR -,461 -,653 ,276
Rad ,894
P -,558 ,399
ETo ,466 ,814
VolExp -,886 ,300
Qent -,690 -,339 -,427
Qsal ,897
Filt -,596
Profundidad -,913
Ta ,584 ,759
Odis -,671 ,640
pH -,516 ,589
Con ,267 -,804

TABLA 96 Matriz de componentes rotados considerando 5 factores, periodo de validacin, variables sin
transformar
317
Estas modificaciones en las componentes, que se producen en varios casos debido a
pequeas variaciones en los valores de los pesos, indican que a pesar de que los dos
periodos poseen lmites para las variables muy similares, internamente tienen algunas
diferencias entre ellos. Esto garantiza que habr variabilidad entre los periodos
haciendo ms confiables los resultados obtenidos pues no estaremos reproduciendo
un periodo a travs de otro exactamente igual.
Analizando la matriz de correlaciones las variables de calidad del agua presentan las
siguientes correlaciones de importancia: Ta con DJ, T, Tn, Tx, Qsal y Profundidad;
Odis respecto a DJ, T, Tn y Tx, VolExp, Qsal y Profundidad; pH tiene con DJ, T, Tn,
Tx, VolExp, Qsal y Profundidad; Con respecto slo a Profundidad. Al comparar con el
periodo de calibracin se tiene que la principal diferencia es que en el periodo de
validacin se incluyeron ms das de verano por lo que las temperaturas son ms altas
(en promedio) y la explotacin del almacenamiento cambia, lo cual influye
notablemente sobre las variables Ta, Odis y pH; menos se observa esta influencia
sobre Con.
9.4.4 Normalidad de las puntuaciones factoriales
Al revisar la Tabla (28) de las pruebas de normalidad de los cinco factores para el
periodo completo de estudio se tiene que al considerar los cinco factores como
representativos del conjunto de datos en lugar de las variables originales, no se
resuelve el problema de la falta de normalidad.
Este resultado va enfocando la atencin hacia la seleccin de tcnicas de inferencia

que no se vean afectadas por la falta de adecuacin de las variables a una distribucin
normal.
9.4.5 Variables transformadas
Primero se compara la varianza total explicada de las variables en su estado ordinario

y luego transformadas. De la Tabla (19) y la Tabla (29) se tiene que la varianza
explicada en el primer caso es de 75,3% y despus de efectuar las transformaciones y
aplicar el FA la varianza es 75,0%. La varianza total disminuye al efectuar las
transformaciones.
318

% de la % % de la %
Total Total
1 6,853 32,635 32,635 6,853 32,635 32,635
2 3,250 15,476 48,111 3,250 15,476 48,111
3 2,541 12,100 60,211 2,541 12,100 60,211
4 1,995 9,500 69,711 1,995 9,500 69,711
5 1,115 5,311 75,022 1,115 5,311 75,022
TABLA 97 Varianza total explicada considerando cinco factores, periodo completo de estudio, variables
transformadas
La formacin de las componentes para los dos casos (Tablas 20 y 30) es

prcticamente la misma (a excepcin de la variable Filt). Esto se puede verificar en las
Tablas (98) y (99) que se muestran a continuacin, donde se puede apreciar que las
saturaciones principales de las variables ocurren en los mismos factores para las
variables sin transformar y luego transformadas.
Matriz de componentes
Componente
1 2 3 4 5
DJ -,667
V ,756
DV -,526
Vx ,594
T ,980
Tn ,970
Tx ,967
Hf -,567
HR -,729
Rad ,714
P ,615
Eto ,850
VolExp ,743
Qent -,679
Qsal ,787
Filt -,349
Profundidad -,630
Ta ,670
Odis ,639
pH ,585
Con -,763
TABLA 98 Formacin de las componentes por el Mtodo de componentes principales, periodo de estudio
completo, variables sin transformar
319
Se extrajeron puntuaciones factoriales para cinco factores de las variables
transformadas. Al efectuar las pruebas de normalidad (Tabla 40) se tiene que ninguna
de estas series de puntuaciones se ajusta a una distribucin normal. Por lo que se
puede concluir que en este caso la transformacin aplicada no resuelve la falta de
normalidad.
Matriz de componentes
Componente
1 2 3 4 5
DJ_T -,611
V_T ,762
DV_T -,499
Vx_T ,599
T_T ,972
Tn_T ,956
Tx_T ,955
Hf_T -,612
HR_T -,739
Rad_T ,682
P_T ,554
Eto_T ,842
VolExp_T ,723
Qent_T -,805
Qsal_T ,762
Filt_T -,359
Profundidad_T -,638
Ta_T ,671
Odis_T ,647
pH_T ,591
Con_T -,733
TABLA 99 Formacin de las componentes por el Mtodo de componentes principales, periodo

de estudio completo, datos transformados
9.5 RESULTADOS DEL ANLISIS CLUSTER
Al considerar las variables sin transformar y el periodo entero de estudio (Tabla 42) se
toman 15 conglomerados para dividir los registros (al considerar el criterio de que el
conglomerado ms pequeo posea alrededor de 30 registros) y se observa que la
conformacin de estos no es uniforme: el conglomerado nmero ocho slo posee 27
elementos, mientras que el quinto conglomerado tiene 2260.
El motivo por el cual se tom el criterio de alrededor de 30 registros por conglomerado

es el siguiente: Mendenhall et al. (1986) mencionan que un valor de n mayor o igual a
30 garantizar, generalmente, que su distribucin esta bien definida.
320
En el periodo de calibracin se formaron 19 conglomerados (tomando en cuenta el
criterio anterior, Tabla 43). Al utilizar los centros de estos 19 grupos obtenidos en el
periodo de calibracin para ordenar los registros del periodo de validacin (Tabla 44),
slo se clasificaron en 15 de los 19 agrupamientos, debido a que los registros se
clasifican en el conglomerado cuyo centro est ms cercano a ellos, y en este caso 4
conglomerados que se formaron para el periodo de calibracin (de un total de 19) no
agruparon a ningn registro del periodo de validacin, pues esos registros se
congregaron en otros conglomerados que desde el punto de vista espacial les
quedaban ms cercanos.
Cuando se emplearon las variables transformadas fueron seleccionados 15

conglomerados para el periodo de calibracin. Al utilizar los centros de esos
conglomerados para agrupar las observaciones en el periodo de validacin slo se
utilizaron 12 de los 15 conglomerados, debido a que los registros del periodo de
validacin se encontraron ms cercanos a 12 de los 15 agrupamientos y ms alejados
de los restantes tres, por lo que slo se tuvieron registros en 12 conglomerados para el
periodo de validacin. Por lo tanto, la transformacin de las variables origina que el
nmero de conglomerados disminuya.
Al aplicar el anlisis cluster a las puntuaciones en componentes principales de las

variables estandarizadas se generaron 18 conglomerados en la calibracin. Al usar los
centros obtenidos de estos conglomerados para formar los grupos en la validacin se
tiene que las observaciones se clasifican en 17 de los 18 conglomerados. Uno de los
conglomerados formado en el periodo de calibracin no agrup a ninguna de las
observaciones de la validacin debido a que desde el punto de vista espacial est ms
alejado de los registros de la validacin que el resto de conglomerados.
Cuando en la calibracin se consideraron las puntuaciones factoriales de las variables

ordinarias (se extrajeron tres factores) se generan 14 conglomerados. Usando los
centros de estos, en el periodo de validacin las observaciones se clasifican
exactamente en los 14 conglomerados. Todos los agrupamientos formados para el
periodo de calibracin agruparon a los registros del periodo de validacin. De esto se
puede deducir que las puntuaciones factoriales son un poco ms homogneas al
distinguir entre periodos de tiempo.
321
3
Periodo
Calibracin
1 Validacin
Ta_Estand
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
No Conglomerado
FIGURA 81 Diagramas de caja y bigotes para comparacin de temperatura del agua estandarizada en
distintos conglomerados formados con las variables estandarizadas y sin transformar, para
Con el objetivo de conocer si el anlisis cluster ha logrado formar conglomerados que

sean aproximadamente uniformes en los valores de las variables de calidad del agua
se elabor la Figura (81) para la temperatura del agua, Ta. En sta figura se puede
apreciar que al comparar para un mismo conglomerado los valores correspondientes a
la calibracin y la validacin, en la gran mayora de los casos los lmites superior e
inferior, as como las medianas presentan diferencias muy amplias. El mismo
fenmeno se presenta para las otras tres variables de calidad del agua: Odis (Figura
82), pH y Con (Figura 83), Anexo 21.
Periodo
Calibracin
Validacin
Odis_Estand
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
No Conglomerado
FIGURA 82 Diagramas de caja y bigotes para comparacin de oxgeno disuelto estandarizado en

distintos conglomerados formados con las variables estandarizadas y sin transformar, para
322
El mismo tipo de grficos de caja y bigotes se elaboraron para las cuatro variables de
calidad del agua considerando variables transformadas (Anexo 22), puntuaciones en
componentes principales (Figura 83 y Anexo 23) y puntuaciones factoriales (Figura 84
y Anexo 24).
1 Periodo
Calibracin
Validacin
Z_Con
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
No_Conglomerado
FIGURA 83 Diagramas de caja y bigotes para comparacin de conductividad estandarizada en grupos

formados con puntuaciones en componentes principales, calibracin y validacin
Se observ un comportamiento muy similar al anteriormente descrito para la gran

mayora de los conglomerados, pues los lmites muestran grandes diferencias al igual
que las medianas, al analizar un mismo conglomerado dividido en sus registros
correspondientes a calibracin y validacin. Esto es inconveniente, como se ver ms
adelante, pues al ajustar una expresin (mediante regresin) dentro de un
conglomerado para el periodo de calibracin esta ecuacin slo ajusta bien para ese
periodo pero no predice bien los valores que se presentarn en la validacin mediante
conglomerados
En la seccin 7.7.10 se efecto un anlisis cluster jerrquico de variables ordinarias

para cada uno de los conglomerados (19 en total), estandarizadas de forma
univariante para cada uno de los periodos de tiempo considerados (calibracin y
validacin) por separado y a continuacin unindolos para efectuar el anlisis para
cada agrupamiento, usando el mtodo de vinculacin inter-grupos para el tiempo total
de estudio (Anexo 25).
323
3
1 Periodo
Calibracin
Validacin
Con
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14
No_Conglomerado
FIGURA 84 Diagramas de caja y bigotes para comparacin de conductividad estandarizada en distintos

conglomerados formados con las puntuaciones factoriales de variables predictivas, para
Por ejemplo, en el primer conglomerado (Figura 85) se unieron primeramente T y Eto,

luego DJ y Qsal, a continuacin V y Vx. A un nivel superior se unen T, ETo, DJ y Qsal.
Despus DV y Qent. Ms adelante se agrupan DV, Qent, V, Vx, VolExp y Profundidad.
Luego T, ETo, DJ, Qsal y HR. En la agrupacin final se incluyen a las 11 variables.
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZETo 7
ZDJ 1
ZDV 3
ZQsal 10
ZV 2
ZVx 4
ZVolExp 8
ZQent 9
ZHR 6
ZProfund 11
FIGURA 85 Dendograma del primer conglomerado usando el mtodo del promedio entre grupos para
conglomerados formados con las variables estandarizadas y sin transformar, periodo
completo de estudio
Para cada uno de los conglomerados (Figura 86) la forma en que las variables se
asociaron fue distinta, indicando que las relaciones entre las variables dentro de los
conglomerados son diferentes para cada uno de ellos.
324
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZVolExp 8
ZQsal 10
ZT 5
ZVx 4
ZV 2
ZETo 7
ZProfund 11
ZDJ 1
ZDV 3
ZHR 6
ZQent 9
FIGURA 86 Dendograma del segundo conglomerado usando el mtodo del promedio entre grupos para
conglomerados formados con las variables estandarizadas y sin transformar, periodo
completo de estudio
Un anlisis cluster jerrquico de variables transformadas fue realizado en la seccin

7.7.11.
Como medida de disimilaridad se us la distancia eucldea al cuadrado y para formar

los conglomerados el mtodo de vinculacin inter-grupos (Figuras 87 y 88), para el
periodo completo de estudio (Anexo 26).
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
V_T 2
Vx_T 4
DV_T 3
VolExp_T 8
DJ_T 1
Qsal_T 10
HR_T 6
T_T 5
ETo_T 7
Qent_T 9
Profundi 11
FIGURA 87 Dendograma del cuarto conglomerado usando el mtodo del promedio entre grupos para
conglomerados formados con las variables transformadas, periodo completo de estudio
325
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
VolExp_T 8
Qsal_T 10
V_T 2
Vx_T 4
HR_T 6
T_T 5
Qent_T 9
ETo_T 7
Profundi 11
DJ_T 1
DV_T 3
FIGURA 88 Dendograma del sptimo conglomerado usando el mtodo del promedio entre grupos para
conglomerados formados con las variables transformadas, periodo completo de estudio
Se observa el mismo efecto que en el caso anterior: en cada uno de los

conglomerados las variables se van asociando de distinta manera. Esto indica que las
relaciones entre las variables para cada uno de los conglomerados son distintas.
La conclusin que se obtiene despus de aplicar el anlisis cluster es que al formar los
conglomerados al interior de cada uno se tiene cierta homogeneidad global
considerando todas las variables; pero al analizar el comportamiento de una variable
en especfico para los grupos formados se observa que los valores que toma son,
generalmente, distintos en los periodos de calibracin y validacin. Por lo tanto, la
formacin de conglomerados propuesta en este caso no ser de gran ayuda con el
propsito de efectuar predicciones.
9.6 ANLISIS DISCRIMINANTE
El anlisis discriminante se utiliz sobre los conglomerados formados mediante el

anlisis cluster con el propsito de verificar la pertenencia de las observaciones a los
conglomerados.
Se inicio con el periodo de estudio completo utilizando todas las 11 variables

consideradas. Estas se emplearon sin estandarizar. Las probabilidades previas de
clasificacin correcta se obtuvieron de acuerdo al tamao de los grupos. En los 19
grupos la cantidad de clasificaciones correctas fue de un 79,3% (Anexo 27), resultado
que se puede considerar como bueno en comparacin a las probabilidades previas de
clasificacin correcta (Tabla 51).
326
No Grupo de pertenencia pronosticado
Total
Grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
% 1 80,8 1,7 8,9 8,6 100
2 100 100
3 87 0,6 0,8 5 6,4 100
4 68 25 1,9 5,2 100
5 0,2 3,9 63,7 2,0 2,7 9,1 1,1 15,2 2,1 100
6 19,1 0,0 1,9 72,2 6,8 100
7 1,9 4,9 1,6 1,9 77,5 8,2 3,9 100
8 100 100
9 0,8 80 1,4 9,8 2,7 4,9 0,4 100
10 3,2 1 76 2,9 14 3,3 100
11 0,3 5,7 59 25 11 100
12 4,2 11 84 100
13 2 77 18 2,6 100
14 100 100
15 100 100
16 90 10 100
17 2,3 19 3,3 76 100
18 0,3 100 100
19 1,7 19 0,6 79 100
Clasificados correctamente el 79,3% de los casos agrupados originales.
TABLA 100 Resultados de la clasificacin, periodo completo de estudio, variables sin transformar y no
estandarizadas
A continuacin se aplic nuevamente el DA al periodo de estudio completo con las 11

variables, pero esta vez estandarizadas con la media y la desviacin estndar del
periodo de calibracin exclusivamente. Los registros clasificados correctamente
constituyeron un 79,6% del total de registros (Anexo 28 a)), valor que se puede
interpretar como bueno y para este caso es un valor muy prximo al conseguido al
aplicar el DA con las variables sin estandarizar.
Total
conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
% 1 80,6 2,3 8,6 8,4 100
2 100 100
3 87,2 0,6 0,8 1,7 9,8 100
4 73,5 20,1 1,2 5,2 100
5 3,8 64,0 2,0 2,9 8,8 0,9 15,4 2,3 100
6 19,6 1,9 71,6 6,8 100
7 0,4 4,2 1,6 1,9 83,0 4,9 3,9 100
8 100 100
9 0,8 80,4 1,0 9,8 2,7 4,9 0,4 100
10 3,0 1,0 77,2 3,3 12,2 3,3 100
11 0,5 5,2 55,8 24,8 11,8 1,9 100
12 4,1 11,3 83,0 1,6 100
13 2,0 77,4 17,9 2,6 100
14 100 100
15 100 100
16 89,7 10,3 100
17 2,8 20,9 3,3 72,9 100
18 0,5 99,5 100
19 1,2 17,8 0,6 80,5 100
TABLA 101 Resultados de la clasificacin, periodo completo de estudio, variables sin transformar y
327
En seguida se utiliz de nuevo el DA en el periodo de estudio completo con las 11
variables, pero en esta ocasin se estandarizaron los valores de las variables
correspondientes a los periodos de calibracin y validacin por separado, para luego
unirlos y formar un solo bloque y entonces aplicar el DA. Los registros clasificados
correctamente constituyeron un 87,8% del total de registros (Anexo 28 b)), valor que
se puede interpretar como muy bueno y est significativamente por arriba del
conseguido al aplicar el DA con las variables sin estandarizar.
Total
conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
% 1 80,4 1,9 13,5 4,2 100
2 100 100
3 93,3 0,3 0,3 0,3 5,9 100
4 95,1 0,9 4,0 100
5 0,4 2,0 71,9 2,1 3,0 6,1 2,7 9,8 2,0 100
6 7,4 0,2 92,4 100
7 3,6 4,0 0,9 91,4 100
8 100 100
9 77,1 3,5 11,4 3,1 4,5 0,4 100
10 0,5 91,4 1,6 2,9 3,3 0,3 100
11 0,3 5,5 71,5 12,9 9,4 0,3 100
12 2,7 5,1 92,1 100
13 2,2 2,6 77,2 17,9 100
14 100 100
15 100 100
16 10,3 9,3 80,4 100
17 1,3 2,4 5,5 90,8 100
18 1,3 0,6 98,1 100
19 10,8 89,2 100
TABLA 102 Resultados de la clasificacin, periodo completo de estudio, variables sin transformar y los
periodos de calibracin y validacin estandarizados por separado y luego reunidos para
efectuar el anlisis
Se puede decir que en este caso y para los conglomerados formados en la etapa de
anlisis cluster, la mejor alternativa fue estandarizar las variables en la calibracin y la
validacin por separado, basndonos exclusivamente en que los mejores resultados
de clasificacin para el mtodo DA fueron obtenidas de esta forma.
Cuando se utilizaron variables transformadas el nmero de conglomerados fue de 15.

Los resultados de emplear la clasificacin por medio del DA fueron de un 84,0% de
registros clasificados correctamente (Tabla 58). Este resultado se puede evaluar como
adecuado, pues es superior al porcentaje de clasificacin obtenido para las variables
ordinarias a las que solamente se les aplic como tratamiento la estandarizacin por
columna (estandarizacin univariante). Los resultados completos de este proceso se
aprecian en el Anexo 29.
328
Resultados de la clasificacin (b)
del Total
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
grupo
% 1 97,5 2,4 0,1 100
2 90,8 4,0 1,5 3,4 0,3 100
3 17,1 79,4 3,5 100
4 8,0 4,3 87,6 100
5 29,6 42,6 1,7 4,1 8,7 11,1 2,1 100
6 87,7 12,3 100
7 100 100
8 2,2 82,9 15,0 100
9 81,8 17,1 1,1 100
10 1,2 5,9 2,3 83,7 6,0 0,9 100
11 5,4 3,7 90,8 0,1 100
12 92,2 7,8 100
13 0,3 0,6 2,9 1,0 8,5 86,7 100
14 100 100
15 0,5 10,2 15,2 1,5 5,1 67,5 100
b Clasificados correctamente el 84,0% de los casos agrupados originales.
TABLA 103 Resultados de la clasificacin, periodo completo de estudio, variables transformadas
Al utilizar las puntuaciones en componentes principales obtenidas utilizando once

componentes (con estandarizacin) la cantidad de grupos en el anlisis fue de 18 y al
aplicar la tcnica DA clasific correctamente un 88,1% de los datos. El porcentaje de
clasificaciones correctas se considera como muy bueno y se hace notar que
prcticamente es idntico al obtenido en la clasificacin de las variables ordinarias
estandarizadas. El anlisis se muestra en el Anexo 30.
En esta tesis, para muchos de los anlisis que se efectuarn con el fin de captar las
relaciones entre variables y los procesos de causa-efecto se prev que resultar ms
adecuado el desarrollo de las tcnicas estadsticas multivariantes empleando las
variables sin transformar y estandarizadas, debido a que su comportamiento
estadstico (como se ha visto hasta ahora) es el ms adecuado para los resultados en
este trabajo.
329
No inicial Grupo de pertenencia pronosticado
Total
de casos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
% 1 98,6 1,4 100
2 2,7 67,1 2,0 7,4 5,0 1,4 7,4 5,0 2,0 100
3 100 100
4 84,7 3,5 7,9 3,9 100
5 4,5 91,3 4 0,2 100
6 7,6 9,2 3,9 70,3 3,1 2,0 3,3 0,6 100
7 100 100
8 0,1 95,1 3,2 1,1 0,5 100
9 96,1 3,9 100
10 5,1 83,1 1,6 2,2 7,0 1,1 100
11 2,2 3,5 94,3 100
12 4,6 1,6 0,2 0,4 0,2 91,1 1,7 0,1 100
13 4,6 4,3 87,4 3,6 100
14 12,1 2,9 84,8 0,2 100
15 0,2 1,9 4,9 93,1 100
16 1,1 8,7 89,8 0,3 100
17 1,1 2,1 0,5 12,3 0,8 2,1 3,8 1,6 0,3 75,3 100
18 3,8 0,8 6,3 4,5 84,8 100
TABLA 104 Resultados de la clasificacin, periodo completo de estudio, grupos formados con las
puntuaciones en componentes principales
En la comprobacin de los 14 conglomerados formados con las puntuaciones

factoriales (donde se consideraron nicamente los factores 1,2 y 3) mediante el
anlisis cluster, el DA clasific adecuadamente un 88,5% de los registros, porcentaje
que es muy alto (los resultados se muestran en el Anexo 31). Se tiene en cuenta que
al ser mayores los porcentajes de clasificaciones correctas en este caso, se preferira
desarrollar las tcnicas multivariantes con puntuaciones factoriales si consideramos
como nico aspecto importante la formacin de grupos; pero se ve al desarrollar las
tcnicas de regresin que se exponen en este trabajo que no es la mejor opcin para
lograr estimaciones de los parmetros de calidad del agua analizados.

Total
conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14
% 1 78,2 11,6 10,2 100
2 88,2 11,8 100
3 82,7 17,3 100
4 0,3 89,7 10,0 100
5 1,2 94,3 4,5 100
6 95,5 1,7 2,8 100
7 15,2 84,8 100
8 1,6 98,4 100
9 16,0 6,0 77,0 1,0 100
10 5,8 5,8 81,1 7,4 100
11 4,5 95,1 0,4 100
12 12,9 2,1 85,1 100
13 100 100
14 3,0 2,1 3,9 91,0 100
TABLA 105 Resultados de la clasificacin, periodo completo de estudio, grupos formados con las
puntuaciones factoriales
330
9.7 MODELO LINEAL DE REGRESIN MLTIPLE
Existen cuatro categoras para los objetivos de un anlisis de regresin (Burnham et

al., 2001):
1. Prediccin.
2. Especificacin del modelo (interpretacin del sistema).
3. Procesamiento o cribado de variables.
4. Estimacin de parmetros.
El modelo lineal de regresin mltiple (MLR) fue desarrollado dentro de la estructura

de este trabajo fundamentalmente como herramienta exploratoria dentro de los
procesos de regresin (ajuste de ecuaciones) y no fue visto, desde el inicio, como una
tcnica para obtener predicciones.
Esta perspectiva de uso del MLR se debe a que las hiptesis que exige este modelo,
como son que los trminos de error no presenten autocorrelacin, las variables X
deben ser linealmente independientes y la normalidad de los residuos son condiciones
que difcilmente se pueden cumplir para grandes conjuntos de observaciones en
problemas prcticos, por lo que al tener la seguridad de su no observancia, los
resultados obtenidos mediante esta tcnica sern vistos como una referencia (no
formal) de los resultados que se pueden esperar al utilizar mtodos con menos
restricciones.
Al aplicar el MLR as como los restantes mtodos quimiomtricos con el fin de realizar
regresiones multivariantes se procedi a dividir los datos existentes para efectuar
calibracin y validacin sobre los datos observados, para garantizar en cierta medida
la estabilidad de las relaciones encontradas.
Al aplicar el MLR se utilizaron 17 variables predictivas y 4 variables respuesta (las

variables de calidad: temperatura del agua (Ta, Figura 89), oxgeno disuelto (Odis,
Figura 90), pH (Figura 91) y conductividad (Con, Figura 92). El mtodo utilizado para
incluir a las variables en el modelo fue el de seleccin hacia delante. As, se espera
obtener los mejores resultados usando el mnimo de variables posible.
331
Temperatura del agua
30
25
20
Observacin 15
10
0
0 5 10 15 20 25 30
Prediccin
FIGURA 89 Grfico de observaciones y predicciones para la temperatura del agua, periodo de calibracin
Los indicadores de la calidad del ajuste efectuado por medio de regresin lineal
mltiple usando en todo el proceso las variables en su escala ordinaria de medicin se
muestran en la Tabla (63).
Oxgeno disuelto
16
12
Predicciones
-4
-4 0 4 8 12 16
Observaciones
FIGURA 90 Grfico de observaciones y predicciones para oxgeno disuelto, periodo de validacin
Se observa en la Figura (90) que algunas de las estimaciones para el oxgeno disuelto
presentan valores negativos. Una explicacin a este fenmeno es que debido a que el
332
error de prediccin puede ser tanto de signo positivo como negativo, si se tiene el caso
de intentar predecir valores del oxgeno disuelto de magnitud muy reducida (siendo
estos positivos) y el error en algunas estimaciones fuera de signo negativo, el valor
predicho puede llegar a ser negativo. Esto es una evidencia de que el error de
estimacin en ocasiones posee signo negativo y en ningn caso se debe interpretar
como la posibilidad de medir concentraciones negativas de oxgeno disuelto.
Teniendo en cuenta la Tabla (63) se puede pronosticar que las variables que sern
mejor estimadas sern Ta (R2 = 0,672 de validacin) y Odis (R2 = 0,658 de validacin).
La calidad de la prediccin ser un poco inferior para la variable Con (R2 = 0,592 de
validacin) y la variable pH (R2 = 0,381 para validacin) no ser bien estimada por los
mtodos.
pH
10
9
Observacin
6
6,0 7,0 8,0 9,0 10,0
Prediccin
FIGURA 91 Grfico de observaciones y predicciones para el pH, periodo de validacin
Al revisar en el Anexo 2 la estadstica descriptiva de la variable pH se observa que su

variabilidad medida por el Coeficiente de variacin = Desviacin tpica/Media, es para
el periodo de calibracin de 0,0497 y en la validacin de 0,0449, los cuales son valores
muy reducidos (menos del 5%), lo cual indica que su valor cambia muy poco al
modificarse otras variables. Esto genera que su modelacin no proporcione buenos
resultados.
333
Observaciones y predicciones
1300
1200
Observacin
1100
1000
900
800
800 900 1000 1100 1200 1300
Prediccin
FIGURA 92 Grfico de observaciones y predicciones para la conductividad, periodo de calibracin
Al aplicar la tcnica MLR a los conglomerados formados por medio de las variables
estandarizadas, las variables transformadas y las puntuaciones en componentes
principales, se observa que tanto el coeficiente de determinacin como el error
estndar mejoran notablemente su desempeo durante la calibracin. El problema
estriba en que al utilizar las expresiones ajustadas a cada conglomerado (obtenidas
con los datos de calibracin) y aplicarlas con las observaciones del periodo de
validacin (al verificarlas), donde la calidad del R2 y el error estndar disminuyen
enormemente.
Con el propsito de conocer qu sucede al interior de los conglomerados se elaborar

un grfico de las siguientes caractersticas: se considerar el conglomerado nmero
16 formado con las variables estandarizadas y se mostrar el grfico de variacin de
una variable (por ejemplo, la temperatura del agua) con respecto a la variable de
mayor influencia incluida en su anlisis (ETo), para los periodos de calibracin y
validacin (Figura 93).
En la Figura (93) se pueden apreciar varias caractersticas relevantes: en primer lugar

los valores de la variable independiente ms importante para ese conglomerado (ETo)
varan en rangos muy distintos. Para el caso de la calibracin los valores de ETo van
de 2,4 a 2,6; para el periodo de validacin de 4,2 a 5,2. Se puede concluir que el rango
de variacin de la variable independiente es bastante distinto para los dos periodos.
334
20
16
Ta Observada (C)
12
Calibracin
Validacin
8
0
0 1 2 3 4 5 6
ETo (mm)
FIGURA 93 Grfico de la temperatura observada (Ta) contra la evapotranspiracin de referencia (ETo)

para el conglomerado 16 formado con variables estandarizadas
Ahora cabe preguntarse, la diferencia de valores tan marcada en la variable

predictiva ETo afecta a los valores que se puedan observar en la variable dependiente
(Ta)? La misma figura anterior responde esta cuestin. Mientras que en la calibracin
efectuada por medio de conglomerados formados con las variables estandarizadas la
temperatura observada del agua en este conglomerado vara en el intervalo 11,54 a
12,56 C, en la validacin su rango vara entre 9,61 y 16,93 C. Por lo tanto, los
valores de la temperatura del agua en la calibracin realizada mediante
conglomerados formados con las variables estandarizadas no cubren todos los valores
que se presentan en la validacin y esto va en contra de los principios generales de la
modelacin, los cuales indican que un modelo se debe elaborar con todas las
condiciones (valores) que se puedan presentar en los periodos para los que se busca
hacer predicciones. Se aprecia que por este motivo ser mejor no dividir los periodos
de calibracin y validacin en conglomerados, para que cubran un mayor rango de
valores y la modelacin pueda ser mejor realizada.
Y por ltimo en el sentido grfico de la regresin, si ajustsemos una recta a los

puntos del periodo de calibracin se tendra que esa recta (de pendiente negativa en
este caso) pasara bastante lejos de los puntos correspondientes a la validacin.
En este punto surge una cuestin: cul es el motivo por el que la formacin de
conglomerados por medio del anlisis cluster (y verificados con anlisis discriminante)
335
con el propsito de efectuar anlisis de regresin no proporciona buenos resultados?
La evidencia que se tiene apunta hacia esta respuesta: en la formacin de los
conglomerados se consideraron 11 variables independientes con influencia equilibrada
en la formacin de los agrupamientos. Pero al efectuar la regresin dentro de cada
conglomerado mediante mtodos de seleccin de variables para dejar solamente a las
que tuvieran ms influencia en la variabilidad de la respuesta se tiene que en la
mayora de los casos (en nueve del total de 15 conglomerados), las variables
independientes que tienen influencia y que por tanto aparecen en la expresin de
regresin son slo unas pocas (incluso en algunos conglomerados slo una) y
entonces se tiene un conglomerado formado segn la influencia de 11 variables que
no es el ptimo cuando slo se consideran unas pocas de ellas con peso sobre la
variable a pronosticar.
Es lgico pensar, siendo muy probable que as suceda, que al formar los
conglomerados considerando menos variables los casos se agrupen de forma distinta
(en otro conglomerado y con diferente cantidad de agrupaciones). Pero no es posible
cambiar la formacin de conglomerados en forma simple pues en la mayora de los
casos se tiene que mientras en unos conglomerados influyen principalmente unas
variables, en otros influyen otras variables distintas de ellas. Por lo tanto, se tienen
algunos elementos para afirmar que la formacin de conglomerados para la mejora de
cualquier tipo de regresin no es, en general, un planteamiento que lleve a obtener
resultados ptimos. Para intentar mejorar la prediccin mediante regresin ser
necesario buscar o proponer otras metodologas.
En la Figura (94) se muestra a modo de otro ejemplo el conglomerado nmero 3

creado por medio de las puntuaciones en componentes principales para la variable
respuesta Odis, con respecto a la puntuacin de mayor peso obtenida en el anlisis
con MLR, para calibracin y validacin.
Se puede afirmar para la Figura (94) que aproximadamente ms del 50% de los
valores que toma la variable independiente (puntuaciones en la cuarta componente
principal) en la validacin se encuentran fuera del rango o recorrido que esa misma
variable tiene en el periodo de calibracin, recordando que para la Figura (94) la
calibracin fue realizada por conglomerados formados con puntuaciones en
componentes principales. La diferencia entre los dos periodos (en el mismo
conglomerado) se aprecia fcilmente en la forma que adquieren las nubes de puntos,
que para cada periodo son muy distintas. Se puede concluir que es ms conveniente
no dividir los periodos de calibracin y validacin en conglomerados, con el propsito
336
de que abarquen un mayor rango de valores y que la modelacin a realizar
proporcione los mejores resultados posibles.
15
12
Oxgeno disuelto observado
Calibracin
6 Validacin
0
-2 0 2 4 6
Cuarta componente principal

FIGURA 94 Grfico de oxgeno disuelto observado (Odis) contra la cuarta componente principal para el
tercer conglomerado formado con puntuaciones en componentes principales
Los probables motivos de esto son muy similares a los enunciados para la Figura (93):
para formar los conglomerados se usaron 11 componentes principales. Al momento de
realizar la regresin al interior de cada conglomerado, slo considerando las
puntuaciones que realmente tienen influencia en la variable respuesta, se tiene que
(en la mayora de los conglomerados) slo unas pocas de las componentes son
necesarias para efectuar la regresin dentro de cada conglomerado. Por lo que los
conglomerados se formaron con 11 componentes pero su utilizacin no es adecuada
cuando se consideran menos componentes (muy probablemente los conglomerados
formados con menor nmero de componentes sean distintos). La conclusin es que la
regresin por medio de conglomerados disminuye la calidad de la prediccin en el
periodo de validacin.
El mismo fenmeno comentado anteriormente se vi para los conglomerados

formados con variables transformadas y con puntuaciones factoriales.
Igualmente cuando se aplicaron los mtodos de anlisis de correlacin cannica

(CCA) y regresin en mnimos cuadrados parciales (PLSR), los resultados obtenidos
dividiendo la regresin en conglomerados no fueron adecuados sino que fueron de
337
menor calidad predictiva que considerando slo dos bloques de datos: calibracin y
validacin. Debido a esto, en los apartados que prosiguen no se discutirn los
resultados obtenidos por medio de conglomerados.
Por lo tanto, slo se tomarn como valores de referencia de esta seccin (MLR) los
bloques de calibracin y validacin, los mostrados en la Tabla (63).
9.8 RESULTADOS DEL ANLISIS DE CORRELACIN CANNICA
El objetivo del CCA es encontrar combinaciones lineales de los conjuntos de variables

X y Y que estn correlacionados al mximo (Jobson, 1992). Los pares de
combinaciones lineales son llamados variables cannicas y sus correlaciones son
llamadas correlaciones cannicas (Johnson et al., 1992). El CCA puede identificar los
modos de covariabilidad lineal dominantes entre los vectores X e Y y permite hacer
inferencias acerca del vector Y, conociendo el vector X.
Se observ que para poder alcanzar los mejores resultados es necesario estandarizar
tanto las variables predictivas como las variables respuesta, con el fin de asegurar que
todas posean la misma influencia en el anlisis.
Un aspecto que se puede apreciar en las Tablas (70) y (71) es precisamente que al
operar con valores estandarizados los parmetros de estandarizacin (la media y la
desviacin estndar) influyen en los resultados, pues para una misma variable aunque
estos valores son relativamente similares para los periodos de calibracin y validacin,
no son exactamente iguales. Por los resultados obtenidos se concluye que para
estandarizar las variables independientes, tanto para calibracin como validacin, es
ms adecuado usar la media y la desviacin estndar obtenidas para las variables en
la calibracin.
En la Tabla (71) se pueden consultar los valores de ajuste para validacin empleando
17 variables predictivas (el anlisis corresponde al Anexo 34). Se puede comparar con
los mejores resultados obtenidos con MLR (Tabla 63) comprobndose que los
resultados del anlisis de correlacin cannica son mejores en todos los aspectos, al
MLR.
338
Nmero Autovalor Correlacin cannica Lambda Wilks Chi-Cuadrado p-valor
1 0,904494 0,951049 0,012279 19310,9 0,0000
2 0,704042 0,839072 0,128571 9003,04 0,0000
3 0,434364 0,659063 0,434423 3659,27 0,0000
4 0,231973 0,481636 0,768027 1158,39 0,0000
TABLA 106 Anlisis de correlacin cannica con 17 variables predictivas estandarizadas
En el Anexo 34 se tiene que el p-valor est cercano a cero en los cuatro casos y por
tanto se acepta la hiptesis de que los dos bloques de variables estn relacionados
(no son independientes entre s). La mxima correlacin cannica corresponde al
primer par de variables cannicas (esta es la mayor correlacin posible entre las
combinaciones lineales de las variables de los conjuntos X y Y) con un valor de 0,95
(Figura 95), el cual se puede considerar como muy alto; esta mxima correlacin entre
variables predictivas y variables respuesta explica un 0,90/(0,90+0,70+0,43+0,23) =
40% de la variabilidad y corresponde a la relacin entre las variables cannicas u1 (en
donde influyen ms T y ETo) que mide la energa trmica en el ambiente y v1 (que
pondera principalmente a las variables Ta con signo positivo y Odis con signo
negativo); se puede interpretar que a mayor energa trmica ambiente habr mayor
temperatura del agua y menos oxgeno disuelto.
La segunda correlacin cannica alcanza la cantidad de 0,84 (valor alto) y que

representa un 31% de la variabilidad, contraponiendo a la variable independiente
Profundidad, con la variable respuesta Con. Se puede interpretar que al revisar el
embalse un da en perfil entre mayor sea la profundidad los valores de conductividad
sern mayores.
La tercera correlacin tiene un valor de 0,66 (cuanta regular), explica un 19% de

variabilidad y manifiesta la relacin entre la variable independiente VolExp y Con, de
manera que al aumentar el volumen almacenado disminuir a todos niveles la
conductividad.
Y la cuarta correlacin es 0,48 la cual se puede clasificar como baja (en comparacin
con las tres anteriores) y representa el 10% de variabilidad, donde la influencia de
algunas de las variables predictivas se manifiesta sobre la variable respuesta pH.
Los coeficientes de las variables cannicas en el primer y segundo bloque indican

como se constituyen las variables ui y vi; a continuacin se muestra el grfico del
primer par de variables cannicas (u1, v1).
339
Variables Cannicas
2,5
Vector Respuesta 1,5
0,5
-0,5
-1,5
-2,5
-2,5 -1,5 -0,5 0,5 1,5 2,5
Vector Predictivo
FIGURA 95 Grfico del primer par de variables cannicas usando 17 variables predictivas estandarizadas
A continuacin en un nuevo anlisis se tom la decisin de no utilizar a la variable DJ

para slo emplear en el bloque de variables predictivas a las de naturaleza
meteorolgica e hidrolgica. Los resultados se presentan en la Tabla (72). El anlisis
se incluye en el Anexo 35.
Nmero Autovalor Correlacin cannica Lambda de Wilks Chi-Cuadrado p-valor

1 0,888754 0,942737 0,014428 18605,2 0,0000
2 0,702735 0,838293 0,129695 8965,85 0,0000
3 0,432815 0,657887 0,436296 3640,8 0,0000
4 0,23077 0,480385 0,76923 1151,65 0,0000
Los resultados son muy similares a los obtenidos con valores muy prximos y la
misma interpretacin de las variables, pero usando una variable predictiva menos. Por
lo tanto este anlisis se considera mejor.
En el Anexo 36 se eligieron las variables independientes que puntuaran en las dos

primeras variables cannicas (las que representan la mayora de la variabilidad) con
coeficientes mayores a 0,10.
Nuevamente se aplic este criterio hasta que todas las variables cumplieron con l,
quedando en total nueve variables independientes: T, Tn, Tx, Hf, HR, ETo, VolExp,
Qsal y Profundidad.
340
Variable cannica: u1 u2 u3 u4
ZT 0,887309 -0,229647 -0,301244 0,297692
ZTn -0,029928 0,418870 -0,199611 -0,948600
ZTx -0,536910 0,156156 0,546816 0,960649
ZHf -0,015831 0,269957 -0,142189 -0,985355
ZHR 0,166896 -0,104247 -0,171385 0,067276
ZETo 0,521978 -0,015602 -0,584138 -1,08298
ZVolExp -0,345362 0,288191 1,29268 0,699026
Zqsal 0,240610 0,149963 0,432042 0,081627
ZProfundidad 0,252772 -0,871791 0,345578 -0,220588
TABLA 108 Coeficientes para las variables cannicas de la primera serie despus de seleccionar slo 9
variables
La evaluacin de los resultados obtenidos est en la Tabla (73) que muestra los
resultados del CCA aplicado al periodo de validacin usando 9 variables predictivas.
Este es el mejor ajuste logrado por medio de la tcnica de CCA, pues los valores del
coeficiente de determinacin y los errores tpicos de estimacin son de los mejores
alcanzados con esta tcnica, utilizando slo nueve variables.
Nmero Autovalor Correlacin cannica Lambda de Wilks Chi-Cuadrado p-valor

1 0,878535 0,937302 0,016546 18018,4 0,0000
2 0,698269 0,835625 0,13622 8757,38 0,0000
3 0,426065 0,652736 0,451461 3493,61 0,0000
4 0,213395 0,461947 0,786605 1054,45 0,0000
Los p-valores estn prximos a cero lo que confirma la hiptesis de que los dos
bloques de variables estn relacionados entre s. La mayor correlacin cannica tiene
un valor de 0,94 (Figura 96), explicando un 0,88/(0,88+0,70+0,43+0,21) = 40% de la
variabilidad y representa la relacin entre las variables T y ETo (energa trmica en el
ambiente) que son las que ms influyen en u1, adems de Ta y Odis (con signos
contrarios las dos ltimas) que son las que poseen mayor peso en v1; esto indica lo
anteriormente ya expresado, a mayor energa trmica en el ambiente se tendr mayor
temperatura del agua y menor oxgeno disuelto.
La segunda correlacin cannica tiene un valor de 0,84 y representa un 31% de

variabilidad. La tercera correlacin es de 0,65 y engloba un 19% de la varianza del
conjunto. Y la cuarta correlacin tiene un valor de 0,46, capturando un porcentaje de
variabilidad de 10%. Las relaciones entre las variables, tanto las predictivas como las
respuesta, que ms influencia tienen en las tres restantes variables cannicas son
341
idnticas a las ya mencionadas para el Anexo 34.
2,5
1,5
0,5
V1
-0,5
-1,5
-2,5
-2,5 -1,5 -0,5 0,5 1,5 2,5
U1
FIGURA 96 Grfico del primer par de variables cannicas usando 9 variables predictivas estandarizadas
9.9 RESULTADOS DEL PLSR
Con el objetivo de obtener en cada caso el mejor ajuste a los datos se efecto dentro
del periodo de calibracin la tcnica de validacin cruzada para obtener el mejor
nmero de componentes para la regresin. Luego se comprob que este nmero de
componentes es ptimo para los datos de validacin intentando ajustes con distinta
cantidad de componentes. Es necesario proceder as, pues los coeficientes de cada
una de las variables (Figura 97) dentro de la regresin son distintos segn las
componentes consideradas.
Ta
Constante 8,21165
DJ 0,004911
V -0,275504
DV 0,00055768
Vx -0,00793173
T 0,132786
Tn 0,198842
Tx 0,0369386
Hf 0,109653
HR 0,0236497
Rad 0,00163213
P -0,0274099
ETo 0,758365
VolExp -1,85832E-7
Qent -0,00000603205
Qsal 0,00006267
Filt -0,0000645576
Profundidad -0,312097
TABLA 110 Coeficientes para las variables sin estandarizar en la expresin de temperatura del agua con
17 variables predictivas
342
Coeficientes PLSR
0.35
Ta
0.15
-0.05
-0.25
-0.45
HR
Hf
DJ
DV
Tx
V
P
Vx
Tn
Rad
Filt
ETo
Qent
Qsal
VolExp
Profundidad
FIGURA 97 Coeficientes estandarizados del PLSR para la temperatura del agua usando 17 variables
predictivas
9.9.1 Usando 17 variables predictivas
Para iniciar con la aplicacin de est tcnica de regresin (Juricek et al., 2005) y
verificar su desempeo en distintas situaciones se comenz utilizando todas las 17
variables predictivas y aplicando el algoritmo PLS1 (una variable respuesta en cada
simulacin).
Los resultados del ajuste se muestran en la Tabla (74). Al compararlos con los
obtenidos en el CCA usando igualmente 17 variables predictivas (Tabla 71), se
pueden emitir las siguientes observaciones:
El ajuste efectuado por medio del PLSR proporciona resultados ligeramente

mejores a los del CCA.
Con el PLSR no existi la necesidad de usar los valores de la media y la
desviacin estndar de las variables en la calibracin para estandarizar en la
validacin. Debido a esto, se percibe que el PLSR muestra una mayor
capacidad de generalizacin comparado con el CCA.
Las variables que continan siendo mejor pronosticadas son Ta (Figura 98) y
Odis, la variable Con (Figuras 99 y 100) tiene un ajuste regular y pH muestra
un ajuste no adecuado en los casos.
343
30
25
20
Observado
15
10
0
0 5 10 15 20 25 30
Prediccin
FIGURA 98 Grfico de observaciones y predicciones para la temperatura del agua usando 17 variables
predictivas
Coeficientes PLSR
0.9
Con
0.6
0.3
-0.3
-0.6
HR
Hf
DJ
DV
Tx
V
P
Tn
Vx
Filt
Rad
ETo
Qent
Qsal
VolExp
Profundidad
FIGURA 99 Coeficientes estandarizados del PLSR para la conductividad usando 17 variables predictivas
1320
1220
Observacin
1120
1020
920
820
820 920 1020 1120 1220 1320
Prediccin
FIGURA 100 Grfico de observaciones y predicciones para la conductividad del agua usando 17 variables
predictivas
344
9.9.2 Empleando 16 variables predictivas
Al utilizar solamente las variables meteorolgicas e hidrolgicas (16 variables

predictivas) para el pronstico de las cuatro variables de calidad del agua se generan
los resultados de la Tabla (75).
Odis
Constante 0.0
V 0.0668062
DV 0.0526179
Vx 0.0639692
T -0.149585
Tn -0.0759311
Tx 0.313499
Hf -0.00106866
HR -0.0787602
Rad 0.215195
P 0.0310925
ETo -0.819897
VolExp 0.281137
Qent -0.0731177
Qsal -0.182441
Filt -0.00854808
Profundidad -0.615212
TABLA 111 Coeficientes para las variables estandarizadas en la expresin de oxgeno disuelto con 16
variables predictivas
Al comparar con la Tabla (74) (que usa 17 variables predictivas) se tiene que
disminuye levemente el coeficiente de determinacin de la variable Ta en la validacin
y aument un poco el error estndar en la validacin de la variable Con. Fuera de
estas dos observaciones, todos los dems parmetros (seis de ellos) que miden la
calidad del ajuste mejoraron.
0.6
Odis
0.3
-0.3
-0.6
-0.9
HR
Hf
DV
Tx
V
P
Vx
Tn
Rad
Filt
ETo
Qent
Qsal
VolExp
Profundidad
FIGURA 101 Coeficientes estandarizados del PLSR para el oxgeno disuelto usando 16 variables
predictivas
345
Por lo que se puede concluir que el uso de una variable menos en el anlisis, DJ, trae
aparejado una mejora en general del ajuste (Figuras 101 y 102) aparte de producir un
modelo ms sencillo, el cual es siempre ms adecuado.
Observaciones y Predicciones
16
12
Observacin
-4
-4 0 4 8 12 16
Prediccin
FIGURA 102 Grfico de observaciones y predicciones para el oxgeno disuelto usando 16 variables
predictivas
En la Figura (102) se puede apreciar que algunos valores de prediccin del oxgeno
disuelto toman valores negativos. Esto se presenta debido a que el error asociado a la
tcnica de regresin puede tomar tanto signo positivo como negativo. Para el caso en
que el valor observado sea de magnitud reducida (cercano al valor cero, pero con
signo positivo siempre) y el error de prediccin sea de signo negativo, se puede dar el
caso de que la estimacin efectuada tenga tambin signo negativo, pero esto se debe
de interpretar como la ocurrencia de un error de signo negativo en una estimacin y no
como la presencia real de concentraciones de oxgeno disuelto negativas.
9.9.3 Recortado de datos
En el proceso de recortado se sustituyeron para todas las variables (predictivas y

respuesta) los valores de los extremos y fueron sustituidos por el percentil 1 y el
percentil 99. Esto se efecto slo para calibracin, pues se espera que un modelo bien
definido pueda desempearse de manera adecuada en la mayora de los casos (un
98% aproximadamente) cuando se manejen nuevos datos.
Los resultados de este proceder se muestran en la Tabla (76) y al compararlos con el

proceso sin recortado (Tabla 75) se tiene que los parmetros de ajuste son
prcticamente iguales. Esto puede ser un indicativo acerca de los cuidados y procesos
seguidos para la depuracin de los datos originales, pues se percibe que no existen
346
valores atpicos extremos que modifiquen apreciablemente el proceso de regresin.
pH
Constante 0.0
DJ -0.160396
V 0.174546
DV 0.0315953
Vx 0.00335869
T 0.496119
Tn -0.443548
Tx 0.37001
Hf -0.322485
HR 0.0189803
Rad 0.155479
P 0.0789855
ETo -0.936876
VolExp 0.336707
Qent 0.0595838
Qsal 0.0514418
Filt -0.0325172
Profundidad -0.312261
TABLA 112 Coeficientes para las variables estandarizadas en la expresin del pH usando el recortado
0.8
pH
0.5
0.2
-0.1
-0.4
-0.7
HR
Hf
DJ
DV
Tx
V
P
Vx
Tn
Filt
Rad
ETo
Qent
Qsal
VolExp
Profundidad
FIGURA 103 Coeficientes estandarizados del PLSR para el pH obtenidos con las variables recortadas
Pero es necesario manifestar que aunque en este caso el recortado de datos como
proceso no signific un cambio en los resultados (Figuras 103 y 104), en otras
aplicaciones o estudios donde puedan existir valores extremos no detectados s puede
constituirse en una herramienta indispensable para evitar los problemas de ajuste
generados por esos valores.
347
10
9.5
9
Observacin
8.5
8
7.5
7
6.5
6
6 6.5 7 7.5 8 8.5 9 9.5 10
Prediccin
FIGURA 104 Grfico de observaciones y predicciones para el pH usando las variables del recortado
9.9.4 Modelo reducido en trminos lineales
Para reducir el modelo, sin perder capacidad predictiva, se utilizaron los coeficientes
estandarizados obtenidos con el PLSR (Figura 105). Claramente estos coeficientes
son una gran ayuda para lograr la reduccin del modelo.
Odis
Constante 11,1268
ETo -0,752148
Tx -0,238237
VolExp 8,68778E-7
TABLA 113 Coeficientes para las variables sin estandarizar en la expresin del oxgeno disuelto con 4
variables predictivas
Los parmetros de ajuste que se generan al proponer los modelos reducidos se

muestran en la Tabla (77).
Al comparar con el modelo sin reducir de 16 variables (Tabla 75) se tiene que los
coeficientes de determinacin y los errores de prediccin muestran que el ajuste
conseguido es superior (Figuras 106 y 107).
348
Coeficientes PLSR
0.38
Odis
0.18
-0.02
-0.22
-0.42
-0.62
ETo Profundidad Tx VolExp
FIGURA 105 Coeficientes estandarizados ms significativos del PLSR para el oxgeno disuelto (modelo
reducido)
30
25
Observacin
20
15
10
0
0 5 10 15 20 25 30
Prediccin
FIGURA 106 Grfico de observaciones y predicciones para la temperatura del agua, modelo reducido en
trminos lineales
Adems, las expresiones para estimar las variables de calidad del agua son
marcadamente ms simples (ecuaciones 210, 211, 212 y 213).
Ta_Est = 8,3202 0,310551 Profundidad + 0,000112235 Qsal

(221)
+ 0,56017 ETo + 0,191481 Tn + 0,180964 T
(222)
0,238237 Tx + ( 8,68778 107 ) VolExp
pH_Est = 7,43143 0,144645 ETo + 0,0305618 Tx 0,0259479 Tn

(223)

(224)
0,854586 ETo
349
17
13
Observacin
9
-3
-3 1 5 9 13 17
Prediccin
FIGURA 107 Grfico de observaciones y predicciones para el oxgeno disuelto, modelo reducido
9.9.5 Matriz extendida de entradas - INLR
Al incluirse en la regresin trminos no lineales de las variables predictivas (Figura

108) se busca que el mtodo PLSR pueda en un momento dado hacer frente a las
posibles faltas de linealidad en las relaciones entre las variables (Figura 109).
Con
Constant 0,0
Profundidad 1,65575
Profundidad2 -0,597087
LN Profundidad -0,462874
1/VolExp 0,449577
TABLA 114 Coeficientes estandarizados en el PLSR para determinar conductividad usando trminos no
lineales relevantes
Coeficientes PLSR
1.8
Con
1.4
0.6
0.2
-0.2
-0.6
__VolExp
LN Profundidad
Profundidad
Profundidad2
FIGURA 108 Coeficientes estandarizados ms significativos del PLSR para la conductividad

considerando trminos no lineales
350
Aplicando este procedimiento a los datos se obtiene la Tabla (78). Al comparar con el
modelo reducido lineal (Tabla 77) se tiene, de hecho, que el ajuste lineal proporciona
mejores salidas, principalmente se puede apreciar el mejor desempeo del modelo
lineal en el oxgeno disuelto.
1240
1140
Observacin
1040
940
840
840 940 1040 1140 1240
Prediccin
FIGURA 109 Grfico de observaciones y predicciones para la conductividad considerando trminos no

lineales
Por otra parte, al efectuar regresiones de tipo no lineal sobre las estimaciones
efectuadas con el modelo reducido lineal y los valores observados de variables de
calidad del agua se obtuvieron las ecuaciones (214), (215), (216) y (217). Los
parmetros que evalan el ajuste se muestran en la Tabla (79).
Variable dependiente: Ta_Obs
Ecuacin Resumen del modelo Estimaciones de los parmetros

R cuadrado Sig. Constante b1 b2 b3
Cbica ,8635 ,000 11,232 -,061 -,021 ,002
La variable independiente es Ta_Est.
TABLA 115 Resumen del modelo para estimar la temperatura del agua usando como entrada las
estimaciones del modelo reducido lineal
Se puede apreciar una mejora significativa de la estimacin de la temperatura del agua

(al comparar con la Tabla 77), manifestndose esto por el aumento del R2 y la
disminucin del error de estimacin (Figura 110); el oxgeno disuelto mejora muy poco
en R2 y aumenta levemente su error de estimacin.
351
Temperatura del agua
30
25
20
Ta_Observada
15
10
Modelo cbico
5
0
0 5 10 15 20 25 30
Ta Estimada
FIGURA 110 Grfico de observaciones y predicciones para la temperatura al efectuar la regresin sobre
el modelo reducido lineal y las observaciones
Las variables pH (Figura 111) y Con prcticamente no se ven modificadas en forma

alguna.
Variable dependiente: pH_Obs

Resumen del modelo Estimaciones de los parmetros
Ecuacin
R2 Sig. Constante b1 b2
Cuadrtico ,266 ,000 -,070 1,017 -,001
La variable independiente es pH_Est.
TABLA 116 Resumen del modelo para estimar el pH usando como entrada las estimaciones del modelo
reducido lineal
352
pH
10
Modelo cuadrtico
pH_Observado
5
5 6 7 8 9 10
pH_Estimado
FIGURA 111 Grfico de observaciones y predicciones para el pH al efectuar la regresin sobre el modelo
reducido lineal y las observaciones
9.10 PREDICCIN DE VARIABLES DE CALIDAD DEL AGUA CON MTODOS

MULTIVARIANTES
En base a los apartados anteriores se tiene que para efectuar pronsticos las mejores
expresiones encontradas en este trabajo usando mtodos multivariantes son: para
temperatura del agua (Ta) la ecuacin (214); para oxgeno disuelto (Odis) la ecuacin
(211); la variable pH obtuvo sus mejores estimaciones con la ecuacin (212); en el
caso de la conductividad (Con) la mejor ecuacin es la (213).
Ta = 11, 23160366 0,0608831 ( Ta _ Est ) 0,0206138 ( Ta _ Est )

2
(214)
+ 0,00223407 ( Ta _ Est )
3

(211)
0,238237 Tx + ( 8,68778 107 ) VolExp
pH_Est = 7,43143 0,144645 ETo + 0,0305618 Tx 0,0259479 Tn

(212)

(213)
0,854586 ETo
La nica ecuacin no lineal es la correspondiente a Ta y se propone debido a su mejor

ajuste. Por otra parte, las expresiones de las otras tres variables de calidad provienen
del modelo reducido lineal y se estima que para la mayora de las situaciones de
pronstico que se puedan presentar tendrn un comportamiento ms predecible y
adecuado que sus contrapartes no lineales.
353
Periodo Variable R R2 Error estndar de estimacin
Ta 0,9292 0,8635 2,03
Odis 0,8420 0,7090 2,33
Calibracin
pH 0,5154 0,2656 0,35
Con 0,7820 0,6115 62,56
Ta 0,8617 0,7426 3,54
Odis 0,8655 0,7491 2,32
Validacin
pH 0,6959 0,4843 0,42
Con 0,7940 0,6304 71,44
TABLA 117 Resumen de resultados de los mejores ajustes obtenidos
Se compararn los resultados de la tabla anterior con los de otros estudios

relacionados con los recursos hdricos efectuados con mtodos multivariantes.
En el texto de Gutirrez et al. (2004), pgina 103, interesa conocer la relacin entre las
temperaturas superficiales del mar en Chicama y Paita (Per) tomndose como
predictando la temperatura de Paita y como variable respuesta la de Chicama; se
utiliz regresin lineal, consiguindose una recta de regresin con R2 = 0,649.
Adems, tambin se efecta una regresin lineal para el caudal del Ro Piura y la
precipitacin en Piura, obtenindose un R2 = 0,781.
En el artculo de Petersen et al. (2005) se efecta un estudio para conocer si las

interacciones entre variables de calidad del agua durante un periodo de 5 aos en
varias localizaciones a lo largo del Ro Elba pueden ser recuperadas como patrones
de covarianza estadsticamente significativos. Para este propsito se aplic el PCA y
se mostr que el 60% de la variabilidad en el conjunto de datos puede explicarse a
travs de dos combinaciones lineales de las ocho variables originales.
En el artculo de Ouarda et al (2008) se utilizan varios mtodos basados en el anlisis

de correlacin cannica y anlisis cluster jerrquico para estimar la frecuencia de
caudales en sitios no aforados. Los resultados que se obtienen para varios cuantiles
de la descarga especfica proporcionan valores del coeficiente de determinacin, R2,
que van desde 0,5419 hasta 0,8383 para los cinco mtodos considerados.
En seguida, con el propsito de comprender como se comportan las cuatro variables

de calidad del agua y evaluar visualmente las estimaciones conseguidas por medio de
las ecuaciones propuestas se muestran grficos (interpolados) de las cuatro variables
respuesta para la validacin, mostrando valores observados y valores estimados:
354
FIGURA 112 Grfico de temperatura del agua observada durante el periodo de validacin
Se inicia mostrando la temperatura del agua observada para la validacin (Figura 112).
Como los das con informacin vlida no son continuos, en los das que no hay
informacin se realiz una interpolacin para dibujar el grfico; en este caso se emple
una interpolacin cbica.
Se aprecia en la Figura (112) que la estratificacin ocurre aproximadamente del da

120 al 260 (los meses de mayo, junio, julio, agosto y septiembre). Se puede considerar
que el resto del tiempo el embalse presenta una temperatura casi uniforme (la
temperatura presenta pocas variaciones en perfil vertical).
La estimacin de la temperatura del agua para validacin es la que se muestra en la

Figura (113).
Al comparar las Figuras (112) y (113) se puede decir que la forma general de la grfica
est bien representada. La suavidad de los valores observados se hecha de menos
en el grfico de estimados. Asimismo, el lmite superior que alcanzan los valores
estimados es mayor al de los observados, esto se puede ver en la barra de escala.
355
FIGURA 113 Grfico de temperatura del agua estimada durante el periodo de validacin
El oxgeno disuelto alcanza valores mayores cuando la temperatura es menor en el

embalse. Al aumentar la temperatura del agua con la poca del ao el oxgeno
disminuye. En la Figura (114) se puede observar que la estratificacin trmica influye
notablemente en la concentracin de oxgeno siendo sta menor en el fondo del
almacenamiento.
FIGURA 114 Grfico de oxgeno disuelto observado durante el periodo de validacin
356
Los valores calculados de oxgeno disuelto se muestran en la Figura (115).
FIGURA 115 Grfico de oxgeno disuelto estimado durante el periodo de validacin
La forma del grfico se conserva aproximadamente teniendo que el rango en el que se

mueven los valores estimados es ms amplio (tanto en el lmite superior como en el
inferior) que el de los valores observados, llegndose inclusive a estimar unos cuantos
valores negativos en el fondo del embalse cuando est presente la estratificacin
trmica.
Es necesario mencionar que al requerir hacer estimaciones de la variable oxgeno

disuelto y los valores observados son muy reducidos (valores positivos, pero prximos
a cero), si el error aleatorio de prediccin fuera de signo negativo, lo que ocurrira es
que el valor pronosticado sera de signo negativo. Esto no quiere decir que se puedan
presentar valores negativos en el embalse, slo es una evidencia de algunos fallos
que puede presentar el modelo planteado.
Los valores observados de pH se muestran en la Figura (116).
357
FIGURA 116 Grfico de pH observado durante el periodo de validacin
El valor del pH es ms o menos uniforme en tanto no ocurra estratificacin trmica o

que sta sea dbil. Al establecerse la estratificacin trmica intensa se forman dos
zonas bien diferenciadas (ver Figura 116): la primera desde la superficie del
almacenamiento hasta una profundidad de siete metros con un valor de pH
aproximado de 8,4; la segunda abarca desde el fin de la primera zona hasta el fondo
tomando aproximadamente un valor de 7,8.
De las cuatro variables de calidad del agua analizadas el pH fue la que mostr ms
problemas para su estimacin (Figura 117) con los valores ms bajos del coeficiente
de determinacin. El rango de los valores estimados es ms reducido que el de los
valores observados. Adems, en la parte del periodo en que todava no se presenta la
estratificacin trmica intensa (hasta el da 160 aproximadamente) no se representa
adecuadamente la situacin real de mezclado casi uniforme. Por otra parte, cuando ya
est ocurriendo la estratificacin trmica la delimitacin de las dos zonas no se hace
de una forma muy precisa, estando los valores estimados del pH en las dos zonas por
debajo de los valores reales.
358
FIGURA 117 Grfico de pH estimado durante el periodo de validacin
El comportamiento de los valores observados de la conductividad se puede apreciar

en la Figura (118):
FIGURA 118 Grfico de conductividad observada para el periodo de validacin
En la Figura (118) se puede observar que la concentracin de la conductividad se

estratifica siguiendo un patrn similar al de la temperatura. En todos los casos para un
359
da especfico los menores valores de la conductividad se encuentran en la parte
superior del almacenamiento y los valores ms altos se ubican en el fondo del mismo.
En el mes de mayo (aproximadamente) es cuando se observan los menores valores
de conductividad en la capa ms superficial del embalse.
Se deben hacer varias consideraciones acerca de la conductividad estimada (Figura

119). Para empezar la distribucin espacio-temporal de la conductividad es compleja
(como se puede apreciar al revisar el grfico de conductividad observada), lo que hace
previsible que su estimacin precisa sea difcil de lograr. Adems, como en la
determinacin de la ecuacin para estimacin se tiene que es la variable de calidad
del agua que depende de menos variables predictivas su grfico no mostrar gran
diversidad en su comportamiento.
FIGURA 119 Grfico de conductividad estimada para el periodo de validacin
Al comparar los grficos de conductividad observada y estimada se tiene que en

general los valores correspondientes a la misma ubicacin espacio-temporal coinciden
aproximadamente. El grfico de estimados no es capaz de representar la forma de
estratificacin real de la conductividad que constituye una capa uniforme de
aproximadamente siete metros de espesor, casi horizontal y adyacente a la superficie.
Asimismo, el rango de valores de la conductividad no es reproducido adecuadamente,
pues en el grfico de valores estimados el lmite inferior es de 850, mientras que en el
grfico de observados es de 900; el lmite superior se encuentra en peor situacin an
360
pues mientras que el de valores reales toma un valor de 990, el de valores estimados
llega hasta 1200, lo que es claramente una sobrevaloracin excesiva en algunas
zonas del grfico.
9.11 RESULTADOS DEL MODELO MECANICISTA
La calidad de los resultados obtenidos con la aplicacin del modelo mecanicista,

mediante un programa desarrollado especialmente en el lenguaje Visual Basic 2005,
se puede evaluar con la tabla siguiente:
Periodo Variable R R2 Error estndar de estimacin

Calibracin Ta 0,9703 0,9414 1,56
Validacin Ta 0,9567 0,9152 2,01
TABLA 118 Resumen de resultados del modelo mecanicista aplicado a temperatura del agua en el
embalse
La variabilidad explicada es muy alta (ms del 91% para el periodo de validacin) y el
error estndar de estimacin se puede considerar relativamente reducido.
La validacin efectuada con la informacin disponible, en trminos generales, fue

satisfactoria para la variable de salida temperatura del agua.
Las grficas mensuales mostradas en el captulo anterior muestran el perfil de

temperatura observado en el embalse y tienen una concordancia entre los datos
observados y los simulados que se puede evaluar como excelente para los meses de
enero, febrero, marzo, abril y mayo. La simulacin de junio y julio se puede considerar
como buena y en los meses de agosto y septiembre la relacin entre temperaturas
observadas y simuladas es regular.
Cuando el almacenamiento est completamente mezclado o con una estratificacin

moderada el modelo con fundamento fsico representa adecuadamente las
condiciones de temperatura en su interior. En el caso de una estratificacin fuerte la
simulacin alcanzada con el modelo va de regular a buena.
De los perfiles de temperatura obtenidos en la modelacin se observa que para

condiciones de mezcla completa los resultados son excelentes; cuando se tiene
estratificacin moderada la simulacin del perfil de la temperatura del agua es muy
buena. En el caso de estratificacin fuerte el modelo hace una simulacin adecuada
del perfil de temperatura en los primeros ocho metros de profundidad, en donde los
361
datos observados y valores simulados estn sensiblemente cercanos.
El grfico (interpolado) de la variable temperatura del agua (Figura 120) en el embalse

para el periodo de validacin, mostrando los valores estimados por el mtodo
mecanicista, exhibe buena concordancia con el grfico de valores observados para el
mismo intervalo de tiempo. Se tiene que las caractersticas y espesores del epilimnion,
metalimnion e hipolimnion son a grandes rasgos bien representados, observndose
ms deficiencias para simular el espesor del metalimnion.
FIGURA 120 Grfico de temperatura del agua estimada con el mtodo mecanicista durante el periodo de
validacin
9.12 COMPARATIVO DE MODELACIN CON PLSR Y MTODO MECANICISTA
Son varios los aspectos a comparar en la aplicacin de los dos mtodos al clculo de
la temperatura del agua en el embalse: cantidad de informacin requerida, flexibilidad
del modelo, evaluacin de los valores estimados contra los observados y fidelidad en
la representacin de los perfiles.
Respecto a la informacin requerida, en el PLSR se requiere aportar 11 variables

meteorolgicas, 4 variables de estado del embalse y los datos observados de
temperatura del agua en perfil. Por otra parte el mtodo mecanicista requiere 6
variables meteorolgicas y la cobertura de nubes (calculada), 4 variables de estado del
embalse, los datos observados de temperatura del agua en perfil, la temperatura del
362
caudal de entrada, 4 parmetros, la tabla de calado-volumen-superficie, espesor
mnimo y mximo de capa, ubicacin geogrfica y altitud del embalse y temperatura
del agua superficial. Al comparar se aprecia claramente que el modelo mecanicista
requiere ms informacin de entrada que el mtodo PLSR lo que implica un mayor
tiempo dedicado a modelar. Adems, los parmetros del modelo mecanicista deben
ser calibrados lo que supone simular en muchas ocasiones, mientras que en el PLSR
slo es necesario ajustar el nmero de componentes a extraer, accin que es
generalmente ms rpida de realizar.
Acerca de la flexibilidad del modelo hay dos aspectos a considerar: adaptacin a la

unidad temporal en que se expresan los datos y cantidad requerida de los mismos.
Respecto a la capacidad de procesamiento para el intervalo temporal, el PLSR tiene
gran adaptabilidad y si los datos son proporcionados en otra unidad de tiempo
(semanalmente, cada 12 horas, cada 3 horas, etc.), este mtodo tiene la capacidad de
obtener la simulacin sin hacer modificaciones en l. En cambio el modelo mecanicista
comprende expresiones matemticas adaptadas a una escala temporal diaria, por lo
que para trabajar a otra escala diferente se tendran que efectuar cambios en parte de
su estructura, lo que requiere tiempo y conocimientos de programacin. La cantidad de
datos requerida por el PLSR es para el caso de muestras naturales de hasta
centenares de muestras; el motivo es que las muestras de calibracin deben contener
todas las variaciones (Ferr, 2006) que luego se encontrarn al validar o al predecir.
En cambio el modelo con fundamento fsico podr usarse para hacer predicciones, en
condiciones similares, con una cantidad de muestras mucho menor debido a que las
ecuaciones que lo sustentan almacenan intrnsecamente las relaciones clave entre las
variables y requieren por tanto de menos datos observados.
La evaluacin de valores estimados contra observados para temperatura del agua con
el PLSR para el periodo de validacin proporciona un coeficiente de determinacin de
R2 = 0,7426 y un error de estimacin de 3,54C; mientras que con el modelo
mecanicista se obtiene para la validacin un R2 = 0,9152 y un error de estimacin de
2,01C. Es evidente que el mtodo mecanicista explica un mayor porcentaje de
variabilidad y que el error cometido representa un 57% del correspondiente a la
aplicacin del mtodo PLSR.
La calidad en la representacin de los perfiles de temperatura y la correcta

configuracin de las capas del embalse (epilimnion, metalimnion e hipolimnion) son
factores importantes en la modelacin de la temperatura del agua en
almacenamientos. Se observa que el PLSR no define muy adecuadamente los perfiles
363
puntuales de las capas, aunque las envolventes generales s se corresponden con lo
observado. En el caso del modelo mecanicista los perfiles de las capas se observan
bien definidos y aunque el espesor vara con respecto a los valores observados,
principalmente para el metalimnion, la representacin en general es mejor que la
conseguida por medio del PLSR.
La representacin de los perfiles de temperatura es un punto que puede permitir

adentrarse en el conocimiento de las simulaciones efectuadas. Debido a ello se
procede a revisar con ms detalle este aspecto.
Primero de presentarn las representaciones de valores observados de temperatura

para el periodo de calibracin (Figura 121), as como las correspondientes
simulaciones: a) la efectuada con el mejor ajuste hecho con el PLSR (los resultados
del modelo reducido en trminos lineales ajustados mediante un polinomio cbico a las
observaciones) y b) la realizada por medio del modelo mecanicista.
FIGURA 121 Grfico de temperatura del agua observada durante el periodo de calibracin
Se puede observar que el principio de la primavera, la segunda mitad del otoo y el

invierno representan periodos de mezcla trmica homognea para el Embalse
Amadorio. En los periodos restantes del ao se presenta estratificacin que puede ir
de moderada para los meses de abril (la segunda parte de este mes), mayo y octubre;
aparte de presentar intensidad fuerte desde el mes de junio hasta septiembre.
364
Asimismo, la mejor regresin realizada usando mtodos multivariantes (ajuste con
PLSR empleando trminos lineales reducidos y ajuste cbico a las observaciones)
proporciona los valores estimados para calibracin que se ven en la Figura (122):
FIGURA 122 Grfico de temperatura del agua estimada durante el periodo de calibracin para el mejor
ajuste efectuado usando el mtodo PLSR
Y los resultados del modelo mecanicista propuesto se muestran en la Figura (123):
FIGURA 123 Grfico de temperatura del agua estimada durante el periodo de calibracin usando el
modelo mecanicista
365
Con el objetivo de evaluar el desempeo de cada una de las metodologas utilizadas
se obtendrn grficos de errores (valor observado valor estimado), para saber su
magnitud y la ubicacin espacio temporal de los mismos.
FIGURA 124 Grfico de diferencias entre valores observados de temperatura del agua y valores
estimados usando el mtodo PLSR durante el periodo de calibracin
Se puede apreciar en la Figura (124) que la mayor parte del espacio de estimaciones
presenta errores de prediccin de valores muy bajos. Se pueden apreciar algunas
subestimaciones en el valor predicho de magnitud apreciable (aproximadamente 4C)
a una profundidad de entre 0,5 y 8 metros para el periodo de tiempo en que se
presenta la estratificacin termal intensa (desde junio hasta el mes de octubre, ambos
inclusive). Tambin se tienen varias sobre-estimaciones (de entre 3 y 5C) a
profundidades de entre 6 y 24 metros para el periodo de tiempo que va del mes de
junio al mes de septiembre (coincidiendo con la estratificacin termal intensa).
Por lo tanto, se puede concluir que las estimaciones efectuadas con el modelo
desarrollado de ajuste reducido con trminos lineales usando el mtodo PLSR y ajuste
de los valores estimados a los observados usando un polinomio cbico son mejores (el
valor del error cometido es reducido) en los periodos de mezcla completa del embalse
o cuando ocurre estratificacin moderada; por otra parte, cuando la estratificacin
trmica es intensa el modelo tiende a subestimar o sobre-estimar en algunas regiones
bien identificadas.
366
Los errores cometidos con el modelo mecanicista se presentan en la Figura (125):
estimados usando el mtodo mecanicista durante el periodo de calibracin
Al analizar el grfico anterior se observa que la mayor parte de las estimaciones

efectuadas poseen errores de prediccin muy bajos. Sin embargo, se puede ver
regiones en donde se subestima la temperatura del agua (aproximadamente entre 1 y
2C), por ejemplo entre las profundidades de 0,5 y 8 metros para los meses de junio a
octubre, ambos inclusive. Adems, existen dos regiones claras en donde se sobre-
estima la temperatura (entre 3 y 6C); una est a una profundidad de entre 5 y 10
metros y se presenta en los meses de abril a julio; la segunda se ubica a
profundidades entre 9 y 25 metros durante los meses de agosto a noviembre.
Se puede concluir que la presencia de la estratificacin, la moderada y la intensa,

afectan a la capacidad de prediccin del modelo mecanicista a ciertas profundidades
durante el periodo de calibracin, pero en comparacin con el modelo desarrollado
usando la tcnica PLSR, la extensin de las regiones de error significativo es menor al
aplicar el modelo mecanicista.
En ambos mtodos la estratificacin genera que las estimaciones, en ciertas regiones

espacio-temporales, tengan un error asociado mayor. Cuando el embalse se
encuentra completamente mezclado ambos mtodos son muy efectivos,
representando de manera muy adecuada el perfil de temperaturas observado en el
367
Embalse Amadorio.
Respecto al periodo de validacin los valores de temperaturas observadas del agua se

muestran en la Figura (112), las temperaturas estimadas con PLSR se representan en
la Figura (113) y las temperaturas estimadas con el mtodo mecanicista se muestran
en la Figura (120). Se obtendrn las diferencias (errores) entre las observaciones de
temperatura y las estimaciones obtenidas con cada uno de los modelos.
estimados usando el mtodo PLSR durante el periodo de validacin
De la Figura (126), que muestra las diferencias entre las observaciones y los valores
estimados usando el modelo obtenido por medio del PLSR para el periodo de
validacin, se puede decir que la mayora de las estimaciones presenta errores de
prediccin pequeos. Se observa una subestimacin de los valores reales de
alrededor de 5C para la regin comprendida entre 0 y 8 metros de profundidad
durante los meses de abril a septiembre, ambos inclusive. Tambin se tiene una
sobre-estimacin de los valores de temperatura del agua (de entre 5 y 10C) para una
regin comprendida entre los 9 y los 25 metros de profundidad para la temporada
comprendida por los meses de junio hasta septiembre, incluidos ambos. La
estratificacin trmica tambin en esta ocasin dificulta la estimacin de los valores,
siendo los errores de las estimaciones de los perfiles de temperatura mayores al ser
ms altas las temperaturas del medio ambiente.
368
El grfico que muestra las diferencias entre los valores observados y los estimados por
medio del modelo mecanicista durante el periodo de validacin es el de la Figura
(127):
estimados usando el modelo mecanicista durante el periodo de validacin
De todos los grficos de diferencias (errores) analizados hasta este punto se tiene que
este (Figura 127), en donde se aplica el modelo mecanicista al periodo de validacin,
es el que tiene la mayor extensin espacio-temporal de estimaciones con errores de
prediccin muy pequeos. Las nicas excepciones son: una regin que comprende de
los 5 a los 8 metros de profundidad en el mes de mayo con errores de sobre-
estimacin de entre 2 y 4C; y una zona de los 4 a los 10 metros de profundidad de los
meses de julio a septiembre con errores de subestimacin de entre 6 y 10C. La
estratificacin trmica tambin influye en este caso en la obtencin de algunas
estimaciones al generar diferencias con los valores observados pero afecta menos que
en el caso de la aplicacin del modelo obtenido aplicando el PLSR. Por tanto, para
obtener estimaciones con el menor error de prediccin asociado ser ms
recomendable utilizar el modelo mecanicista.
369
370
CAPTULO 10. CONCLUSIONES Y LINEAS FUTURAS
10.1 CONCLUSIONES
Es importante resaltar que todos los anlisis realizados se pudieron efectuar gracias a
la existencia de los datos necesarios y oportunos provenientes de la Confederacin
Hidrogrfica del Jcar. Por lo tanto, es necesario mencionar que toda la informacin
que se registraba durante el periodo de estudio, hidrolgica, meteorolgica y de
calidad del agua se debe seguir recabando en el futuro. An ms, si fuera posible
aumentar el tipo de mediciones, por ejemplo sobre los caudales de entrada respecto a
parmetros de calidad, como temperatura, oxgeno disuelto, pH, conductividad, etc.
Esto con toda seguridad ayudar a generar inferencias de mayor precisin, adems de
conocer la dinmica de los constituyentes.
En esta tesis doctoral se desarrollaron dos planteamientos: en el primero se utilizaron

varios mtodos multivariantes para estudiar la evolucin de los parmetros de calidad
del agua: temperatura, oxgeno disuelto, ph y conductividad en perfil vertical y poder
efectuar su estimacin. El segundo planteamiento consiste en el desarrollo de un
modelo mecanicista para simular la distribucin de temperatura tambin en perfil
vertical y tener la opcin de realizar predicciones; este modelo fue programado en
Visual Basic 2005.
A continuacin se llevo a cabo una comparativa de ambos mtodos enfocada en

conocer aspectos de inters como son: tipo de informacin de entrada para cada
mtodo, ventajas e inconvenientes de aplicacin de cada uno de ellos y precisin de
las estimaciones efectuadas.
El proceso seguido durante este trabajo para el anlisis utilizando mtodos

multivariantes descrito de forma breve fue el siguiente: se efecto una exploracin
inicial de los datos disponibles por medio de estadstica descriptiva para clasificar los
registros con informacin vlida y completa y se dividi el conjunto total en dos partes,
una para calibracin de las regresiones y la otra para validacin, adems se
inspeccion la normalidad de las variables; despus se probaron varias
transformaciones para las variables eligindose como la ms prometedora a la
transformacin probit; luego se aplic el anlisis de componentes principales para
detectar datos anmalos y comprobar la homogeneidad de los periodos de calibracin
y validacin. A continuacin se us el anlisis factorial para saber como se agrupan las
variables (al aplicarles los distintos tratamientos) en factores y se obtuvieron
puntuaciones factoriales para probar la normalidad en cada caso; despus se emple
371
el anlisis cluster no jerrquico para formar conglomerados con base en distintos
tratamientos de la informacin (variables estandarizadas, transformacin probit,
puntuaciones en componentes principales y puntuaciones factoriales) y a continuacin
se aplic el anlisis cluster jerrquico a las variables con tratamiento de
estandarizacin y despus de transformacin probit, con el propsito de saber como
se agrupan en los conglomerados. El anlisis discriminante sirvi para verificar los
resultados del anlisis cluster.
El modelo lineal de regresin mltiple se aplic con fines exploratorios a cada variable
respuesta, para saber cuales son las variables con ms influencia en la regresin y la
posible capacidad predictiva de los modelos formulados para distintos tratamientos,
determinndose que la regresin por medio del periodo de calibracin completo
proporciona mejores resultados que efectundola por conglomerados. El anlisis de
correlacin cannica permiti establecer relaciones entre el bloque de variables
predictivas y el bloque de variables respuesta para todas las opciones de tratamiento
planteadas demostrando que el mejor resultado se obtiene usando el periodo de
calibracin sin ser dividido y con las variables estandarizadas. Por ltimo el PLSR hizo
posible evaluar las dependencias de las variables respuesta con respecto a las
variables predictivas usndose los distintos tratamientos de las variables, adems
permiti mejorar por medio de distintos planteamientos la calidad y parsimonia del
ajuste de las regresiones para las variables de calidad del agua analizadas. En todas
las aplicaciones de regresiones multivariantes se usaron conjuntos de datos
independientes para efectuar calibracin y validacin; as se puede comprobar que las
relaciones obtenidas son objetivas y no simple producto de la casualidad. Tambin es
interesante mencionar que dentro de las referencias consultadas no se encontraron
casos de modelacin de la calidad del agua en embalses usando tcnicas de
regresin multivariantes, por lo que esta aplicacin efectuada para los datos
disponibles en el Embalse Amadorio podra ser una de las primeras de este tipo.
Tambin fue formulado un modelo mecanicista por capas horizontales el cual fue
planteado por el mtodo de diferencias finitas y resolvindolo por el mtodo de
Thomas. Para poder desarrollar este mtodo se efectuaron ajustes en los datos de la
tabla calado-volumen-superficie; se propuso una metodologa para estimar la
cobertura de nubes que es un valor necesario para el desarrollo del modelo; se realiz
un anlisis de regresin para obtener los datos ausentes de la temperatura del agua
en la superficie del embalse; adems se procedi a la calibracin de cuatro
parmetros del modelo usando como valores observados los generados por la sonda
372
multiparamtrica.
Como un elemento de atencin importante se efectu un comparativo de modelacin

con PLSR y el mtodo mecanicista, analizando aspectos como: el volumen de
informacin necesaria para cada uno de ellos, la flexibilidad y adaptabilidad a los
cambios en la escala de medida temporal, valoracin de los resultados obtenidos en
cada caso y efectividad en la obtencin de perfiles y representacin de capas en el
interior del embalse.
Respecto a las tcnicas utilizadas se emiten los siguientes comentarios:
El anlisis de componentes principales es una herramienta muy til y se puede aplicar

para los siguientes propsitos:
Para verificar que los datos provenientes de los periodos de calibracin y

validacin son aproximadamente homogneos y por tanto la regresin
efectuada sobre el primero de ellos podr ser aplicada sobre el segundo (la
informacin pertenece a la misma poblacin). Esta comprobacin en conjunto
con la revisin variable por variable de la coincidencia aproximada de los
rangos, pueden asegurar que los resultados en un periodo son extrapolables al
otro.
La deteccin de datos anmalos. Al emplear los diagramas de dispersin de
las componentes por pares esta localizacin se facilita enormemente y, en esta
aplicacin, se puede evaluar como muy efectiva.
Por otra parte el anlisis factorial sirvi para detectar, an antes de realizar cualquier
tipo de regresin, que se podran efectuar inferencias adecuadas para las variables Ta
y Odis debido a contar con altas correlaciones con algunas variables meteorolgicas e
hidrolgicas. Asimismo, las correlaciones ms bajas tanto en cantidad como en calidad
de las variables pH y Con prevean regresiones menos apropiadas.
Asimismo, el FA ayud a determinar que la variabilidad explicada por los factores es

prcticamente la misma cuando a las variables slo se les aplica una estandarizacin
univariante que al caso de aplicarles una transformacin probit. Esto permiti
determinar que en este estudio no era una ventaja realizar transformaciones de las
variables.
Al aplicar el anlisis cluster y el anlisis discriminante se pudo apreciar que para una
373
misma ubicacin en el espacio (el sitio donde se encuentra ubicada la sonda
multiparamtrica en el embalse Amadorio) no proporciona buenos resultados el dividir
los datos en conglomerados y efectuar regresiones por separado para cada uno de
ellos. Estas tcnicas han mostrado buenos comportamientos al clasificar distintos
sitios (puntos de muestreo en diferentes ubicaciones) y efectuar tratamientos sobre los
grupos obtenidos. Por lo tanto, slo se recomienda cuando en el estudio se vayan a
manejar ubicaciones espaciales distintas.
Ms sin embargo, en los anlisis donde se cuente con una cantidad mayor de datos
(cuatro aos de informacin o ms), podra resultar interesente formar conglomerados
por poca del ao (primavera, verano, etc.) y probar si una regresin para cada poca
del ao proporciona mejores resultados que una efectuada sobre los datos sin
clasificar.
Una manera rpida de saber si los datos elegidos como variables predictivas podrn,
posiblemente, servir para efectuar predicciones sobre las variables respuesta es el
empleo de los grficos de caja y bigotes, pues permiten saber de manera sencilla si
las variables utilizadas se encuentran aproximadamente dentro de los mismos rangos,
pues esta es propiamente la condicin de homogeneidad, una de las necesarias para
poder efectuar inferencias aceptables.
El uso de la tcnica de regresin lineal mltiple sirvi para varios propsitos. El

primero de ellos fue conocer de manera preliminar valores iniciales de los parmetros
de ajuste, como son el coeficiente de determinacin y el error tpico de prediccin.
Tambin permiti tener informacin anticipada acerca de si el pronstico de cada una
de las variables respuesta iba a ser aceptable.
Adems, permiti saber a detalle las consecuencias de dividir la informacin de

calibracin en conglomerados constituyendo una herramienta de anlisis de regresin
fundamental. Debido a todas las suposiciones iniciales que impone (Draper et al.,
1998; Etxeberria, 1999; Gil Pascual, 2003; Prez, 2005; Hultquist, 2006; Cuadras,
2007; Miket, 2007) es difcil que en estudios de este tipo la regresin lineal mltiple
sirva para obtener las inferencias definitivas.
Respecto al anlisis de correlacin cannica slo en pocos artculos de los

consultados se hablaba acerca de la condicin que impone este mtodo de normalidad
multivariante (Ouarda et al., 2001; Ouarda et al., 2008) (que no se cumple para la
informacin que se tiene en este trabajo). A este respecto se considera que si los
374
resultados de validacin son congruentes con los obtenidos durante la calibracin el
mtodo, con sus reservas, s es posible aplicarlo. Una forma de verificar que su uso es
adecuado es por medio de las correlaciones cannicas, tanto en sus p-valores como
en la magnitud de cada una de ellas (Gil Pascual, 2003). En este caso los valores
obtenidos son satisfactorios.
Adems, el CCA es un mtodo que a pesar de exigir mucha preparacin en su

aplicacin y una revisin extensa de aspectos tericos, es muy utilizado tanto en
hidrologa como en meteorologa (Ouarda et al., 2001; Gutirrez et al., 2004; Ouarda
et al., 2008). Por tanto, su uso es adecuado para investigaciones de estas
caractersticas. Adems, permite obtener ajustes aceptables utilizando menos
variables predictivas.
De la misma forma, el CCA permite conocer relaciones y dependencias entre las

variables por medio de la interpretacin de las correlaciones cannicas (Calvo, 1993).
As, por ejemplo se pone de manifiesto que el aumento de energa trmica en el
ambiente genera una mayor temperatura del agua a todos niveles y una disminucin
del oxgeno disuelto. El aumento de la temperatura del agua se explica fcilmente
debido a la conduccin del calor (contacto con el medio ambiente a mayor temperatura
que el agua del embalse) y al incremento de la energa absorbida por radiacin (tanto
la radiacin solar de onda corta como la radiacin atmosfrica de onda larga). La
disminucin del oxgeno disuelto al aumentar la temperatura ambiente se debe a que
sta produce un incremento en la temperatura del agua lo que genera una disminucin
de la solubilidad del oxgeno en el lquido, combinado con un aumento del
metabolismo microbiano y de la demanda biolgica de oxgeno.
Adems, con la aplicacin del CCA se obtuvo que a mayor profundidad los valores de
conductividad aumentan. Esto pudiera estar relacionado con la distribucin de slidos
disueltos debido a fuerzas gravitacionales, pues a mayor conductividad se tiene una
mayor concentracin de slidos totales disueltos (TDS), lo que hace que la densidad
del agua sea mayor. Por lo tanto, parece lgico que el agua con mayor conductividad
este en el fondo y la que posee menor conductividad en la superficie del agua. En el
caso de la variable pH no se obtuvieron relaciones claras con otras variables.
El mtodo PLSR fue el que mejores resultados permiti obtener dentro de los mtodos
multivariantes de regresin. Adems, esta tcnica no requiere que las variables sigan
una distribucin normal (Zarzo, 2004). Para obtener los mejores resultados en cada
una de las variables de calidad del agua se recomienda:
375
Primero obtener los coeficientes estandarizados utilizando todas las variables
predictivas. Efectuar validacin cruzada para obtener el nmero de
componentes ptimo.
Usando el nmero de componentes obtenido en el paso anterior obtener
nuevamente los coeficientes estandarizados.
Suprimir del proceso las variables que tengan coeficientes estandarizados muy
bajos. Esto se puede efectuar de manera eficiente en el grfico de coeficientes
estandarizados.
Utilizar nuevamente el PLSR con las variables predictivas que hayan quedado,
probando varias alternativas. Estas alternativas (grupos de variables) se
probarn en el conjunto de datos de validacin.
Probar el ajuste obtenido en el paso anterior con el conjunto de datos de
validacin para el grupo reducido de variables que se hubiera seleccionado,
variando el nmero de componentes para obtener el mejor coeficiente de
determinacin. La regresin que tenga el R2 ms alto para validacin ser la
seleccionada. En este trabajo prcticamente en todos los casos el nmero de
componentes seleccionado en este paso coincidi con el conseguido por
validacin cruzada.
Luego revisar el grfico de predicciones-observaciones, para evaluar la calidad
del ajuste.
A continuacin tomar las predicciones y las observaciones de cada una de las
variables y efectuar una regresin no lineal sobre ellas, probando varios
modelos (polinomial, exponencial, logartmico, logstico, etc.), hasta encontrar
el mejor en cada caso. La nica variable que mejor sus predicciones con este
planteamiento fue la temperatura del agua en el embalse (Ta). Las otras tres
variables tienen mejores ajustes usando solamente expresiones lineales.
Los procesos que efecta el modelo mecanicista para determinar la temperatura del
agua a distintos niveles de profundidad a una escala temporal diaria son los
siguientes: caracterizacin del embalse como un conjunto de capas horizontales de
nmero y espesor variable segn las condiciones existentes; mezcla entre capas a
consecuencia de la flotacin; unin de capas que posean un espesor por debajo de un
espesor mnimo especificado; divisin de capas que tengan un espesor mayor al
especificado; clculo del coeficiente de difusin turbulenta entre las capas del
embalse; ubicacin en la capa que corresponda de los caudales que ingresen al
embalse; determinacin de los caudales a extraer de cada una de las capas debido a
la extraccin por tomas y desage del vertedor; calcular los flujos de calor en las
376
capas del almacenamiento, estos flujos son debidos a la radiacin solar neta de onda
corta, radiacin atmosfrica neta de onda larga, radiacin de onda larga que sale del
agua, conduccin y evaporacin; modificaciones en las capas debido a precipitacin,
evaporacin e infiltracin; clculo de la temperatura media en cada una de las capas
por medio del mtodo de diferencias finitas y el algoritmo de Thomas. Todos estos
procesos estn desarrollados en un cdigo escrito especialmente para el desarrollo de
esta tesis, en Visual Basic 2005.
El modelo mecanicista construido exhibe buenos valores estimados, tanto en la

calibracin como en la validacin, as como perfiles de temperatura muy similares a los
reales, lo que hace confiar que los fenmenos simulados incluidos configuran en gran
medida una representacin fiel de las relacionnes fsicas que se presentan al interior
del almacenamiento.
Adems, de la comparacin de los grficos de valores observados y estimaciones

efectuadas con el modelo mecanicista se tiene que la mayora de las ocasiones el
error cometido al estimar es de valor reducido y las regiones y periodos de tiempo
donde el error se vuelve significativo estn bien identificadas.
Los coeficientes de determinacin y los grficos correspondientes al periodo de

validacin obtenidos con la mejor simulacin realizada con PLSR hacen concluir que
slo son aceptables las regresiones obtenidas para las variables temperatura del agua
y oxgeno disuelto:
Coeficiente de Coeficiente de Error estndar de

Periodo Variable respuesta 2
correlacin, R determinacin, R estimacin
Ta 0,8617 0,7426 3,54
Validacin
Odis 0,8655 0,7491 2,32
TABLA 119 Evaluacin de los mejores ajustes obtenidos con PLSR para las variables Ta y Odis
Como una aclaracin, los coeficientes de determinacin fueron calculados en base a

valores diarios (cada 24 horas) para cada profundidad correspondiente, por lo que se
evalu la calidad de las estimaciones hechas a escala temporal diaria y a escala
espacial unidimensional (en la direccin vertical). Estas escalas utilizadas para el
clculo del coeficiente de determinacin fueron empleadas tanto en las regresiones
multivariantes como en el modelo mecanicista.
Se observa que son mejores los resultados de temperatura del agua obtenidos
377
mediante el modelo mecanicista (Tabla 118). Debido a esto, este modelo en particular
puede servir para simular propuestas de gestin, como seran caudales de extraccin,
caudales que ingresan al embalse, nivel de la toma o de las tomas y modificaciones en
el volumen objetivo a mantener en el embalse.
Una de las posibles causas que provocan las diferencias entre los valores observados
y simulados es que no se conocen de manera constante las concentraciones de las
variables de calidad del agua en los caudales de entrada al Embalse Amadorio. Este
hecho afecta tanto la aplicacin de los mtodos de regresin multivariantes como al
modelo mecanicista. A pesar que puede existir la imposibilidad prctica de medir las
concentraciones en cada uno de los volmenes de agua que ingresen al embalse, se
debe promover que al menos sean monitoreados de manera constante los caudales
ms importantes. Esto podra permitir mejorar los resultados de los modelos.
En el comparativo que se efecta en este trabajo se aprecia que los parmetros de

ajuste son mejores para el modelo mecanicista comparndolos con el mejor ajuste
efectuado con el PLSR y se resaltan las ventajas y desventajas de cada uno de estos
mtodos para modelar la temperatura del agua en el embalse, que de manera breve
son:
La metodologa basada en PLSR presenta una mayor rapidez de clculo en

comparacin con el modelo mecanicista.
Se requiere tener una mayor cantidad de variables medidas para aplicar el
modelo mecanicista en comparacin con el basado en PLSR, que requiere
menos variables.
Para poder desarrollar la tcnica del PLSR se requiere contar con una gran
cantidad de registros (de varios cientos a miles como mnimo), mientras que el
modelo mecanicista puede proporcionar resultados aceptables si la cantidad de
registros es menor.
En general, ser ms complicado operar con el modelo mecanicista en
comparacin con el formualdo con el PLSR.
El modelo mecanicista tiene una gran capacidad de generalizacin a otros
sitios (embalses) en comparacin con las expresiones especficas obtenidas
mediante el PLSR.
Es posible que el modelo mecanicista puede usarse a un plazo de tiempo ms
amplio para efectuar estimaciones en comparacin con las expresiones
obtenidas con el PLSR. En ambos modelos es necesario realizar ms
378
investigacin para determinar los horizontes de prediccin y sus niveles de
confiabilidad.
Los resultados obtenidos con el modelo mecanicista fueron, en este caso,
mejores que los obtenidos con el mtodo basado en PLSR.
Es importante resaltar que el uso conjunto de ambas tcnicas puede ayudar a
comprender la evolucin de la variable analizada, as como a tener una mayor
seguridad en las predicciones realizadas.
Por otra parte, las aportaciones que se hacen en este trabajo son:
Se ensayaron y aplicaron tcnicas, como el anlisis de componentes

principales y el anlisis factorial que sirvieron para verificar la hiptesis de
homogeneidad entre los grupos de datos propuestos para calibracin y
validacin.
Se mostr que ciertos parmetros meteorolgicos y de estado de un embalse
tienen correlacin e influencia directa sobre algunas variables de calidad del
agua, adems se usaron estas correlaciones con fines de prediccin e
interpretacin.
Como una alternativa a los mtodos convencionales de modelacin en una
dimensin de parmetros de calidad del agua en un embalse se prob el
anlisis de correlacin cannica, mostrando que su uso es factible.
Se us el PLSR para modelar en una dimensin variables de calidad del agua
en un almacenamiento, demostrando que al ser usado para pronosticar, los
resultados que proporciona son mejores a los obtenidos con algunos mtodos
de regresin.
Se propuso un modelo en diferencias finitas para determinar la temperatura del
agua en perfil vertical, muy flexible, que permite determinar la exactitud de las
estimaciones efectuadas. Este modelo efecta numerosas operaciones
utilizando informacin bsica y toma en cuenta prcticamente todos los
factores que inciden sobre la temperatura del agua al interior del
almacenamiento.
Se propone un mtodo para calcular la cobertura de nubes para cada da de
simulacin. Esto se efecto as debido a que la estacin de Villajoyosa, al ser
una estacin automtica, no registra esta informacin. Segn informacin de
los investigadores Deas y Lowney (2000) en las estaciones completamente
automatizadas la cobertura de nubes es un dato que no se registra. Por lo
tanto, al mostrar el mtodo empleado para obtener la nubosidad un buen
379
comportamiento global, se sugiere utilizarlo en otros modelos (calidad del agua,
meteorolgicos, del medio fsico en general) que requieran como entrada esta
informacin.
La comparacin del desempeo de mtodos multivariantes y el modelo
mecanicista. La aplicacin del modelo mecanicista para determinar la
temperatura del agua en el embalse permiti evaluar por comparacin el
desempeo de las tcnicas multivariantes en relacin con ste, mostrando su
grado de efectividad y sealando las ventajas y desventajas existentes al
aplicar cada uno de los planteamientos.
10.2 APLICACIONES Y LNEAS FUTURAS
Antes de precisar algunas de las posibles aplicaciones de los ajustes conseguidos en

donde se tiene una mejor prediccin, caso de la temperatura del agua y el oxgeno
disuelto, se mencionarn los motivos debido a los cuales se considera que estas dos
cantidades son las ms importantes en lo que se refiere a las variables de calidad del
agua.
Para la temperatura del agua, adems de los numerosos aspectos ya mencionados en

el Captulo 1, se tiene que su distribucin en perfil interviene directamente en el
fenmeno de conveccin (debido a la flotacin), as como en la estratificacin,
determinando as la distribucin de los otros parmetros de calidad del agua
(Environmental Laboratory, 1995; Deas et al., 2000).
Para el oxgeno disuelto, adems de todos los puntos incluidos en el Captulo 1, este
parmetro es fundamental en el logro de los objetivos medioambientales
(Environmental Laboratory, 1995) y para suministro de agua para consumo humano.
Los ajustes obtenidos para la temperatura del agua y el oxgeno disuelto pueden tener,
entre otras, las siguientes aplicaciones:
Prediccin a distintos niveles de los valores futuros de Ta y Odis.

Simulacin de los valores de estos dos parmetros al operar las tomas
existentes en la presa.
Simulacin de la operacin de propuesta de tomas multinivel.
Prediccin de la calidad de los desfogues que pasen por el vertedor de las
demasas hacia aguas abajo.
Suministro de datos de entrada para modelos ecolgicos de tipo diverso
380
(conservacin de especies de inters en el propio embalse o ro abajo, etc.).
Suministro de datos de entrada para modelos econmicos que tomen como
parmetros para asignar valor econmico al agua la temperatura y el oxgeno
disuelto, por ser las medidas de calidad ms importantes.
Anlisis de los factores que ms influyen en los valores y distribucin de estos
dos parmetros de calidad del agua.
Establecimiento de metodologas a seguir para estimar otros parmetros de
inters en el almacenamiento.
Reposicin de valores perdidos al no efectuarse el muestreo por causas
diversas.
Anlisis estacional del comportamiento de estos parmetros de calidad del
agua.
Las posibles lneas futuras que se pueden seguir al revisar la informacin empleada y
el seguimiento del trabajo desarrollado hasta el momento son:
Actualmente existen en el mercado sondas multiparamtricas capaces de

medir otros parmetros, adems de los ya mencionados, como son: salinidad,
turbiedad, clorofila, amonio, nitratos, cloruros, etc. Por lo tanto, sera
interesante proponer la ampliacin de la sonda actual para que pueda medir
mayor cantidad de parmetros a distintas profundidades. Adems, sera muy
adecuado que se instalarn sondas de este tipo en otros embalses. Para la
inferencia a futuro de la calidad una de las propuestas a seguir sera la
aplicacin del CCA y el PLSR.
Una posible mejora a los planteamientos presentados aqu sera esta: para que
el mtodo sea ms efectivo se requiere que la prediccin de un dato futuro est
basada principalmente en los ltimos valores del parmetro de calidad y que
tome menos en cuenta a los datos ms antiguos. Esto se puede hacer
ponderando los datos (Dayal et al., 1997). Por ejemplo, si se van a efectuar
pronsticos del mes de diciembre de un ao, los datos de noviembre se repiten
11 veces en la base de datos, los de octubre 10 veces, para septiembre slo 9
veces y se sigue as hasta terminar en el mes de enero (slo aparecen una
vez). Es necesario hacer muchas pruebas con el nmero de meses previos a
incluir y los coeficientes de ponderacin ms adecuados. Adems, se
considera despus de trabajar con los modelos, que es necesario contar con
informacin continua y que abarque un periodo de al menos cuatro aos.
Con el objetivo de lograr una mejor gestin del embalse es necesario seguir
381
registrando informacin de la sonda y efectuar predicciones de calidad tanto
con las tcnicas multivariantes utilizadas aqu (CCA y PLSR) y sus posibles
modificaciones, como con otras tcnicas alternativas: series temporales
univariantes, series temporales multivariantes, redes neuronales artificiales,
lgica difusa, modelos de regresin jerrquicos multinivel, modelacin grfica,
algoritmo gentico, redes bayesianas, etc. As, se podrn evaluar los distintos
desempeos de los mtodos y emplear el que mejores resultados reporte para
un uso en concreto.
Para poder aplicar series temporales es necesario que las lecturas de las
variables de calidad del agua se efectun siempre a los mismos niveles y a las
mismas horas cada da. Para que el anlisis de una serie temporal lleve a
buenos resultados no basta con utilizar las tcnicas adecuadas, sino que es
imprenscindible que esos datos sean confrontables y por tanto deben ser
homogneos. Si se cambia continuamente la metodologa de observacin el
resultado ser una serie temporal conformada por un grupo de registros no
comparables porque son muy heterogneos (www.eumed.net/cursecon/libreria/
2004/jsf/4.pdf). As, al contar con un conjunto de observaciones registradas de
manera uniforme, es posible que la aplicacin de las series temporales sea
efectiva.
Si se cuenta con datos en intervalos regulares de tiempo y se desea emplear la

posible inercia en el comportamiento de la serie para pronosticar sus valores
futuros, esta clase de anlisis de llama univariante debido a que usa
nicamente la informacin de la propia historia de la serie, con fundamento en
la hiptesis de que las condiciones en el futuro sern anlogas a las que se
observaron en el pasado. Los modelos univariantes estn especialmente
indicados para la estimacin a corto plazo (Pea, 1989).
En la estimacin a mediano y largo plazo se debe tener en cuenta la evolucin

de otras variables (en este caso las meteorolgicas y las hidrolgicas),
relacionndolas con la que se busca estimar mediante un modelo de regresin
dinmica (serie temporal multivariante) o modelo de funcin de transferencia.
Este tipo de modelos permiten medir cmo se traspasan los efectos entre
variables (Pea, 1989).
Respecto al uso de una red neuronal, puede utilizarse una red multicapa (por
ejemplo el perceptron multicapa) (es.wikipedia.org/wiki/). El perceptron
382
multicapa es un tipo de red neuronal con conexiones hacia delante (Figura
128). Distintos autores han demostrado independientemente que el perceptron
multicapa es un aproximador universal, lo que quiere decir que cualquier
funcin continua puede aproximarse por medio de l. La capacidad del
perceptron multicapa para aprender en base a un conjunto de ejemplos,
aproximar funciones no lineales, filtrar ruido de los datos, etc., hace que sea un
modelo adecuado para tratar con problemas reales. Dentro del campo de las
redes neuronales el perceptron multicapa es actualmente una de las
configuraciones ms empleadas para resolver problemas (Isasi et al., 2004).
Variables
predictivas
Capas ocultas
Variables
respuesta
FIGURA 128 Esquema de una red neuronal artificial para estimar las variables de calidad del agua en un
embalse
Las neuronas de la capa de entrada se encargan exclusivamente de recibir los

patrones que llegan del exterior y propagan dichos patrones a todas las
neuronas de la siguiente capa. La ltima capa sirve como salida de la red,
entregando al exterior la respuesta de la red para cada uno de los patrones de
entrada. Las neuronas de las capas ocultas realizan un procesamiento no lineal
de los patrones recibidos (Figura 128) (Isasi et al., 2004). En el perceptron
multicapa a proponer la capa de entrada contendr un nmero de neuronas
383
que represente a las variables predictivas, un cierto nmero de capas ocultas a
determinar y una capa de salida que contenga tantas neuronas como variables
de calidad del agua (variables respuesta) se vayan a estimar.
La lgica difusa fue primeramente desarrollada por Zadeh a mediados de la

dcada de 1960 para representar incertidumbre y conocimiento impreciso; esta
provee medios aproximados pero efectivos para describir el comportamiento de
sistemas que son demasiado complejos, mal definidos o no son fciles de
analizar matemticamente. Este tipo de lgica emplea enunciados de
clasificacin en lugar de opciones de verdadero o falso (Jain et al., 1999). La
lgica difusa (tambin llamada lgica borrosa) se adapta especialmente bien a
valores poco precisos, como por ejemplo un gran caudal de entrada o poco
volumen almacenado, estratificacin fuerte o dbil. Por medio de sus
algoritmos podra ser factible encontrar como modificar un modelo para que se
fuera adaptando a condiciones cambiantes durante el periodo de estudio, como
por ejemplo la estratificacin o el cambio de condiciones climatolgicas
(es.wikipedia.org/wiki/). Los valores de las variables predictivas se pueden
clasificar en intervalos por medio de funciones definidas especialmente, lo que
le puede proporcionar flexibilidad al modelo. Se puede conjuntar su uso con el
de redes neuronales.
Un modelo de regresin jerrquica multinivel puede ser desarrollado para

determinar algunas variables de calidad del agua. Para cada profundidad
seleccionada en el embalse se plantea un modelo de regresin y luego se
busca la inter-relacin entre ellos (por medio de la variacin de sus
coeficientes). La caracterstica que distingue a los modelos multinivel de los de
regresin clsica es que modelan la variacin entre grupos (para este caso los
conjuntos de datos a distintas profundidades) (Gelman et al., 2007).
La modelacin grfica proporciona una descripcin condensada de las

interacciones dominantes entre las variables observadas originales, dado un
conjunto de datos provenientes de una muestra. La tcnica est estrechamente
relacionada con el anlisis de regresin mltiple. El objetivo de la modelacin
grfica es alcanzar una descripcin simplificada de las interrelaciones entre
variables por medio de pequeas modificaciones de los elementos de la matriz
de covarianza muestral S. En un modelo grfico cada variable es representada
mediante un vrtice y cualquier restriccin de independencia condicional para
dos variables es representada por la ausencia de una lnea que directamente
384
las conecte (Figura 129). Se deben probar varias configuraciones de las
variables respuesta con el conjunto de las variables predictivas. El ajuste del
modelo a los datos puede ser formulado como una estimacin de mxima
verosimilitud de los elementos de la matriz de correlacin inversa que se
correspondan con las lneas existentes en el modelo grfico (Callies, 2005).
V1
V2 V3
FIGURA 129 Modelo grfico para tres variables (Fuente: Callies, 2005)
Los algoritmos genticos pueden ser clasificados como algoritmos evolutivos

de bsqueda aleatoria guiada que usan la probabilidad para conducir la
exploracin. Los algoritmos genticos son creados por analoga con los
procesos en la reproduccin de los organismos biolgicos. Algunos de los
procesos ms importantes son los de cruce y mutacin en cromosomas y
genes. Los mejores organismos son aquellos que tienen mayor oportunidad
que los peores de sobrevivir y producir una nueva generacin (Jain et al.,
1999). Los algoritmos genticos emplean procesos estocsticos, pero la
solucin obtenida no es en definitiva aleatoria. La capacidad de los algoritmos
genticos para dirigirse hacia las porciones ms prometedoras de un espacio
de soluciones proviene de su habilidad para intercambiar cadenas portadoras
de soluciones parciales (Pazos Sierra, 1996). El problema de calcular una
variable de calidad del agua debe ser parametrizado en un conjunto de
variables codificadas en un cromosoma y buscar por medio del algoritmo
gentico la mejor solucin.
Una red bayesiana consiste de un conjunto de variables y un conjunto de arcos

dirigidos entre variables. Matemticamente la estructura es llamada un grfico
dirigido (Jensen, 2002), donde los nodos representan variables que pueden ser
de cualquier tipo y los arcos que los unen codifican dependencias
385
condicionales entre las variables (es.wikipedia.org/wiki/). Si hay un arco que
une A con B, se dice que B es un hijo de A y A es un padre de B (Jensen,
2002). El clculo de las probabilidades se realiza con el Teorema de Bayes
(es.wikipedia.org/wiki/). En este caso, se deben definir las variables predictivas
para cada variable respuesta, evaluando la posibilidad de tener variables
instrumentales y del conjunto de variables respuesta observadas obtener las
probabilidades de ocurrencia.
El modelo en diferencias finitas para mltiples capas propuesto aqu puede

servir de base para el desarrollo de nuevos modelos que determinen otros
componentes de calidad del agua, operacin del embalse, etc. Debido a que el
modelo mecanicista propuesto simula los procesos de entradas y salidas de
caudales del embalse y el movimiento del agua en su interior generado por
causas relacionadas con la temperatura, puede extenderse a otros
componentes de calidad del agua.
Los ms modernos desarrollos actuales se estn efectuando en torno al
acoplamiento de modelos. As, las tcnicas propuestas aqu pudieran
integrarse con un modelo climtico de alta resolucin (por ejemplo el
PROMES) y con una tcnica de estimacin de la demanda hdrica futura en el
entorno del Embalse Amadorio. Las salidas del modelo climtico y del modelo
de balance hdrico se constituiran en las entradas de datos del modelo de
calidad del agua. De esta forma se podra contar con estimaciones de la
evolucin del nivel en el almacenamiento, demanda a suministrar y perfil de
calidad. El acoplamiento tambin pudiera efectuarse con modelos ecolgicos,
de gestin, econmicos, etc.
386
CAPTULO 11. REFERENCIAS
Abdi, H. 2003a. Partial least squares regression (PLS-regression). In M. Lewis-Beck, A.

Bryman, T. Futing (Eds): Encyclopedia for research methods for the social sciences. Thousand
Oaks.
Abdi, H. 2003b. Multivariate Analysis. In M. Lewis-Beck, A. Bryman, T. Futing (Eds):

Encyclopedia for research methods for the social sciences. Thousand Oaks.
Abdi, H. 2007. Partial least square regression (PLS-regression). In Neil Salkind (Ed.):
Encyclopedia of Measurement and Statistics. Thousand Oaks.
Adler, F.J. 2005. Los embalses y los recursos hdricos superficiales. Cet.
AENOR. 2005. Calidad del agua. Asociacin Espaola de Normalizacin y Certificacin.
Aluja Banet, T.; Morineau, A. 1999. Aprender de los datos: el anlisis de componentes
principales. Ediciones Universitarias de Barcelona.
Angelini, R.; Petrere Jr, M. 2000. A model for the plankton system of the Broa reservoir, So
Carlos, Brazil. Ecological Modelling, Volume 126, Issues 2-3. Elsevier.
Antonopoulos, V. Z.; Gianniou, S. K. 2003. Simulation of water temperature and dissolved

oxygen distribution in Lake Vegoritis, Greece. Ecological Modelling, Volume 160, Issues 1-2.
Elsevier.
Arhonditsis, G. B.; Stow, C. A.; Steinberg, L. J.; Kenney, M. A.; Lathrop, R. C.; McBride, S. J.;
Reckhow, K. H. 2006. Exploring ecological patterns with structural equation modelling and
Bayesian analysis. Ecological Modelling, Volume 192, Issues 3-4. Elsevier.
Armengol, J. 2000. Anlisis y valoracin de los embalses como ecosistemas. Conferencia

Iberdrola 2000. Universidad de Barcelona.
Atanasova, N.; Todorovski, L.; Dzeroski, S.; Kompare, B. 2006. Constructing a library of
domain knowledge for automated modelling of aquatic ecosystems. Ecological Modelling,
Volume 194, Elsevier.
387
Azevedo Neto, J. M.; Acosta lvarez, G. 1992. Manual de hidrulica. Editorial Harla.
Baffi, G.; Martin, E. B.; Morris, A. J. 1999. Non-linear projection to latent structures revisited
(the neural network PLS algorithm). Computers & Chemical Engineering Volume 23, Issue 9.
Elsevier.
Balabin, R. M.; Safieva, R. Z.; Lomakina, E. I. 2007. Comparison of linear and nonlinear
calibration models base on near infrared (NIR) spectroscopy data for gasoline properties
prediction. Chemometrics and intelligent laboratory systems Volume 88, Issue 2. Elsevier.
Bartels, J. H. M.; Janse, T. A. H. M.; Pijpers, F. W. 1985. Classification of the quality of surface
waters by means of pattern recognition. Analytica Chimica Acta, Volume 177. Elsevier
Science Publishers B. V., Amsterdam.
Bartholomew, D. J. 2006. Latent-Variable modeling. Encyclopedia of Statistical Sciences.

Standard article. John Wiley & Sons, Inc.
Baumann, K.; Albert, H.; Von Korff, M. 2002. A systematic evaluation of the benefits and
hazards of variable selection in latent variable regression. Part I. Search algorithm, theory and
simulations. Journal of Chemometrics, Volume 16, Issue 7. Wiley InterScience.
Berglund, A.; Kettaneh, N.; Uppgrd, L. L.; Wold, S.; Bendwell, N.; Cameron, D. R. 2001. The
GIFI approach to non-linear PLS modelling. Journal of Chemometrics, Volume 15, Issue 4.
John Wiley & Sons, Ltd.
Berglund, A.; Wold, S. 1997. INLR, Implicit non-linear latent variable regression. Journal of
Chemometrics, Volume 11, Issue 2. John Wiley & Sons, Ltd.
Blanco, M.; Coello, J.; Iturriaga, H.; Maspoch, S.; Redn, M. 1995. Partial least-squares
regression for multicomponent kinetic determinations in linear and non-linear systems.
Analytica Chimica Acta, Volume 303, Issues 2-3. Elsevier.
Bowie, G.L., et al. 1985. Rates, constants, and kinetics formulations in surface water quality
modeling. Environmental Research Laboratory. U. S. Environmental Protection Agency.
Bro, R.; Smilde, A. K. 2003. Centering and scaling in component analysis. Journal of
Chemometrics, Volume 17, Issue 1. Wiley InterScience.
Brodnjak-Vonina, D.; Dobnik, D.; Novi, M.; Zupan, J. 2002. Chemometrics characterisation
388
of the quality of river water. Analytica Chimica Acta, Volume 462, Issue 1. Elsevier.
Browne, M. W. 2006. Rotation techniques. Encyclopedia of Statistical Sciences. Standard

article. John Wiley & Sons, Inc.
Burnham, A. J.; MacGregor, J. F.; Viveros, R. 1996. Frameworks for latent variable
multivariate regression. Journal of Chemometrics, Volume 10, Issue 1. John Wiley & Sons,
Ltd.
Burnham, A. J.; MacGregor, J. F.; Viveros, R. 2001. Interpretation of regression coefficients

under a latent variable regression model. Journal of Chemometrics, Volume 15, Issue 4. John
Wiley & Sons, Ltd.
Callies, U. 2005. Interaction structures analysed from water-quality data. Ecological

Modelling, Volume 187, Issue 4. Elsevier.
Calvo Gmez, F. 1993. Tcnicas estadsticas multivariantes. Universidad de Deusto, Bilbao.
amdevren, H.; Demr, N.; Kanik, A.; Keskn, S. 2005. Use of principal component scores in
multiple linear regression models for prediction of Chlorophyll-a in reservoirs. Ecological
Modelling, Volume 181, Issue 4. Elsevier.
Carbonell, E.; Denis, J. B.; Calvo, R.; Gonzlez, F.; Pruonosa, V. 1983. Regresin lineal. Un
enfoque conceptual y prctico. Ministerio de Agricultura, Pesca y Alimentacin. Instituto
Nacional de Investigaciones Agrarias.
Casta, P. M.; Rovedatti, M. G.; Topalin, M. L.; Salibin, A. 2006. Spatial and temporal
trends of physicochemical parameters in the water of the Reconquista River (Buenos Aires,
Argentina). Environmental Monitoring and Assessment, Volume 117, Numbers 1-3. Springer.
Centre for Water Research. 2007. Dynamic Reservoir Simulation Model. Science Manual.
University of Western Australia.
Chang, E. K. M. 2007. Assessing the increasing trend in Northern Hemisphere winter storm
track activity using surface ship observations and a statistical storm track model. Journal of
Climate. American Meteorological Society.
Chapra, S. C. 1997. Surface water-quality modeling. WCB McGraw-Hill.
Chapra, S.;Pelletier, G. 2003. QUAL2K: A modeling framework for simulating river and stream
389
water quality: Documentation and users manual. Civil and Environmental Engineering Dept.,
Tufts University, Medford, MA.
Chase, W.; Bown, F. 2000. General statistics. Fourth edition. John Wiley & Sons, Inc.
Chen, T.; Morris, J.; Martin, E. 2007. Gaussian process regression for multivariate
spectroscopic calibration. Chemometrics and Intelligent Laboratory Systems, Volume 87,
Issue 1. Elsevier.
Cheng, B.; Wu, X. 2006. An modified PLSR method in prediction. Journal of Data Science,
Volume 4, Number 3.
Confederacin Hidrogrfica del Jcar. 1999. Plan Hidrolgico del Jcar. Pgina electrnica
de la CHJ.
Cuadras, C. M. 2007. Nuevos mtodos de anlisis multivariante. CMC Editions. Propiedad

del autor.
Daszykowski, M.; Serneels, S.; Kaczmarek, K.; Van Espen, P.; Croux, Ch.; Walczak, B. 2007.
TOMCAT: A MATLAB toolbox for multivariate calibration techniques. Chemometrics and
Intelligent Laboratory Systems, Volume 85, Issue 2. Elsevier.
Davies, A. M. C. 2001. Uncertainty testing in PLS regression. Spectroscopy Europe 13/2.
Dayal, B. S.; MacGregor, J. F. 1997. Improved PLS algorithms. Journal of Chemometrics,

Volume 11, Issue 1. John Wiley & Sons, Ltd.
De Carlo, E. H.; Beltran, V. L.; Tomlinson, M. S. 2004. Composition of water and suspended
sediment in streams of urbanized subtropical watersheds in Hawaii. Applied Geochemistry,
Volume 19, Issue 7. Elsevier.
De Jong, S. 1993. SIMPLS: an alternative approach to partial least squares regression.

Chemometrics and Intelligent Laboratory Systems, Volume 18, Issue 3. Elsevier Science
Publishers B. V., Amsterdam.
Deas, M.L.; Lowney, C. L. 2000. Water temperature modelling review. Central Valley. The
Bay Delta Modeling Forum.
Denham, M. C. 2000. Choosing the number of factors in partial least squares regression:
estimating and minimizing the mean squared error of prediction. Journal of Chemometrics,
390
Volume 14, Issue 4. John Wiley & Sons, Ltd.
Devore, J. L. 1998. Probabilidad y estadstica para ingeniera y ciencias. International

Thomson Editores.
Dolz, J.; Puertas, J.; Aguado, A.; Agull, L. 1995. Efectos trmicos en presas y embalses.
E.T.S.I. Caminos, Canales y Puertos. Universidad Politcnica de Catalua.
Draper, N. R.; Smith, H. 1998. Applied regression analysis. John Wiley & Sons, Inc.
Eastment, H. T.; Krzanowski, W. J. 1982. Cross-Validatory choice of the number of

components from a principal component analysis. Technometrics, Volume 24, No. 1.
American Statistical Association and American Society for Quality.
Edwards, L. J.; Hamilton, S. A. 1995. Errors-in-variables and the Box-Cox transformation.

Computational Statistics & Data Analysis, Volume 20, Issue 2. Elsevier.
Einax, J. W.; Aulinger, A.; Tmpling, W. V.; Prange, A. 1999. Quantitative description of
element concentrations in longitudinal river profiles by multiway PLS models. Fresenius'
Journal of Analytical Chemistry, Volume 363, Number 7. Springer-Verlag.
Engelen, S.; Hubert, M.; Vanden Branden, K.; Verboven, S. 2003. Robust PCR and robust
PLSR: a comparative study. En: Theory and Applications of Recent Robust Methods (edited
by M. Hubert, G. Pison, A. Struyf and S. Van Aelst). Statistics for Industry and Technology.
Birkhauser, Basel.
Environmental Laboratory. 1995. CE-QUAL-R1: A numerical one-dimensional model of

reservoir water quality; users manual. Instruction Report E-82-1 (Revised Edition), U. S. Army
Engineer Waterways Experiment Station, Vicksburg, MS.
Ergon, R. 2006. Reduced PCR/PLSR models by subspace projections. Chemometrics and

Etxeberria, J. 1999. Regresin mltiple. Editorial La Muralla, S. A./Editorial Hesprides.
Felipe-Sotelo, M.; Andrade, J. M.; Carlosena, A.; Tauler, R. 2007. Temporal characterisation
of river waters in urban and semi-urban areas using physico-chemical parameters and
chemometric methods. Analytica Chimica Acta, Volume 583, Issue 1. Elsevier.
Ferrn Aranaz, M. 1996. SPSS para Windows. Programacin y anlisis estadstico. McGraw-
391
Hill/Interamericana de Espaa.
Ferrn Aranaz, M. 2002. Curso de SPSS para Windows. McGraw-Hill/Interamericana de

Espaa.
Ferr, J. 2006. Calibracin multivariante en anlisis cuantitativo. El modelo inverso. Tcnicas

de laboratorio, No. 310. Publica, S. A.
Flury, B. D. 2006. Principal components. Encyclopedia of Statistical Sciences. Standard

Garreaud S., R.; Meruane N., C. 2005. Mdulo 2 Flujos radiativos. Departamento de
Geofsica. Facultad de Ciencias Fsicas y Matemticas. Universidad de Chile.
Geladi, P. 2002. Some recent trends in the calibration literature. Chemometrics and intelligent
laboratory systems, Volume 60, Issues 1-2. Elsevier.
Geladi, P.; Kowalski, B. R. 1986. Partial Least-Squares Regression: A Tutorial. Analytica

Chimica Acta, Volume 185. Elsevier Science Publishers B. V.
Gelda, R.K.; Effler, S.W. 2007. Simulation of operations and water quality performance of
reservoir multilevel intake configurations. Journal of Water Resources Planning and
Management, Vol. 133, No. 1. ASCE.
Gelman, A.; Hill, J. 2007. Data analysis using regression and Multilevel/Hierarchical Models.
Cambridge University Press.
Gil Pascual, J. A. 2003. Mtodos de investigacin en educacin. Volumen III: Anlisis

multivariante. Universidad Nacional de Educacin a Distancia.
Giussani, B.; Dossi, C.; Monticelli, D.; Pozzi, A.; Recchia, S. 2006. A chemometric approach to
the investigation of major and minor ion chemistry in Lake Como (Lombardia, Northern Italy).
Annali di Chimica, Volume 96, Issue 5-6. Societ Chimica Italiana.
Gutirrez, J. M.; Cano, R.; Cofio, A. S.; Sordo, C. M. 2004. Redes probabilsticas y
neuronales en las ciencias atmosfricas. Centro de Publicaciones. Secretara General
Tcnica. Ministerio de Medio Ambiente, Espaa.
Hadjiiski, L.; Geladi, P.; Hopke, P. 1999. A comparison of modelling nonlinear systems with
artificial neural networks and partial least squares. Chemometrics and Intelligent Laboratory
392
Systems, Volume 49, Issue 1. Elsevier.
Han, B. P.; Armengol, J.; Garcia, J. C.; Comerma, M.; Roura, M.; Dolz, J.; Straskraba, M. 2000.
The termal structure of Sau Reservoir (NE: Spain): a simulation approach. Ecological
Modelling, Volume 125, Issues 2-3. Elsevier.
Helland, I. 2006. Partial least squares regression. Encyclopedia of Statistical Sciences.

Standard article. John Wiley & Sons, Inc.
Henderson-Sellers, B.; Markland, H. R. 1987. Decaying lakes. The origins and control of
cultural eutrophication. John Wiley & Sons.
Hornung, R. 2002. Numerical modelling of stratification in Lake Constance with the 1-D
hydrodynamic model DYRESM. Universitt Stuttgart.
http://ec.europa.eu/environment/water/index_en.htm
http://es.wikipedia.org/wiki/
http://folk.uio.no/ohammer/past/multivar.html
http://functions.wolfram.com/GammaBetaErf/InverseErf/06/01/
http://hispagua.cedex.es/documentacion/suplementos/presas.htm
http://momac.uclm.es/
http://statisticssolutions.com/Partial-Least-Squares-Regression.htm
http://www.cfd-online.com/Wiki/Tridiagonal_matrix_algorithm_-_TDMA_(Thomas_algorithm)
http://www.chj.es/
http://www.dip-alicante.es/documentacin/censo.asp
http://www.epa.gov/owow/monitoring/volunteer/stream/vms54.html
http://www.epa.gov/owow/monitoring/volunteer/stream/vms59.html (2007)
393
http://www.eumed.net/cursecon/libreria/2004/jsf/4.pdf
http://www.fao.org/docrep/009/y4666s/y4666s0f.htm
http://www.geoiberica.com
http://www.ign.es/ign/home/calculadora/UTM2LL.jsp
http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap01.html
http://www.spss.com/spss/images/pdfs/S16CMPhr.pdf
http://www.statsoft.com/textbook/stathome.html
http://www.umetrics.com/default.asp/pagename/methods_over_hist/c/2
Hultquist, R. 2006. Multiple linear regression. Encyclopedia of Statistical Sciences. Standard

Hydrologic Engineering Center. 1986. HEC-5. Simulation of flood control and conservation
systems. Appendix on water quality analysis. U. S. Army Corps of Engineers.
Instituto Valenciano de Investigaciones Agrarias (I.V.I.A.). 2000-2005. Datos meteorolgicos.

I.V.I.A.
Isasi Viuela, P.; Galvn Len, I. M. 2004. Redes de neuronas artificiales. Un enfoque
prctico. Pearson Educacin, S. A.
Jain, L. C.; Martin, N. M. 1999. Fusion of neural networks, fuzzy sets, and genetic algorithms.
Industrial applications. CRC Press LLC.
Jensen, F. V. 2002. An introduction to Bayesian networks. Reprinted by Taylor & Francis.
Jobson, J. D. 1991. Applied multivariate data analysis. Volume I: Regression and experimental
design. Springer-Verlag New York, Inc.
Jobson, J. D. 1992. Applied multivariate data analysis. Volume II: Categorical and multivariate
methods. Springer texts in Statistics. Springer-Verlag New York, Inc.
394
Joehnk, K. D.; Umlauf, L. 2001. Modelling the metalimnetic oxygen minimum in a medium
sized alpine lake. Ecological Modelling, Volume 136, Issue 1. Elsevier.
Johnson, D. E. 2000. Mtodos multivariados aplicados al anlisis de datos. International

Thomson Editores.
Johnson, R. A.; Wichern, D. W. 1992. Applied multivariate statistical analysis. Prentice-Hall

International, Inc.
Johnson, R.A.; Wichern, D. 2004. Multivariate analysis. Encyclopedia of Statistical Sciences.

Standard Article. John Wiley & Sons, Inc.
Juricek, B. C.; Seborg, D. E.; Larimore, W. E. 2005. Process control applications of subspace
and regression-based identification and monitoring methods. American Control Conference.
Portland, OR, USA.
Kabir, A. 2000. The dam debate yet again. The World Commission on Dams.
Kannel, P. R.; Lee, S.; Kanel, S. R.; Khan, S. P. 2007. Chemometric application in
classification and assessment of monitoring locations of an urban river system. Analytica
Chimica Acta, Volume 582, Issue 2. Elsevier.
Karul, C.; Soyupak, S.; ilesiz, A. F.; Akbay, N.; Germen, E. 2000. Case studies on the use of
neural networks in eutrophication modeling. Ecological Modelling, Volume 134, Issues 2-3.
Elsevier.
Kendall, M.; Stuart, A.; Ord, J. K. 1991. Advanced Theory of Statistics. Volume 2: Classical
inference and relationship. The Ipswich Book Company.
Kettaneh, N.; Berglund, A.; Wold, S. 2005. PCA and PLS with very large data sets.
Computational Statistics & Data Analysis, Volume 48, Issue 1. Elsevier.
Kettenring, J. R. 2006. Canonical analysis. Encyclopedia of Statistical Sciences. Standard

Kotz, S.; Balakrishnan, N.; Johnson, N. L. 2000. Continuous multivariate distributions. Wiley
series in probability and statistics. John Wiley & Sons.
Kowalik, C.; Einax, J. W. 2006. Modern chemometric data analysis methods for the objective
evaluation of load in river systems. Acta hydrochim. hydrobiol. 34. WILEY-VCH Verlag GmbH
395
& Co. KGaA.
Kowalkowski, T.; Zbytniewski, R.; Szpejna, J.; Buszewski, B. 2006. Application of

chemometrics in river water classification. Water Research, Volume 40, Issue 4. Elsevier.
Lerman, A.; Imboden, D. M.; Gat, J. R. 1995. Physics and Chemistry of lakes. Springer-
Verlag.
Li, B.; Morris, J.; Martin, E. B. 2002. Model selection for partial least squares regression.
Chemometrics and Intelligent Laboratory Systems, Volume 64, Issue 1. Elsevier.
Li, Ch.; Huang, H. P. 2003. Model building by merging submodels using PLSR. Journal of
Chemical Engineering of Japan, Vol. 36, No. 9. The Society of Chemical Engineers, Japan.
Li, Ch.; Ye, H.; Wang, G.; Zhang, J. 2005. A recursive nonlinear PLS algorithm for adaptive
nonlinear process modelling. Chemical Engineering and Technology, Volume 28, Issue 2.
Wiley-VCH.
Limno_Tech, Inc. 2002. Descrptive inventory of models with prospective relevance to

ecological impacts of water withdrawals. The Great Lakes Commission.
Lix, L. M.; Keselman, H. J.; Hinds, A. M. 2004. Robust tests for the multivariate Behrens-
Fisher problem. Computer Methods and Programs in Biomedicine. Elsevier Ireland Ltd.
Llorca Llorca, R.; Bautista Carrascosa, I. 2006. Prcticas de atmsfera, suelo y agua.
Editorial Universidad Politcnica de Valencia.
Logofet, D. O.; Korotkov, V. N. 2002. Hybrid optimisation: a heuristic solution to the Markov-
chain calibration problem. Ecological Modelling, Volume 151, Issues 1. Elsevier.
Manahan, S. E. 2000. Environmental chemistry. Lewis Publishers.
Marengo, E.; Gennaro, M. C.; Giacosa, D.; Abrigo, C.; Saini, G.; Avignone, M. T. 1995. How
chemometrics can helpfully assist in evaluating environmental data. Lagoon water. Analytica
Chimica Acta, Volume 317, Issues 1-3. Elsevier.
Margalef, R. 1983. Limnologa. Ediciones Omega.
Markiegi, X.; Rallo, A.; Anda, A. 1999. Proteccin de la calidad del agua en los embalses del
396
Sistema Zadorra. Ararteko.
Martens, H. 2001. Reliable and relevant modelling of real world data: a personal account of
the development of PLS regression. Chemometrics and Intelligent Laboratory Systems,
Martens, H.; Ns, T. 1989. Multivariate calibration. John Wiley & Sons.
Martn Martn, Q.; Cabero Morn, M. T.; De Paz Santana, Y. R. 2008. Tratamiento estadstico
de datos con SPSS. International Thomson Editores Spain.
Martn Monerris, M.; Marzal Domnech, P. 1999. Modelacin de la calidad del agua.
Departamento de Ingeniera Hidrulica y Medio Ambiente. Editorial de la Universidad
Politcnica de Valencia.
Martin, J.L.; McCutcheon, S. C. 1999. Hydrodynamics and transport for water quality
modelling. Lewis Publishers.
Martnez Arias, R. 1999. El anlisis multivariante en la investigacin cientfica. Editorial La

Muralla, S. A./Editorial Hesprides.
Maxwell, A. E. 2006. Factor analysis. Encyclopedia of Statistical Sciences. Standard article.

John Wiley & Sons, Inc.
McNeil, V. H.; Cox, M. E.; Preda, M. 2005. Assessment of chemical water types and their
spatial variation using multi-stage cluster analysis, Queensland, Australia. Journal of
Hydrology, Volume 310, Issues 1-4. Elsevier.
Mendenhall, W.; Scheaffer, R. L.; Wackerly, D. D. 1986. Estadstica matemtica con

aplicaciones. Grupo Editorial Iberoamrica.
Mendigucha, C.; Moreno, C.; Galindo-Riao, M. D.; Garca-Vargas, M. 2004. Using

chemometric tools to assess anthropogenic effects in river water. A case study: Guadalquivir
River (Spain). Analytica Chimica Acta, Volume 515, Issue 1. Elsevier.
Miket, M. J. 2007. Multiple regression Selecting the best equation.

(math.usask.ca/~miket/S344D.pdf). University of Saskatchewan, Canada.
Ministerio de Obras Pblicas, Transportes y Medio Ambiente. 1994. Real Decreto 1541/1994.
397
Boletn Oficial del Estado n. 179 de 28/7/1994. Espaa.
Mir I Martnez, P.; Debn Aucejo, A.; Crespo Abril, F. 2006. Mtodos estadsticos en
economa. Editorial de la UPV. Universidad Politcnica de Valencia.
Momen, B.; Eichler, L. W.; Boylen, C. W.; Zehr, J. P. 1996. Application of multivariate statistics
in detecting temporal and spatial patterns of water chemistry in Lake George, New York.
Ecological Modelling, Volume 91, Issues 1-3. Elsevier.
Montero Lorenzo, J. M. 2007. Estadstica descriptiva. Thomson.
Montes-Botella, C.; Tenorio, M. D. 2003. Water characterization and seasonal heavy metal
distribution in the Odiel River (Huleva, Spain) by means of principal component analysis.
Archives of Environmental Contamination and Toxicology, Volume 45, Number 4. Springer-
Verlag New York Inc.
Navidi, W. 2006. Estadstica para ingenieros. McGraw-Hill Interamericana Editores.
Neudecker, H. 2006. Varimax method. Encyclopedia of Statistical Sciences. Standard Article.

John Wiley & Sons, Inc.
Nolberto Sifuentes, V. 2002. Parte I. Anlisis de regresin lineal mltiple. Curso: Anlisis
multivariante aplicado a la biologa pesquera. IMARPE.
Novotny, V. 2003. Water quality: Diffuse pollution and watershed management. John Wiley &
Sons, Inc.
Orlob, G. T. 1981. Models for stratified impoundments. Department of Civil Engineering,

University of California, Davis, CA.
Ouarda, T. B. M. J.; B, K. M.; Diaz-Delgado, C.; Crsteanu, A.; Chokmani, K.; Gingras, H.;
Quentin, E.; Trujillo, E.; Bobe, B. 2008. Intercomparison of regional flood frequency
estimation methods at ungauged sites for a Mexican case study. Journal of Hydrology,
Volume 348, Issues 1-2. Elsevier.
Ouarda, T. B. M. J.; Girard, C.; Cavadias, G. S.; Bobe, B. 2001. Regional flood frequency
estimation with canonical correlation analysis. Journal of Hydrology, Volume 254, Issues 1-4.
Elsevier Science B. V.
Paredes Arquiola, J.; Andreu lvarez, J.; Martn Monerris, M.; Solera Solera, A. 2006a.
398
Modelacin de la calidad del agua a escala de cuenca. Departamento de Ingeniera
Hidrulica y Medio Ambiente. Editorial de la Uiversidad Politcnica de Valencia.
Paredes Arquiola, J.; Martn Monerris, M. 2006b. Tomo III. Estudio de la calidad ambiental de
las aguas en el Embalse de Amadorio. Propuesta de actuaciones. Universidad Politcnica de
Valencia.
Parinet, B.; Lhote, A.; Legube, B. 2004. Principal component analysis: an appropriate tool for
water quality evaluation and management-application to a tropical lake system. Ecological
Park, R. A.; Clough, J. S. 2004. AQUATOX (RELEASE 2). Modeling environmental fate and
ecological effects in aquatic ecosystems. Volume 2: Technical documentation. U. S.
Environmental Protection Agency.
Park, R. A.; Clough, J. S. 2005. AQUATOX for Windows. A modular fate and effects model for
aquatic ecosystems. Release 2.1. Addendum to release 2. Technical documentation. U.S.
Environmental Protection Agency.
Pazos Sierra, A. (Coordinador). 1996. Redes de neuronas artificiales y algoritmos genticos.

Universidade da Corua.
Pea, D. 1989. Estadstica modelos y mtodos. 2. Modelos lineales y series temporales.

Alianza Editorial, S. A.
Pea, D. 2002. Anlisis de datos multivariantes. McGraw-Hill/Interamericana de Espaa.
Pea, D. 2005a. Anlisis de series temporales. Alianza Editorial, S. A.
Pea, D. 2005b. Fundamentos de estadstica. Alianza Editorial, S. A.
Prez Lpez, C. 2005. Mtodos estadsticos avanzados con SPSS. International Thomson
Editores Spain Paraninfo, S. A.
Prez Lpez, C.; Santn Gonzlez, D. 2007. Minera de datos. Tcnicas y herramientas.
International Thomson Editores Spain Paraninfo, S. A.
Prez Lpez, C. 2008. Tcnicas estadsticas con SPSS 12. Aplicaciones al anlisis de datos.
Pearson Educacin S. A.
399
Petersen, W.; Bertino, L.; Callies, U.; Zorita, E. 2001. Process identification by principal
component analysis of river water-quality data. Ecological Modelling, Volume 138, Issues 1-3.
Elsevier.
Prats i Vime, R.; Correcher Martnez, E. 2004. Seguimiento en continuo de la calidad de las
aguas embalsadas. Grupo de trabajo 24, Teledeteccin y sensores ambientales. VII Congreso
Nacional del Medio Ambiente, Espaa. (www.conama.org/documentos/GT24.pdf).
Rodrigues, J.; Alves, A.; Pereira, H.; Da Silva Perez, D.; Chantre, G.; Schwanninger, M. 2006.
NIR PLSR results obtained by calibration with noisy, low-precision referente values: Are the
results aceptable? Holzforschung, Volume 60, Issue 4. Walter de Gruyter.
Romero, J. R.; Antenucci, J. P.; Imberger, J. 2004. One- and three-dimensional

biogeochemical simulations of two differing reservoirs. Ecological Modelling, Volume 174.
Elsevier.
Romero Rojas, J. A. 1999. Calidad del agua. Alfaomega.
Rueda, F.; Moreno-Ostos, E.; Armengol, J. 2006. The residence time of river water in
reservoirs. Ecological Modelling, Volume 191, Issue 2. Elsevier.
Ruiz-Maya Prez, L.; Martn Pliego, F. J. 2001. Estadstica II: Inferencia. Editorial AC.
Snchez Carrin, J.J. 1999. Manual de anlisis estadstico de los datos. Alianza Editorial.
Schladow, S. G.; Hamilton, D. P. 1997. Prediction of water quality in lakes and reservoirs: Part
II-Model calibration, sensitivity analysis and application. Ecological Modelling 96, Volume 96.
Elsevier.
Serway, R. A.; Faughn, J. S. 2005. Fundamentos de Fsica. Internacional Thomson Editores.
Shrestha, S.; Kazama, F. 2007. Assessment of surface water quality using multivariate
statistical techniques: A case study of the Fuji river basin, Japan. Environmental Modelling &
Software, Volume 22, Issue 4. Elsevier.
Simeonov, V.; Einax, J. W.; Stanimirova, I.; Kraft, J. 2002. Environmetric modelling and
interpretation of river water monitoring data. Analytical and Bioanalytical Chemistry, Volume
374, Number 5. Springer-Verlag.
Singh, K. P.; Malik, A.; Basant, N.; Saxena, P. 2007. Multi-way partial least squares modelling
400
of water quality data. Analytica Chimica Acta, Volume 584, Issue 2. Elsevier.
Singh, K. P.; Malik, A.; Mohan, D.; Sinha, S. 2004. Multivariate statistical techniques for the
evaluation of spatial and temporal variations in water quality of Gomti River (India) a case
study. Water Research, Volume 38, Issue 18. Elsevier.
Singh, K. P.; Malik, A.; Sinha, S. 2005. Water quality assessment and apportionment of
pollution sources of Gomti river (India) using multivariate statistical techniques- a case study.
Analytica Chimica Acta, Volume 538, Issues 1-2. Elsevier.
Spiegel, M. R.; Schiller, J. J.; Srinivasan, R. A. 2001. Teora y problemas de probabilidad y

estadstica. McGRAW-HILL INTERAMERICANA, S. A.
SPSS, 2006. SPSS 15.0 Brief Guide. SPSS Inc.
Srivastava, D. K.; Mudholkar, G. S. 2001. Trimmed T 2 : A robust analog of Hotellings T 2 .

Journal of statistical planning and inference. Elsevier Science B. V.
StatPoint, Inc. 2005. Statgraphics Centurion XV. User Manual. (http://www.statgraphics.com/)
Stiling, Peter. 2002. Ecology. Theories and Applications. Prentice Hall.
Sundberg, R. 2006. Small-sample and selection bias effects in multivariate calibration,

exemplified for OLS and PLS regressions. Chemometrics and Intelligent Laboratory Systems,
Volume 84, Issues 1-2. Elsevier.
Tebbutt, T. H. Y. 1990. Fundamentos de control de la calidad del agua. Editorial Limusa.
Terrado, M.; Barcel, D.; Tauler, R. 2006. Identification and distribution of contamination
sources in the Ebro river basin by chemometrics modelling coupled to geographical information
systems. Talanta, Volume 70, Issue 4. Elsevier.
Terrado, M.; Kuster, M.; Ralda, D.; Lpez de Alda, M.; Barcel, D.; Tauler, R. 2007. Use of
chemometric and geostatistical methods to evaluate pesticide pollution in the irrigation and
drainage channels of the Ebro river delta during the rice-growing season. Analytical and
Bioanalytical Chemistry, Volume 387, Number 4. Springer-Verlag.
Thomann, R. V.; Mueller, J. A. 1987. Principles of surface water quality modelling and control.
401
Harper Collins Publishers Inc.
Tufford, D. L.; Mckellar, H. N. 1999. Spatial and temporal hydrodynamic and water quality
modeling analysis of a large reservoir on the South Carolina (USA) coastal plain. Ecological
Tusell, F. 2007. Anlisis multivariante. Edicin electrnica en lnea.
U. S. Army Corps of Engineers. 1987. Engineering and design. Reservoir water quality
analysis. Department of the Army. Engineer manual 1110-2-1201.
Van Albada, S. J.; Robinson, P. A. 2007. Transformation of arbitrary distributions to the normal
distribution with application to EEG test-retest reliability. Journal of Neuroscience Methods,
Vega, M.; Pardo, R.; Barrado, E.; Debn, L. 1998. Assessment of seasonal and polluting
effects on the quality of river water by exploratory data analysis. Water Research, Volume 32,
Issue 12. Elsevier Science Ltd.
Verboven, S.; Hubert, M. 2005. LIBRA: a MATLAB library for robust analysis. Chemometrics
and Intelligent Laboratory Systems, Volume 75, Issue 2. Elsevier.
Visauta Vinacua, B. 2002. Anlisis estadstico con SPSS 11.0 para Windows. Volumen I.
Estadstica bsica. McGraw-Hill/Interamericana de Espaa.
Visauta Vinacua, B.; Martori I Caas, J. C. 2003. Anlisis estadstico con SPSS para
Windows. Volumen II, Estadstica multivariante. McGraw-Hill/Interamericana de Espaa, S. A.
U.
Viscarra Rossel, R. A. 2007. ParLes: Software for chemometric analysis of spectroscopic

data. Chemometrics and Intelligent Laboratory Systems, Volume 90, Issue 1. Elsevier.
Wackerly, D. D.; Mendenhall III, W.; Scheaffer, R. L. 2002. Mathematical statistics with
applications. Wadsworth Group. Duxbury and Brooks/Cole are imprints of the Wadsworth
Group, a division of Thomson Learning, Inc.
Walpole, R. E.; Myers, R. H.; Myers, S. L. 1999. Probabilidad y estadstica para ingenieros.
Prentice-Hall Hispanoamericana, S. A.
402
Wetzel, R. G. 2001. Limnology. Third Edition. Academic Press.
Whigham, P. A.; Recknagel, F. 2001. Predicting chlorophyll-a in freshwater lakes by

hybridising process-based models and genetic algorithms. Ecological Modelling, Volume 146,
Issues 1-3. Elsevier.
Wold, S. 2001. Personal memories of the early PLS development. Chemometrics and
Wold, S.; Sjstrm, M.; Eriksson, L. 2001b. PLS-regression: a basic tool of chemometrics.
Wold, S.; Trygg, J.; Berglund, A.; Antti, H. 2001. Some recent developments in PLS modeling.
Wu, W.; Manne, R. 2000. Fast regression methods in a Lanczos (or PLS-1) basis. Theory and
applications. Chemometrics and Intelligent Laboratory Systems, Volume 51, Issue 2. Elsevier.
West, A.; Lorke, A. 2003. Small-scale hydrodynamics in lakes. Annu. Rev. Fluid Mech. 35:
373-412.
Wunderlin, D. A.; Daz, M. P.; Am, M. V.; Pesce, S. F.; Hued, A. C.; Bistoni, M. A. 2001.
Pattern recognition techniques for the evaluation of spatial and temporal variations in water
quality. A case study: Suqua River Basin (Crdoba-Argentina). Water Research, Volume 35,
Issue 12. Elsevier Science Ltd.
Wurbs, R. A. 1994. Computer models for water resources planning and management. U.S.
Army Corps of Engineers. Institute for Water Resources. Water Resources Support Center.
IWR Report 94-NDS-7.
Zarzo Castell, M. 2004. Aplicacin de tcnicas estadsticas multivariantes al control de

calidad de procesos por lotes. Tesis doctoral. Departamento de Estadstica e Investigacin
Operativa Aplicadas y Calidad. Universidad Politcnica de Valencia.
403
1
ANEXOS DIGITALES (CD)
1
ANEXO 1. ESTRUCTURA INICIAL DE LOS DATOS DEL
MODELO
2
Temporal Meteorolgicas
V DV Vx T Tn Tx Hf HR ETo
Fecha DJ (Km/h) () (Km/h) (C) (C) (C) (horas) (%) Rad (W/m2) P (mm) (mm)
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
31/03/2004 91 1,6 271 7,5 13,9 10,1 18,5 0 58 162 0 3
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
01/04/2004 92 1,7 274 6,7 13,9 10 18,3 0 64 255 0 3,5
02/04/2004 93 1,4 278 6,9 15 10,1 19,1 0 62 193 0 3,1
02/04/2004 93 1,4 278 6,9 15 10,1 19,1 0 62 193 0 3,1
02/04/2004 93 1,4 278 6,9 15 10,1 19,1 0 62 193 0 3,1
02/04/2004 93 1,4 278 6,9 15 10,1 19,1 0 62 193 0 3,1
02/04/2004 93 1,4 278 6,9 15 10,1 19,1 0 62 193 0 3,1
02/04/2004 93 1,4 278 6,9 15 10,1 19,1 0 62 193 0 3,1
02/04/2004 93 1,4 278 6,9 15 10,1 19,1 0 62 193 0 3,1
3
Hidrolgicas Calidad del agua
Ta Odis
Fecha VolExp (m3) Qent (m3/da) Qsal (m3/da) Filt (m3/da) Profundidad (m) (C) (mg/l) pH Con (mS/cm)
31/03/2004 7814000 37171,6 4320,0 3,4E-12 0,42 14,06 13,52 8,51 1050,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 0,83 13,95 14,11 8,51 1050,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 1,25 13,88 14,30 8,49 1051,67
31/03/2004 7814000 37171,6 4320,0 3,4E-12 1,67 13,85 14,37 8,49 1051,67
31/03/2004 7814000 37171,6 4320,0 3,4E-12 2,09 13,76 14,38 8,49 1053,33
31/03/2004 7814000 37171,6 4320,0 3,4E-12 2,92 13,62 13,93 8,46 1056,67
31/03/2004 7814000 37171,6 4320,0 3,4E-12 3,34 13,74 14,59 8,46 1050,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 3,75 13,61 13,96 8,43 1054,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 4,59 13,47 12,59 8,22 1066,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 5,42 12,98 9,95 7,82 1098,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 6,26 12,55 6,97 7,63 1114,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 7,09 12,28 6,28 7,61 1120,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 7,92 12,15 6,15 7,62 1122,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 8,34 12,07 6,41 7,65 1120,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 8,76 12,01 6,12 7,64 1123,33
31/03/2004 7814000 37171,6 4320,0 3,4E-12 9,17 11,93 6,34 7,65 1130,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 9,59 11,91 6,20 7,66 1126,67
31/03/2004 7814000 37171,6 4320,0 3,4E-12 10,01 11,85 6,26 7,66 1128,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 10,84 11,75 6,27 7,67 1130,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 11,68 11,57 6,17 7,67 1130,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 12,51 11,50 6,02 7,66 1135,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 13,34 11,47 5,88 7,67 1140,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 14,18 11,46 5,72 7,66 1145,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 15,01 11,43 5,67 7,66 1145,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 15,85 11,43 5,61 7,66 1155,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 16,68 11,44 5,48 7,65 1155,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 17,51 11,44 5,33 7,64 1160,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 18,35 11,44 5,13 7,63 1160,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 19,18 11,44 5,15 7,63 1160,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 20,02 11,45 5,01 7,63 1170,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 20,43 11,46 4,84 7,62 1170,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 21,27 11,49 4,58 7,61 1170,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 22,1 11,51 4,28 7,60 1180,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 22,94 11,59 3,56 7,55 1200,00
31/03/2004 7814000 37171,6 4320,0 3,4E-12 23,77 11,62 3,27 7,55 1210,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 0,42 13,90 13,90 8,55 1050,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 0,83 13,88 14,41 8,52 1050,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 1,25 13,86 14,55 8,51 1050,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 1,67 13,83 14,63 8,50 1050,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 2,09 13,81 14,62 8,49 1050,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 2,92 13,75 14,61 8,49 1050,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 3,75 13,71 14,61 8,49 1050,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 4,59 13,65 14,37 8,47 1053,33
01/04/2004 7864000 56480,2 4320,0 3,6E-12 5,42 13,60 13,90 8,38 1056,67
01/04/2004 7864000 56480,2 4320,0 3,6E-12 6,26 12,70 8,13 7,73 1113,33
01/04/2004 7864000 56480,2 4320,0 3,6E-12 7,09 12,34 6,60 7,70 1120,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 7,92 12,17 6,30 7,69 1120,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 8,76 12,00 6,24 7,69 1126,67
01/04/2004 7864000 56480,2 4320,0 3,6E-12 9,59 11,92 6,26 7,69 1130,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 10,01 11,82 6,19 7,70 1130,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 10,84 11,73 6,20 7,70 1130,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 11,68 11,60 6,25 7,71 1130,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 12,51 11,54 6,04 7,69 1130,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 13,34 11,47 5,87 7,68 1140,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 14,18 11,44 5,80 7,68 1143,33
01/04/2004 7864000 56480,2 4320,0 3,6E-12 15,01 11,42 5,75 7,68 1150,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 15,85 11,42 5,61 7,66 1153,33
01/04/2004 7864000 56480,2 4320,0 3,6E-12 16,68 11,42 5,48 7,66 1156,67
01/04/2004 7864000 56480,2 4320,0 3,6E-12 17,51 11,42 5,33 7,65 1160,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 18,35 11,44 5,19 7,65 1166,67
01/04/2004 7864000 56480,2 4320,0 3,6E-12 19,18 11,44 5,08 7,64 1166,67
01/04/2004 7864000 56480,2 4320,0 3,6E-12 20,02 11,46 4,80 7,63 1170,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 20,43 11,47 4,67 7,63 1170,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 21,27 11,48 4,47 7,62 1173,33
01/04/2004 7864000 56480,2 4320,0 3,6E-12 22,1 11,51 4,20 7,61 1180,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 22,94 11,55 3,92 7,59 1190,00
01/04/2004 7864000 56480,2 4320,0 3,6E-12 23,77 11,60 3,60 7,58 1200,00
02/04/2004 7921000 63233,4 4320,0 1,8E-12 0,42 14,68 14,03 8,61 1040,00
02/04/2004 7921000 63233,4 4320,0 1,8E-12 0,83 14,43 14,79 8,52 1040,00
02/04/2004 7921000 63233,4 4320,0 1,8E-12 1,25 14,36 14,99 8,48 1040,00
02/04/2004 7921000 63233,4 4320,0 1,8E-12 1,67 14,31 15,10 8,47 1045,00
02/04/2004 7921000 63233,4 4320,0 1,8E-12 2,09 14,09 15,04 8,44 1045,00
02/04/2004 7921000 63233,4 4320,0 1,8E-12 2,92 13,90 14,33 8,37 1055,00
02/04/2004 7921000 63233,4 4320,0 1,8E-12 3,75 13,76 13,56 8,30 1060,00
4
Nomenclatura y unidades empleadas para las variables:
Clasificacin de la
variable
Hidrolgicas
Qsal, Caudal de salida del embalse (m3/da)
Profundidad (m)
Ta, Temperatura del agua (C)
Odis, Oxgeno disuelto (mg/l)
Calidad del agua
pH
Con, Conductividad (S/cm)
5
ANEXO 2. ESTADSTICA DESCRIPTIVA DE PERIODOS DE
CALIBRACIN Y VALIDACIN
6
Parmetro Media Error tpico Mediana Moda Desviacin estndar Varianza de la muestra Curtosis Coeficiente de asimetra Rango Mnimo Mximo
Da juliano 207,7 1,848 224,0 91,0 122,6 15030 -1,309 -0,4807 359,0 5,0 364,0
V (Km/h) 1,312 0,0049 1,3 1,2 0,3278 0,1074 2,448 1,023 2,2 0,5 2,7
DV () 265,3 1,112 289,0 292,0 73,76 5441 2,789 -1,734 357,0 0,0 357,0
Vx (Km/h) 5,200 0,0229 4,8 3,8 1,520 2,311 0,2013 0,8673 7,6 2,5 10,1
T (C) 16,85 0,0983 15,0 10,7 6,522 42,53 -1,215 0,2077 25,2 3,9 29,1
Tn (C) 12,82 0,0952 11,1 7,3 6,316 39,89 -1,184 0,1566 24,2 -0,1 24,1
Tx (C) 21,45 0,0985 20,1 27,0 6,532 42,67 -1,179 0,1599 24,9 8,1 33,0
Hf (horas) 1,506 0,0571 0,0 0,0 3,788 14,35 7,721 2,840 20,0 0,0 20,0
HR (%) 57,60 0,2030 60,0 69,0 13,47 181,3 -0,2626 -0,7357 61,0 20,0 81,0
2
Rad (W/m ) 158,5 1,111 141,0 115,0 73,69 5431 -0,6900 0,4711 298,0 21,0 319,0
P (mm) 0,5692 0,0363 0,0 0,0 2,405 5,786 39,01 5,810 22,4 0,0 22,4
ETo (mm) 2,691 0,0231 2,0 1,9 1,531 2,343 -0,7486 0,7685 6,1 0,8 6,9
3
VolExp (m ) 8477988 19800 8575000 6720000 1313501 1,725E+12 -1,504 -0,0284 4032000 6709000 10741000
3
Qent (m /da) 32560 529,7 32694 0,0 35137 1234609169 12,36 2,961 232298 0,0 232298
3
Qsal (m /da) 25523 169,6 28080 20304 11251 126577117,8 -1,122 -0,2989 42422 777,6 43200
3
Filt (m /da) -613,4 84,19 0,0 0,0 5585 31195578 155,8 -12,41 72000 -72000 1,330E-11
Profundidad (m) 9,141 0,1171 6,67 1,67 7,766 60,31 -0,1881 0,9642 29,58 0,42 30,0
Ta (C) 15,36 0,0828 13,26 13,30 5,491 30,16 -0,2318 1,020 19,24 9,367 28,61
Odis (mg/l) 8,231 0,0651 9,483 0,200 4,319 18,65 -0,7031 -0,8093 15,42 0,0367 15,46
Estadsticas descriptivas del periodo de calibracin (31/03/2004 a 23/02/2005)

pH 8,108 0,0061 8,248 8,390 0,4028 0,1623 1,879 -1,012 3,1675 5,885 9,053
7
Con (S/cm) 1013 1,513 980 970 100,4 10077 -0,8492 0,4707 370,0 845,0 1215
8
Parmetro Media Error tpico Mediana Moda Desviacin estndar Varianza de la muestra Curtosis Coeficiente de asimetra Rango Mnimo Mximo
Da juliano 167,0 0,862 169,0 196,0 58,31 3400 -0,992 -0,2131 207,0 55,0 262,0
V (Km/h) 1,255 0,0041 1,2 1,1 0,2742 0,0752 2,402 1,060 1,9 0,7 2,6
DV () 205,9 1,103 212,0 237,0 74,57 5561 -0,1906 -0,403 359,0 0,0 359,0
Vx (Km/h) 5,136 0,0178 4,9 4,1 1,206 1,456 0,9403 0,9805 6,9 2,7 9,6
T (C) 21,20 0,0763 22,4 25,6 5,162 26,65 0,3668 -1,068 22,1 6,7 28,8
Tn (C) 16,82 0,0749 18,1 17,5 5,067 25,67 0,1693 -0,9768 20,3 3,2 23,5
Tx (C) 25,73 0,0784 27,3 29,2 5,302 28,11 0,8118 -1,112 26,3 8,8 35,1
Hf (horas) 0,537 0,0324 0,0 0,0 2,194 4,81 21,55 4,577 15,5 0,0 15,5
HR (%) 58,71 0,1796 61,0 70,0 12,15 147,5 -0,8289 -0,2943 53,0 32,0 85,0
2
Rad (W/m ) 242,4 0,974 255,0 263,0 65,86 4338 0,5292 -0,9882 302,0 29,0 331,0
P (mm) 0,3550 0,0232 0,0 0,0 1,569 2,461 34,53 5,616 13,4 0,0 13,4
ETo (mm) 4,297 0,0179 4,6 4,5 1,208 1,460 -0,1259 -0,7820 5,4 1,2 6,6
3
VolExp (m ) 9215464 23543 9769000 10128000 1592040 2,535E+12 -1,158 -0,5323 4992000 6110000 11102000
3
Qent (m /da) 12717 770,3 3351 0,0 52090 2713362517 144,5 11,74 667336 0,0 667336
3
Qsal (m /da) 28606 177,5 32141 40176 12005 144120851 -0,970 -0,3675 46224 5184 51408
3
Filt (m /da) -803,0 24,81 0,0 0,0 1678 2814038 4,2 -2,22 7809 -7809 3,274E-11
Profundidad (m) 8,639 0,1107 6,250 1,25 7,488 56,08 0,0804 1,087 27,08 0,42 27,5
Ta (C) 18,05 0,1012 17,86 9,72 6,844 46,83 -1,618 0,055 19,26 9,390 28,65
Odis (mg/l) 7,857 0,0607 7,523 0,125 4,104 16,85 -0,8161 -0,4168 14,73 0,1000 14,83
Estadsticas descriptivas del periodo de validacin (24/02/2005 a 19/09/2005)

pH 8,360 0,0056 8,425 8,73 0,3753 0,1409 0,942 -0,742 2,793 6,36 9,153
Con (S/cm) 957 0,3359 960 980 22,7 515,9 -0,5290 -0,6820 90,0 900,0 990
ANEXO 3. DIAGRAMAS DE CAJA Y BIGOTES AGRUPADOS EN
PERIODOS DE CALIBRACIN Y VALIDACIN PARA
CADA UNA DE LAS VARIABLES
9
400 3,0 400,0
2,5
300 300,0
Da juliano
2,0
V (Km/h)
DV ()
200 200,0
1,5
100 100,0
1,0
0 0,5 0,0
Calibracin Validacin Calibracin Validacin Calibracin Validacin
12,0 30,0 25,0
10,0 25,0 20,0
20,0 15,0
Vx (Km/h)
8,0
Tn (C)
T (C)
15,0 10,0
6,0
10,0 5,0
4,0 5,0 0,0
2,0 0,0 -5,0

40,0 20,0
80,0
15,0
30,0
Hf (horas)
HR (%)
60,0
Tx (C)
10,0
20,0
40,0
5,0
10,0
0,0 20,0
400,0 25,0
6,0
20,0
300,0
Rad (W/m2)
ETo (mm)
15,0 4,0
P (mm)
200,0
10,0
2,0
100,0
5,0
0,0 0,0 0,0

10
12000000 60000
600000 50000
Qent (m3/da)
Qsal (m3/da)
40000
VolExp (m3)
400000
9000000 30000
20000
200000
10000
6000000 0 0
0 30,0 30,0
25,0 25,0
-20000
Profundidad (m)
20,0
Filt (m3/da)
20,0
Ta (C)
-40000 15,0
15,0
10,0
-60000
5,0 10,0
-80000 0,0 5,0

20,0 1300,0
9,0
1200,0
15,0
Con (uS/cm)
Odis (mg/l)
8,0 1100,0
pH
10,0
7,0 1000,0
5,0
900,0
6,0
0,0 800,0
Periodo de calibracin (31/03/2004 a 23/02/2005)
Periodo de validacin (24/02/2005 a 19/09/2005)
11
ANEXO 4. HISTOGRAMAS DE LOS DATOS INICIALES EN
PERIODOS DE CALIBRACIN Y VALIDACIN POR
CADA VARIABLE
12
500 Calibracin 400 Calibracin
Validacin
600
400
300
Frecuencia
Frecuencia
Frecuencia
300 400
200
200
100 200
100
0 0 0
0 100 200 300 400 50 100 150 200 250 300 0,5 1 1,5 2 2,5
Da juliano Da juliano V (Km/h)
1.000 Validacin 1.200 Calibracin 600 Validacin
800 1.000 500

Frecuencia
Frecuencia
Frecuencia
800 400
600
600 300
400
400 200
200 200 100
0 0 0
1 1,5 2 2,5 0 100 200 300 400 0 100 200 300 400
V (Km/h) DV () DV ()
800 Calibracin 800 Validacin 600 Calibracin
500
600 600
Frecuencia
Frecuencia
Frecuencia
400
400 400 300
200
200 200
100
0 0 0
2 4 6 8 10 12 4 6 8 10 0 5 10 15 20 25 30
Vx (Km/h) Vx (Km/h) T (C)
800 Validacin Calibracin 800 Validacin

600
600 600
Frecuencia
Frecuencia
Frecuencia
400
400 400
200 200 200
0 0 0
5 10 15 20 25 30 -5 0 5 10 15 20 25 0 5 10 15 20 25
T (C) Tn (C) Tn (C)
13
600 1.000 Validacin 4.000 Calibracin
Calibracin
500 800
3.000
Frecuencia
Frecuencia
Frecuencia
400
600
300 2.000
400
200
1.000
100 200
0 0 0
5 10 15 20 25 30 35 10 20 30 40 0 5 10 15 20
Tx (C) Tx (C) Hf (horas)
5.000 600 Calibracin 600 Validacin

Validacin
4.000 500 500

Frecuencia
Frecuencia
Frecuencia
400 400
3.000
300 300
2.000
200 200
1.000 100 100
0 0 0
0 5 10 15 20 30 40 50 60 70 80 30 40 50 60 70 80
Hf (horas) HR (%) HR (%)
800 Calibracin Validacin 5.000 Calibracin

600
4.000
600
Frecuencia
Frecuencia
Frecuencia
400 3.000
400
2.000
200 200
1.000
0 0 0
0 100 200 300 400 0 100 200 300 400 0 5 10 15 20 25
Rad (W/m2) Rad (W/m2) P (mm)
5.000 600 Validacin

Validacin Calibracin
600 500
4.000
Frecuencia
Frecuencia
Frecuencia
400
3.000 400
300
2.000
200
200
1.000 100
0 0 0
0 2,5 5 7,5 10 12,5 1 2 3 4 5 6 7 1 2 3 4 5 6
P (mm) ETo (mm) ETo (mm)
14
1.000 Calibracin 600 Validacin 2.000
Calibracin
800 500
1.500
Frecuencia
Frecuencia
Frecuencia
400
600
300 1.000
400
200
200 500
100
0 0 0
6000000 8000000 10000000 6000000 8000000 10000000 12000000 0 100000 200000
VolExp (m3) VolExp (m3) Qent (m3/da)
5.000 Calibracin Validacin

Validacin
600 600
4.000
Frecuencia
Frecuencia
Frecuencia
3.000 400 400
2.000
200 200
1.000
0 0 0
0 200000 400000 600000 0 20000 40000 0 20000 40000 60000
Qent (m3/da) Qsal (m3/da) Qsal (m3/da)
5.000 4.000 Validacin 600

Calibracin Calibracin
4.000 500
3.000
Frecuencia
Frecuencia
Frecuencia
400
3.000
2.000 300
2.000
200
1.000
1.000 100
0 0 0
-80000 -60000 -40000 -20000 0 -8000 -6000 -4000 -2000 0 0 5 10 15 20 25 30
Filt (m3/da) Filt (m3/da) Profundidad (m)
600 Validacin 800

Calibracin 1.200 Validacin
500 1.000
600
Frecuencia
Frecuencia
Frecuencia
400 800
300 400 600
200 400
200
100 200
0 0 0
0 5 10 15 20 25 30 5 10 15 20 25 30 5 10 15 20 25 30
Profundidad (m) Ta (C) Ta (C)
15
Calibracin 600 Validacin 1.200
Calibracin
600 500 1.000
Frecuencia
Frecuencia
Frecuencia
400 800
400
300 600
200 400
200
100 200
0 0 0
0 5 10 15 20 0 2 4 6 8 10 12 14 6 7 8 9
Odis (mg/l) Odis (mg/l) pH
1.000 Validacin 1.000 Validacin

1.200 Calibracin
800 1.000 800
Frecuencia
Frecuencia
Frecuencia
800
600 600
600
400 400
400
200 200
200
0 0 0
6 7 8 9 800 900 1000 1100 1200 1300 900 920 940 960 980 1000
pH Con (uS/cm) Con (uS/cm)
Periodo de calibracin (31/03/2004 a 23/02/2005)
Periodo de validacin (24/02/2005 a 19/09/2005)
16
ANEXO 5. DIAGRAMAS Q-Q DE DATOS INICIALES PARA EL
PERIODO COMPLETO DE ESTUDIO
17
Grfico Q-Q normal de Da juliano Grfico Q-Q normal de V (Km/h)
4 4
2 2
Normal esperado
Normal esperado
0 0
-2 -2
-4 -4
-200 0 200 400 0,0 0,5 1,0 1,5 2,0 2,5 3,0
Valor observado Valor observado
Grfico Q-Q normal de DV () Grfico Q-Q normal de Vx (Km/h)
3 4
2
2
Normal esperado
Normal esperado
0 0
-1
-2
-2
-3 -4
0 100 200 300 400 500 0 2 4 6 8 10 12

Grfico Q-Q normal de T (C) Grfico Q-Q normal de Tn (C)
3 3
2 2
Normal esperado
Normal esperado
1 1
0 0
-1 -1
-2 -2
-3 -3
0 10 20 30 40 -10 0 10 20 30 40
18
Grfico Q-Q normal de Tx (C) Grfico Q-Q normal de Hf (horas)
3 3
2
2
Normal esperado
Normal esperado
1
0 1
-1
0
-2
-3 -1
0 10 20 30 40 50 0 5 10 15 20
Grfico Q-Q normal de HR (%) Grfico Q-Q normal de Rad (W/m2)
2 2
Normal esperado
Normal esperado
1
0
0
-1
-2
-2
-3 -4
0 20 40 60 80 100 -100 0 100 200 300 400 500

Grfico Q-Q normal de P (mm) Grfico Q-Q normal de ETo (mm)
2
Normal esperado
Normal esperado
0
1
0 -2
0 5 10 15 20 25 -2 0 2 4 6 8 10
19
Grfico Q-Q normal de VolExp (m3) Grfico Q-Q normal de Qent (m3/da)
3 3
2
2
Normal esperado
Normal esperado
1
1
0
0
-1
-1
-2
-3 -2
4.000.000 8.000.000 12.000.000 -200.000 200.000 600.000

Grfico Q-Q normal de Qsal (m3/da) Grfico Q-Q normal de Filt (m3/da)
3 3
2 2
Normal esperado
Normal esperado
1 1
0 0
-1 -1
-2 -2
-3 -3
0 20.000 40.000 60.000 -80.000 -60.000 -40.000 -20.000 0 20.000

Grfico Q-Q normal de Profundidad (m) Grfico Q-Q normal de Ta (C)
3 4
2
2
Normal esperado
Normal esperado
0 0
-1
-2
-2
-3 -4
-10 0 10 20 30 40 -10 0 10 20 30 40 50
20
Grfico Q-Q normal de Odis (mg/l) Grfico Q-Q normal de pH
4 4
2 2
Normal esperado
Normal esperado
0 0
-2 -2
-4 -4
-10 0 10 20 30 5 6 7 8 9 10
Grfico Q-Q normal de Con (uS/cm)
2
Normal esperado
-2
-4
700 800 900 1.000 1.100 1.200 1.300

Valor observado
Periodo de estudio completo (31/03/2004 a 19/09/2005)
21
ANEXO 6. GRFICOS DE DISPERSIN MATRICIAL PARA LOS
DATOS METEOROLGICOS, HIDROLGICOS Y DE
CALIDAD DEL AGUA EN EL PERIODO COMPLETO
DE ESTUDIO
22
DJ
V
DV
Vx
T
Tn
Tx
Hf
HR
Rad
P
DATOS METEOROLGICOS
ETo
VolExp
Qent
Qsal
Filt
23
DJ
VolExp
Qent
Qsal
Filt
DATOS HIDROLGICOS
DJ
Profundidad
Ta
Odis
pH
Con
DATOS DE CALIDAD DEL AGUA
24
ANEXO 7. PCA DE LOS DATOS METEOROLGICOS,
HIDROLGICOS Y DE CALIDAD DEL AGUA EN
EL PERIODO DE CALIBRACIN, DATOS
ORIGINALES
25
Componentes
Variable
1 2 3 4 5 6 7
DJ 0,134344 0,371215 -0,069300 -0,332976 -0,001983 -0,077019 0,078531
V -0,054194 -0,258480 0,274217 -0,404803 -0,135416 -0,081706 0,058346
DV -0,206907 0,065572 0,028698 -0,260413 0,331011 0,079670 0,045238
Vx -0,024976 -0,162526 0,206584 -0,408870 -0,485762 -0,134045 -0,112845
T 0,375898 0,018683 -0,023962 -0,010627 -0,062084 0,037994 0,002141
Tn 0,372289 0,048966 -0,039415 -0,003146 -0,053546 0,023360 -0,027970
Tx 0,371293 0,003470 -0,024354 -0,003343 -0,031251 0,069052 0,042544
Hf -0,198504 -0,251637 0,136428 0,106961 0,369485 -0,111238 -0,266187
HR 0,018820 0,247806 -0,270606 0,426459 -0,119554 0,011712 -0,017541
Rad 0,290548 -0,261377 0,135362 0,108942 0,010109 0,103157 0,038903
P -0,061232 0,229358 -0,117962 0,003346 -0,293545 -0,243116 -0,786717
ETo 0,336220 -0,205651 0,127691 0,004569 -0,077207 0,037001 -0,070170
VolExp 0,082030 -0,404050 0,086351 0,353197 -0,175572 -0,002178 -0,092796
Qent -0,216803 0,116647 -0,064483 0,034106 -0,401812 0,099364 0,324327
Qsal 0,285674 0,200727 -0,066627 -0,217541 0,231297 -0,041039 -0,040710
Filt -0,063614 0,018968 0,022872 -0,136527 -0,013260 0,912368 -0,333095
Profundidad 0,013624 0,175023 0,432751 0,216761 -0,143239 0,079461 0,072626
Ta 0,282310 -0,080991 -0,299427 -0,172867 0,090590 -0,031996 -0,052403
Odis -0,227576 -0,254965 -0,358857 -0,098802 0,004540 -0,002016 -0,005006
pH -0,060446 -0,098104 -0,407869 -0,054493 -0,327100 0,142024 0,198437
Con -0,046205 0,380305 0,380468 0,058782 -0,060759 0,034680 0,051922
Componentes
Variable
8 9 10 11 12 13 14
DJ -0,293678 0,090536 0,260681 -0,157436 -0,095358 -0,067833 0,046454
V 0,043012 0,183877 -0,122506 -0,519624 -0,427793 -0,086769 0,064140
DV 0,464746 -0,645168 0,062962 0,101059 -0,303389 -0,075204 0,045167
Vx -0,031457 0,032041 -0,107330 0,615732 -0,148544 0,165686 -0,021042
T 0,041643 -0,119827 0,022591 0,139539 0,031754 0,010538 0,113979
Tn 0,043839 -0,095084 -0,002888 0,083291 -0,040305 -0,042518 0,095300
Tx 0,069888 -0,133497 0,024468 0,188531 0,079414 0,056787 0,144930
Hf -0,236517 0,104339 0,497707 0,165630 -0,186908 0,403792 0,165671
HR -0,006320 0,084101 -0,258214 0,075829 -0,733706 0,174242 0,004711
Rad -0,008098 -0,223508 0,000558 -0,278499 -0,028837 0,417076 -0,072646
P 0,124791 -0,206310 0,110440 -0,253398 0,092409 -0,017187 -0,000608
ETo -0,003531 -0,166346 0,021497 -0,169899 0,001493 0,153511 -0,014988
VolExp -0,022236 -0,087474 0,130887 -0,003042 -0,123173 -0,438504 0,312940
Qent -0,460393 -0,453663 0,340809 -0,069205 -0,050992 0,006480 0,057539
Qsal 0,004741 0,208297 0,210501 0,068588 -0,142872 -0,115519 0,426799
Filt -0,132280 0,095802 -0,030938 0,015501 -0,046684 -0,044975 -0,001337
Profundidad 0,346183 0,195275 0,458103 0,093855 -0,085971 -0,140529 -0,410947
Ta -0,088770 -0,025300 0,162017 -0,023564 -0,140438 0,105264 -0,601896
Odis 0,043828 0,017605 -0,079119 0,048528 0,111133 0,158835 0,013218
pH 0,498674 0,236688 0,353621 -0,127735 0,061703 0,249076 0,220675
Con 0,080355 -0,014925 -0,165606 -0,110967 0,136319 0,482291 0,227522
26
Componentes
Variable
15 16 17 18 19 20 21
DJ -0,625818 -0,006590 -0,060728 0,340967 0,028351 -0,025519 0,015575
V 0,201171 0,279438 0,097795 0,004513 0,123681 -0,062045 -0,012638
DV -0,131951 -0,021695 -0,040586 -0,011926 -0,013454 0,015827 -0,006227
Vx -0,087916 -0,198517 -0,041896 -0,024929 -0,049228 -0,039546 0,017872
T 0,046784 0,306190 0,122081 0,078308 0,020136 -0,073746 -0,824230
Tn 0,060432 0,428077 0,080407 0,021992 -0,641607 -0,238728 0,400401
Tx 0,092214 0,208158 0,189849 0,156246 0,703254 0,009205 0,397046
Hf -0,034104 0,216474 0,175526 -0,033158 -0,009426 0,006954 0,000683
HR -0,017861 -0,023229 0,017143 0,097651 0,037099 0,089308 -0,011015
Rad -0,008369 -0,474884 -0,002590 0,273004 -0,049035 -0,441101 -0,008602
P 0,102864 -0,026868 0,042909 0,048303 0,060678 -0,054570 0,002369
ETo -0,081856 -0,059905 -0,057920 0,037824 -0,167234 0,831155 0,037685
VolExp -0,322193 0,020035 -0,410922 -0,155588 0,105985 -0,138141 0,010118
Qent 0,327291 0,027132 -0,006862 -0,062192 -0,014769 0,029431 0,006022
Qsal 0,469575 -0,374440 -0,307893 -0,050935 -0,039986 0,037407 -0,007679
Filt -0,018851 0,013333 -0,006416 -0,008513 0,005281 -0,011096 -0,003443
Profundidad 0,147011 0,048170 -0,133539 0,296566 -0,005660 0,020107 -0,002245
Ta 0,008323 0,118702 -0,333035 -0,448564 0,137750 -0,092340 0,006012
Odis 0,153653 0,262314 -0,522078 0,573777 -0,012174 0,040440 -0,005030
pH -0,154178 -0,051814 0,147814 -0,200886 -0,038980 0,007847 0,002554
Con -0,093373 0,234539 -0,450250 -0,271146 0,073434 -0,051773 0,003629
Tabla de pesos de los componentes
Esta tabla muestra las ecuaciones de los componentes principales. Por ejemplo, el
primer componente principal tiene la ecuacin:
Componente 1 = 0,134344(DJ) 0,054194(V) 0,206907(DV) 0,024976(Vx) +

0,375898(T) + 0,372289(Tn) + 0,371293(Tx) 0,198504(Hf) + 0,018820(HR) +
0,290548(Rad) 0,061232(P) + 0,336220(ETo) + 0,082030(VolExp) 0,216803(Qent)
+ 0,285674(Qsal) 0,063614(Filt) + 0,013624(Profundidad) +0,282310(Ta)
0,227576(Odis) 0,060446(pH) 0,046205(Con)
Donde los valores de las variables en la ecuacin estn estandarizados (substrayendo

sus medias y dividindolos por sus desviaciones tpicas).
27
Diagrama de dispersin
5
Componente 2
3
-1
-3
-5
-4,8 -2,8 -0,8 1,2 3,2 5,2
Componente 1
5,2
3,2
Componente 4
1,2
-0,8
-2,8
-4,8
-3,7 -1,7 0,3 2,3 4,3 6,3
Componente 3
0
Componente 6
-3
-6
-9
-12
-4,2 -2,2 -0,2 1,8 3,8
Componente 5
28
2
Componente 8
-2
-4
-7 -5 -3 -1 1 3 5
Componente 7
3,8
2,8
Componente 10
1,8
0,8
-0,2
-1,2
-2,2
-3,2 -1,2 0,8 2,8 4,8
Componente 9
2,6
1,6
Componente 12
0,6
-0,4
-1,4
-1,9 -0,9 0,1 1,1 2,1 3,1
Componente 11
29
1,5
1
Componente 14
0,5
-0,5
-1
-1,5
-1,7 -0,7 0,3 1,3 2,3
Componente 13
1,2
0,8
Componente 16
0,4
-0,4
-0,8
-1,2
-1,2 -0,7 -0,2 0,3 0,8 1,3
Componente 15
1,1
0,7
Componente 18
0,3
-0,1
-0,5
-0,9
-1,2 -0,7 -0,2 0,3 0,8 1,3 1,8
Componente 17
30
0,63
0,43
Componente 20
0,23
0,03
-0,17
-0,37
-0,5 -0,2 0,1 0,4 0,7 1
Componente 19
0,24
0,14
Componente 21
0,04
-0,06
-0,16
-0,37 -0,17 0,03 0,23 0,43 0,63
Componente 20
Diagramas de dispersin de los componentes por pares
31
Grfico de Pesos del Componente
0,5
Con DJ
0,3 HR
P
Qsal
Componente 2
Profundidad
Qent
0,1 DV Tn
Filt T
Tx
pH Ta
-0,1 Vx
ETo
Hf V Rad
-0,3 Odis
VolExp
-0,5
-0,5 -0,3 -0,1 0,1 0,3 0,5
Componente 1
0,59
HR
0,39 VolExp
Componente 4
Profundidad
0,19
Hf Rad
Qent Con
TnTx ETo
-0,01 pH P T
Odis
Filt
Ta
Qsal
-0,21 DV
DJ
Vx V
-0,41
-0,41 -0,21 -0,01 0,19 0,39 0,59
Componente 3
1 Filt
0,7
Componente 6
0,4
pH
0,1 Qent ProfundidadConTxRad DV
ETo T Odis
Qsal
Vx VolExp HR Tn Ta Hf
V DJ
-0,2 P
-0,5
-0,6 -0,4 -0,2 0 0,2 0,4 0,6
Componente 5
32
0,53 DV
pH
Profundidad
0,33
Componente 8
P
0,13 Con
TnOdis
EToQsal TTx V
HR Rad
Vx VolExp
-0,07 Filt
Ta
Hf
-0,27 DJ
Qent
-0,47
-0,8 -0,6 -0,4 -0,2 0 0,2 0,4
Componente 7
0,54 Hf
Profundidad
Qent pH
0,34
Componente 10
DJ
Qsal
Ta
0,14 P VolExp
DV
ETo Tx T
Rad Tn Odis Filt

-0,06
V
Con Vx
HR
-0,26
-0,65 -0,45 -0,25 -0,05 0,15 0,35
Componente 9
0,26
Con
P Odis
Tx
0,06 pH T
ETo
Componente 12
Qent Filt Tn
Rad DJ VolExp Profundidad
-0,14 Vx
Ta Qsal Hf
DV
-0,34
V
-0,54
HR
-0,74
-0,6 -0,3 0 0,3 0,6 0,9
Componente 11
33
0,5 Qsal
0,3 VolExp
pH Con
Hf
Componente 14
Tx
Tn T
0,1 V DJ Qent Odis HR
DV
Filt P ETo Vx Rad
-0,1
-0,3
Profundidad
-0,5
Ta
-0,7
-0,44 -0,24 -0,04 0,16 0,36 0,56
Componente 13
0,52
Tn
0,32 T
OdisV
Componente 16
Con Hf Tx
Ta
0,12
Profundidad Qent
VolExp Filt
DJ DV P
-0,08 HR
pH ETo
Vx
-0,28
Qsal
Rad
-0,48
-0,7 -0,5 -0,3 -0,1 0,1 0,3 0,5
Componente 15
0,7
Odis
0,5
Componente 18
DJ
0,3 Rad
Profundidad
Tx
HR
0,1 P Tn T
ETo DVFilt
Vx V Hf
-0,1 VolExp Qsal Qent
pH
Con
-0,3
Ta
-0,5
-0,53 -0,33 -0,13 0,07 0,27
Componente 17
34
1
ETo
0,7
Componente 20
0,4
QentDJ
DV Odis HR
0,1 QsalpHHfFilt Tx
Profundidad ConV
Vx T P Ta
-0,2 Tn VolExp
Rad
-0,5
-0,7 -0,4 -0,1 0,2 0,5 0,8
Componente 19
0,6
Tn Tx
0,3
Componente 21
Filt
HfQentQsal
ProfundidadDJ pHOdis ETo
Rad
0
VolExp Ta Con HR
V Vx
P DV
-0,3
-0,6
T
-0,9
-0,5 -0,2 0,1 0,4 0,7 1
Componente 20
Grficos de pesos de los componentes
35
EL PERIODO DE CALIBRACIN, CORREGIDOS
(SIN DATOS ANMALOS)
36
Resumen del Anlisis
Datos/Variables: DJ, V, DV, Vx, T, Tn, Tx, Hf, HR, Rad, P, ETo, VolExp, Qent, Qsal,
Filt, Profundidad, Ta, Odis, pH, y Con.

Estandarizado: si
Nmero de componentes extrados: 21
Componente Nmero Autovalor % de Varianza Porcentaje acumulado
1 6,93217 33,010 33,010
2 3,18022 15,144 48,154
3 2,7298 12,999 61,153
4 2,10131 10,006 71,160
5 1,08017 5,144 76,303
6 0,935969 4,457 80,760
7 0,874795 4,166 84,926
8 0,759152 3,615 88,541
9 0,50628 2,411 90,952
10 0,453618 2,160 93,112
11 0,327645 1,560 94,672
12 0,270731 1,289 95,961
13 0,22685 1,080 97,042
14 0,180031 0,857 97,899
15 0,151283 0,720 98,619
16 0,100599 0,479 99,098
17 0,0775182 0,369 99,467
18 0,0711552 0,339 99,806
19 0,0252075 0,120 99,926
20 0,0128686 0,061 99,988
21 0,00261867 0,012 100
37
Grfico de Sedimentacin
6
Autovalor
0
0 4 8 12 16 20 24
Componente
Componentes
Variable
1 2 3 4 5 6 7
DJ 0,130690 0,373395 -0,071215 0,332869 -0,015873 0,024458 0,114902
V -0,049956 -0,261919 0,265863 0,415980 0,135491 -0,064511 0,105873
DV -0,221010 0,064182 0,013028 0,246552 -0,243002 -0,085617 -0,043906
Vx -0,025040 -0,162144 0,199901 0,431981 0,457208 -0,059158 -0,169403
T 0,371367 0,025341 -0,026758 0,011611 0,065776 0,049275 -0,053364
Tn 0,367750 0,055389 -0,041658 0,003571 0,056594 0,015957 -0,065838
Tx 0,366912 0,010119 -0,027458 0,002774 0,038960 0,082839 -0,023322
Hf -0,193170 -0,256818 0,136668 -0,109028 -0,396219 -0,208387 -0,112598
HR 0,017971 0,247446 -0,259979 -0,435212 0,139887 -0,086975 0,027623
Rad 0,290678 -0,258365 0,131831 -0,110060 0,001361 0,058402 0,015891
P -0,063658 0,229459 -0,113815 0,005845 0,257427 -0,533049 -0,666909
ETo 0,334624 -0,201042 0,123091 -0,000780 0,075981 0,001421 -0,096417
VolExp 0,083609 -0,402597 0,088046 -0,346370 0,177608 -0,001544 -0,153782
Qent -0,221688 0,117910 -0,061233 -0,030587 0,406951 0,247446 0,239749
Qsal 0,280792 0,205845 -0,070341 0,216695 -0,250860 -0,042103 0,003185
Filt -0,125411 0,058749 -0,004538 0,051680 -0,119483 0,746732 -0,610375
Profundidad 0,013410 0,170572 0,438148 -0,208188 0,168440 0,039670 0,019026
Ta 0,279156 -0,073362 -0,305300 0,167287 -0,100758 -0,023386 -0,036103
Odis -0,224411 -0,254642 -0,361786 0,091250 -0,004146 -0,012250 0,004268
pH -0,060245 -0,094988 -0,409588 0,046302 0,371206 0,114467 0,108664
Con -0,047029 0,374958 0,385819 -0,053199 0,070398 0,018309 0,047863
38
Componentes
Variable
8 9 10 11 12 13 14
DJ -0,297121 0,136405 -0,224550 -0,096017 0,166157 -0,053959 0,062297
V 0,012227 0,199930 0,187420 -0,379842 0,520822 -0,016625 0,062435
DV 0,531838 -0,596790 -0,178465 0,152060 0,317362 -0,021015 0,043789
Vx -0,092202 0,026368 0,129320 0,628054 -0,058393 0,175955 -0,022375
T 0,045925 -0,111345 -0,049682 0,115940 -0,065672 0,004338 0,109636
Tn 0,040851 -0,083315 -0,014093 0,081239 0,017575 -0,035637 0,089828
Tx 0,088111 -0,135456 -0,061194 0,146893 -0,128417 0,042918 0,139765
Hf -0,255167 0,201571 -0,458304 0,213555 0,071233 0,419991 0,171067
HR -0,015903 0,062907 0,312919 0,265829 0,61517 0,285312 0,007695
Rad 0,022970 -0,222728 -0,051637 -0,274880 0,068606 0,429787 -0,060601
P -0,049144 -0,063408 -0,126844 -0,294551 -0,038107 -0,021573 -0,004830
ETo -0,007955 -0,143579 -0,053974 -0,174539 0,036641 0,161881 -0,008604
VolExp -0,048396 -0,029574 -0,126158 0,045482 0,212347 -0,411917 0,314941
Qent -0,413116 -0,402060 -0,429496 -0,049734 0,108765 0,017832 0,055032
Qsal 0,026034 0,228239 -0,159242 0,119793 0,140720 -0,097794 0,418451
Filt -0,017373 0,086956 0,038414 -0,043194 0,132895 0,062425 0,000783
Profundidad 0,339486 0,302629 -0,401423 0,116835 0,081467 -0,120532 -0,417374
Ta -0,091975 0,014774 -0,156677 0,010211 0,142845 0,137407 -0,598289
Odis 0,038975 0,003810 0,077360 0,008557 -0,160747 0,135961 0,008664
pH 0,484046 0,334577 -0,296850 -0,139967 -0,066391 0,234080 0,227687
Con 0,082399 -0,045916 0,151086 -0,155168 -0,182238 0,450505 0,236010
Componentes
Variable
15 16 17 18 19 20 21
DJ -0,627591 0,020141 0,060903 0,336122 0,029035 -0,024332 0,015583
V 0,227100 0,277400 -0,095083 0,014647 0,122037 -0,060466 -0,012818
DV -0,137866 0,014962 0,030682 -0,010261 -0,011888 0,015878 -0,006219
Vx -0,084447 -0,191356 0,034149 -0,029058 -0,047398 -0,041014 0,018635
T 0,067465 0,305755 -0,114852 0,086092 0,019756 -0,075657 -0,824298
Tn 0,087734 0,427753 -0,074997 0,031176 -0,642095 -0,238626 0,400749
Tx 0,108754 0,207449 -0,181555 0,165096 0,702580 0,012899 0,396761
Hf -0,013153 0,222763 -0,174314 -0,024645 -0,010434 0,007387 0,000161
HR 0,005448 -0,007370 -0,025230 0,102312 0,036448 0,090729 -0,010693
Rad -0,041272 -0,472051 0,005509 0,267895 -0,046845 -0,442216 -0,007490
P 0,108153 -0,032538 -0,041464 0,050485 0,061456 -0,055640 0,002739
ETo -0,086629 -0,056772 0,054794 0,036269 -0,170243 0,830934 0,035060
VolExp -0,309409 0,040512 0,397511 -0,165823 0,106867 -0,135659 0,011703
Qent 0,329461 0,011197 0,016808 -0,057632 -0,016963 0,030368 0,005545
Qsal 0,454155 -0,397153 0,307703 -0,059312 -0,040178 0,036997 -0,007146
Filt 0,013232 0,012898 -0,019379 0,014149 0,000188 -0,002503 -0,000181
Profundidad 0,137840 0,035323 0,144175 0,294311 -0,006013 0,020376 -0,002244
Ta 0,001481 0,121417 0,321011 -0,456198 0,137185 -0,090320 0,006565
Odis 0,150397 0,238071 0,545334 0,561115 -0,012761 0,040978 -0,005197
pH -0,151424 -0,040612 -0,156470 -0,197917 -0,038246 0,006377 0,002270
Con -0,089291 0,235663 0,445567 -0,283226 0,073387 -0,051019 0,003706
39
0,372801(T) + 0,369223(Tn) + 0,368254(Tx) 0,194988(Hf) + 0,018449(HR) +
0,290790(Rad) 0,061391(P) + 0,335430(ETo) + 0,083428(VolExp) 0,223087(Qent)
+ 0,282427(Qsal) 0,125857(Filt) + 0,013309(Profundidad) + 0,280270(Ta)
0,224890(Odis) 0,059600(pH) 0,047345(Con)
Donde los valores de las variables en la ecuacin se encuentran estandarizados (se

calculan substrayendo sus medias y dividindolos por sus desviaciones tpicas).
5
Componente 2
-1
-3
-5
-4,8 -2,8 -0,8 1,2 3,2 5,2
Componente 1
6,6
4,6
Componente 4
2,6
0,6
-1,4
-3,4
-3,6 -1,6 0,4 2,4 4,4 6,4
Componente 3
40
2,2
Componente 6 0,2
-1,8
-3,8
-5,8
-3,7 -1,7 0,3 2,3 4,3
Componente 5
3,9
1,9
Componente 8
-0,1
-2,1
-4,1
-6 -4 -2 0 2 4 6
Componente 7
2,7
1,7
Componente 10
0,7
-0,3
-1,3
-2,3
-3,3
-3,1 -1,1 0,9 2,9 4,9
Componente 9
41
2
Componente 12 1
-1
-2
-2,4 -1,4 -0,4 0,6 1,6 2,6
Componente 11
1,5
1
Componente 14
0,5
-0,5
-1
-1,5
-1,7 -0,7 0,3 1,3 2,3
Componente 13
1,1
0,7
Componente 16
0,3
-0,1
-0,5
-0,9
-1,3
-1,2 -0,7 -0,2 0,3 0,8 1,3
Componente 15
42
1,1
0,7
Componente 18
0,3
-0,1
-0,5
-0,9
-1,3 -0,8 -0,3 0,2 0,7 1,2
Componente 17
0,63
0,43
Componente 20
0,23
0,03
-0,17
-0,37
-0,5 -0,2 0,1 0,4 0,7 1
Componente 19
0,24
0,14
Componente 21
0,04
-0,06
-0,16
-0,37 -0,17 0,03 0,23 0,43 0,63
Componente 20
43
0,39 Con DJ
P HR Qsal
0,19
Qent
Componente 2
Profundidad
Filt Tn
DV T
-0,01
pH Ta Tx
Vx
ETo
-0,21 Odis V Rad
Hf
VolExp
-0,41
-0,23 -0,03 0,17 0,37 0,57
Componente 1
0,56
Vx V
0,36 DJ
Qsal DV
Componente 4
Ta
0,16
pH Odis
P TnTx Filt ETo
-0,04
Qent T Hf Rad Con
Profundidad
-0,24
VolExp
HR
-0,44
-0,41 -0,21 -0,01 0,19 0,39 0,59
Componente 3
0,9
Filt
0,6
Componente 6
0,3 Qent
Rad TxT Profundidad pH
0 Ta DJ Tn Con
Qsal Odis EToV VolExp
Hf DV HR Vx
-0,3
P
-0,6
-0,4 -0,2 0 0,2 0,4 0,6
Componente 5
44
0,58
pH
DV
0,38
Profundidad
Componente 8
0,18
Tx Con
T Odis V
Tn Rad
-0,02 Qsal
VolExp ETo HR
P Filt
Vx Ta
-0,22 Hf
DJ
Qent
-0,42
-0,67 -0,47 -0,27 -0,07 0,13 0,33
Componente 7
0,34
HR
V
Con
0,14 Vx
Componente 10
Odis Filt
ETo T Tn
-0,06 Rad
Tx P VolExp
Qsal
DV Ta DJ
-0,26 pH
Profundidad
Qent
Hf
-0,46
-0,6 -0,4 -0,2 0 0,2 0,4
Componente 9
0,81
HR
0,61
V
Componente 12
0,41
DV
VolExp
0,21 DJ Filt Qsal
Rad ETo Ta Profundidad
Qent Tn Hf
0,01 Vx
P pH T
Con Tx
-0,19 Odis
-0,4 -0,2 0 0,2 0,4 0,6 0,8
Componente 11
45
0,6
Qsal
0,4 VolExp
pH Con
Componente 14
0,2
Tn T Tx
DJ V Qent Hf
DV OdisETo HR
0
P Filt Vx Rad
-0,2
-0,4 Profundidad
Ta
-0,6
-0,42 -0,22 -0,02 0,18 0,38 0,58
Componente 13
0,52
Tn
0,32 T V
Con Hf
Componente 16
Odis
Ta Tx
0,12 Profundidad
DJ VolExp DV Filt Qent
-0,08 pH ETo HR
P
Vx
-0,28
Qsal
Rad
-0,48
-0,7 -0,5 -0,3 -0,1 0,1 0,3 0,5
Componente 15
0,7
Odis
0,5
DJ
Componente 18
0,3 Rad Profundidad

Tx
T HR
0,1 Tn P
Hf Vx ETo
V Filt DV
-0,1 Qent Qsal VolExp
pH
Con
-0,3
Ta
-0,5
-0,19 0,01 0,21 0,41 0,61
Componente 17
46
1
ETo
0,7
Componente 20
0,4
QsalFilt HR
ProfundidadDV Hf DJ
0,1 Qent Odis Tx
pH Con V
Vx T P Ta
-0,2 Tn VolExp
Rad
-0,5
-0,7 -0,4 -0,1 0,2 0,5 0,8
Componente 19
0,6
Tn Tx
0,3 Odis
DJDV Qent
Componente 21
Vx ETo
0
Rad VolExp Con pH HR
V Hf Qsal Filt
TaP Profundidad
-0,3
-0,6
T
-0,9
-0,5 -0,2 0,1 0,4 0,7 1
Componente 20
47
EL PERIODO DE VALIDACIN, DATOS
ORIGINALES
48
Componentes
Variable
1 2 3 4 5 6 7
DJ 0,342634 -0,087420 0,065500 -0,191805 0,131710 0,063165 0,024325
V -0,013914 0,141149 -0,487776 -0,322884 -0,078609 0,125258 -0,074290
DV -0,085970 -0,068613 -0,031913 -0,023379 0,658694 0,438669 0,158853
Vx -0,048987 0,077253 -0,366329 -0,421119 -0,329498 0,156712 0,042756
T 0,364366 0,074193 0,022624 0,040972 -0,057890 -0,029852 0,058652
Tn 0,359860 0,041692 0,067337 0,010686 -0,101520 -0,049536 0,036350
Tx 0,358238 0,089585 -0,012378 0,045112 -0,027084 0,001286 0,102834
Hf -0,208161 -0,123894 -0,132215 -0,210167 0,089931 -0,264312 -0,476478
HR -0,011224 -0,197900 0,459412 0,065368 -0,203225 -0,144658 -0,061228
Rad 0,162198 0,293830 -0,217866 0,384799 0,086751 0,082813 -0,068866
P -0,042893 -0,133760 0,200685 -0,245166 -0,279417 0,433183 0,378001
ETo 0,264012 0,268988 -0,242433 0,222964 -0,014124 0,050803 0,005764
VolExp -0,264685 0,213301 -0,069064 0,352160 -0,244178 0,011624 0,036399
Qent -0,044284 0,012315 -0,146867 -0,100870 -0,097897 -0,500131 0,602320
Qsal 0,337133 -0,039342 0,034036 -0,133681 -0,020690 -0,069276 -0,085658
Filt -0,067009 -0,002078 -0,132473 -0,042596 0,403384 -0,396226 0,339395
Profundidad 0,019076 -0,377614 -0,251048 0,356109 -0,176601 0,102083 0,095191
Ta 0,188323 0,334978 0,248511 -0,291007 0,113689 -0,061010 -0,067369
Odis -0,266784 0,321483 0,117606 -0,055085 0,015311 -0,044192 -0,017696
pH -0,191454 0,302671 0,182417 0,045209 0,002678 0,205151 0,261684
Con 0,082996 -0,467366 -0,159305 0,021331 0,087980 0,043225 0,063384
Componentes
Variable
8 9 10 11 12 13 14
DJ 0,013422 0,055895 0,014333 0,206008 -0,044651 -0,177181 -0,153026
V 0,035394 0,108748 0,248448 0,028143 -0,006984 -0,260646 0,297146
DV -0,279034 0,062489 0,311276 -0,273696 -0,060519 0,267650 0,035900
Vx 0,210107 0,207096 0,230894 -0,110547 0,052032 0,252074 -0,252728
T 0,031811 0,023475 -0,011796 -0,059974 0,010596 0,292924 -0,125988
Tn 0,046464 0,057146 0,019332 -0,101030 0,000781 0,257128 0,003204
Tx 0,008333 -0,013899 -0,031539 -0,012787 0,039968 0,328675 -0,257421
Hf -0,208761 -0,383052 0,120854 0,345125 -0,192814 0,383682 -0,148490
HR 0,089528 0,116263 0,781337 -0,001871 0,112865 -0,028851 0,014990
Rad -0,082184 -0,262043 0,336923 0,274082 0,159188 -0,242936 -0,080929
P 0,005633 -0,671034 -0,006893 0,084629 0,045859 -0,022393 0,012152
ETo -0,052997 -0,187215 0,094983 0,075529 0,100378 0,014228 -0,017816
VolExp 0,038212 -0,099588 0,047789 -0,231221 0,023120 0,251822 0,165279
Qent -0,570626 0,042194 0,099029 0,029938 -0,027797 -0,033433 0,000396
Qsal -0,028736 -0,096360 0,004736 -0,037023 -0,076993 0,090821 0,761257
Filt 0,681212 -0,249988 0,103146 -0,010947 -0,033211 0,036069 0,033339
Profundidad 0,068016 0,052880 0,044644 0,149412 -0,411303 0,269243 0,182212
Ta -0,042954 -0,007229 0,030729 0,130635 -0,128712 0,109860 0,103580
Odis -0,016805 -0,001890 -0,077449 0,040672 0,507837 0,330327 0,210060
Ph 0,115623 0,330912 -0,005914 0,636298 -0,259485 0,114252 0,073830
Con 0,007686 0,155454 -0,083383 0,383144 0,618980 0,130263 0,101204
49
Componentes
Variable
15 16 17 18 19 20 21
DJ 0,032100 0,084749 -0,310335 -0,324376 -0,611505 0,348819 0,062018
V -0,575217 -0,054455 -0,076609 0,171506 -0,079624 -0,054001 -0,007687
DV 0,010331 -0,044803 0,017442 -0,042844 0,009591 0,017121 -0,000033
Vx 0,486389 0,052533 0,066957 -0,130160 0,034609 -0,022245 0,000251
T -0,201828 -0,120746 -0,026750 -0,034830 -0,059001 -0,138813 -0,815339
Tn -0,351023 -0,110865 0,027501 -0,584782 0,260267 -0,204293 0,424491
Tx -0,048451 -0,149136 -0,149338 0,660269 -0,186179 -0,101835 0,380726
Hf -0,067954 -0,183329 -0,015292 -0,063827 -0,021579 0,034560 0,005338
HR -0,061901 -0,011732 -0,044106 0,111526 0,039069 0,115960 -0,016038
Rad 0,238005 0,080857 -0,012143 -0,122728 -0,094560 -0,479811 0,013159
P -0,092614 0,000567 0,006904 -0,001219 0,032210 -0,033126 -0,015497
ETo 0,021424 0,005753 0,039814 0,027746 0,396120 0,723420 -0,019198
VolExp -0,094118 -0,145932 0,350617 -0,127626 -0,575352 0,176898 0,066983
Qent 0,036053 0,015016 -0,005476 -0,039474 -0,021426 -0,008332 -0,002653
Qsal 0,414653 -0,259472 -0,066934 0,042571 -0,032353 -0,037347 -0,003232
Filt -0,012661 -0,004446 0,007740 -0,012013 0,000182 0,004930 0,003598
Profundidad -0,042199 0,514757 -0,204762 0,025731 0,014862 -0,019087 -0,001483
Ta -0,051686 0,588560 0,511042 0,104442 -0,059588 -0,019882 0,018184
Odis -0,045994 0,298254 -0,540959 -0,056223 0,000660 0,000392 -0,012730
pH 0,010876 -0,326070 0,004288 -0,017638 0,071872 0,015271 -0,007566
Con -0,045188 -0,011546 0,376902 0,016120 -0,046843 0,013364 0,005903

0,364366(T) + 0,359860(Tn) + 0,358238(Tx) 0,208161(Hf) 0,011224(HR) +
0,162198(Rad) 0,042893(P) + 0,264012(ETo) 0,264685(VolExp) 0,044284(Qent)
0,266784(Odis) 0,191454(pH) + 0,082996(Con)
Donde los valores de las variables en la ecuacin estn estandarizados (substrayendo

sus medias y dividindolos por sus desviaciones tpicas).
50
4,4
2,4
Componente 2
0,4
-1,6
-3,6
-5,6
-8 -6 -4 -2 0 2 4
Componente 1
3,7
1,7
Componente 4
-0,3
-2,3
-4,3
-7 -5 -3 -1 1 3 5
Componente 3
3
Componente 6
-1
-3
-5
-7
-6,6 -4,6 -2,6 -0,6 1,4 3,4
Componente 5
51
3,5
1,5
Componente 8
-0,5
-2,5
-4,5
-6,5
-6 -3 0 3 6 9
Componente 7
1,8
0,8
Componente 10
-0,2
-1,2
-2,2
-3,9 -2,9 -1,9 -0,9 0,1 1,1 2,1
Componente 9
2,1
1,1
Componente 12
0,1
-0,9
-1,9
-3,6 -1,6 0,4 2,4 4,4
Componente 11
52
1,8
Componente 14 1,3
0,8
0,3
-0,2
-0,7
-1,2
-2,1 -1,1 -0,1 0,9 1,9
Componente 13
1,8
1,3
Componente 16
0,8
0,3
-0,2
-0,7
-1,2
-1,2 -0,7 -0,2 0,3 0,8 1,3
Componente 15
0,6
0,4
Componente 18
0,2
-0,2
-0,4
-0,6
-0,8 -0,5 -0,2 0,1 0,4 0,7
Componente 17
53
0,37
0,17
Componente 20
-0,03
-0,23
-0,43
-0,6 -0,4 -0,2 0 0,2 0,4 0,6
Componente 19
0,21
0,11
Componente 21
0,01
-0,09
-0,19
-0,43 -0,23 -0,03 0,17 0,37
Componente 20
54
0,53
Odis Ta
0,33 pH
ETo
Rad
Componente 2
VolExp V
0,13 Vx Tx
T
Tn
Filt
Qent Qsal
-0,07 Hf DV P
DJ
HR
-0,27
Profundidad
Con
-0,47
-0,27 -0,07 0,13 0,33 0,53
Componente 1
0,57
Rad
0,37 VolExp
Profundidad
Componente 4
ETo
0,17
T pH HR
Con Tx Tn
-0,03 Filt DV Odis
Qent Qsal
Hf
-0,23 DJ P
Ta
V
Vx
-0,43
-0,49 -0,29 -0,09 0,11 0,31 0,51
Componente 3
0,49 P
DV
0,29
pH
Componente 6
Vx
Profundidad V Rad
0,09 ETo DJ
VolExp Tx Con
T
Tn Qsal Odis Ta
-0,11 HR
Hf
-0,31
Filt
Qent
-0,51
-0,33 -0,13 0,07 0,27 0,47 0,67
Componente 5
55
0,9
Filt
0,6
Componente 8
0,3 Vx
VolExp
HR T Profundidad pH
V OdisTn P
0 Qsal Ta DJ
Tx
Hf RadEToCon
DV
-0,3
Qent
-0,6
-0,5 -0,3 -0,1 0,1 0,3 0,5 0,7
Componente 7
0,91
HR
0,71
Componente 10
0,51
Rad DV
0,31 V Vx
Hf Filt ETo Qent

0,11 VolExp Profundidad
P Ta Tn DJ pH
Qsal Tx T Con
-0,09 Odis
-0,7 -0,5 -0,3 -0,1 0,1 0,3 0,5
Componente 9
0,7 Con
Odis
0,5
Componente 12
0,3
Rad
HR ETo
0,1 Vx
VolExp T Tx V P
Tn Filt Qent
-0,1 DV Ta DJ
Qsal
Hf
pH
-0,3
Profundidad
-0,5
-0,28 -0,08 0,12 0,32 0,52 0,72
Componente 11
56
0,9
Qsal
0,7
Componente 14
0,5
V
0,3
Profundidad Odis
Ta Con VolExp
0,1 Filt DV
HR P pH
Rad Qent ETo Tn
-0,1 DJ T Hf
Vx Tx
-0,3
-0,27 -0,07 0,13 0,33 0,53
Componente 13
0,67
Ta
0,47 Profundidad
Componente 16
Odis
0,27
DJ Rad
0,07 Vx
ConFilt Qent
P HR ETo
V Tn T VolExp DV
-0,13 Tx
Hf Qsal
pH
-0,33
-0,6 -0,4 -0,2 0 0,2 0,4 0,6
Componente 15
0,9
Tx
0,6
Componente 18
0,3
V
HR ETo Ta
P
Profundidad Qsal Filt pH
DV Con
0 T Qent
Odis Hf VolExp
Rad Vx
-0,3 DJ
Tn
-0,6
-0,6 -0,4 -0,2 0 0,2 0,4 0,6
Componente 17
57
1
ETo
0,7
Componente 20
0,4 DJ
VolExp Qent Filt

ProfundidadHR
0,1 ConHf Odis DV
Ta
Tx V Qsal VxP pH
T Tn
-0,2
Rad
-0,5
-0,7 -0,5 -0,3 -0,1 0,1 0,3 0,5
Componente 19
0,6
Tn
Tx
0,3
Componente 21
ProfundidadVolExp
DJ
Rad TaFilt ConpH
0 QsalQent DVHf
HR ETo
PV
Vx Odis
-0,3
-0,6
T
-0,9
-0,5 -0,2 0,1 0,4 0,7 1
Componente 20
58
EL PERIODO DE VALIDACIN, CORREGIDOS
(SIN DATOS ANMALOS)
59
Resumen del Anlisis
Datos/Variables: DJ, V, DV, Vx, T, Tn, Tx, Hf, HR, Rad, P, ETo, VolExp, Qent, Qsal,
Filt, Profundidad, Ta, Odis, pH, y Con.

Estandarizado: si
Nmero de componentes extrados: 21
Componente Nmero Autovalor % de Varianza Porcentaje acumulado
1 7,72942 36,807 36,807
2 3,13491 14,928 51,735
3 2,57818 12,277 64,012
4 1,71952 8,188 72,200
5 1,29475 6,165 78,366
6 1,08345 5,159 83,525
7 0,883742 4,208 87,733
8 0,631541 3,007 90,740
9 0,370144 1,763 92,503
10 0,359236 1,711 94,214
11 0,279491 1,331 95,545
12 0,204631 0,974 96,519
13 0,192406 0,916 97,435
14 0,179038 0,853 98,288
15 0,12756 0,607 98,895
16 0,103649 0,494 99,389
17 0,0578408 0,275 99,664
18 0,0346013 0,165 99,829
19 0,0236953 0,113 99,942
20 0,00910451 0,043 99,985
21 0,00310098 0,015 100
60
Grfico de Sedimentacin
6
Autovalor
0
0 4 8 12 16 20 24
Componente
Componentes
Variable
1 2 3 4 5 6 7
DJ 0,325228 -0,102042 0,061353 -0,206803 -0,115388 0,079695 0,013647
V -0,015512 0,117058 -0,501357 -0,321982 0,127675 0,042792 -0,030111
DV -0,086790 -0,070931 -0,032149 -0,058796 -0,514069 0,654122 -0,197458
Vx -0,048630 0,061443 -0,373882 -0,408392 0,372610 0,016341 0,190711
T 0,349791 0,057932 0,012340 0,033083 0,016323 -0,036904 0,076722
Tn 0,345340 0,028408 0,058565 0,006383 0,054375 -0,076418 0,077124
Tx 0,343494 0,070927 -0,022217 0,034826 -0,005821 0,017851 0,085268
Hf -0,202913 -0,120804 -0,122688 -0,201984 -0,088351 -0,337557 -0,451034
HR -0,010706 -0,174595 0,475270 0,074436 0,147248 -0,218051 0,055372
Rad 0,166808 0,280675 -0,227920 0,370305 -0,088567 0,056722 -0,114725
P -0,034412 -0,117109 0,218471 -0,225148 0,402298 0,460511 0,213320
ETo 0,257336 0,244801 -0,261082 0,208101 -0,002517 0,047671 -0,036519
VolExp -0,243843 0,228348 -0,072857 0,370246 0,227202 -0,020494 0,055460
Qent -0,299866 -0,084069 -0,060084 -0,079131 -0,190697 -0,151369 0,069078
Qsal 0,320329 -0,054268 0,028098 -0,139494 -0,008835 -0,109229 -0,062059
Filt -0,071701 -0,010503 -0,135401 -0,051069 -0,469049 -0,226781 0,746881
Profundidad 0,014088 -0,381439 -0,230186 0,371847 0,183592 0,085985 0,101907
Ta 0,184873 0,331480 0,225352 -0,307490 -0,130008 -0,061702 -0,068580
Odis -0,248403 0,336524 0,106719 -0,053922 -0,014622 -0,032991 -0,020000
pH -0,173440 0,319637 0,171831 0,043035 0,039104 0,267595 0,226688
Con 0,068383 -0,476791 -0,135942 0,022771 -0,066476 0,080718 0,039201
61
Componentes
Variable
8 9 10 11 12 13 14
DJ 0,049544 0,213481 0,003097 -0,022807 0,141834 -0,144047 -0,136231
V 0,103683 0,073766 0,256497 0,023402 0,267622 -0,051110 0,259123
DV 0,054958 -0,197798 0,342740 -0,074209 -0,276416 0,015898 0,078508
Vx 0,220344 -0,061960 0,241890 0,025256 -0,280130 -0,032233 -0,191145
T 0,049012 -0,088919 -0,014014 0,016151 -0,284028 0,093361 -0,121170
Tn 0,080120 -0,108237 0,027940 -0,000100 -0,243226 0,065841 0,020500
Tx 0,018673 -0,079913 -0,051905 0,061331 -0,311205 0,171767 -0,288563
Hf -0,430383 0,368453 0,100798 -0,117752 -0,361626 0,147448 -0,151227
HR 0,134673 0,054052 0,759220 0,164488 0,009529 -0,021641 -0,004985
Rad -0,233628 0,201429 0,309063 0,253753 0,307490 0,068874 -0,167975
P -0,617884 -0,049839 -0,014355 0,117178 0,100137 0,194693 -0,084242
ETo -0,147650 -0,006212 0,071256 0,149551 0,004696 0,127416 -0,092620
VolExp -0,088601 -0,202958 0,081862 -0,002947 -0,245641 0,012982 0,211723
Qent 0,197584 -0,302254 -0,010545 0,149524 0,250311 0,690073 -0,297799
Qsal -0,078359 -0,059488 0,026443 -0,038399 0,083357 0,389432 0,683403
Filt -0,314898 0,066088 0,118213 -0,058807 -0,074482 -0,100065 0,085107
Profundidad 0,050198 0,187602 0,060184 -0,348894 -0,165930 0,312034 0,129029
Ta -0,004212 0,113965 0,025776 -0,075014 -0,023849 0,233789 0,032025
Odis -0,011267 -0,002527 -0,110476 0,488872 -0,323065 0,015588 0,267942
pH 0,301704 0,646971 -0,060212 -0,140368 -0,031785 0,247412 -0,001549
Con 0,136537 0,301699 -0,159890 0,658790 -0,110755 0,013483 0,095798
Componentes
Variable
15 16 17 18 19 20 21
DJ 0,066105 0,098967 -0,279310 -0,148943 0,026338 -0,769382 0,049426
V -0,585979 -0,040425 -0,077183 0,036756 -0,188748 0,008090 -0,008494
DV 0,021648 -0,038421 0,025798 -0,020698 0,028476 0,004325 0,001226
Vx 0,512488 0,047868 0,074206 -0,069707 0,090889 0,025768 0,000073
T -0,194419 -0,108030 -0,015685 -0,153142 -0,070314 0,006573 -0,820084
Tn -0,328070 -0,080904 0,073774 -0,537989 0,422455 0,125074 0,419198
Tx -0,072156 -0,162589 -0,191617 0,289395 -0,587028 0,058233 0,380445
Hf -0,062511 -0,177069 -0,010448 -0,049164 0,041589 -0,057171 0,004323
HR -0,077904 -0,021805 -0,062098 0,172962 0,010457 0,000521 -0,012058
Rad 0,255082 0,080498 0,002909 -0,410769 -0,190251 0,145059 0,000563
P -0,107479 -0,005362 -0,004486 -0,042235 0,015819 0,009138 -0,017668
ETo -0,030087 -0,030599 -0,020711 0,580218 0,577724 -0,109366 -0,001151
VolExp -0,067273 -0,124673 0,381905 -0,076131 -0,176854 -0,568824 0,057010
Qent -0,068304 -0,034754 -0,047104 -0,102060 0,058964 -0,163063 -0,010517
Qsal 0,367393 -0,279138 -0,071060 0,009047 -0,051869 -0,009982 -0,004717
Filt -0,001604 0,002168 0,015976 0,014244 0,004076 0,016368 0,004898
Profundidad -0,048495 0,510999 -0,207899 -0,002020 -0,010053 0,012399 -0,001897
Ta -0,053304 0,580238 0,497839 0,106718 -0,102554 -0,007143 0,018134
Odis -0,020871 0,311210 -0,526626 -0,073447 0,031651 -0,010624 -0,013292
pH -0,017323 -0,333928 -0,002927 -0,009344 0,064771 0,023450 -0,007051
Con -0,030181 -0,006983 0,375824 0,040871 -0,035602 -0,022031 0,006096
62
0,349791(T) + 0,345340(Tn) + 0,343494(Tx) 0,202913(Hf) 0,010706(HR) +
0,166808(Rad) 0,034412(P) + 0,257336(ETo) 0,243843(VolExp) 0,299866(Qent)
0,248403(Odis) 0,173440(pH) + 0,068383(Con)
Donde los valores de las variables en la ecuacin se encuentran estandarizados (se

calculan substrayendo sus medias y dividindolos por sus desviaciones tpicas).
4,5
2,5
Componente 2
0,5
-1,5
-3,5
-5,5
-8 -6 -4 -2 0 2 4
Componente 1
3,9
1,9
Componente 4
-0,1
-2,1
-4,1
-7 -5 -3 -1 1 3 5
Componente 3
63
4,1
2,1
Componente 6
0,1
-1,9
-3,9
-5,9
-2,1 -0,1 1,9 3,9 5,9 7,9
Componente 5
2,5
1,5
Componente 8
0,5
-0,5
-1,5
-2,5
-3,5
-3,3 -2,3 -1,3 -0,3 0,7 1,7 2,7
Componente 7
1,7
0,7
Componente 10
-0,3
-1,3
-2,3
-3,9 -1,9 0,1 2,1 4,1
Componente 9
64
2,2
1,2
Componente 12
0,2
-0,8
-1,8
-1,5 -0,5 0,5 1,5 2,5
Componente 11
1,8
1,3
Componente 14
0,8
0,3
-0,2
-0,7
-1,2
-1,6 -0,6 0,4 1,4 2,4
Componente 13
1,8
1,3
Componente 16
0,8
0,3
-0,2
-0,7
-1,2
-1,1 -0,7 -0,3 0,1 0,5 0,9 1,3
Componente 15
65
1,1
0,6
Componente 18
0,1
-0,4
-0,9
-1,4
-1,9
-0,8 -0,5 -0,2 0,1 0,4 0,7
Componente 17
0,45
0,25
Componente 20
0,05
-0,15
-0,35
-1 -0,7 -0,4 -0,1 0,2 0,5
Componente 19
0,22
0,12
Componente 21
0,02
-0,08
-0,18
-0,35 -0,15 0,05 0,25 0,45
Componente 20
66
0,52
Odis pH Ta
0,32
VolExp ETo
Componente 2
Rad
V
0,12 Vx Tx
Tn
T
Filt
-0,08 Qsal
Hf P
Qent DV DJ
HR
-0,28
Profundidad
Con
-0,48
-0,3 -0,1 0,1 0,3 0,5
Componente 1
0,39 Rad
Profundidad VolExp
ETo
0,19
Componente 4
HR
Con Tx T pH
Tn
-0,01 DV Odis
Filt
Qent Qsal
DJ P
-0,21 Hf
V Ta
Vx
-0,41
-0,51 -0,31 -0,11 0,09 0,29 0,49
Componente 3
0,66
DV
P
0,46
Componente 6
pH
0,26
Con Profundidad
0,06 DJ ETo
Rad Tx V Vx
Ta Odis T
VolExp
-0,14 Tn
Qsal
Filt Qent HR
Hf
-0,34
-0,52 -0,32 -0,12 0,08 0,28 0,48
Componente 5
67
0,38
pH
Qent Vx
0,18 Con HR
V DJ Tn
Componente 8
DV
T Profundidad
-0,02 Ta Odis Tx
Qsal VolExp
ETo
-0,22
Rad Filt
-0,42 Hf
P
-0,62
-0,5 -0,2 0,1 0,4 0,7 1
Componente 7
0,84
HR
0,64
Componente 10
0,44
DV
Rad
Vx V
0,24
Filt
VolExp ETo Profundidad Hf
0,04 TnQsal Ta
Qent T P DJ pH
Tx
Odis Con
-0,16
-0,31 -0,11 0,09 0,29 0,49 0,69
Componente 9
0,43
Rad
V Qent
0,23
Componente 12
DJ
Qsal P
0,03 HR
pH Ta ETo
Filt Con
Profundidad
-0,17
VolExp Tn
DV Vx Odis
Hf T
Tx
-0,37
-0,4 -0,2 0 0,2 0,4 0,6 0,8
Componente 11
68
0,7
Qsal
0,5
Componente 14
0,3 V Odis
VolExp
Profundidad
Filt Con
0,1 Ta
HR DV Tn
ETo P pH
-0,1 T
DJ Vx Hf
Rad
Tx Qent
-0,3
-0,15 0,05 0,25 0,45 0,65 0,85
Componente 13
0,66
Ta
Profundidad
0,46
Componente 16
Odis
0,26
DJ Rad
0,06 Vx
HR Con Filt
Tn P
V QentETo DV
VolExp
-0,14 T Tx Hf
Qsal
-0,34 pH
-0,6 -0,4 -0,2 0 0,2 0,4 0,6

Componente 15
0,6
ETo
0,4
Tx
Componente 18
0,2 HR
Ta
V Con
Profundidad pH Filt
0 Odis Qsal P DV VolExp
Vx
DJ Qent Hf
-0,2 T
-0,4 Rad
Tn
-0,6
-0,6 -0,4 -0,2 0 0,2 0,4 0,6
Componente 17
69
0,23
Rad HRFilt P Tn
Tx Profundidad
0,03 V T OdispH Vx
Ta
Componente 20
QsalCon DV
Hf ETo
-0,17 Qent
-0,37
VolExp
-0,57
DJ
-0,77
-0,6 -0,4 -0,2 0 0,2 0,4 0,6
Componente 19
0,6
Tx Tn
0,3
Componente 21
VolExp Ta V HR
DJ EToHf Con P
0
Qent OdisFilt pH Rad
Qsal DVVx
Profundidad
-0,3
-0,6
T
-0,9
-0,77 -0,57 -0,37 -0,17 0,03 0,23
Componente 20
70
ANEXO 11. PUNTUACIONES DE LOS COMPONENTES EN LOS
PERIODOS DE CALIBRACIN Y VALIDACIN (SIN
DATOS ANMALOS)
71
CALIBRACIN
Componentes
Variable
1 2 3 4 5 6
DJ -5,73398E-5 -3,75816E-4 7,61838E+3 -3,11047E-3 0,863246 0,486670
V 2,05661E-8 -4,69268E-7 -7,1363E-6 -2,09352E-5 2,19174E-5 8,24045E-4
DV -2,14556E-5 2,95748E-4 -2,89508E-3 5,92619E-3 -0,496175 0,773584
Vx 2,97511E-8 2,64799E-6 -1,4613E-5 4,00684E-6 1,87413E-3 3,64537E-3
T 9,3327E-7 -9,59452E-5 4,65719E-4 -5,19276E-4 1,70669E-2 -2,06092E-2
Tn 7,41448E-7 -9,43308E-5 4,52298E-4 -5,4212E-4 1,74064E-2 -1,81438E-2
Tx 9,58448E-7 -9,62738E-5 4,54476E-4 -4,76493E-4 1,27124E-2 -2,30657E-2
Hf 7,93742E-7 1,52555E-5 -1,64246E-4 1,77348E-4 -1,12854E-2 8,16419E-3
HR -3,73036E-7 4,63447E-5 1,68823E-4 -1,37802E-3 1,14816E-2 -4,15525E-2
Rad 3,18944E-5 -8,51589E-4 2,4421E-3 -8,26485E-3 8,63814E-2 -0,401850
P -4,1029E-7 5,15793E-6 0 4,50352E-6 2,24591E-3 8,05544E-3
ETo 5,84669E-7 -2,1403E-5 7,18036E-5 -1,42521E-4 3,83321E-3 -5,34059E-3
VolExp 0,999984 4,46519E-3 3,35641E-3 1,19965E-4 1,1593E-5 5,33231E-5
Qent -5,00693E-3 0,982864 0,184254 -1,75546E-3 -9,91943E-4 -4,57382E-4
Qsal -2,47764E-3 -0,184221 0,982725 1,53707E-2 -8,11113E-3 -4,68935E-4
Filt -9,04726E-5 4,54721E-3 -1,47227E-2 0,999822 6,50631E-3 -6,4777E-3
Profundidad 4,16889E-7 -7,93989E-7 -1,16016E-5 -2,07218E-5 2,82636E-3 -2,62194E-3
Componentes
Variable
7 8 9 10 11 12
DJ 0,130435 2,14758E-2 -2,32096E-3 -1,92282E-2 -8,67791E-4 5,09001E-3
V 1,84789E-3 -1,58885E-2 5,31357E-4 -7,06134E-3 -3,01735E-2 -1,38139E-2
DV 0,385466 8,16061E-2 0 8,37029E-3 9,51266E-4 3,89481E-3
Vx 5,11413E-3 -6,0397E-2 3,64147E-3 7,06451E-2 -1,68736E-2 -0,152525
T 3,33468E-2 7,40618E-2 -2,14918E-4 0,516821 0,243004 8,35378E-2
Tn 2,56222E-2 9,402E-2 7,35522E-4 0,490523 0,239962 -2,46536E-3
Tx 3,72456E-2 7,09598E-2 -2,02229E-3 0,514673 0,219256 0,239157
Hf -7,60801E-3 -8,95865E-2 -1,10545E-3 -0,432291 0,856291 0,252508
HR -0,105855 0,977112 -1,6713E-2 -0,155345 6,81762E-3 3,06783E-2
Rad 0,905260 6,83749E-2 -7,46833E-3 -7,73224E-2 -1,26738E-2 -2,14633E-2
P -1,34203E-2 4,26031E-2 2,75911E-3 4,26459E-2 0,315983 -0,918987
ETo 1,46462E-2 -7,97258E-3 1,09869E-3 5,56639E-2 2,84807E-2 -5,10409E-2
VolExp -1,64876E-5 4,99607E-8 -1,7899E-7 -4,5139E-7 0 -3,93046E-8
Qent 3,08491E-4 -5,29937E-5 3,80223E-6 1,23367E-5 1,44044E-5 0
Qsal -2,12888E-3 -3,55349E-4 4,99336E-5 -3,94803E-4 -1,44607E-4 -9,36877E-5
Filt 5,54417E-3 1,6385E-3 -7,23408E-5 -9,3025E-5 1,09546E-4 -3,24468E-5
Profundidad 5,35434E-3 1,70055E-2 0,999816 -3,33804E-3 4,57456E-4 4,30203E-3
72
Componentes
Variable
13 14 15 16 17
DJ -2,21174E-4 3,53374E-3 -1,04571E-3 -8,17139E-4 1,06276E-4
V 8,81392E-2 -6,91007E-2 -7,55524E-2 0,394125 0,908298
DV 9,00435E-4 -1,87796E-3 7,25827E-4 4,63622E-4 -2,6158E-4
Vx 0,958988 -0,163077 -6,64416E-2 -0,113287 -6,52374E-2
T 3,48511E-2 -3,52217E-2 0,803766 -4,51237E-2 9,49829E-2
Tn -0,182583 -0,690057 -0,420884 -6,49022E-2 -2,82716E-2
Tx 9,96148E-2 0,668984 -0,404088 4,41682E-2 4,55995E-3
Hf 7,60067E-2 -4,24958E-2 -4,11028E-3 1,05487E-2 1,18397E-2
HR 8,05509E-2 -3,38334E-3 4,69379E-3 1,61746E-2 2,1383E-3
Rad 1,29428E-3 -2,14736E-3 -1,3847E-3 -1,16411E-2 3,0196E-3
P -0,11069 0,192906 -2,27109E-2 -2,62181E-2 3,25198E-2
ETo 5,98017E-2 -6,79509E-2 5,33754E-2 0,906882 -0,399606
VolExp -9,71301E-8 2,4074E-7 -7,2583E-8 -1,48209E-7 4,07122E-8
Qent 0 0 -8,53229E-7 2,68462E-6 -6,27473E-8
Qsal 3,26936E-5 -5,3352E-6 6,24428E-6 8,9022E-7 -6,056E-6
Filt 7,52728E-5 -7,76194E-5 0 1,94049E-5 2,61332E-5
Profundidad -1,51687E-3 1,91481E-3 1,23789E-5 -4,00494E-4 2,26343E-4
Tabla de pesos de los Componentes
Componente 1 = 5,73398E5(DJ) + 2,05661E8(V) 2,14556E5(DV) +

2,97511E8(Vx) + 9,3327E7(T) + 7,41448E7(Tn) + 9,58448E7(Tx) +
7,93742E7(Hf) 3,73036E7(HR) + 3,18944E5(Rad) 4,1029E7(P) +
5,84669E7(ETo)+ 0,999984(VolExp) 5,00693E3(Qent) 2,47764E3(Qsal)
9,04726E5(Filt) + 4,16889E7(Profundidad)
En la Tabla de pesos de los componentes y en la ecuacin anterior, las variables se

expresan con sus valores y unidades originales, es decir, sin estandarizar.
En la tabla siguiente se muestran las puntuaciones de los componentes para los

primeros registros en el periodo de Calibracin:
73
Componente
74
No de registro
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 7813678 70630 37322 938,437 -21,8978 583,173 131,778 91,5008 -3,014 -3,4481 8,2002 3,3524 12,4832 4,507 -1,4357 0,0849 1,72596
2 7813678 70630 37322 938,437 -21,8967 583,172 131,781 91,5078 -2,604 -3,4495 8,2004 3,3542 12,4826 4,5078 -1,4357 0,0847 1,72605
3 7813678 70630 37322 938,437 -21,8955 583,171 131,783 91,515 -2,184 -3,4509 8,2006 3,356 12,4819 4,5086 -1,4357 0,0846 1,72615
4 7813678 70630 37322 938,437 -21,8943 583,17 131,785 91,5221 -1,764 -3,4523 8,2008 3,3578 12,4813 4,5094 -1,4357 0,0844 1,72624
5 7813678 70630 37322 938,437 -21,8931 583,168 131,787 91,5292 -1,344 -3,4537 8,201 3,3596 12,4807 4,5102 -1,4357 0,0842 1,72634
6 7813678 70630 37322 938,437 -21,8907 583,166 131,792 91,5434 -0,514 -3,4565 8,2014 3,3632 12,4794 4,5118 -1,4357 0,0839 1,72653
7 7813678 70630 37322 938,437 -21,8896 583,165 131,794 91,5505 -0,094 -3,4579 8,2016 3,365 12,4788 4,5126 -1,4357 0,0837 1,72662
8 7813678 70630 37322 938,437 -21,8884 583,164 131,796 91,5575 0,316 -3,4592 8,2018 3,3668 12,4781 4,5134 -1,4357 0,0836 1,72672
9 7813678 70630 37322 938,437 -21,886 583,162 131,801 91,5718 1,156 -3,462 8,2021 3,3704 12,4769 4,515 -1,4357 0,0832 1,72691
10 7813678 70630 37322 938,437 -21,8837 583,16 131,805 91,5859 1,985 -3,4648 8,2025 3,3739 12,4756 4,5166 -1,4357 0,0829 1,72709
11 7813678 70630 37322 938,437 -21,8813 583,158 131,81 91,6002 2,825 -3,4676 8,2029 3,3776 12,4743 4,5182 -1,4356 0,0825 1,72728
12 7813678 70630 37322 938,437 -21,879 583,155 131,814 91,6143 3,655 -3,4704 8,2033 3,3811 12,4731 4,5198 -1,4356 0,0822 1,72747
13 7813678 70630 37322 938,437 -21,8766 583,153 131,819 91,6284 4,485 -3,4732 8,2037 3,3847 12,4718 4,5214 -1,4356 0,0819 1,72766
14 7813678 70630 37322 938,437 -21,8754 583,152 131,821 91,6355 4,905 -3,4746 8,2039 3,3865 12,4712 4,5222 -1,4356 0,0817 1,72775
15 7813678 70630 37322 938,437 -21,8742 583,151 131,823 91,6427 5,325 -3,476 8,2041 3,3883 12,4705 4,523 -1,4356 0,0815 1,72785
16 7813678 70630 37322 938,437 -21,8731 583,15 131,825 91,6496 5,735 -3,4773 8,2042 3,3901 12,4699 4,5237 -1,4356 0,0814 1,72794
17 7813678 70630 37322 938,437 -21,8719 583,149 131,828 91,6568 6,155 -3,4787 8,2044 3,3919 12,4693 4,5245 -1,4356 0,0812 1,72804
18 7813678 70630 37322 938,437 -21,8707 583,148 131,83 91,6639 6,575 -3,4801 8,2046 3,3937 12,4686 4,5254 -1,4356 0,081 1,72813
19 7813678 70630 37322 938,437 -21,8684 583,146 131,834 91,678 7,404 -3,4829 8,205 3,3973 12,4674 4,5269 -1,4356 0,0807 1,72832
20 7813678 70630 37322 938,437 -21,866 583,143 131,839 91,6923 8,244 -3,4857 8,2054 3,4009 12,4661 4,5286 -1,4356 0,0804 1,72851
21 7813678 70630 37322 938,437 -21,8636 583,141 131,843 91,7064 9,074 -3,4885 8,2058 3,4044 12,4649 4,5301 -1,4356 0,08 1,7287
22 7813678 70630 37322 938,437 -21,8613 583,139 131,848 91,7206 9,904 -3,4912 8,2061 3,408 12,4636 4,5317 -1,4356 0,0797 1,72889
23 7813678 70630 37322 938,437 -21,8589 583,137 131,852 91,7348 10,74 -3,494 8,2065 3,4116 12,4623 4,5333 -1,4355 0,0794 1,72908
24 7813678 70630 37322 938,437 -21,8566 583,135 131,857 91,749 11,57 -3,4968 8,2069 3,4152 12,4611 4,5349 -1,4355 0,079 1,72926
25 7813678 70630 37322 938,437 -21,8542 583,132 131,861 91,7632 12,41 -3,4996 8,2073 3,4188 12,4598 4,5365 -1,4355 0,0787 1,72945
26 7813678 70630 37322 938,437 -21,8519 583,13 131,866 91,7774 13,24 -3,5024 8,2077 3,4224 12,4585 4,5381 -1,4355 0,0784 1,72964
27 7813678 70630 37322 938,436 -21,8495 583,128 131,87 91,7915 14,07 -3,5052 8,2081 3,426 12,4573 4,5397 -1,4355 0,078 1,72983
28 7813678 70630 37322 938,436 -21,8471 583,126 131,874 91,8058 14,91 -3,508 8,2084 3,4296 12,456 4,5413 -1,4355 0,0777 1,73002
29 7813678 70630 37322 938,436 -21,8448 583,124 131,879 91,8199 15,74 -3,5107 8,2088 3,4331 12,4547 4,5429 -1,4355 0,0774 1,73021
30 7813678 70630 37322 938,436 -21,8424 583,121 131,883 91,8342 16,58 -3,5135 8,2092 3,4368 12,4535 4,5445 -1,4355 0,077 1,7304
31 7813678 70630 37322 938,436 -21,8413 583,12 131,886 91,8411 16,99 -3,5149 8,2094 3,4385 12,4528 4,5453 -1,4355 0,0769 1,73049
32 7813678 70630 37322 938,436 -21,8389 583,118 131,89 91,8554 17,83 -3,5177 8,2098 3,4421 12,4516 4,5469 -1,4355 0,0765 1,73068
33 7813678 70630 37322 938,436 -21,8365 583,116 131,895 91,8695 18,66 -3,5205 8,2102 3,4457 12,4503 4,5485 -1,4355 0,0762 1,73087
34 7813678 70630 37322 938,436 -21,8342 583,114 131,899 91,8838 19,5 -3,5233 8,2105 3,4493 12,449 4,5501 -1,4354 0,0759 1,73106
35 7813678 70630 37322 938,436 -21,8318 583,112 131,904 91,8979 20,33 -3,5261 8,2109 3,4529 12,4478 4,5517 -1,4354 0,0755 1,73125
36 7863581 89831 41047 909,777 -32,998 542,195 221,745 102,987 -3,748 -11,531 7,2995 1,6028 12,3544 4,3217 -1,3601 -0,275 1,96489
37 7863581 89831 41047 909,777 -32,9968 542,194 221,747 102,994 -3,338 -11,532 7,2997 1,6045 12,3537 4,3225 -1,3601 -0,275 1,96498
38 7863581 89831 41047 909,777 -32,9956 542,192 221,749 103,001 -2,918 -11,534 7,2998 1,6063 12,3531 4,3233 -1,3601 -0,275 1,96508
39 7863581 89831 41047 909,777 -32,9944 542,191 221,752 103,008 -2,498 -11,535 7,3 1,6081 12,3525 4,3241 -1,3601 -0,275 1,96517
40 7863581 89831 41047 909,777 -32,9933 542,19 221,754 103,015 -2,079 -11,537 7,3002 1,6099 12,3518 4,3249 -1,3601 -0,275 1,96527
VALIDACIN
Componentes
Variable
1 2 3 4 5 6
DJ -3,29408E-5 -1,68437E-3 -3,55091E-4 1,71024E-3 2,16727E-2 0,105182
V 5,90335E-9 1,2705E-6 4,17567E-6 1,1237E-5 3,02279E-4 1,41413E-3
DV -2,54663E-6 1,98672E-3 -2,2716E-3 1,58111E-4 0,958824 -0,282381
Vx 5,07218E-8 1,11373E-5 1,12728E-5 3,45476E-6 -2,85769E-3 3,12602E-4
T -1.85812E-6 -2,60928E-4 9,43213E-5 2,2586E-4 -1,80388E-3 1,97605E-2
Tn -1,88982E-6 -2,50184E-4 1,10773E-4 1,10494E-4 -6,12466E-3 1,14234E-2
Tx -1,86411E-6 -2,56791E-4 8,00301E-5 2,80062E-4 1,94079E-3 2,60059E-2
Hf 2,27322E-7 8,05363E-5 1,57146E-5 -7,77307E-5 -2,61168E-3 -9,71658E-4
HR -6,62691E-7 4,0177E-5 -1,60707E-5 -1,35121E-3 -4,93745E-2 -7,7975E-2
Rad 4,65728E-6 -2,91262E-3 2,82585E-4 6,33443E-3 0,278686 0,949458
P -5,3043E-8 0 -5,18557E-5 -1,1202E-4 -1,65805E-3 -1,44884E-2
ETo -9,69943E-8 -6,36744E-5 2,04581E-5 1,08738E-4 3,35706E-3 1,35716E-2
VolExp 0,99998 -5,55921E-3 2,9295E-3 7,89852E-5 1,36963E-5 -2,42754E-5
Qent 3,30964E-3 0,861112 0,505764 -5,1649E-2 2,60826E-4 2,91214E-3
Qsal -5,34202E-3 -0,50675 0,862034 -7,88351E-3 2,36709E-3 -2,4941E-3
Filt 4,99392E-5 4,05586E-2 3,29627E-2 0,998612 -1,99155E-3 -6,14888E-3
Profundidad 1,21484E-7 -1,03258E-5 5,5306E-6 -3,75758E-5 -2,27211E-4 -6,67571E-4
Componentes
Variable
7 8 9 10 11 12
DJ 0,677423 0,684336 2,18032E-2 -0,232037 -7,53918E-2 1,21236E-2
V -1,07066E-2 9,76078E-3 -2,74004E-4 -1,49998E-2 -2,19668E-2 2,86092E-2
DV 2,57074E-2 -9,36037E-3 1,27251E-4 1,02235E-2 -5,46705E-3 1,84583E-3
Vx -3,09364E-2 4,91355E-2 2,8271E-4 -5,01333E-2 -1,30573E-2 0,280973
T 7,93786E-2 9,89542E-2 2,05841E-3 0,546703 -8,52051E-2 3,56971E-2
Tn 9,57362E-2 7,73419E-2 1,25799E-3 0,504105 -0,123395 -0,135467
Tx 6,52381E-2 0,118764 3,30759E-3 0,595032 6,0699E-2 0,353170
Hf -8,0361E-2 -7,25628E-2 -1,42672E-3 -0,131814 -0,847643 0,471721
HR 0,716062 -0,687598 -5,61476E-3 2,17097E-2 -8,44038E-3 2,96345E-2
Rad -1,30106E-2 -0,141856 -2,32995E-3 -6,08754E-3 1,43876E-2 3,96763E-3
P 6,68789E-3 -4,23753E-3 -1,82232E-3 -0,114948 0,498679 0,742151
ETo -9,77162E-3 2,47014E-2 1,15963E-3 7,17606E-2 1,48141E-3 3,90755E-2
VolExp 1,81672E-5 1,90211E-5 3,90148E-7 0 0 5,36922E-7
Qent 1,09611E-3 9,26297E-4 3,71889E-5 -1,07874E-4 -3,11355E-5 5,6859E-5
Qsal -2,98971E-4 -2,37494E-4 -1,9343E-5 -1,91315E-4 3,19438E-5 -1,29655E-5
Filt -1,09966E-4 -1,22913E-3 7,2382E-6 7,97758E-5 3,19873E-5 1,90305E-5
Profundidad -1,13711E-2 -1,99611E-2 0,999732 9,67507E-4 1,45621E-3 7,486E-4
75
Componentes
Variable
13 14 15 16 17
DJ -3,22049E-2 -6,05327E-4 3,80821E-3 6,47717E-3 -1,25504E-3
V 0,159159 2,59479E-2 4,34262E-2 0,174946 0,969415
DV 4,68884E-3 -2,03708E-4 3,84586E-5 -9,20592E-5 -2,78485E-4
Vx 0,860473 0,374546 -4,14673E-2 -0,115324 -0,138828
T 2,18802E-2 -8,01E-2 -0,816556 3,56997E-2 3,40154E-2
Tn 0,346186 -0,621608 0,428943 -7,34027E-2 -3,69012E-2
Tx -0,297211 0,515576 0,367877 -8,84363E-2 3,41233E-2
Hf -0,121424 -0,121544 1,24853E-2 4,23893E-3 -1,34589E-2
HR 3,62839E-2 5,29537E-2 -2,04871E-3 1,88444E-2 3,54587E-3
Rad 8,92754E-3 -8,05426E-3 -9,08379E-4 -1,05775E-2 6,26126E-4
P -5,59552E-2 -0,425001 -5,57874E-2 9,31602E-3 9,13734E-3
ETo 7,2564E-2 4,62618E-2 8,37704E-2 0,97005 -0,192352
VolExp -9,2531E-7 6,47871E-8 1,20976E-7 7,43331E-8 1,0731E-8
Qent -3,52641E-5 -4,79389E-5 -4,7237E-6 7,99339E-6 0
Qsal -1,88237E-5 4,2277E-5 0 0 3,72791E-7
Filt 5,66405E-5 1,46744E-7 1,54949E-5 8,74718E-7 2,25874E-7
Profundidad 8,6984E-4 -1,56741E-3 -3,29696E-4 -7,70227E-4 4,37801E-4
Tabla de pesos de los Componentes
primer componente principal tiene la ecuacin
Componente 1 = 3,29408E-5(DJ) + 5,90335E-9(V) 2,54663E-6(DV) + 5,07218E-

8(Vx) 1,85812E-6(T) 1,88982E-6(Tn) 1,86411E-6(Tx) + 2,27322E-7(Hf)
6,62691E-7(HR) + 4,65728E-6(Rad) 5,3043E-8(P) 9,69943E-8(ETo) +
0,99998(VolExp) + 3,30964E-3(Qent) 5,34202E-3(Qsal) + 4,99392E-5(Filt) +
1,21484E-7(Profundidad)
En la Tabla de pesos de los componentes y en la ecuacin anterior, las variables se

expresan con sus valores y unidades originales, es decir, sin estandarizar.
En la tabla siguiente se muestran las puntuaciones de los componentes para los

primeros registros en el periodo de Validacin:
76
Componente
No de registro
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 10104844,9 -29747 63159,773 -1381,2791 507,682674 -98,43071 315,41423 193,7561 6,09286 -1,29601 -11,7995 20,7784 -6,952823 5,703919 0,5925899 1,24092 1,091861
2 10104844,9 -29747 63159,773 -1381,2791 507,682581 -98,43098 315,40956 193,7479 6,50275 -1,29561 -11,7989 20,7787 -6,952466 5,703276 0,5924547 1,2406 1,092041
3 10104844,9 -29747 63159,773 -1381,2791 507,682485 -98,43126 315,40479 193,7395 6,92263 -1,2952 -11,7983 20,779 -6,952101 5,702618 0,5923163 1,24028 1,092225
4 10104844,9 -29747 63159,773 -1381,2792 507,68239 -98,43154 315,40001 193,7311 7,34252 -1,2948 -11,7977 20,7793 -6,951736 5,701959 0,5921778 1,23995 1,092409
5 10104844,9 -29747 63159,773 -1381,2792 507,682297 -98,43182 315,39535 193,7229 7,75241 -1,2944 -11,7971 20,7796 -6,951379 5,701317 0,5920426 1,23964 1,092588
6 10104844,9 -29747 63159,773 -1381,2792 507,682201 -98,4321 315,39057 193,7145 8,1723 -1,29399 -11,7965 20,7799 -6,951014 5,700658 0,5919042 1,23931 1,092772
7 10104844,9 -29747 63159,773 -1381,2792 507,682013 -98,43265 315,38114 193,698 9,00208 -1,29319 -11,7953 20,7806 -6,950292 5,699357 0,5916305 1,23868 1,093135
8 10104844,9 -29747 63159,773 -1381,2792 507,681917 -98,43293 315,37636 193,6896 9,42196 -1,29278 -11,7947 20,7809 -6,949926 5,698699 0,591492 1,23835 1,093319
9 10104844,9 -29747 63159,773 -1381,2793 507,681822 -98,43321 315,37158 193,6812 9,84185 -1,29238 -11,7941 20,7812 -6,949561 5,698041 0,5913536 1,23803 1,093503
10 10104844,9 -29747 63159,773 -1381,2793 507,681729 -98,43349 315,36692 193,673 10,2517 -1,29198 -11,7935 20,7815 -6,949204 5,697398 0,5912184 1,23771 1,093683
11 10104844,9 -29747 63159,773 -1381,2793 507,681633 -98,43377 315,36215 193,6646 10,6716 -1,29157 -11,7928 20,7818 -6,948839 5,69674 0,5910799 1,23739 1,093867
12 10104844,9 -29747 63159,773 -1381,2793 507,681445 -98,43432 315,35271 193,6481 11,5014 -1,29077 -11,7916 20,7824 -6,948117 5,695439 0,5908063 1,23675 1,09423
13 10104844,9 -29747 63159,773 -1381,2794 507,681254 -98,43488 315,34316 193,6313 12,3412 -1,28996 -11,7904 20,7831 -6,947386 5,694122 0,5905293 1,2361 1,094598
14 10104844,9 -29747 63159,773 -1381,2794 507,681161 -98,43516 315,33849 193,6231 12,7511 -1,28956 -11,7898 20,7834 -6,94703 5,69348 0,5903941 1,23579 1,094777
15 10104844,9 -29747 63159,773 -1381,2794 507,681065 -98,43544 315,33372 193,6147 13,171 -1,28916 -11,7892 20,7837 -6,946664 5,692821 0,5902557 1,23546 1,094961
16 10104844,9 -29747 63159,773 -1381,2794 507,680877 -98,43599 315,32428 193,5982 14,0007 -1,28835 -11,788 20,7843 -6,945942 5,69152 0,589982 1,23482 1,095324
17 10104844,9 -29747 63159,773 -1381,2794 507,680686 -98,43655 315,31473 193,5814 14,8405 -1,28754 -11,7868 20,7849 -6,945212 5,690204 0,5897051 1,23418 1,095692
18 10104844,9 -29747 63159,773 -1381,2795 507,680497 -98,43711 315,30529 193,5648 15,6703 -1,28674 -11,7856 20,7856 -6,94449 5,688903 0,5894314 1,23354 1,096056
19 10104844,9 -29747 63159,773 -1381,2796 507,679929 -98,43877 315,27686 193,5149 18,1696 -1,28432 -11,7819 20,7874 -6,942315 5,684984 0,5886072 1,23161 1,09715
20 10104844,9 -29747 63159,773 -1381,2797 507,679361 -98,44044 315,24844 193,465 20,6689 -1,2819 -11,7783 20,7893 -6,940141 5,681066 0,587783 1,22969 1,098245
21 10104844,9 -29747 63159,773 -1381,2798 507,678793 -98,44211 315,22001 193,4151 23,1683 -1,27948 -11,7746 20,7912 -6,937966 5,677147 0,5869587 1,22776 1,099339
22 10104844,9 -29747 63159,773 -1381,2799 507,678225 -98,44378 315,19158 193,3652 25,6676 -1,27706 -11,771 20,793 -6,935791 5,673229 0,5861345 1,22584 1,100434
23 10104844,9 -29747 63159,773 -1381,2799 507,677657 -98,44545 315,16315 193,3153 28,1669 -1,27464 -11,7674 20,7949 -6,933617 5,66931 0,5853102 1,22391 1,101528
24 10104844,9 -29747 63159,773 -1381,28 507,677089 -98,44712 315,13472 193,2654 30,6663 -1,27222 -11,7637 20,7968 -6,931442 5,665392 0,584486 1,22198 1,102623
25 10104844,9 -29747 63159,773 -1381,2801 507,676521 -98,44879 315,1063 193,2155 33,1656 -1,26981 -11,7601 20,7987 -6,929268 5,661473 0,5836618 1,22006 1,103717
26 10127840 -31110,2 62501,222 -1306,0432 508,116997 -218,7664 316,66087 209,6545 6,33138 -2,12557 -9,75644 18,0599 -6,072591 4,087485 1,2625135 1,9376 0,974749
27 10127840 -31110,2 62501,222 -1306,0432 508,116904 -218,7666 316,65621 209,6464 6,74127 -2,12517 -9,75584 18,0602 -6,072235 4,086842 1,2623783 1,93728 0,974929
28 10127840 -31110,2 62501,222 -1306,0432 508,116808 -218,7669 316,65143 209,638 7,16115 -2,12477 -9,75523 18,0605 -6,07187 4,086184 1,2622398 1,93696 0,975113
29 10127840 -31110,2 62501,222 -1306,0432 508,116713 -218,7672 316,64666 209,6296 7,58104 -2,12436 -9,75462 18,0609 -6,071504 4,085525 1,2621013 1,93664 0,975297
30 10127840 -31110,2 62501,222 -1306,0432 508,11662 -218,7675 316,64199 209,6214 7,99093 -2,12396 -9,75402 18,0612 -6,071148 4,084883 1,2619662 1,93632 0,975476
31 10127840 -31110,2 62501,222 -1306,0432 508,116524 -218,7677 316,63722 209,613 8,41082 -2,12356 -9,75341 18,0615 -6,070782 4,084224 1,2618277 1,936 0,97566
32 10127840 -31110,2 62501,222 -1306,0433 508,116336 -218,7683 316,62778 209,5964 9,2406 -2,12275 -9,7522 18,0621 -6,07006 4,082923 1,261554 1,93536 0,976023
33 10127840 -31110,2 62501,222 -1306,0433 508,11624 -218,7686 316,623 209,5881 9,66048 -2,12235 -9,75159 18,0624 -6,069695 4,082265 1,2614156 1,93503 0,976207
34 10127840 -31110,2 62501,222 -1306,0433 508,116145 -218,7689 316,61823 209,5797 10,0804 -2,12194 -9,75098 18,0627 -6,06933 4,081607 1,2612771 1,93471 0,976391
35 10127840 -31110,2 62501,222 -1306,0433 508,116052 -218,7691 316,61357 209,5715 10,4903 -2,12154 -9,75038 18,063 -6,068973 4,080964 1,2611419 1,9344 0,976571
36 10127840 -31110,2 62501,222 -1306,0433 508,115956 -218,7694 316,60879 209,5631 10,9101 -2,12114 -9,74977 18,0634 -6,068608 4,080306 1,2610034 1,93407 0,976755
37 10127840 -31110,2 62501,222 -1306,0434 508,115768 -218,77 316,59935 209,5465 11,7399 -2,12034 -9,74856 18,064 -6,067886 4,079005 1,2607298 1,93343 0,977118
38 10127840 -31110,2 62501,222 -1306,0434 508,115577 -218,7705 316,5898 209,5298 12,5797 -2,11952 -9,74734 18,0646 -6,067155 4,077688 1,2604529 1,93279 0,977486
39 10127840 -31110,2 62501,222 -1306,0434 508,115484 -218,7708 316,58514 209,5216 12,9896 -2,11913 -9,74674 18,0649 -6,066798 4,077046 1,2603177 1,93247 0,977665
77
40 10127840 -31110,2 62501,222 -1306,0434 508,115388 -218,7711 316,58036 209,5132 13,4095 -2,11872 -9,74613 18,0652 -6,066433 4,076387 1,2601792 1,93215 0,977849
Nomenclatura y unidades empleadas para las variables independientes o predictivas:
Clasificacin de la
variable
Hidrolgicas Qsal, Caudal de salida del embalse (m3/da)
Profundidad (m)
78
ANEXO 12. ANLISIS FACTORIAL PARA EL PERIODO
COMPLETO DE ESTUDIO, SIN DATOS
ANMALOS Y LAS VARIABLES SIN
TRANSFORMAR
79
Estadsticos descriptivos
Media Desviacin tpica N del anlisis
DJ 186,95 97,561 8974

V 1,283 ,303 8974
DV 235,85 79,106 8974
Vx 5,168 1,3697 8974
T 19,066 6,260 8974
Tn 14,859 6,052 8974
Tx 23,630 6,312 8974
Hf 1,01 3,119 8974
HR 58,16 12,821 8974
Rad 201,76 81,054 8974
P ,46 2,025 8974
ETo 3,51 1,593 8974
VolExp 8853793,2 1507776,4 8974
Qent 20238,4 28660,2 8974
Qsal 27093,9 11742,2 8974
Filt -501,2 1390,7 8974
Profundidad 8,885 7,629 8974
Ta 16,73 6,361 8974
Odis 8,04 4,215 8974
pH 8,24 ,409 8974
Con 984,63 77,421 8974
a) Extraccin de los factores por el Mtodo de Componentes principales, sin rotacin
Medida de adecuacin muestral de Kaiser-Meyer-Olkin. ,798
Chi-cuadrado aproximado 212407,580

Prueba de esfericidad de
Bartlett gl 210
Sig. ,000
80
Matriz de correlaciones (a)
DJ V DV Vx T Tn Tx Hf HR Rad P
Correlacin DJ 1,000 -0,062 0,017 -0,014 0,362 0,389 0,336 -0,421 0,036 -0,141 0,145
V -0,062 1,000 0,126 0,689 -0,158 -0,179 -0,153 0,208 -0,646 0,068 -0,188
DV 0,017 0,126 1,000 0,006 -0,486 -0,494 -0,454 0,199 -0,202 -0,428 0,108
Vx -0,014 0,689 0,006 1,000 -0,072 -0,101 -0,068 0,065 -0,463 -0,047 0,045
T 0,362 -0,158 -0,486 -0,072 1,000 0,986 0,987 -0,576 0,041 0,668 -0,132
Tn 0,389 -0,179 -0,494 -0,101 0,986 1,000 0,956 -0,585 0,110 0,610 -0,090
Tx 0,336 -0,153 -0,454 -0,068 0,987 0,956 1,000 -0,562 0,002 0,684 -0,159
Hf -0,421 0,208 0,199 0,065 -0,576 -0,585 -0,562 1,000 -0,194 -0,238 -0,059
HR 0,036 -0,646 -0,202 -0,463 0,041 0,110 0,002 -0,194 1,000 -0,191 0,245
Rad -0,141 0,068 -0,428 -0,047 0,668 0,610 0,684 -0,238 -0,191 1,000 -0,331
P 0,145 -0,188 0,108 0,045 -0,132 -0,090 -0,159 -0,059 0,245 -0,331 1,000
ETo 0,022 0,122 -0,485 0,069 0,825 0,777 0,830 -0,349 -0,242 0,930 -0,248
VolExp -0,670 0,032 -0,274 0,038 -0,085 -0,118 -0,085 0,167 -0,050 0,398 -0,149
Qent 0,014 0,010 0,319 0,073 -0,612 -0,606 -0,606 0,196 0,064 -0,567 0,087
Qsal 0,622 -0,094 -0,270 -0,101 0,755 0,773 0,737 -0,415 0,035 0,303 -0,023
Filt -0,015 0,057 0,196 0,042 -0,251 -0,263 -0,237 0,117 -0,126 -0,216 -0,035
Profundidad -0,024 0,004 -0,010 0,006 -0,002 -0,002 -0,002 0,010 0,000 0,015 -0,008
Ta 0,319 -0,099 -0,287 -0,076 0,633 0,636 0,617 -0,336 0,040 0,395 -0,059
Odis -0,449 0,072 0,197 0,070 -0,553 -0,562 -0,536 0,307 -0,053 -0,248 0,020
pH -0,249 -0,100 -0,033 -0,016 -0,099 -0,115 -0,086 -0,179 0,111 0,064 0,051
Con 0,309 0,000 0,230 0,000 -0,188 -0,167 -0,193 -0,048 0,044 -0,336 0,142
Sig. DJ 0,000 0,050 0,095 0,000 0,000 0,000 0,000 0,000 0,000 0,000
(Unilateral) V 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
DV 0,050 0,000 0,298 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Vx 0,095 0,000 0,298 0,000 0,000 0,000 0,000 0,000 0,000 0,000
T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Tn 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Tx 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,439 0,000 0,000
Hf 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
HR 0,000 0,000 0,000 0,000 0,000 0,000 0,439 0,000 0,000 0,000
Rad 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
P 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
ETo 0,018 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
VolExp 0,000 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Qent 0,096 0,176 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Qsal 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,013
Filt 0,074 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Profundidad 0,012 0,348 0,166 0,297 0,439 0,416 0,424 0,166 0,485 0,073 0,217
Ta 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Odis 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,029
pH 0,000 0,000 0,001 0,068 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Con 0,000 0,485 0,000 0,485 0,000 0,000 0,000 0,000 0,000 0,000 0,000
a Determinante = 5,13E-011
81
Matriz de correlaciones (continuacin)
ETo VolExp Qent Qsal Filt Profundidad Ta Odis pH Con
Correlacin DJ 0,022 -0,670 0,014 0,622 -0,015 -0,024 0,319 -0,449 -0,249 0,309
V 0,122 0,032 0,010 -0,094 0,057 0,004 -0,099 0,072 -0,100 0,000
DV -0,485 -0,274 0,319 -0,270 0,196 -0,010 -0,287 0,197 -0,033 0,230
Vx 0,069 0,038 0,073 -0,101 0,042 0,006 -0,076 0,070 -0,016 0,000
T 0,825 -0,085 -0,612 0,755 -0,251 -0,002 0,633 -0,553 -0,099 -0,188
Tn 0,777 -0,118 -0,606 0,773 -0,263 -0,002 0,636 -0,562 -0,115 -0,167
Tx 0,830 -0,085 -0,606 0,737 -0,237 -0,002 0,617 -0,536 -0,086 -0,193
Hf -0,349 0,167 0,196 -0,415 0,117 0,010 -0,336 0,307 -0,179 -0,048
HR -0,242 -0,050 0,064 0,035 -0,126 0,000 0,040 -0,053 0,111 0,044
Rad 0,930 0,398 -0,567 0,303 -0,216 0,015 0,395 -0,248 0,064 -0,336
P -0,248 -0,149 0,087 -0,023 -0,035 -0,008 -0,059 0,020 0,051 0,142
ETo 1,000 0,277 -0,637 0,478 -0,240 0,015 0,499 -0,372 -0,016 -0,315
VolExp 0,277 1,000 -0,099 -0,476 -0,060 0,036 -0,161 0,342 0,323 -0,383
Qent -0,637 -0,099 1,000 -0,485 0,255 0,002 -0,416 0,293 0,025 0,264
Qsal 0,478 -0,476 -0,485 1,000 -0,185 -0,021 0,566 -0,563 -0,269 -0,008
Filt -0,240 -0,060 0,255 -0,185 1,000 -0,003 -0,181 0,116 -0,042 0,120
Profundidad 0,015 0,036 0,002 -0,021 -0,003 1,000 -0,563 -0,582 -0,322 0,520
Ta 0,499 -0,161 -0,416 0,566 -0,181 -0,563 1,000 0,014 0,216 -0,450
Odis -0,372 0,342 0,293 -0,563 0,116 -0,582 0,014 1,000 0,578 -0,447
pH -0,016 0,323 0,025 -0,269 -0,042 -0,322 0,216 0,578 1,000 -0,465
Con -0,315 -0,383 0,264 -0,008 0,120 0,520 -0,450 -0,447 -0,465 1,000
Sig. DJ 0,018 0,000 0,096 0,000 0,074 0,012 0,000 0,000 0,000 0,000
(Unilateral) V 0,000 0,001 0,176 0,000 0,000 0,348 0,000 0,000 0,000 0,485
DV 0,000 0,000 0,000 0,000 0,000 0,166 0,000 0,000 0,001 0,000
Vx 0,000 0,000 0,000 0,000 0,000 0,297 0,000 0,000 0,068 0,485
T 0,000 0,000 0,000 0,000 0,000 0,439 0,000 0,000 0,000 0,000
Tn 0,000 0,000 0,000 0,000 0,000 0,416 0,000 0,000 0,000 0,000
Tx 0,000 0,000 0,000 0,000 0,000 0,424 0,000 0,000 0,000 0,000
Hf 0,000 0,000 0,000 0,000 0,000 0,166 0,000 0,000 0,000 0,000
HR 0,000 0,000 0,000 0,000 0,000 0,485 0,000 0,000 0,000 0,000
Rad 0,000 0,000 0,000 0,000 0,000 0,073 0,000 0,000 0,000 0,000
P 0,000 0,000 0,000 0,013 0,000 0,217 0,000 0,029 0,000 0,000
ETo 0,000 0,000 0,000 0,000 0,082 0,000 0,000 0,063 0,000
VolExp 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Qent 0,000 0,000 0,000 0,000 0,433 0,000 0,000 0,009 0,000
Qsal 0,000 0,000 0,000 0,000 0,023 0,000 0,000 0,000 0,223
Filt 0,000 0,000 0,000 0,000 0,387 0,000 0,000 0,000 0,000
Profundidad 0,082 0,000 0,433 0,023 0,387 0,000 0,000 0,000 0,000
Ta 0,000 0,000 0,000 0,000 0,000 0,000 0,095 0,000 0,000
Odis 0,000 0,000 0,000 0,000 0,000 0,000 0,095 0,000 0,000
pH 0,063 0,000 0,009 0,000 0,000 0,000 0,000 0,000 0,000
Con 0,000 0,000 0,000 0,223 0,000 0,000 0,000 0,000 0,000
82
Inversa de la matriz de correlaciones
DJ V DV Vx T Tn Tx Hf HR Rad P ETo VolExp Qent Qsal Filt Profundidad Ta Odis pH Con
DJ 3,330 -0,101 0,042 0,069 -3,832 1,394 2,187 0,610 0,475 0,223 -0,212 0,712 0,637 -0,714 -1,328 -0,001 0,388 -0,561 0,836 -0,156 -0,497
V -0,101 3,706 -0,209 -1,894 6,142 -3,645 0,708 0,027 0,837 0,710 0,673 -3,349 0,539 0,106 -0,392 0,052 0,116 0,020 0,175 -0,012 0,004
DV 0,042 -0,209 1,775 0,320 0,638 0,532 -0,966 0,213 0,569 -0,520 -0,210 1,185 0,490 0,105 0,236 -0,020 -0,034 -0,049 -0,045 0,049 -0,021
Vx 0,069 -1,894 0,320 2,578 -4,809 3,153 0,626 0,046 0,111 1,416 -0,441 -0,617 -0,071 -0,194 0,398 0,024 -0,085 0,111 -0,230 -0,053 -0,020
T -3,832 6,142 0,638 -4,809 251,16 -127,7 -110,4 0,248 2,418 0,431 1,504 -13,56 -2,178 -0,963 1,138 -0,448 0,187 -2,438 3,488 -0,414 0,872
Tn 1,394 -3,645 0,532 3,153 -127,69 87,45 43,23 1,541 -4,034 5,551 -0,797 -1,430 0,345 1,290 -2,447 0,417 -0,506 -1,108 -0,347 1,138 0,022
Tx 2,187 0,708 -0,966 0,626 -110,39 43,23 69,14 0,560 0,028 0,373 0,530 -1,471 2,779 0,203 -1,602 0,014 0,122 1,286 -0,855 -0,455 -0,130
Hf 0,610 0,027 0,213 0,046 0,248 1,541 0,560 2,398 0,240 -0,210 0,008 0,164 -0,011 0,199 -0,371 0,039 -0,333 -0,673 0,025 1,007 0,544
HR 0,475 0,837 0,569 0,111 2,418 -4,034 0,028 0,240 2,859 -1,914 -0,366 4,032 -0,269 -0,147 0,104 0,199 0,180 -0,184 0,620 -0,206 -0,009
Rad 0,223 0,710 -0,520 1,416 0,431 5,551 0,373 -0,210 -1,914 16,30 1,474 -21,09 0,288 -0,023 0,023 0,041 0,096 0,144 -0,062 -0,670 -0,382
P -0,212 0,673 -0,210 -0,441 1,504 -0,797 0,530 0,008 -0,366 1,474 1,465 -2,232 0,100 0,177 -0,056 0,064 0,089 0,065 0,059 -0,189 -0,129
ETo 0,712 -3,349 1,185 -0,617 -13,564 -1,430 -1,471 0,164 4,032 -21,09 -2,232 37,93 -3,202 0,617 0,460 0,178 0,025 -1,114 1,311 0,766 0,470
VolExp 0,637 0,539 0,490 -0,071 -2,178 0,345 2,779 -0,011 -0,269 0,288 0,100 -3,202 3,769 0,046 1,237 0,011 -0,571 0,782 -1,183 -0,086 0,480
Qent -0,714 0,106 0,105 -0,194 -0,963 1,290 0,203 0,199 -0,147 -0,023 0,177 0,617 0,046 2,159 0,766 -0,127 0,009 0,100 -0,199 0,161 -0,057
Qsal -1,328 -0,392 0,236 0,398 1,138 -2,447 -1,602 -0,371 0,104 0,023 -0,056 0,460 1,237 0,766 5,109 0,061 -0,339 -0,499 0,049 0,408 0,459
Filt -0,001 0,052 -0,020 0,024 -0,448 0,417 0,014 0,039 0,199 0,041 0,064 0,178 0,011 -0,127 0,061 1,135 0,043 0,027 -0,026 0,057 -0,047
Profundidad 0,388 0,116 -0,034 -0,085 0,187 -0,506 0,122 -0,333 0,180 0,096 0,089 0,025 -0,571 0,009 -0,339 0,043 3,509 1,751 2,412 -0,903 -0,741
Ta -0,561 0,020 -0,049 0,111 -2,438 -1,108 1,286 -0,673 -0,184 0,144 0,065 -1,114 0,782 0,100 -0,499 0,027 1,751 4,602 -0,813 -0,804 0,141
Odis 0,836 0,175 -0,045 -0,230 3,488 -0,347 -0,855 0,025 0,620 -0,062 0,059 1,311 -1,183 -0,199 0,049 -0,026 2,412 -0,813 6,241 -1,575 0,586
pH -0,156 -0,012 0,049 -0,053 -0,414 1,138 -0,455 1,007 -0,206 -0,670 -0,189 0,766 -0,086 0,161 0,408 0,057 -0,903 -0,804 -1,575 2,512 0,654
Con -0,497 0,004 -0,021 -0,020 0,872 0,022 -0,130 0,544 -0,009 -0,382 -0,129 0,470 0,480 -0,057 0,459 -0,047 -0,741 0,141 0,586 0,654 2,589
83
84
Correlacin Matriz anti-imagen
anti-imagen DJ V DV Vx T Tn Tx Hf HR Rad P ETo VolExp Qent Qsal Filt Profundidad Ta Odis pH Con
DJ 0,815 -0,029 0,017 0,023 -0,132 0,082 0,144 0,216 0,154 0,030 -0,096 0,063 0,180 -0,266 -0,322 -0,001 0,114 -0,143 0,183 -0,054 -0,169
V -0,029 0,605 -0,082 -0,613 0,201 -0,202 0,044 0,009 0,257 0,091 0,289 -0,283 0,144 0,038 -0,090 0,025 0,032 0,005 0,036 -0,004 0,001
DV 0,017 -0,082 0,890 0,150 0,030 0,043 -0,087 0,103 0,253 -0,097 -0,130 0,144 0,190 0,054 0,078 -0,014 -0,014 -0,017 -0,013 0,023 -0,010
Vx 0,023 -0,613 0,150 0,552 -0,189 0,210 0,047 0,019 0,041 0,218 -0,227 -0,062 -0,023 -0,082 0,110 0,014 -0,028 0,032 -0,057 -0,021 -0,008
T -0,132 0,201 0,030 -0,189 0,778 -0,862 -0,838 0,010 0,090 0,007 0,078 -0,139 -0,071 -0,041 0,032 -0,027 0,006 -0,072 0,088 -0,016 0,034
Tn 0,082 -0,202 0,043 0,210 -0,862 0,810 0,556 0,106 -0,255 0,147 -0,070 -0,025 0,019 0,094 -0,116 0,042 -0,029 -0,055 -0,015 0,077 0,001
Tx 0,144 0,044 -0,087 0,047 -0,838 0,556 0,832 0,043 0,002 0,011 0,053 -0,029 0,172 0,017 -0,085 0,002 0,008 0,072 -0,041 -0,035 -0,010
Hf 0,216 0,009 0,103 0,019 0,010 0,106 0,043 0,841 0,092 -0,034 0,004 0,017 -0,004 0,088 -0,106 0,024 -0,115 -0,202 0,006 0,410 0,218
HR 0,154 0,257 0,253 0,041 0,090 -0,255 0,002 0,092 0,625 -0,280 -0,179 0,387 -0,082 -0,059 0,027 0,110 0,057 -0,051 0,147 -0,077 -0,003
Rad 0,030 0,091 -0,097 0,218 0,007 0,147 0,011 -0,034 -0,280 0,780 0,302 -0,848 0,037 -0,004 0,002 0,009 0,013 0,017 -0,006 -0,105 -0,059
P -0,096 0,289 -0,130 -0,227 0,078 -0,070 0,053 0,004 -0,179 0,302 0,497 -0,299 0,042 0,100 -0,021 0,049 0,039 0,025 0,019 -0,098 -0,066
ETo 0,063 -0,283 0,144 -0,062 -0,139 -0,025 -0,029 0,017 0,387 -0,848 -0,299 0,794 -0,268 0,068 0,033 0,027 0,002 -0,084 0,085 0,078 0,047
VolExp 0,180 0,144 0,190 -0,023 -0,071 0,019 0,172 -0,004 -0,082 0,037 0,042 -0,268 0,775 0,016 0,282 0,005 -0,157 0,188 -0,244 -0,028 0,154
Qent -0,266 0,038 0,054 -0,082 -0,041 0,094 0,017 0,088 -0,059 -0,004 0,100 0,068 0,016 0,933 0,231 -0,081 0,003 0,032 -0,054 0,069 -0,024
Qsal -0,322 -0,090 0,078 0,110 0,032 -0,116 -0,085 -0,106 0,027 0,002 -0,021 0,033 0,282 0,231 0,919 0,026 -0,080 -0,103 0,009 0,114 0,126
Filt -0,001 0,025 -0,014 0,014 -0,027 0,042 0,002 0,024 0,110 0,009 0,049 0,027 0,005 -0,081 0,026 0,948 0,022 0,012 -0,010 0,034 -0,027
Profundidad 0,114 0,032 -0,014 -0,028 0,006 -0,029 0,008 -0,115 0,057 0,013 0,039 0,002 -0,157 0,003 -0,080 0,022 0,605 0,436 0,515 -0,304 -0,246
Ta -0,143 0,005 -0,017 0,032 -0,072 -0,055 0,072 -0,202 -0,051 0,017 0,025 -0,084 0,188 0,032 -0,103 0,012 0,436 0,882 -0,152 -0,237 0,041
Odis 0,183 0,036 -0,013 -0,057 0,088 -0,015 -0,041 0,006 0,147 -0,006 0,019 0,085 -0,244 -0,054 0,009 -0,010 0,515 -0,152 0,825 -0,398 0,146
pH -0,054 -0,004 0,023 -0,021 -0,016 0,077 -0,035 0,410 -0,077 -0,105 -0,098 0,078 -0,028 0,069 0,114 0,034 -0,304 -0,237 -0,398 0,631 0,256
Con -0,169 0,001 -0,010 -0,008 0,034 0,001 -0,010 0,218 -0,003 -0,059 -0,066 0,047 0,154 -0,024 0,126 -0,027 -0,246 0,041 0,146 0,256 0,853
Sumas de las saturaciones al cuadrado

de la extraccin
Componente
% de la % % de la %
Total Total
1 6,841 32,576 32,576 6,841 32,576 32,576

2 3,342 15,915 48,491 3,342 15,915 48,491
3 2,500 11,903 60,394 2,500 11,903 60,394
4 1,996 9,507 69,901 1,996 9,507 69,901
5 1,125 5,357 75,258 1,125 5,357 75,258
6 ,977 4,655 79,912
7 ,791 3,767 83,680
8 ,766 3,648 87,327
9 ,485 2,308 89,635
10 ,396 1,886 91,521
11 ,371 1,767 93,287
12 ,306 1,455 94,742
13 ,262 1,250 95,992
14 ,229 1,091 97,083
15 ,174 ,828 97,911
16 ,160 ,760 98,671
17 ,123 ,588 99,258
18 ,106 ,506 99,765
19 ,028 ,135 99,899
20 ,018 ,088 99,987
21 ,003 ,013 100,000
Mtodo de extraccin: Anlisis de Componentes principales
Comunalidades
Inicial Extraccin
DJ 1,000 ,794
V 1,000 ,840
DV 1,000 ,457
Vx 1,000 ,819
T 1,000 ,962
Tn 1,000 ,950
Tx 1,000 ,936
Hf 1,000 ,544
HR 1,000 ,748
Rad 1,000 ,844
P 1,000 ,585
ETo 1,000 ,936
VolExp 1,000 ,831
Qent 1,000 ,526
Qsal 1,000 ,831
Filt 1,000 ,252
Ta 1,000 ,851
Odis 1,000 ,898
pH 1,000 ,647
Con 1,000 ,737
85
4
Autovalor
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Nmero de componente
Componente
1 2 3 4 5
DJ ,368 -,667 -,117 ,447 ,032
V -,136 ,184 ,756 ,439 ,150
DV -,526 -,236 ,049 ,292 -,193
Vx -,103 ,130 ,594 ,435 ,499
T ,980 -,031 ,001 -,004 ,019
Tn ,970 -,078 -,049 -,007 ,037
Tx ,967 -,012 ,023 ,001 -,009
Hf -,567 ,194 ,250 -,082 -,342
HR ,034 -,206 -,729 -,398 ,120
Rad ,714 ,453 ,264 -,229 -,085
P -,154 -,267 -,326 ,074 ,615
ETo ,850 ,337 ,302 -,097 ,017
VolExp -,082 ,743 ,122 -,486 ,147
Qent -,679 -,206 -,106 ,100 ,046
Qsal ,787 -,370 -,042 ,247 -,110
Filt -,307 -,094 ,088 ,137 -,349
Profundidad -,026 -,434 ,445 -,630 ,173
Ta ,670 ,229 -,333 ,476 -,112
Odis -,548 ,639 -,317 ,297 -,009
pH -,090 ,585 -,435 ,135 ,298
Con -,216 -,763 ,244 -,200 ,088
86
Correlaciones reproducidas
b
Correlacin DJ 0,794 -0,060 0,082 0,016 0,380 0,412 0,361 -0,414 0,061 -0,175 0,212
b
reproducida V -0,060 0,840 0,164 0,754 -0,137 -0,181 -0,117 0,214 -0,751 0,073 -0,150
b
DV 0,082 0,164 0,457 0,083 -0,513 -0,504 -0,503 0,307 -0,144 -0,520 0,031
b
Vx 0,016 0,754 0,083 0,819 -0,097 -0,124 -0,092 0,026 -0,577 0,000 0,126
b
T 0,380 -0,137 -0,513 -0,097 0,962 0,954 0,948 -0,567 0,042 0,685 -0,132
b
Tn 0,412 -0,181 -0,504 -0,124 0,954 0,950 0,937 -0,589 0,092 0,643 -0,090
b
Tx 0,361 -0,117 -0,503 -0,092 0,948 0,937 0,936 -0,542 0,017 0,692 -0,159
b
Hf -0,414 0,214 0,307 0,026 -0,567 -0,589 -0,542 0,544 -0,249 -0,203 -0,262
b
HR 0,061 -0,751 -0,144 -0,577 0,042 0,092 0,017 -0,249 0,748 -0,181 0,332
b
Rad -0,175 0,073 -0,520 0,000 0,685 0,643 0,692 -0,203 -0,181 0,844 -0,386
b
P 0,212 -0,150 0,031 0,126 -0,132 -0,090 -0,159 -0,262 0,332 -0,386 0,585
ETo 0,010 0,135 -0,543 0,102 0,823 0,784 0,824 -0,338 -0,220 0,860 -0,316
VolExp -0,752 0,049 -0,297 0,040 -0,098 -0,134 -0,087 0,210 -0,034 0,409 -0,171
Qent -0,054 0,025 0,421 0,047 -0,658 -0,636 -0,657 0,294 0,062 -0,633 0,230
Qsal 0,648 -0,114 -0,236 -0,101 0,780 0,788 0,766 -0,511 0,021 0,336 -0,058
Filt -0,011 0,099 0,296 -0,043 -0,305 -0,309 -0,291 0,286 -0,152 -0,240 -0,161
Profundidad -0,049 0,009 -0,079 0,022 -0,006 -0,003 -0,012 0,034 0,036 0,032 0,035
Ta 0,342 -0,108 -0,262 -0,086 0,645 0,641 0,638 -0,419 0,015 0,395 -0,089
Odis -0,458 0,081 0,211 0,076 -0,559 -0,568 -0,545 0,334 -0,038 -0,253 0,034
pH -0,302 -0,105 -0,130 0,035 -0,102 -0,101 -0,107 -0,057 0,175 0,029 0,193
Con 0,314 -0,001 0,230 0,024 -0,185 -0,158 -0,195 0,022 0,062 -0,397 0,196
Residual(a) DJ -0,002 -0,065 -0,030 -0,018 -0,024 -0,025 -0,006 -0,025 0,034 -0,067
V -0,002 -0,038 -0,064 -0,021 0,002 -0,035 -0,007 0,105 -0,004 -0,037
DV -0,065 -0,038 -0,078 0,027 0,010 0,049 -0,107 -0,058 0,092 0,077
Vx -0,030 -0,064 -0,078 0,025 0,023 0,024 0,039 0,114 -0,047 -0,081
T -0,018 -0,021 0,027 0,025 0,033 0,039 -0,009 -0,001 -0,018 0,000
Tn -0,024 0,002 0,010 0,023 0,033 0,019 0,004 0,018 -0,033 0,000
Tx -0,025 -0,035 0,049 0,024 0,039 0,019 -0,020 -0,015 -0,008 0,000
Hf -0,006 -0,007 -0,107 0,039 -0,009 0,004 -0,020 0,055 -0,035 0,204
HR -0,025 0,105 -0,058 0,114 -0,001 0,018 -0,015 0,055 -0,010 -0,087
Rad 0,034 -0,004 0,092 -0,047 -0,018 -0,033 -0,008 -0,035 -0,010 0,055
P -0,067 -0,037 0,077 -0,081 0,000 0,000 0,000 0,204 -0,087 0,055
ETo 0,012 -0,013 0,058 -0,033 0,001 -0,007 0,005 -0,011 -0,022 0,071 0,068
VolExp 0,082 -0,017 0,023 -0,002 0,013 0,016 0,002 -0,043 -0,016 -0,011 0,022
Qent 0,068 -0,015 -0,102 0,026 0,046 0,030 0,051 -0,099 0,002 0,066 -0,142
Qsal -0,026 0,020 -0,034 0,000 -0,025 -0,015 -0,029 0,096 0,014 -0,033 0,035
Filt -0,005 -0,042 -0,099 0,084 0,054 0,046 0,054 -0,169 0,026 0,024 0,126
Profundidad 0,025 -0,005 0,069 -0,017 0,004 0,000 0,009 -0,024 -0,035 -0,016 -0,043
Ta -0,023 0,009 -0,025 0,010 -0,011 -0,005 -0,021 0,083 0,024 0,001 0,030
Odis 0,009 -0,009 -0,013 -0,007 0,006 0,005 0,009 -0,027 -0,016 0,005 -0,014
pH 0,054 0,005 0,096 -0,050 0,004 -0,013 0,021 -0,122 -0,065 0,035 -0,142
Con -0,005 0,002 0,000 -0,024 -0,003 -0,010 0,002 -0,070 -0,018 0,061 -0,054
a Los residuos se calculan entre las correlaciones observadas y reproducidas.
Hay 54 (25,0%) residuales no redundantes con valores absolutos mayores que 0,05.
b Comunalidades reproducidas
87
Correlaciones reproducidas (Continuacin)
Correlacin DJ 0,010 -0,752 -0,054 0,648 -0,011 -0,049 0,342 -0,458 -0,302 0,314
reproducida V 0,135 0,049 0,025 -0,114 0,099 0,009 -0,108 0,081 -0,105 -0,001
DV -0,543 -0,297 0,421 -0,236 0,296 -0,079 -0,262 0,211 -0,130 0,230
Vx 0,102 0,040 0,047 -0,101 -0,043 0,022 -0,086 0,076 0,035 0,024
T 0,823 -0,098 -0,658 0,780 -0,305 -0,006 0,645 -0,559 -0,102 -0,185
Tn 0,784 -0,134 -0,636 0,788 -0,309 -0,003 0,641 -0,568 -0,101 -0,158
Tx 0,824 -0,087 -0,657 0,766 -0,291 -0,012 0,638 -0,545 -0,107 -0,195
Hf -0,338 0,210 0,294 -0,511 0,286 0,034 -0,419 0,334 -0,057 0,022
HR -0,220 -0,034 0,062 0,021 -0,152 0,036 0,015 -0,038 0,175 0,062
Rad 0,860 0,409 -0,633 0,336 -0,240 0,032 0,395 -0,253 0,029 -0,397
P -0,316 -0,171 0,230 -0,058 -0,161 0,035 -0,089 0,034 0,193 0,196
b
ETo 0,936 0,268 -0,687 0,506 -0,285 0,030 0,497 -0,375 -0,019 -0,346
b
VolExp 0,268 0,831 -0,152 -0,480 -0,152 0,065 -0,173 0,335 0,368 -0,410
b
Qent -0,687 -0,152 0,526 -0,434 0,216 0,005 -0,424 0,303 0,014 0,262
b
Qsal 0,506 -0,480 -0,434 0,831 -0,139 -0,053 0,586 -0,580 -0,269 0,043
b
Filt -0,285 -0,152 0,216 -0,139 0,252 -0,059 -0,152 0,124 -0,151 0,102
b
Profundidad 0,030 0,065 0,005 -0,053 -0,059 0,814 -0,585 -0,593 -0,479 0,587
b
Ta 0,497 -0,173 -0,424 0,586 -0,152 -0,585 0,851 0,028 0,250 -0,506
b
Odis -0,375 0,335 0,303 -0,580 0,124 -0,593 0,028 0,898 0,599 -0,507
b
pH -0,019 0,368 0,014 -0,269 -0,151 -0,479 0,250 0,599 0,647 -0,535
b
Con -0,346 -0,410 0,262 0,043 0,102 0,587 -0,506 -0,507 -0,535 0,737
Residual(a) DJ 0,012 0,082 0,068 -0,026 -0,005 0,025 -0,023 0,009 0,054 -0,005
V -0,013 -0,017 -0,015 0,020 -0,042 -0,005 0,009 -0,009 0,005 0,002
DV 0,058 0,023 -0,102 -0,034 -0,099 0,069 -0,025 -0,013 0,096 0,000
Vx -0,033 -0,002 0,026 0,000 0,084 -0,017 0,010 -0,007 -0,050 -0,024
T 0,001 0,013 0,046 -0,025 0,054 0,004 -0,011 0,006 0,004 -0,003
Tn -0,007 0,016 0,030 -0,015 0,046 0,000 -0,005 0,005 -0,013 -0,010
Tx 0,005 0,002 0,051 -0,029 0,054 0,009 -0,021 0,009 0,021 0,002
Hf -0,011 -0,043 -0,099 0,096 -0,169 -0,024 0,083 -0,027 -0,122 -0,070
HR -0,022 -0,016 0,002 0,014 0,026 -0,035 0,024 -0,016 -0,065 -0,018
Rad 0,071 -0,011 0,066 -0,033 0,024 -0,016 0,001 0,005 0,035 0,061
P 0,068 0,022 -0,142 0,035 0,126 -0,043 0,030 -0,014 -0,142 -0,054
ETo 0,009 0,050 -0,028 0,045 -0,016 0,001 0,003 0,003 0,030
VolExp 0,009 0,054 0,004 0,092 -0,029 0,012 0,007 -0,044 0,026
Qent 0,050 0,054 -0,051 0,038 -0,003 0,008 -0,010 0,011 0,002
Qsal -0,028 0,004 -0,051 -0,046 0,032 -0,021 0,017 0,000 -0,051
Filt 0,045 0,092 0,038 -0,046 0,056 -0,028 -0,008 0,109 0,018
Profundidad -0,016 -0,029 -0,003 0,032 0,056 0,021 0,011 0,156 -0,067
Ta 0,001 0,012 0,008 -0,021 -0,028 0,021 -0,014 -0,034 0,056
Odis 0,003 0,007 -0,010 0,017 -0,008 0,011 -0,014 -0,021 0,060
pH 0,003 -0,044 0,011 0,000 0,109 0,156 -0,034 -0,021 0,069
Con 0,030 0,026 0,002 -0,051 0,018 -0,067 0,056 0,060 0,069
b Comunalidades reproducidas
88
b) Extraccin de los factores por el Mtodo de Componentes principales, rotacin
Varimax
Matriz de componentes rotados
Componente
1 2 3 4 5
DJ ,134 ,861 -,102 -,001 ,158
V -,058 -,038 -,021 ,904 -,135
DV -,599 ,222 -,002 ,125 -,183
Vx -,043 -,021 -,003 ,868 ,252
T ,934 ,288 -,002 -,073 ,047
Tn ,909 ,321 -,010 -,116 ,086
Tx ,926 ,274 ,003 -,057 ,011
Hf -,473 -,331 -,034 ,126 -,440
HR -,036 ,005 -,007 -,777 ,379
Rad ,841 -,291 ,048 ,093 -,202
P -,228 ,149 -,017 -,069 ,711
ETo ,936 -,112 ,026 ,190 -,101
VolExp ,170 -,887 ,119 ,032 ,007
Qent -,719 ,029 -,040 -,005 ,085
Qsal ,630 ,654 -,046 -,063 -,024
Filt -,338 ,105 -,004 ,039 -,353
Profundidad ,044 -,182 -,879 -,003 ,080
Ta ,570 ,384 ,613 -,055 -,014
Odis -,478 -,370 ,727 ,060 -,005
pH -,028 -,333 ,644 -,066 ,341
Con -,300 ,306 -,737 -,010 ,097
89
c) Extraccin de los factores por el Mtodo de la Mxima verosimilitud, incluyendo una
Comunalidades(a)
Variable Inicial
DJ ,700
V ,730
DV ,437
Vx ,612
T ,996
Tn ,989
Tx ,986
Hf ,583
HR ,650
Rad ,939
P ,318
ETo ,974
VolExp ,735
Qent ,537
Qsal ,804
Filt ,119
Profundidad ,715
Ta ,783
Odis ,840
pH ,602
Con ,614

90
Factor % de la
Total % acumulado
varianza
1 6,841 32,576 32,576
2 3,342 15,915 48,491
3 2,500 11,903 60,394
4 1,996 9,507 69,901
5 1,125 5,357 75,258
6 ,977 4,655 79,912
7 ,791 3,767 83,680
8 ,766 3,648 87,327
9 ,485 2,308 89,635
10 ,396 1,886 91,521
11 ,371 1,767 93,287
12 ,306 1,455 94,742
13 ,262 1,250 95,992
14 ,229 1,091 97,083
15 ,174 ,828 97,911
16 ,160 ,760 98,671
17 ,123 ,588 99,258
18 ,106 ,506 99,765
19 ,028 ,135 99,899
20 ,018 ,088 99,987
21 ,003 ,013 100,000
Varianza total explicada (para 5 iteraciones, obtencin de la matriz de componentes)
Sumas de las saturaciones al Suma de las saturaciones al

Factor cuadrado de la extraccin cuadrado de la rotacin
% de la % % de la % % de la %
Total Total Total
varianza acumulado varianza acumulado varianza acumulado
1 6,841 32,576 32,576 6,589 31,374 31,374 6,093 29,014 29,014
2 3,342 15,915 48,491 2,504 11,922 43,296 2,499 11,902 40,916
3 2,500 11,903 60,394 2,418 11,513 54,809 2,407 11,461 52,376
4 1,996 9,507 69,901 1,802 8,581 63,391 1,975 9,403 61,779
5 1,125 5,357 75,258 ,746 3,551 66,941 1,084 5,162 66,941
6 ,977 4,655 79,912
7 ,791 3,767 83,680
8 ,766 3,648 87,327
9 ,485 2,308 89,635
10 ,396 1,886 91,521
11 ,371 1,767 93,287
12 ,306 1,455 94,742
13 ,262 1,250 95,992
14 ,229 1,091 97,083
15 ,174 ,828 97,911
16 ,160 ,760 98,671
17 ,123 ,588 99,258
18 ,106 ,506 99,765
19 ,028 ,135 99,899
20 ,018 ,088 99,987
21 ,003 ,013 100,000
91
Matriz factorial(a)
Factor
1 2 3 4 5
DJ ,361 -,562 ,161 ,323 -,268
V -,158 ,399 ,256 ,724 ,161
DV -,486 -,169 ,076 ,183 -,186
Vx -,072 ,200 ,157 ,654 ,457
T 1,000 -,001 ,000 -1,55E-005 ,000
Tn ,986 -,069 -,006 -,012 ,002
Tx ,987 ,030 ,003 ,004 -,019
Hf -,575 ,222 ,057 ,036 -,083
HR ,041 -,440 -,209 -,571 -,003
Rad ,668 ,688 ,024 -,121 -,136
P -,132 -,290 -,034 -,025 ,074
ETo ,825 ,548 ,058 ,034 -,029
VolExp -,085 ,690 -,183 -,376 ,390
Qent -,612 -,234 ,012 ,019 ,070
Qsal ,755 -,305 ,092 ,212 -,272
Filt -,251 -,062 ,039 ,074 -,005
Profundidad -,002 -,021 ,785 -,309 ,202
Ta ,633 -,023 -,531 ,252 -,250
Odis -,553 ,233 -,721 ,088 ,096
pH -,098 ,199 -,603 -,090 ,154
Con -,189 -,363 ,647 -,037 -,072

a Se han intentado extraer 5 factores. Se hicieron 5 iteraciones en total.
(Convergencia=,035). Se ha terminado la extraccin.
Factor
1 2 3 4 5
DJ ,216 ,752 -,124 -,004 -,142
V -,149 ,009 -,024 ,866 ,167
DV -,542 ,202 -,024 ,060 -,020
Vx -,013 -,060 -,003 ,818 -,183
T ,971 ,216 -,015 -,036 ,091
Tn ,953 ,248 -,021 -,070 ,042
Tx ,957 ,207 -,010 -,028 ,125
Hf -,561 -,192 -,001 ,113 ,165
HR ,051 -,018 ,000 -,680 -,314
Rad ,690 -,263 ,037 ,075 ,634
P -,135 ,094 -,016 -,100 -,268
ETo ,839 -,123 ,014 ,195 ,479
VolExp ,093 -,869 ,132 ,034 ,166
Qent -,603 -,016 -,034 -,017 -,264
Qsal ,632 ,618 -,059 -,036 ,064
Filt -,258 ,027 -,022 ,056 -,058
Profundidad ,027 -,175 -,849 -,010 -,030
Ta ,566 ,363 ,582 -,034 ,133
Odis -,473 -,346 ,739 ,044 -,073
pH -,014 -,336 ,565 -,083 -,073
Con -,255 ,271 -,663 -,029 -,114

92
ANEXO 13. ANLISIS FACTORIAL DEL PERIODO DE
CALIBRACIN, SIN DATOS ANMALOS Y
VARIABLES SIN TRANSFORMAR
93
PERIODO DE CALIBRACIN
Desviacin
Media N del anlisis
tpica
DJ 207,72 122,598 4401
V 1,312 ,3278 4401
DV 266,93 71,330 4401
Vx 5,200 1,5203 4401
T 16,845 6,5218 4401
Tn 12,824 6,3155 4401
Tx 21,446 6,5321 4401
Hf 1,51 3,788 4401
HR 57,60 13,465 4401
Rad 158,54 73,692 4401
P ,57 2,405 4401
ETo 2,69 1,531 4401
VolExp 8477988 1313500,6 4401
Qent 32140,2 34964,2 4401
Qsal 25522,57 11250,6 4401
Filt -187,1 903,7 4401
Profundidad 9,141 7,766 4401
Ta 15,3576 5,49152 4401
Odis 8,2321 4,31904 4401
pH 8,1095 ,40284 4401
Con 1013,28 100,382 4401

,763
Olkin.
Chi-cuadrado
114258,68
aproximado
Bartlett gl 210
Sig. ,000
94
Matriz de correlaciones(a)
Correlacin DJ 1,000 -0,103 -0,076 0,014 0,352 0,381 0,312 -0,480 0,048 -0,143 0,175
V -0,103 1,000 0,165 0,638 -0,183 -0,201 -0,194 0,199 -0,667 0,113 -0,221
DV -0,076 0,165 1,000 0,099 -0,522 -0,517 -0,500 0,206 -0,229 -0,486 0,133
Vx 0,014 0,638 0,099 1,000 -0,034 -0,074 -0,048 0,022 -0,521 0,011 0,025
T 0,352 -0,183 -0,522 -0,034 1,000 0,987 0,987 -0,554 0,068 0,706 -0,117
Tn 0,381 -0,201 -0,517 -0,074 0,987 1,000 0,960 -0,572 0,123 0,661 -0,069
Tx 0,312 -0,194 -0,500 -0,048 0,987 0,960 1,000 -0,537 0,052 0,722 -0,168
Hf -0,480 0,199 0,206 0,022 -0,554 -0,572 -0,537 1,000 -0,267 -0,124 -0,081
HR 0,048 -0,667 -0,229 -0,521 0,068 0,123 0,052 -0,267 1,000 -0,162 0,262
Rad -0,143 0,113 -0,486 0,011 0,706 0,661 0,722 -0,124 -0,162 1,000 -0,362
P 0,175 -0,221 0,133 0,025 -0,117 -0,069 -0,168 -0,081 0,262 -0,362 1,000
ETo 0,040 0,143 -0,526 0,131 0,844 0,811 0,837 -0,261 -0,204 0,932 -0,234
VolExp -0,614 0,082 -0,395 0,026 0,188 0,154 0,193 0,275 -0,036 0,568 -0,224
Qent 0,036 -0,073 0,200 0,051 -0,510 -0,511 -0,513 0,068 0,130 -0,489 0,114
Qsal 0,658 -0,142 -0,242 -0,107 0,721 0,737 0,708 -0,453 0,026 0,290 -0,004
Filt -0,037 -0,046 0,198 0,022 -0,272 -0,274 -0,264 0,082 -0,076 -0,281 0,049
Profundidad -0,039 0,011 -0,041 0,012 0,026 0,024 0,024 0,004 0,004 0,063 -0,012
Ta 0,366 -0,128 -0,357 -0,064 0,716 0,718 0,700 -0,366 0,035 0,480 -0,069
Odis -0,395 0,099 0,321 0,059 -0,560 -0,566 -0,539 0,341 -0,058 -0,389 0,025
pH -0,094 -0,082 0,081 -0,025 -0,102 -0,107 -0,086 -0,175 0,169 -0,185 0,066
Con 0,255 -0,045 0,128 -0,008 -0,112 -0,093 -0,125 -0,142 0,076 -0,211 0,156
Sig. DJ 0,000 0,000 0,184 0,000 0,000 0,000 0,000 0,001 0,000 0,000
(Unilateral) V 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
DV 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Vx 0,184 0,000 0,000 0,012 0,000 0,001 0,071 0,000 0,225 0,051
T 0,000 0,000 0,000 0,012 0,000 0,000 0,000 0,000 0,000 0,000
Tn 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Tx 0,000 0,000 0,000 0,001 0,000 0,000 0,000 0,000 0,000 0,000
Hf 0,000 0,000 0,000 0,071 0,000 0,000 0,000 0,000 0,000 0,000
HR 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Rad 0,000 0,000 0,000 0,225 0,000 0,000 0,000 0,000 0,000 0,000
P 0,000 0,000 0,000 0,051 0,000 0,000 0,000 0,000 0,000 0,000
ETo 0,004 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
VolExp 0,000 0,000 0,000 0,044 0,000 0,000 0,000 0,000 0,008 0,000 0,000
Qent 0,009 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Qsal 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,040 0,000 0,386
Filt 0,007 0,001 0,000 0,076 0,000 0,000 0,000 0,000 0,000 0,000 0,001
Profundidad 0,004 0,241 0,004 0,219 0,045 0,057 0,057 0,390 0,398 0,000 0,215
Ta 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,011 0,000 0,000
Odis 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,047
pH 0,000 0,000 0,000 0,052 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Con 0,000 0,001 0,000 0,309 0,000 0,000 0,000 0,000 0,000 0,000 0,000
95
Correlacin DJ 0,040 -0,614 0,036 0,658 -0,037 -0,039 0,366 -0,395 -0,094 0,255
V 0,143 0,082 -0,073 -0,142 -0,046 0,011 -0,128 0,099 -0,082 -0,045
DV -0,526 -0,395 0,200 -0,242 0,198 -0,041 -0,357 0,321 0,081 0,128
Vx 0,131 0,026 0,051 -0,107 0,022 0,012 -0,064 0,059 -0,025 -0,008
T 0,844 0,188 -0,510 0,721 -0,272 0,026 0,716 -0,560 -0,102 -0,112
Tn 0,811 0,154 -0,511 0,737 -0,274 0,024 0,718 -0,566 -0,107 -0,093
Tx 0,837 0,193 -0,513 0,708 -0,264 0,024 0,700 -0,539 -0,086 -0,125
Hf -0,261 0,275 0,068 -0,453 0,082 0,004 -0,366 0,341 -0,175 -0,142
HR -0,204 -0,036 0,130 0,026 -0,076 0,004 0,035 -0,058 0,169 0,076
Rad 0,932 0,568 -0,489 0,290 -0,281 0,063 0,480 -0,389 -0,185 -0,211
P -0,234 -0,224 0,114 -0,004 0,049 -0,012 -0,069 0,025 0,066 0,156
ETo 1,000 0,502 -0,554 0,450 -0,289 0,058 0,594 -0,479 -0,198 -0,195
VolExp 0,502 1,000 -0,188 -0,289 -0,131 0,071 0,036 0,018 -0,005 -0,399
Qent -0,554 -0,188 1,000 -0,471 0,190 -0,017 -0,416 0,274 0,169 0,150
Qsal 0,450 -0,289 -0,471 1,000 -0,171 -0,028 0,632 -0,492 -0,123 0,012
Filt -0,289 -0,131 0,190 -0,171 1,000 -0,010 -0,213 0,149 0,025 0,079
Profundidad 0,058 0,071 -0,017 -0,028 -0,010 1,000 -0,426 -0,622 -0,303 0,643
Ta 0,594 0,036 -0,416 0,632 -0,213 -0,426 1,000 -0,054 0,188 -0,541
Odis -0,479 0,018 0,274 -0,492 0,149 -0,622 -0,054 1,000 0,577 -0,582
pH -0,198 -0,005 0,169 -0,123 0,025 -0,303 0,188 0,577 1,000 -0,450
Con -0,195 -0,399 0,150 0,012 0,079 0,643 -0,541 -0,582 -0,450 1,000
Sig. DJ 0,004 0,000 0,009 0,000 0,007 0,004 0,000 0,000 0,000 0,000
(Unilateral) V 0,000 0,000 0,000 0,000 0,001 0,241 0,000 0,000 0,000 0,001
DV 0,000 0,000 0,000 0,000 0,000 0,004 0,000 0,000 0,000 0,000
Vx 0,000 0,044 0,000 0,000 0,076 0,219 0,000 0,000 0,052 0,309
T 0,000 0,000 0,000 0,000 0,000 0,045 0,000 0,000 0,000 0,000
Tn 0,000 0,000 0,000 0,000 0,000 0,057 0,000 0,000 0,000 0,000
Tx 0,000 0,000 0,000 0,000 0,000 0,057 0,000 0,000 0,000 0,000
Hf 0,000 0,000 0,000 0,000 0,000 0,390 0,000 0,000 0,000 0,000
HR 0,000 0,008 0,000 0,040 0,000 0,398 0,011 0,000 0,000 0,000
Rad 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
P 0,000 0,000 0,000 0,386 0,001 0,215 0,000 0,047 0,000 0,000
ETo 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
VolExp 0,000 0,000 0,000 0,000 0,000 0,008 0,116 0,361 0,000
Qent 0,000 0,000 0,000 0,000 0,125 0,000 0,000 0,000 0,000
Qsal 0,000 0,000 0,000 0,000 0,030 0,000 0,000 0,000 0,208
Filt 0,000 0,000 0,000 0,000 0,249 0,000 0,000 0,051 0,000
Profundidad 0,000 0,000 0,125 0,030 0,249 0,000 0,000 0,000 0,000
Ta 0,000 0,008 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Odis 0,000 0,116 0,000 0,000 0,000 0,000 0,000 0,000 0,000
pH 0,000 0,361 0,000 0,000 0,051 0,000 0,000 0,000 0,000
Con 0,000 0,000 0,000 0,208 0,000 0,000 0,000 0,000 0,000
96
Comunalidades
Inicial Extraccin
DJ 1,000 ,809
V 1,000 ,812
DV 1,000 ,544
Vx 1,000 ,815
T 1,000 ,965
Tn 1,000 ,955
Tx 1,000 ,937
Hf 1,000 ,714
HR 1,000 ,801
Rad 1,000 ,871
P 1,000 ,303
ETo 1,000 ,952
VolExp 1,000 ,871
Qent 1,000 ,576
Qsal 1,000 ,861
Filt 1,000 ,141
Ta 1,000 ,882
Odis 1,000 ,930
pH 1,000 ,665
Con 1,000 ,880

% de la % % de la %
Total Total
1 6,932 33,010 33,010 6,932 33,010 33,010
2 3,180 15,144 48,154 3,180 15,144 48,154
3 2,730 12,999 61,153 2,730 12,999 61,153
4 2,101 10,006 71,160 2,101 10,006 71,160
5 1,080 5,144 76,303 1,080 5,144 76,303
6 ,936 4,457 80,760
7 ,875 4,166 84,926
8 ,759 3,615 88,541
9 ,506 2,411 90,952
10 ,454 2,160 93,112
11 ,328 1,560 94,672
12 ,271 1,289 95,961
13 ,227 1,080 97,042
14 ,180 ,857 97,899
15 ,151 ,720 98,619
16 ,101 ,479 99,098
17 ,078 ,369 99,467
18 ,071 ,339 99,806
19 ,025 ,120 99,926
20 ,013 ,061 99,988
21 ,003 ,012 100,000
97
Componente
1 2 3 4 5
DJ ,344 -,666 -,118 ,483 -,016
V -,132 ,467 ,439 ,603 ,141
DV -,582 -,114 ,022 ,357 -,253
Vx -,066 ,289 ,330 ,626 ,475
T ,978 -,045 -,044 ,017 ,068
Tn ,968 -,099 -,069 ,005 ,059
Tx ,966 -,018 -,045 ,004 ,040
Hf -,509 ,458 ,226 -,158 -,412
HR ,047 -,441 -,430 -,631 ,145
Rad ,765 ,461 ,218 -,160 ,001
P -,168 -,409 -,188 ,008 ,268
ETo ,881 ,359 ,203 -,001 ,079
VolExp ,220 ,718 ,145 -,502 ,185
Qent -,584 -,210 -,101 -,044 ,423
Qsal ,739 -,367 -,116 ,314 -,261
Filt -,330 -,105 -,007 ,075 -,124
Profundidad ,035 -,304 ,724 -,302 ,175
Ta ,735 ,131 -,504 ,242 -,105
Odis -,591 ,454 -,598 ,132 -,004
pH -,159 ,169 -,677 ,067 ,386
Con -,124 -,669 ,637 -,077 ,073

Componente
1 2 3 4 5
DJ ,147 ,869 -,105 ,003 ,147
V -,077 -,103 -,002 ,880 -,148
DV -,675 ,196 ,057 ,188 -,106
Vx ,034 -,002 -,010 ,874 ,223
T ,931 ,291 -,025 -,069 -,091
Tn ,911 ,326 -,031 -,113 -,073
Tx ,919 ,268 -,012 -,076 -,122
Hf -,484 -,498 ,030 ,078 -,474
HR ,077 -,019 -,014 -,792 ,408
Rad ,823 -,256 -,040 ,116 -,336
P -,164 ,220 -,040 -,151 ,451
ETo ,915 -,072 -,045 ,200 -,259
VolExp ,440 -,811 ,068 ,030 -,123
Qent -,477 -,110 -,024 ,005 ,579
Qsal ,531 ,718 -,011 -,098 -,232
Filt -,370 ,060 -,003 -,007 -,018
Profundidad ,058 -,148 -,841 ,016 ,084
Ta ,663 ,374 ,523 -,066 -,156
Odis -,494 -,267 ,776 ,065 ,096
pH -,031 -,068 ,652 -,045 ,482
Con -,208 ,237 -,870 -,027 ,153

98
VALIDACIN, SIN DATOS ANMALOS Y
VARIABLES SIN TRANSFORMAR
99
PERIODO DE VALIDACIN
Desviacin N del
Media
tpica anlisis
DJ 166,96 58,313 4573
V 1,255 ,274 4573
DV 205,95 74,571 4573
Vx 5,14 1,206 4573
T 21,203 5,162 4573
Tn 16,817 5,067 4573
Tx 25,732 5,302 4573
Hf ,537 2,194 4573
HR 58,71 12,145 4573
Rad 243,36 64,330 4573
P ,36 1,569 4573
ETo 4,30 1,208 4573
VolExp 9215464,0 1592039,7 4573
Qent 8784,2 12961,6 4573
Qsal 28606,1 12005,0 4573
Filt -803,5 1680,3 4573
Profundidad 8,639 7,488 4573
Ta 18,05 6,844 4573
Odis 7,86 4,104 4573
pH 8,36 ,375 4573
Con 957,06 22,714 4573

,786
Olkin.
Chi-cuadrado
130410,0
aproximado
Bartlett gl 210
Sig. ,000
100
Correlacin DJ 1,000 -0,049 -0,073 -0,104 0,831 0,834 0,814 -0,436 0,046 0,201 0,023
V -0,049 1,000 0,025 0,767 -0,063 -0,093 -0,036 0,199 -0,617 0,173 -0,149
DV -0,073 0,025 1,000 -0,123 -0,282 -0,319 -0,234 0,084 -0,173 -0,083 0,047
Vx -0,104 0,767 -0,123 1,000 -0,121 -0,138 -0,088 0,148 -0,385 -0,113 0,080
T 0,831 -0,063 -0,282 -0,121 1,000 0,981 0,981 -0,601 -0,026 0,472 -0,130
Tn 0,834 -0,093 -0,319 -0,138 0,981 1,000 0,937 -0,593 0,072 0,384 -0,094
Tx 0,814 -0,036 -0,234 -0,088 0,981 0,937 1,000 -0,592 -0,100 0,510 -0,120
Hf -0,436 0,199 0,084 0,148 -0,601 -0,593 -0,592 1,000 -0,060 -0,315 -0,034
HR 0,046 -0,617 -0,173 -0,385 -0,026 0,072 -0,100 -0,060 1,000 -0,360 0,232
Rad 0,201 0,173 -0,083 -0,113 0,472 0,384 0,510 -0,315 -0,360 1,000 -0,356
P 0,023 -0,149 0,047 0,080 -0,130 -0,094 -0,120 -0,034 0,232 -0,356 1,000
ETo 0,448 0,277 -0,185 0,036 0,736 0,656 0,770 -0,445 -0,445 0,872 -0,302
VolExp -0,899 0,034 -0,054 0,067 -0,573 -0,594 -0,560 0,165 -0,087 0,115 -0,054
Qent -0,714 0,089 0,249 0,149 -0,802 -0,792 -0,776 0,509 0,003 -0,480 -0,084
Qsal 0,837 -0,020 -0,238 -0,093 0,830 0,845 0,797 -0,373 0,034 0,267 -0,035
Filt -0,127 0,093 0,093 0,053 -0,165 -0,191 -0,145 0,117 -0,156 -0,039 -0,138
Profundidad -0,020 -0,010 -0,010 -0,004 -0,008 -0,009 -0,008 0,007 0,000 0,010 -0,008
Ta 0,515 -0,042 -0,134 -0,084 0,539 0,541 0,518 -0,298 0,029 0,229 -0,032
Odis -0,705 0,031 0,074 0,082 -0,597 -0,604 -0,579 0,263 -0,044 -0,121 0,007
pH -0,456 -0,066 0,113 0,011 -0,399 -0,414 -0,376 -0,087 0,026 -0,042 0,081
Con 0,324 -0,023 0,121 -0,021 0,096 0,112 0,096 0,053 0,065 -0,208 0,045
Sig. DJ 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,000 0,063
(Unilateral) V 0,000 0,045 0,000 0,000 0,000 0,008 0,000 0,000 0,000 0,000
DV 0,000 0,045 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001
Vx 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,040 0,000 0,000
Tn 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Tx 0,000 0,008 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Hf 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,011
HR 0,001 0,000 0,000 0,000 0,040 0,000 0,000 0,000 0,000 0,000
Rad 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
P 0,063 0,000 0,001 0,000 0,000 0,000 0,000 0,011 0,000 0,000
ETo 0,000 0,000 0,000 0,007 0,000 0,000 0,000 0,000 0,000 0,000 0,000
VolExp 0,000 0,010 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Qent 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,424 0,000 0,000
Qsal 0,000 0,087 0,000 0,000 0,000 0,000 0,000 0,000 0,011 0,000 0,009
Filt 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,004 0,000
Profundidad 0,090 0,241 0,252 0,402 0,286 0,268 0,304 0,310 0,488 0,259 0,304
Ta 0,000 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,025 0,000 0,017
Odis 0,000 0,018 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,000 0,319
pH 0,000 0,000 0,000 0,222 0,000 0,000 0,000 0,000 0,038 0,002 0,000
Con 0,000 0,064 0,000 0,075 0,000 0,000 0,000 0,000 0,000 0,000 0,001
101
Correlacin DJ 0,448 -0,899 -0,714 0,837 -0,127 -0,020 0,515 -0,705 -0,456 0,324
V 0,277 0,034 0,089 -0,020 0,093 -0,010 -0,042 0,031 -0,066 -0,023
DV -0,185 -0,054 0,249 -0,238 0,093 -0,010 -0,134 0,074 0,113 0,121
Vx 0,036 0,067 0,149 -0,093 0,053 -0,004 -0,084 0,082 0,011 -0,021
T 0,736 -0,573 -0,802 0,830 -0,165 -0,008 0,539 -0,597 -0,399 0,096
Tn 0,656 -0,594 -0,792 0,845 -0,191 -0,009 0,541 -0,604 -0,414 0,112
Tx 0,770 -0,560 -0,776 0,797 -0,145 -0,008 0,518 -0,579 -0,376 0,096
Hf -0,445 0,165 0,509 -0,373 0,117 0,007 -0,298 0,263 -0,087 0,053
HR -0,445 -0,087 0,003 0,034 -0,156 0,000 0,029 -0,044 0,026 0,065
Rad 0,872 0,115 -0,480 0,267 -0,039 0,010 0,229 -0,121 -0,042 -0,208
P -0,302 -0,054 -0,084 -0,035 -0,138 -0,008 -0,032 0,007 0,081 0,045
ETo 1,000 -0,128 -0,649 0,527 -0,086 0,010 0,361 -0,315 -0,223 -0,118
VolExp -0,128 1,000 0,406 -0,708 0,047 0,026 -0,390 0,658 0,507 -0,467
Qent -0,649 0,406 1,000 -0,685 0,324 -0,005 -0,463 0,477 0,238 -0,008
Qsal 0,527 -0,708 -0,685 1,000 -0,165 -0,006 0,503 -0,632 -0,528 0,210
Filt -0,086 0,047 0,324 -0,165 1,000 -0,012 -0,113 0,096 0,033 0,036
Profundidad 0,010 0,026 -0,005 -0,006 -0,012 1,000 -0,693 -0,545 -0,356 0,628
Ta 0,361 -0,390 -0,463 0,503 -0,113 -0,693 1,000 0,087 0,143 -0,476
Odis -0,315 0,658 0,477 -0,632 0,096 -0,545 0,087 1,000 0,672 -0,581
pH -0,223 0,507 0,238 -0,528 0,033 -0,356 0,143 0,672 1,000 -0,523
Con -0,118 -0,467 -0,008 0,210 0,036 0,628 -0,476 -0,581 -0,523 1,000
Sig. DJ 0,000 0,000 0,000 0,000 0,000 0,090 0,000 0,000 0,000 0,000
(Unilateral) V 0,000 0,010 0,000 0,087 0,000 0,241 0,002 0,018 0,000 0,064
DV 0,000 0,000 0,000 0,000 0,000 0,252 0,000 0,000 0,000 0,000
Vx 0,007 0,000 0,000 0,000 0,000 0,402 0,000 0,000 0,222 0,075
T 0,000 0,000 0,000 0,000 0,000 0,286 0,000 0,000 0,000 0,000
Tn 0,000 0,000 0,000 0,000 0,000 0,268 0,000 0,000 0,000 0,000
Tx 0,000 0,000 0,000 0,000 0,000 0,304 0,000 0,000 0,000 0,000
Hf 0,000 0,000 0,000 0,000 0,000 0,310 0,000 0,000 0,000 0,000
HR 0,000 0,000 0,424 0,011 0,000 0,488 0,025 0,001 0,038 0,000
Rad 0,000 0,000 0,000 0,000 0,004 0,259 0,000 0,000 0,002 0,000
P 0,000 0,000 0,000 0,009 0,000 0,304 0,017 0,319 0,000 0,001
ETo 0,000 0,000 0,000 0,000 0,257 0,000 0,000 0,000 0,000
VolExp 0,000 0,000 0,000 0,001 0,040 0,000 0,000 0,000 0,000
Qent 0,000 0,000 0,000 0,000 0,377 0,000 0,000 0,000 0,299
Qsal 0,000 0,000 0,000 0,000 0,340 0,000 0,000 0,000 0,000
Filt 0,000 0,001 0,000 0,000 0,217 0,000 0,000 0,012 0,008
Profundidad 0,257 0,040 0,377 0,340 0,217 0,000 0,000 0,000 0,000
Ta 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Odis 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
pH 0,000 0,000 0,000 0,000 0,012 0,000 0,000 0,000 0,000
Con 0,000 0,000 0,299 0,000 0,008 0,000 0,000 0,000 0,000
102
Comunalidades
Inicial Extraccin
DJ 1,000 ,958
V 1,000 ,894
DV 1,000 ,888
Vx 1,000 ,857
T 1,000 ,960
Tn 1,000 ,943
Tx 1,000 ,931
Hf 1,000 ,607
HR 1,000 ,768
Rad 1,000 ,845
P 1,000 ,702
ETo 1,000 ,952
VolExp 1,000 ,940
Qent 1,000 ,809
Qsal 1,000 ,851
Filt 1,000 ,432
Ta 1,000 ,928
Odis 1,000 ,868
pH 1,000 ,712
Con 1,000 ,810

% de la % % de la %
Total Total
1 7,729 36,807 36,807 7,729 36,807 36,807
2 3,135 14,928 51,735 3,135 14,928 51,735
3 2,578 12,277 64,012 2,578 12,277 64,012
4 1,720 8,188 72,200 1,720 8,188 72,200
5 1,295 6,165 78,366 1,295 6,165 78,366
6 1,083 5,159 83,525 1,083 5,159 83,525
7 ,884 4,208 87,733
8 ,632 3,007 90,740
9 ,370 1,763 92,503
10 ,359 1,711 94,214
11 ,279 1,331 95,545
12 ,205 ,974 96,519
13 ,192 ,916 97,435
14 ,179 ,853 98,288
15 ,128 ,607 98,895
16 ,104 ,494 99,389
17 ,058 ,275 99,664
18 ,035 ,165 99,829
19 ,024 ,113 99,942
20 ,009 ,043 99,985
21 ,003 ,015 100,000
103
Matriz de componentes(a) 6 Factores
Componente
1 2 3 4 5 6
DJ ,904 -,181 -,099 ,271 ,131 ,083
V -,043 ,207 ,805 ,422 -,145 ,045
DV -,241 -,126 ,052 ,077 ,585 ,681
Vx -,135 ,109 ,600 ,536 -,424 ,017
T ,972 ,103 -,020 -,043 -,019 -,038
Tn ,960 ,050 -,094 -,008 -,062 -,080
Tx ,955 ,126 ,036 -,046 ,007 ,019
Hf -,564 -,214 ,197 ,265 ,101 -,351
HR -,030 -,309 -,763 -,098 -,168 -,227
Rad ,464 ,497 ,366 -,486 ,101 ,059
P -,096 -,207 -,351 ,295 -,458 ,479
ETo ,715 ,433 ,419 -,273 ,003 ,050
VolExp -,678 ,404 ,117 -,486 -,259 -,021
Qent -,834 -,149 ,096 ,104 ,217 -,158
Qsal ,891 -,096 -,045 ,183 ,010 -,114
Filt -,199 -,019 ,217 ,067 ,534 -,236
Profundidad ,039 -,675 ,370 -,488 -,209 ,090
Ta ,514 ,587 -,362 ,403 ,148 -,064
Odis -,691 ,596 -,171 ,071 ,017 -,034
pH -,482 ,566 -,276 -,056 -,044 ,279
Con ,190 -,844 ,218 -,030 ,076 ,084

Matriz de componentes rotados(a) 6 Factores
Componente
1 2 3 4 5 6
DJ ,961 ,130 -,017 -,040 ,087 ,083
V -,022 ,084 -,006 ,934 -,117 ,013
DV -,115 -,071 -,040 -,012 -,060 ,930
Vx -,057 -,148 ,011 ,888 ,141 -,153
T ,816 ,505 ,036 -,072 ,078 -,166
Tn ,833 ,419 ,034 -,113 ,113 -,217
Tx ,790 ,539 ,032 -,025 ,072 -,104
Hf -,330 -,539 -,089 ,231 -,371 -,093
HR ,067 -,395 ,010 -,682 ,243 -,288
Rad ,087 ,896 ,048 ,073 -,165 -,029
P ,014 -,348 ,010 ,007 ,748 ,145
ETo ,385 ,858 ,039 ,227 -,079 -,092
VolExp -,918 ,240 ,073 ,006 ,036 -,180
Qent -,628 -,519 -,047 ,081 -,346 ,131
Qsal ,886 ,201 -,011 -,016 ,034 -,156
Filt -,075 -,122 ,018 ,058 -,614 ,178
Profundidad -,068 ,114 -,926 -,025 ,076 -,040
Ta ,531 ,151 ,787 -,041 ,027 -,041
Odis -,694 -,112 ,608 ,035 -,050 ,009
pH -,570 ,076 ,541 -,086 ,224 ,177
Con ,332 -,242 -,782 -,012 -,038 ,170

104
Matriz de componentes(a) 5 Factores
Componente
1 2 3 4 5
DJ ,904 -,181 -,099 ,271 ,131
V -,043 ,207 ,805 ,422 -,145
DV -,241 -,126 ,052 ,077 ,585
Vx -,135 ,109 ,600 ,536 -,424
T ,972 ,103 -,020 -,043 -,019
Tn ,960 ,050 -,094 -,008 -,062
Tx ,955 ,126 ,036 -,046 ,007
Hf -,564 -,214 ,197 ,265 ,101
HR -,030 -,309 -,763 -,098 -,168
Rad ,464 ,497 ,366 -,486 ,101
P -,096 -,207 -,351 ,295 -,458
ETo ,715 ,433 ,419 -,273 ,003
VolExp -,678 ,404 ,117 -,486 -,259
Qent -,834 -,149 ,096 ,104 ,217
Qsal ,891 -,096 -,045 ,183 ,010
Filt -,199 -,019 ,217 ,067 ,534
Profundidad ,039 -,675 ,370 -,488 -,209
Ta ,514 ,587 -,362 ,403 ,148
Odis -,691 ,596 -,171 ,071 ,017
pH -,482 ,566 -,276 -,056 -,044
Con ,190 -,844 ,218 -,030 ,076

Matriz de componentes rotados(a) 5 Factores
Componente
1 2 3 4 5
DJ ,972 ,012 -,062 -,039 ,009
V -,026 ,140 -,009 ,931 -,076
DV -,103 -,071 -,013 -,073 -,635
Vx -,078 -,149 ,007 ,894 ,174
T ,863 ,389 ,005 -,071 ,238
Tn ,872 ,297 ,000 -,106 ,278
Tx ,841 ,425 ,006 -,031 ,204
Hf -,406 -,363 -,108 ,270 -,320
HR ,034 -,461 -,005 -,653 ,276
Rad ,174 ,894 ,068 ,047 ,076
P ,010 -,558 ,030 -,022 ,399
ETo ,466 ,814 ,042 ,206 ,163
VolExp -,886 ,300 ,131 -,008 ,218
Qent -,690 -,339 -,040 ,099 -,427
Qsal ,897 ,110 -,058 -,001 ,135
Filt -,106 ,067 -,002 ,079 -,596
Profundidad -,102 ,117 -,913 -,040 ,129
Ta ,584 ,069 ,759 -,030 ,042
Odis -,671 -,048 ,640 ,036 -,057
pH -,516 ,033 ,589 -,116 ,081
Con ,267 -,232 -,804 -,013 -,178

105
ANEXO 15. ANLISIS FACTORIAL EN EL PERIODO COMPLETO
DE ESTUDIO, SIN DATOS ANMALOS Y LAS
VARIABLES TRANSFORMADAS
106
Desviacin
Media N del anlisis
tpica
DJ_T ,0119 ,9039 8974
V_T -,3878 ,4143 8974
DV_T ,4649 ,7043 8974
Vx_T -,4167 ,5389 8974
T_T ,3121 ,7537 8974
Tn_T ,3745 ,7776 8974
Tx_T ,2126 ,6957 8974
Hf_T -1,9217 ,6763 8974
HR_T ,2411 ,5768 8974
Rad_T ,2705 ,8326 8974
P_T -2,0433 ,4317 8974
ETo_T -,2081 ,8085 8974
VolExp_T ,1731 ,9878 8974
Qent_T -1,5429 ,6170 8974
Qsal_T ,0452 ,6878 8974
Filt_T 1,8589 ,7554 8974
Profundidad_T -,7198 ,8877 8974
Ta_T -,4275 1,1342 8974
Odis_T -,0271 ,9319 8974
pH_T ,6233 ,3948 8974
Con_T -,3236 ,6586 8974
a) Extraccin de los factores por el Mtodo de Componentes principales, sin rotacin

,808
Olkin.
Chi-cuadrado
197776,1
aproximado
Bartlett gl 210
Sig. ,000
107
DJ_T V_T DV_T Vx_T T_T Tn_T Tx_T Hf_T HR_T Rad_T P_T
Correlacin DJ_T 1,000 -0,037 0,011 0,034 0,324 0,340 0,302 -0,438 0,030 -0,147 0,149
V_T -0,037 1,000 0,118 0,693 -0,142 -0,162 -0,145 0,178 -0,634 0,092 -0,245
DV_T 0,011 0,118 1,000 0,018 -0,453 -0,465 -0,405 0,206 -0,205 -0,385 0,142
Vx_T 0,034 0,693 0,018 1,000 -0,058 -0,088 -0,062 0,043 -0,458 -0,033 0,001
T_T 0,324 -0,142 -0,453 -0,058 1,000 0,980 0,980 -0,620 0,057 0,605 -0,149
Tn_T 0,340 -0,162 -0,465 -0,088 0,980 1,000 0,936 -0,616 0,127 0,543 -0,110
Tx_T 0,302 -0,145 -0,405 -0,062 0,980 0,936 1,000 -0,617 0,022 0,628 -0,176
Hf_T -0,438 0,178 0,206 0,043 -0,620 -0,616 -0,617 1,000 -0,185 -0,252 -0,056
HR_T 0,030 -0,634 -0,205 -0,458 0,057 0,127 0,022 -0,185 1,000 -0,215 0,288
Rad_T -0,147 0,092 -0,385 -0,033 0,605 0,543 0,628 -0,252 -0,215 1,000 -0,405
P_T 0,149 -0,245 0,142 0,001 -0,149 -0,110 -0,176 -0,056 0,288 -0,405 1,000
ETo_T 0,012 0,169 -0,433 0,127 0,798 0,742 0,802 -0,366 -0,277 0,902 -0,317
VolExp_T -0,562 0,033 -0,267 0,054 -0,086 -0,114 -0,092 0,139 -0,033 0,402 -0,150
Qent_T -0,042 0,050 0,397 0,076 -0,725 -0,720 -0,709 0,318 0,026 -0,632 0,103
Qsal_T 0,543 -0,074 -0,245 -0,075 0,719 0,734 0,699 -0,432 0,017 0,269 -0,037
Filt_T -0,018 0,052 0,196 0,041 -0,278 -0,290 -0,266 0,142 -0,110 -0,242 -0,012
Profundidad_T -0,019 0,004 -0,011 0,004 0,004 0,004 0,001 0,010 0,000 0,015 -0,009
Ta_T 0,346 -0,091 -0,258 -0,064 0,631 0,636 0,609 -0,412 0,044 0,348 -0,061
Odis_T -0,387 0,061 0,166 0,058 -0,515 -0,524 -0,494 0,303 -0,045 -0,195 0,028
pH_T -0,228 -0,096 -0,050 -0,011 -0,104 -0,129 -0,075 -0,144 0,132 0,095 0,062
Con_T 0,266 -0,006 0,213 -0,009 -0,180 -0,165 -0,177 -0,035 0,032 -0,324 0,134
Sig. DJ_T 0,000 0,153 0,001 0,000 0,000 0,000 0,000 0,002 0,000 0,000
(Unilateral) V_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
DV_T 0,153 0,000 0,042 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Vx_T 0,001 0,000 0,042 0,000 0,000 0,000 0,000 0,000 0,001 0,473
T_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Tn_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Tx_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,021 0,000 0,000
Hf_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
HR_T 0,002 0,000 0,000 0,000 0,000 0,000 0,021 0,000 0,000 0,000
Rad_T 0,000 0,000 0,000 0,001 0,000 0,000 0,000 0,000 0,000 0,000
P_T 0,000 0,000 0,000 0,473 0,000 0,000 0,000 0,000 0,000 0,000
ETo_T 0,124 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
VolExp_T 0,000 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,000 0,000
Qent_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,007 0,000 0,000
Qsal_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,054 0,000 0,000
Filt_T 0,041 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,137
Profundidad_T 0,040 0,362 0,142 0,344 0,367 0,365 0,450 0,175 0,482 0,077 0,202
Ta_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Odis_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,004
pH_T 0,000 0,000 0,000 0,139 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Con_T 0,000 0,280 0,000 0,187 0,000 0,000 0,000 0,001 0,001 0,000 0,000
108
ETo_T VolExp_T Qent_T Qsal_T Filt_T Profundidad_T Ta_T Odis_T pH_T Con_T
Correlacin DJ_T 0,012 -0,562 -0,042 0,543 -0,018 -0,019 0,346 -0,387 -0,228 0,266
V_T 0,169 0,033 0,050 -0,074 0,052 0,004 -0,091 0,061 -0,096 -0,006
DV_T -0,433 -0,267 0,397 -0,245 0,196 -0,011 -0,258 0,166 -0,050 0,213
Vx_T 0,127 0,054 0,076 -0,075 0,041 0,004 -0,064 0,058 -0,011 -0,009
T_T 0,798 -0,086 -0,725 0,719 -0,278 0,004 0,631 -0,515 -0,104 -0,180
Tn_T 0,742 -0,114 -0,720 0,734 -0,290 0,004 0,636 -0,524 -0,129 -0,165
Tx_T 0,802 -0,092 -0,709 0,699 -0,266 0,001 0,609 -0,494 -0,075 -0,177
Hf_T -0,366 0,139 0,318 -0,432 0,142 0,010 -0,412 0,303 -0,144 -0,035
HR_T -0,277 -0,033 0,026 0,017 -0,110 0,000 0,044 -0,045 0,132 0,032
Rad_T 0,902 0,402 -0,632 0,269 -0,242 0,015 0,348 -0,195 0,095 -0,324
P_T -0,317 -0,150 0,103 -0,037 -0,012 -0,009 -0,061 0,028 0,062 0,134
ETo_T 1,000 0,264 -0,759 0,460 -0,276 0,015 0,472 -0,334 -0,002 -0,308
VolExp_T 0,264 1,000 -0,070 -0,445 -0,055 0,031 -0,193 0,322 0,382 -0,352
Qent_T -0,759 -0,070 1,000 -0,572 0,401 -0,001 -0,487 0,352 0,018 0,273
Qsal_T 0,460 -0,445 -0,572 1,000 -0,216 -0,018 0,563 -0,508 -0,273 -0,022
Filt_T -0,276 -0,055 0,401 -0,216 1,000 -0,004 -0,202 0,120 -0,048 0,121
Profundidad_T 0,015 0,031 -0,001 -0,018 -0,004 1,000 -0,545 -0,589 -0,290 0,514
Ta_T 0,472 -0,193 -0,487 0,563 -0,202 -0,545 1,000 0,052 0,158 -0,395
Odis_T -0,334 0,322 0,352 -0,508 0,120 -0,589 0,052 1,000 0,578 -0,471
pH_T -0,002 0,382 0,018 -0,273 -0,048 -0,290 0,158 0,578 1,000 -0,434
Con_T -0,308 -0,352 0,273 -0,022 0,121 0,514 -0,395 -0,471 -0,434 1,000
Sig. DJ_T 0,124 0,000 0,000 0,000 0,041 0,040 0,000 0,000 0,000 0,000
(Unilateral) V_T 0,000 0,001 0,000 0,000 0,000 0,362 0,000 0,000 0,000 0,280
DV_T 0,000 0,000 0,000 0,000 0,000 0,142 0,000 0,000 0,000 0,000
Vx_T 0,000 0,000 0,000 0,000 0,000 0,344 0,000 0,000 0,139 0,187
T_T 0,000 0,000 0,000 0,000 0,000 0,367 0,000 0,000 0,000 0,000
Tn_T 0,000 0,000 0,000 0,000 0,000 0,365 0,000 0,000 0,000 0,000
Tx_T 0,000 0,000 0,000 0,000 0,000 0,450 0,000 0,000 0,000 0,000
Hf_T 0,000 0,000 0,000 0,000 0,000 0,175 0,000 0,000 0,000 0,001
HR_T 0,000 0,001 0,007 0,054 0,000 0,482 0,000 0,000 0,000 0,001
Rad_T 0,000 0,000 0,000 0,000 0,000 0,077 0,000 0,000 0,000 0,000
P_T 0,000 0,000 0,000 0,000 0,137 0,202 0,000 0,004 0,000 0,000
ETo_T 0,000 0,000 0,000 0,000 0,074 0,000 0,000 0,442 0,000
VolExp_T 0,000 0,000 0,000 0,000 0,002 0,000 0,000 0,000 0,000
Qent_T 0,000 0,000 0,000 0,000 0,479 0,000 0,000 0,041 0,000
Qsal_T 0,000 0,000 0,000 0,000 0,041 0,000 0,000 0,000 0,017
Filt_T 0,000 0,000 0,000 0,000 0,345 0,000 0,000 0,000 0,000
Profundidad_T 0,074 0,002 0,479 0,041 0,345 0,000 0,000 0,000 0,000
Ta_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Odis_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
pH_T 0,442 0,000 0,041 0,000 0,000 0,000 0,000 0,000 0,000
Con_T 0,000 0,000 0,000 0,017 0,000 0,000 0,000 0,000 0,000
109
110
Inversa de la matriz de correlaciones
DJ_T V_T DV_T Vx_T T_T Tn_T Tx_T Hf_T HR_T Rad_T P_T ETo_T VolExp_T Qent_T Qsal_T Filt_T Profundidad_T Ta_T Odis_T pH_T Con_T
DJ_T 2,524 -0,003 0,058 -0,101 -2,082 1,231 1,287 0,687 0,260 0,181 -0,160 0,283 0,334 -0,666 -0,910 0,049 0,148 -0,823 0,871 -0,109 -0,211
V_T -0,003 3,277 -0,149 -1,601 2,491 -1,674 1,232 0,124 0,712 0,449 0,576 -2,272 0,452 -0,196 -0,233 0,066 0,060 0,034 0,053 0,017 -0,006
DV_T 0,058 -0,149 1,655 0,242 1,796 -0,024 -1,412 0,146 0,479 -0,036 -0,221 0,362 0,418 -0,056 0,162 -0,013 -0,007 -0,033 0,009 0,016 -0,010
Vx_T -0,101 -1,601 0,242 2,568 -1,270 1,323 0,104 0,131 0,045 1,816 -0,341 -2,130 -0,113 -0,425 0,147 0,051 -0,072 0,101 -0,170 -0,066 0,021
T_T -2,082 2,491 1,796 -1,270 155,803 -75,309 -73,096 0,269 0,979 6,155 0,048 -14,414 -1,909 -2,263 0,981 -0,438 -0,311 -1,911 1,710 0,776 0,956
Tn_T 1,231 -1,674 -0,024 1,323 -75,309 51,893 27,618 1,346 -2,414 1,075 0,031 1,644 0,126 1,593 -1,646 0,282 -0,440 -1,804 0,869 0,783 0,345
Tx_T 1,287 1,232 -1,412 0,104 -73,096 27,618 48,868 1,110 -0,284 -1,686 0,758 -0,879 2,551 0,048 -1,335 0,146 0,327 1,126 -0,319 -1,094 -0,362
Hf_T 0,687 0,124 0,146 0,131 0,269 1,346 1,110 2,506 0,095 0,595 0,154 -1,055 0,091 0,163 -0,268 0,023 -0,178 -0,327 0,083 0,810 0,518
HR_T 0,260 0,712 0,479 0,045 0,979 -2,414 -0,284 0,095 2,682 -1,200 -0,322 3,391 -0,271 0,143 0,249 0,180 0,152 -0,057 0,516 -0,339 0,021
Rad_T 0,181 0,449 -0,036 1,816 6,155 1,075 -1,686 0,595 -1,200 11,640 1,107 -15,243 -0,363 -1,047 -0,254 0,138 -0,215 -0,464 0,054 -0,119 -0,004
P_T -0,160 0,576 -0,221 -0,341 0,048 0,031 0,758 0,154 -0,322 1,107 1,518 -1,131 -0,005 0,298 -0,030 0,040 0,044 0,017 0,047 -0,125 -0,076
ETo_T 0,283 -2,272 0,362 -2,130 -14,414 1,644 -0,879 -1,055 3,391 -15,243 -1,131 30,357 -2,212 3,810 0,949 -0,122 0,281 -0,392 1,124 0,058 0,212
VolExp_T 0,334 0,452 0,418 -0,113 -1,909 0,126 2,551 0,091 -0,271 -0,363 -0,005 -2,212 3,144 -0,225 0,847 0,024 -0,312 0,890 -0,868 -0,329 0,312
Qent_T -0,666 -0,196 -0,056 -0,425 -2,263 1,593 0,048 0,163 0,143 -1,047 0,298 3,810 -0,225 3,834 1,005 -0,520 0,046 0,279 -0,459 0,300 -0,199
Qsal_T -0,910 -0,233 0,162 0,147 0,981 -1,646 -1,335 -0,268 0,249 -0,254 -0,030 0,949 0,847 1,005 3,874 -0,002 -0,158 -0,441 0,243 0,263 0,318
Filt_T 0,049 0,066 -0,013 0,051 -0,438 0,282 0,146 0,023 0,180 0,138 0,040 -0,122 0,024 -0,520 -0,002 1,228 0,048 0,030 0,029 0,034 -0,001
Profundidad_T 0,148 0,060 -0,007 -0,072 -0,311 -0,440 0,327 -0,178 0,152 -0,215 0,044 0,281 -0,312 0,046 -0,158 0,048 2,979 1,526 1,650 -0,589 -0,648
Ta_T -0,823 0,034 -0,033 0,101 -1,911 -1,804 1,126 -0,327 -0,057 -0,464 0,017 -0,392 0,890 0,279 -0,441 0,030 1,526 4,649 -1,605 -0,431 -0,166
Odis_T 0,871 0,053 0,009 -0,170 1,710 0,869 -0,319 0,083 0,516 0,054 0,047 1,124 -0,868 -0,459 0,243 0,029 1,650 -1,605 5,763 -1,366 0,964
pH_T -0,109 0,017 0,016 -0,066 0,776 0,783 -1,094 0,810 -0,339 -0,119 -0,125 0,058 -0,329 0,300 0,263 0,034 -0,589 -0,431 -1,366 2,327 0,438
Con_T -0,211 -0,006 -0,010 0,021 0,956 0,345 -0,362 0,518 0,021 -0,004 -0,076 0,212 0,312 -0,199 0,318 -0,001 -0,648 -0,166 0,964 0,438 2,398
Matriz anti-imagen
Correlacin DJ_T V_T DV_T Vx_T T_T Tn_T Tx_T Hf_T HR_T Rad_T P_T ETo_T VolExp_T Qent_T Qsal_T Filt_T Profundidad_T Ta_T Odis_T pH_T Con_T
DJ_T 0,796 -0,001 0,028 -0,040 -0,105 0,108 0,116 0,273 0,100 0,033 -0,082 0,032 0,119 -0,214 -0,291 0,028 0,054 -0,240 0,228 -0,045 -0,086
V_T -0,001 0,668 -0,064 -0,552 0,110 -0,128 0,097 0,043 0,240 0,073 0,258 -0,228 0,141 -0,055 -0,066 0,033 0,019 0,009 0,012 0,006 -0,002
DV_T 0,028 -0,064 0,897 0,117 0,112 -0,003 -0,157 0,072 0,227 -0,008 -0,140 0,051 0,183 -0,022 0,064 -0,009 -0,003 -0,012 0,003 0,008 -0,005
Vx_T -0,040 -0,552 0,117 0,569 -0,064 0,115 0,009 0,052 0,017 0,332 -0,173 -0,241 -0,040 -0,135 0,047 0,029 -0,026 0,029 -0,044 -0,027 0,008
T_T -0,105 0,110 0,112 -0,064 0,781 -0,838 -0,838 0,014 0,048 0,145 0,003 -0,210 -0,086 -0,093 0,040 -0,032 -0,014 -0,071 0,057 0,041 0,049
Tn_T 0,108 -0,128 -0,003 0,115 -0,838 0,822 0,548 0,118 -0,205 0,044 0,003 0,041 0,010 0,113 -0,116 0,035 -0,035 -0,116 0,050 0,071 0,031
Tx_T 0,116 0,097 -0,157 0,009 -0,838 0,548 0,822 0,100 -0,025 -0,071 0,088 -0,023 0,206 0,004 -0,097 0,019 0,027 0,075 -0,019 -0,103 -0,033
Hf_T 0,273 0,043 0,072 0,052 0,014 0,118 0,100 0,874 0,037 0,110 0,079 -0,121 0,033 0,053 -0,086 0,013 -0,065 -0,096 0,022 0,335 0,211
HR_T 0,100 0,240 0,227 0,017 0,048 -0,205 -0,025 0,037 0,682 -0,215 -0,159 0,376 -0,093 0,045 0,077 0,099 0,054 -0,016 0,131 -0,136 0,008
Rad_T 0,033 0,073 -0,008 0,332 0,145 0,044 -0,071 0,110 -0,215 0,773 0,263 -0,811 -0,060 -0,157 -0,038 0,036 -0,036 -0,063 0,007 -0,023 -0,001
P_T -0,082 0,258 -0,140 -0,173 0,003 0,003 0,088 0,079 -0,159 0,263 0,673 -0,167 -0,002 0,124 -0,012 0,029 0,021 0,006 0,016 -0,066 -0,040
ETo_T 0,032 -0,228 0,051 -0,241 -0,210 0,041 -0,023 -0,121 0,376 -0,811 -0,167 0,792 -0,226 0,353 0,087 -0,020 0,030 -0,033 0,085 0,007 0,025
VolExp_T 0,119 0,141 0,183 -0,040 -0,086 0,010 0,206 0,033 -0,093 -0,060 -0,002 -0,226 0,775 -0,065 0,243 0,012 -0,102 0,233 -0,204 -0,122 0,113
Qent_T -0,214 -0,055 -0,022 -0,135 -0,093 0,113 0,004 0,053 0,045 -0,157 0,124 0,353 -0,065 0,900 0,261 -0,240 0,014 0,066 -0,098 0,100 -0,066
Qsal_T -0,291 -0,066 0,064 0,047 0,040 -0,116 -0,097 -0,086 0,077 -0,038 -0,012 0,087 0,243 0,261 0,922 -0,001 -0,047 -0,104 0,051 0,088 0,104
Filt_T 0,028 0,033 -0,009 0,029 -0,032 0,035 0,019 0,013 0,099 0,036 0,029 -0,020 0,012 -0,240 -0,001 0,904 0,025 0,013 0,011 0,020 -0,001
Profundidad_T 0,054 0,019 -0,003 -0,026 -0,014 -0,035 0,027 -0,065 0,054 -0,036 0,021 0,030 -0,102 0,014 -0,047 0,025 0,681 0,410 0,398 -0,224 -0,243
La diagonal principal corresponde a la medida de adecuacin muestral

Ta_T -0,240 0,009 -0,012 0,029 -0,071 -0,116 0,075 -0,096 -0,016 -0,063 0,006 -0,033 0,233 0,066 -0,104 0,013 0,410 0,870 -0,310 -0,131 -0,050
Odis_T 0,228 0,012 0,003 -0,044 0,057 0,050 -0,019 0,022 0,131 0,007 0,016 0,085 -0,204 -0,098 0,051 0,011 0,398 -0,310 0,813 -0,373 0,259
pH_T -0,045 0,006 0,008 -0,027 0,041 0,071 -0,103 0,335 -0,136 -0,023 -0,066 0,007 -0,122 0,100 0,088 0,020 -0,224 -0,131 -0,373 0,700 0,185
Con_T -0,086 -0,002 -0,005 0,008 0,049 0,031 -0,033 0,211 0,008 -0,001 -0,040 0,025 0,113 -0,066 0,104 -0,001 -0,243 -0,050 0,259 0,185 0,855
111

cuadrado de la extraccin
Componente
% de la % % de la %
Total Total
1 6,853 32,635 32,635 6,853 32,635 32,635
2 3,250 15,476 48,111 3,250 15,476 48,111
3 2,541 12,100 60,211 2,541 12,100 60,211
4 1,995 9,500 69,711 1,995 9,500 69,711
5 1,115 5,311 75,022 1,115 5,311 75,022
6 ,975 4,642 79,664
7 ,797 3,795 83,459
8 ,713 3,394 86,853
9 ,440 2,097 88,950
10 ,434 2,066 91,016
11 ,360 1,716 92,732
12 ,298 1,420 94,153
13 ,269 1,282 95,435
14 ,226 1,076 96,511
15 ,202 ,964 97,475
16 ,185 ,882 98,357
17 ,159 ,756 99,114
18 ,116 ,553 99,667
19 ,041 ,197 99,864
20 ,024 ,115 99,979
21 ,004 ,021 100,000
Comunalidades
Inicial Extraccin
DJ_T 1,000 ,714
V_T 1,000 ,833
DV_T 1,000 ,415
Vx_T 1,000 ,825
T_T 1,000 ,947
Tn_T 1,000 ,929
Tx_T 1,000 ,914
Hf_T 1,000 ,611
HR_T 1,000 ,742
Rad_T 1,000 ,828
P_T 1,000 ,597
ETo_T 1,000 ,940
VolExp_T 1,000 ,800
Qent_T 1,000 ,695
Qsal_T 1,000 ,785
Filt_T 1,000 ,226
Profundidad_T 1,000 ,818
Ta_T 1,000 ,853
Odis_T 1,000 ,895
pH_T 1,000 ,678
Con_T 1,000 ,711
112
4
Autovalor
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Nmero de componente
Componente
1 2 3 4 5
DJ_T ,335 -,611 -,067 ,460 ,109
V_T -,107 ,223 ,762 ,405 ,163
DV_T -,499 -,221 ,086 ,297 -,147
Vx_T -,074 ,160 ,599 ,417 ,511
T_T ,972 -,051 -,015 -,008 ,021
Tn_T ,956 -,097 -,063 -,012 ,027
Tx_T ,955 -,032 ,000 -,005 -,003
Hf_T -,612 ,197 ,219 -,109 -,371
HR_T ,027 -,231 -,739 -,357 ,120
Rad_T ,682 ,476 ,252 -,248 -,107
P_T -,188 -,310 -,390 ,083 ,554
ETo_T ,842 ,351 ,315 -,094 ,011
VolExp_T -,071 ,723 ,060 -,475 ,209
Qent_T -,805 -,169 -,044 ,124 ,006
Qsal_T ,762 -,356 -,015 ,248 -,125
Filt_T -,359 -,098 ,086 ,138 -,247
Profundidad_T -,025 -,426 ,430 -,638 ,210
Ta_T ,671 ,165 -,328 ,503 -,121
Odis_T -,502 ,647 -,342 ,329 -,013
pH_T -,087 ,591 -,427 ,082 ,363
Con_T -,215 -,733 ,269 -,209 ,104
113
Correlaciones reproducidas
Correlacin DJ_T 0,714b -0,020 0,083 0,085 0,356 0,381 0,337 -0,431 0,049 -0,206 0,251
reproducida V_T -0,020 0,833b 0,166 0,752 -0,127 -0,172 -0,112 0,171 -0,743 0,107 -0,222
DV_T 0,083 0,166 0,415b 0,102 -0,481 -0,469 -0,471 0,303 -0,150 -0,482 0,072
Vx_T 0,085 0,752 0,102 0,825b -0,081 -0,115 -0,079 -0,028 -0,569 0,019 0,049
T_T 0,356 -0,127 -0,481 -0,081 0,947b 0,936 0,930 -0,615 0,054 0,634 -0,150
Tn_T 0,381 -0,172 -0,469 -0,115 0,936 0,929b 0,917 -0,626 0,102 0,590 -0,112
Tx_T 0,337 -0,112 -0,471 -0,079 0,930 0,917 0,914b -0,589 0,035 0,637 -0,171
Hf_T -0,431 0,171 0,303 -0,028 -0,615 -0,626 -0,589 0,611b -0,229 -0,201 -0,246
HR_T 0,049 -0,743 -0,150 -0,569 0,054 0,102 0,035 -0,229 0,742b -0,202 0,391
Rad_T -0,206 0,107 -0,482 0,019 0,634 0,590 0,637 -0,201 -0,202 0,828b -0,454
P_T 0,251 -0,222 0,072 0,049 -0,150 -0,112 -0,171 -0,246 0,391 -0,454 0,597b
ETo_T 0,004 0,192 -0,500 0,149 0,796 0,753 0,793 -0,371 -0,257 0,843 -0,391
VolExp_T -0,665 0,056 -0,291 0,065 -0,099 -0,130 -0,090 0,173 -0,019 0,406 -0,157
Qent_T -0,105 0,066 0,472 0,061 -0,774 -0,753 -0,765 0,434 0,006 -0,672 0,234
Qsal_T 0,574 -0,093 -0,211 -0,083 0,754 0,758 0,738 -0,520 0,011 0,298 -0,076
Filt_T -0,030 0,098 0,286 -0,006 -0,351 -0,347 -0,340 0,296 -0,129 -0,277 -0,061
Profundidad_T -0,048 0,011 -0,078 0,033 0,001 0,004 -0,007 0,017 0,033 0,024 0,032
Ta_T 0,364 -0,101 -0,232 -0,072 0,642 0,637 0,634 -0,460 0,029 0,342 -0,075
Odis_T -0,390 0,069 0,178 0,067 -0,519 -0,525 -0,502 0,328 -0,030 -0,200 0,047
pH_T -0,285 -0,091 -0,152 0,065 -0,102 -0,105 -0,104 -0,067 0,191 0,056 0,208
Con_T 0,273 -0,003 0,215 0,026 -0,172 -0,147 -0,181 0,031 0,052 -0,388 0,203
Residual(a) DJ_T -0,017 -0,072 -0,051 -0,032 -0,041 -0,035 -0,008 -0,020 0,058 -0,102
V_T -0,017 -0,048 -0,060 -0,015 0,011 -0,032 0,007 0,109 -0,015 -0,024
DV_T -0,072 -0,048 -0,083 0,027 0,004 0,066 -0,097 -0,055 0,097 0,070
Vx_T -0,051 -0,060 -0,083 0,024 0,027 0,017 0,071 0,111 -0,052 -0,048
T_T -0,032 -0,015 0,027 0,024 0,044 0,050 -0,006 0,003 -0,029 0,001
Tn_T -0,041 0,011 0,004 0,027 0,044 0,019 0,011 0,025 -0,048 0,002
Tx_T -0,035 -0,032 0,066 0,017 0,050 0,019 -0,028 -0,013 -0,009 -0,005
Hf_T -0,008 0,007 -0,097 0,071 -0,006 0,011 -0,028 0,044 -0,051 0,190
HR_T -0,020 0,109 -0,055 0,111 0,003 0,025 -0,013 0,044 -0,013 -0,103
Rad_T 0,058 -0,015 0,097 -0,052 -0,029 -0,048 -0,009 -0,051 -0,013 0,049
P_T -0,102 -0,024 0,070 -0,048 0,001 0,002 -0,005 0,190 -0,103 0,049
ETo_T 0,009 -0,023 0,067 -0,022 0,001 -0,011 0,009 0,005 -0,020 0,059 0,074
VolExp_T 0,103 -0,023 0,024 -0,012 0,013 0,016 -0,003 -0,034 -0,014 -0,004 0,008
Qent_T 0,064 -0,016 -0,075 0,015 0,050 0,033 0,056 -0,116 0,020 0,040 -0,131
Qsal_T -0,031 0,019 -0,034 0,008 -0,035 -0,024 -0,040 0,089 0,006 -0,029 0,039
Filt_T 0,011 -0,046 -0,089 0,048 0,073 0,057 0,074 -0,154 0,020 0,036 0,049
Profundidad_T 0,029 -0,007 0,066 -0,028 0,002 0,000 0,009 -0,007 -0,032 -0,009 -0,041
Ta_T -0,017 0,010 -0,026 0,008 -0,011 -0,001 -0,025 0,049 0,015 0,007 0,013
Odis_T 0,004 -0,008 -0,013 -0,009 0,004 0,002 0,008 -0,026 -0,015 0,005 -0,019
pH_T 0,056 -0,005 0,103 -0,077 -0,002 -0,024 0,028 -0,076 -0,059 0,039 -0,146
Con_T -0,007 -0,003 -0,002 -0,035 -0,008 -0,018 0,004 -0,065 -0,020 0,063 -0,069
b Comunalidades reproducidas.
114
Correlaciones reproducidas (continuacin)
Correlacin DJ_T 0,004 -0,665 -0,105 0,574 -0,030 -0,048 0,364 -0,390 -0,285 0,273
reproducida V_T 0,192 0,056 0,066 -0,093 0,098 0,011 -0,101 0,069 -0,091 -0,003
DV_T -0,500 -0,291 0,472 -0,211 0,286 -0,078 -0,232 0,178 -0,152 0,215
Vx_T 0,149 0,065 0,061 -0,083 -0,006 0,033 -0,072 0,067 0,065 0,026
T_T 0,796 -0,099 -0,774 0,754 -0,351 0,001 0,642 -0,519 -0,102 -0,172
Tn_T 0,753 -0,130 -0,753 0,758 -0,347 0,004 0,637 -0,525 -0,105 -0,147
Tx_T 0,793 -0,090 -0,765 0,738 -0,340 -0,007 0,634 -0,502 -0,104 -0,181
Hf_T -0,371 0,173 0,434 -0,520 0,296 0,017 -0,460 0,328 -0,067 0,031
HR_T -0,257 -0,019 0,006 0,011 -0,129 0,033 0,029 -0,030 0,191 0,052
Rad_T 0,843 0,406 -0,672 0,298 -0,277 0,024 0,342 -0,200 0,056 -0,388
P_T -0,391 -0,157 0,234 -0,076 -0,061 0,032 -0,075 0,047 0,208 0,203
ETo_T 0,940b 0,260 -0,763 0,487 -0,325 0,028 0,470 -0,334 -0,004 -0,333
VolExp_T 0,260 0,800b -0,125 -0,456 -0,157 0,067 -0,212 0,324 0,445 -0,377
Qent_T -0,763 -0,125 0,695b -0,523 0,318 -0,005 -0,492 0,351 0,001 0,260
Qsal_T 0,487 -0,456 -0,523 0,785b -0,175 -0,058 0,597 -0,524 -0,296 0,028
Filt_T -0,325 -0,157 0,318 -0,175 0,226b -0,053 -0,186 0,136 -0,141 0,118
Profundidad_T 0,028 0,067 -0,005 -0,058 -0,053 0,818b -0,575 -0,623 -0,409 0,588
Ta_T 0,470 -0,212 -0,492 0,597 -0,186 -0,575 0,853b 0,049 0,176 -0,472
Odis_T -0,334 0,324 0,351 -0,524 0,136 -0,623 0,049 0,895b 0,594 -0,528
pH_T -0,004 0,445 0,001 -0,296 -0,141 -0,409 0,176 0,594 0,678b -0,509
Con_T -0,333 -0,377 0,260 0,028 0,118 0,588 -0,472 -0,528 -0,509 0,711b
Residual(a) DJ_T 0,009 0,103 0,064 -0,031 0,011 0,029 -0,017 0,004 0,056 -0,007
V_T -0,023 -0,023 -0,016 0,019 -0,046 -0,007 0,010 -0,008 -0,005 -0,003
DV_T 0,067 0,024 -0,075 -0,034 -0,089 0,066 -0,026 -0,013 0,103 -0,002
Vx_T -0,022 -0,012 0,015 0,008 0,048 -0,028 0,008 -0,009 -0,077 -0,035
T_T 0,001 0,013 0,050 -0,035 0,073 0,002 -0,011 0,004 -0,002 -0,008
Tn_T -0,011 0,016 0,033 -0,024 0,057 0,000 -0,001 0,002 -0,024 -0,018
Tx_T 0,009 -0,003 0,056 -0,040 0,074 0,009 -0,025 0,008 0,028 0,004
Hf_T 0,005 -0,034 -0,116 0,089 -0,154 -0,007 0,049 -0,026 -0,076 -0,065
HR_T -0,020 -0,014 0,020 0,006 0,020 -0,032 0,015 -0,015 -0,059 -0,020
Rad_T 0,059 -0,004 0,040 -0,029 0,036 -0,009 0,007 0,005 0,039 0,063
P_T 0,074 0,008 -0,131 0,039 0,049 -0,041 0,013 -0,019 -0,146 -0,069
ETo_T 0,005 0,004 -0,027 0,049 -0,013 0,001 0,000 0,003 0,025
VolExp_T 0,005 0,055 0,011 0,102 -0,036 0,019 -0,002 -0,063 0,025
Qent_T 0,004 0,055 -0,050 0,084 0,005 0,005 0,001 0,017 0,013
Qsal_T -0,027 0,011 -0,050 -0,041 0,040 -0,034 0,016 0,022 -0,050
Filt_T 0,049 0,102 0,084 -0,041 0,048 -0,016 -0,016 0,093 0,003
Profundidad_T -0,013 -0,036 0,005 0,040 0,048 0,029 0,034 0,119 -0,075
Ta_T 0,001 0,019 0,005 -0,034 -0,016 0,029 0,003 -0,018 0,077
Odis_T 0,000 -0,002 0,001 0,016 -0,016 0,034 0,003 -0,016 0,058
pH_T 0,003 -0,063 0,017 0,022 0,093 0,119 -0,018 -0,016 0,075
Con_T 0,025 0,025 0,013 -0,050 0,003 -0,075 0,077 0,058 0,075
b Comunalidades reproducidas.
115
b) Extraccin de los factores por el Mtodo de Componentes principales, Rotacin
Varimax
Componente
1 2 3 4 5
DJ_T ,172 ,780 -,075 ,056 ,258
V_T -,077 -,019 -,011 ,894 -,164
DV_T -,578 ,246 ,003 ,129 -,066
Vx_T -,015 -,025 -,009 ,880 ,221
T_T ,934 ,264 -,001 -,061 -,030
Tn_T ,912 ,292 -,010 -,107 ,004
Tx_T ,918 ,253 ,008 -,052 -,059
Hf_T -,586 -,288 -,021 ,057 -,425
HR_T ,031 -,030 -,015 -,752 ,417
Rad_T ,765 -,317 ,062 ,115 -,354
P_T -,181 ,127 -,032 -,127 ,728
ETo_T ,896 -,125 ,035 ,244 -,248
VolExp_T ,145 -,874 ,107 ,056 -,013
Qent_T -,824 ,002 -,036 ,024 ,119
Qsal_T ,626 ,621 -,025 -,049 -,066
Filt_T -,413 ,117 ,001 ,039 -,200
Profundidad_T ,052 -,176 -,884 ,012 ,051
Ta_T ,568 ,407 ,601 -,051 -,014
Odis_T -,450 -,351 ,751 ,051 ,057
pH_T ,027 -,442 ,574 -,030 ,389
Con_T -,265 ,296 -,733 -,006 ,127
116
c) Extraccin de los factores por el Mtodo de la Mxima verosimilitud, incluyendo una
rotacin con el Mtodo Varimax:
Comunalidades(a)
Inicial Extraccin
DJ_T ,604 ,513
V_T ,695 ,514
DV_T ,396 ,350
Vx_T ,611 ,254
T_T ,994 ,995
Tn_T ,981 ,993
Tx_T ,980 ,999
Hf_T ,601 ,440
HR_T ,627 ,586
Rad_T ,914 ,878
P_T ,341 ,144
ETo_T ,967 1,000
VolExp_T ,682 ,700
Qent_T ,739 ,636
Qsal_T ,742 ,694
Filt_T ,186 ,106
Profundidad_T ,664 ,692
Ta_T ,785 ,782
Odis_T ,826 ,894
pH_T ,570 ,471
Con_T ,583 ,569

a Se han encontrado una o ms estimaciones de comunalidad mayores que 1 durante las iteraciones. La
solucin resultante deber ser interpretada con precaucin.
Varianza total explicada (para 14 iteraciones)
Sumas de las saturaciones al cuadrado de

Factor la extraccin
Total % de la varianza % acumulado Total % de la varianza % acumulado
1 6,853 32,635 32,635 5,586 26,601 26,601
2 3,250 15,476 48,111 3,119 14,851 41,452
3 2,541 12,100 60,211 ,451 2,149 43,600
4 1,995 9,500 69,711 2,401 11,432 55,033
5 1,115 5,311 75,022 1,655 7,882 62,915
6 ,975 4,642 79,664
7 ,797 3,795 83,459
8 ,713 3,394 86,853
9 ,440 2,097 88,950
10 ,434 2,066 91,016
11 ,360 1,716 92,732
12 ,298 1,420 94,153
13 ,269 1,282 95,435
14 ,226 1,076 96,511
15 ,202 ,964 97,475
16 ,185 ,882 98,357
17 ,159 ,756 99,114
18 ,116 ,553 99,667
19 ,041 ,197 99,864
20 ,024 ,115 99,979
21 ,004 ,021 100,000
117
Matriz factorial(a)
Factor
1 2 3 4 5
DJ_T ,017 ,506 ,143 -,166 ,456
V_T ,164 -,473 ,001 -,133 ,498
DV_T -,435 -,116 -,245 -,115 ,272
Vx_T ,124 -,280 -,027 -,076 ,395
T_T ,804 ,577 ,125 ,014 -,001
Tn_T ,748 ,594 ,283 ,031 -,009
Tx_T ,808 ,585 -,056 -,002 -,001
Hf_T -,372 -,545 -,040 -,050 ,020
HR_T -,272 ,434 ,226 ,155 -,498
Rad_T ,900 -,179 -,096 ,039 -,161
P_T -,316 ,149 ,144 ,026 -,019
ETo_T 1,000 -,010 ,000 ,000 ,000
VolExp_T ,259 -,519 -,038 ,233 -,555
Qent_T -,761 -,175 -,157 -,036 ,030
Qsal_T ,466 ,569 ,189 -,092 ,330
Filt_T -,277 -,083 -,113 -,055 ,085
Profundidad_T ,015 -,015 ,073 -,765 -,316
Ta_T ,476 ,397 ,113 ,530 ,323
Odis_T -,338 -,394 -,216 ,760 ,001
pH_T -,003 -,144 -,216 ,585 -,248
Con_T -,307 ,123 ,047 -,673 ,064

a Se han intentado extraer 5 factores. Convergencia=,019.
Factor
1 2 3 4 5
DJ_T ,150 ,690 -,107 ,023 -,028
V_T -,073 ,004 -,016 ,708 -,095
DV_T -,520 ,171 -,022 ,155 ,157
Vx_T -,035 ,064 ,017 ,500 -,032
T_T ,952 ,262 -,018 -,093 ,101
Tn_T ,939 ,294 -,026 -,148 -,056
Tx_T ,924 ,249 -,008 -,073 ,279
Hf_T -,535 -,292 -,024 ,231 -,120
HR_T ,005 ,011 ,006 -,751 -,147
Rad_T ,765 -,410 ,029 ,311 ,165
P_T -,208 ,159 -,005 -,233 -,145
ETo_T ,911 -,187 ,005 ,349 ,118
VolExp_T ,133 -,813 ,139 -,012 -,045
Qent_T -,789 ,024 -,005 -,110 ,024
Qsal_T ,609 ,563 -,066 ,034 -,007
Filt_T -,315 ,045 -,020 ,036 ,059
Profundidad_T ,016 -,145 -,814 -,075 ,038
Ta_T ,582 ,367 ,552 ,037 -,046
Odis_T -,439 -,309 ,778 ,014 -,012
pH_T -,030 -,353 ,553 -,163 ,117
Con_T -,276 ,257 -,652 -,023 ,024

118
CALIBRACIN, SIN DATOS ANMALOS Y
119
PERIODO DE CALIBRACIN
Desviacin
Media N del anlisis
tpica
DJ_T ,169 1,189 4401
V_T -,352 ,461 4401
DV_T ,750 ,672 4401
Vx_T -,411 ,609 4401
T_T ,063 ,798 4401
Tn_T ,134 ,824 4401
Tx_T ,143 ,841 4401
Hf_T -1,807 ,813 4401
HR_T ,330 ,671 4401
Rad_T -,100 ,782 4401
P_T -2,021 ,497 4401
ETo_T -,624 ,810 4401
VolExp_T -,298 1,151 4401
Qent_T -1,245 ,658 4401
Qsal_T ,272 ,844 4401
Filt_T 2,035 ,555 4401
Profundidad_T -,691 ,909 4401
Ta_T -,619 ,978 4401
Odis_T -,008 ,964 4401
pH_T ,562 ,384 4401
Con_T -,114 ,873 4401

,784
Olkin.
Chi-cuadrado 106403,39
aproximado 0
Bartlett gl 210
Sig. ,000
120
Correlacin DJ_T 1,000 -0,061 -0,071 0,070 0,307 0,320 0,255 -0,484 0,061 -0,167 0,189
V_T -0,061 1,000 0,144 0,651 -0,170 -0,183 -0,183 0,170 -0,641 0,139 -0,295
DV_T -0,071 0,144 1,000 0,105 -0,502 -0,497 -0,489 0,208 -0,234 -0,433 0,160
Vx_T 0,070 0,651 0,105 1,000 -0,031 -0,070 -0,050 0,006 -0,501 0,022 -0,028
T_T 0,307 -0,170 -0,502 -0,031 1,000 0,982 0,983 -0,610 0,099 0,661 -0,122
Tn_T 0,320 -0,183 -0,497 -0,070 0,982 1,000 0,945 -0,610 0,146 0,620 -0,080
Tx_T 0,255 -0,183 -0,489 -0,050 0,983 0,945 1,000 -0,572 0,082 0,691 -0,172
Hf_T -0,484 0,170 0,208 0,006 -0,610 -0,610 -0,572 1,000 -0,245 -0,128 -0,089
HR_T 0,061 -0,641 -0,234 -0,501 0,099 0,146 0,082 -0,245 1,000 -0,209 0,319
Rad_T -0,167 0,139 -0,433 0,022 0,661 0,620 0,691 -0,128 -0,209 1,000 -0,473
P_T 0,189 -0,295 0,160 -0,028 -0,122 -0,080 -0,172 -0,089 0,319 -0,473 1,000
ETo_T 0,022 0,218 -0,426 0,199 0,806 0,771 0,811 -0,266 -0,298 0,907 -0,328
VolExp_T -0,553 0,097 -0,359 0,075 0,213 0,194 0,227 0,275 -0,050 0,568 -0,241
Qent_T -0,005 -0,018 0,334 0,060 -0,662 -0,670 -0,657 0,179 0,094 -0,588 0,163
Qsal_T 0,557 -0,134 -0,194 -0,089 0,654 0,660 0,636 -0,446 0,038 0,241 -0,012
Filt_T -0,032 -0,034 0,195 0,015 -0,307 -0,308 -0,312 0,100 -0,048 -0,292 0,065
Profundidad_T -0,031 0,010 -0,038 0,010 0,029 0,029 0,028 0,004 0,003 0,060 -0,012
Ta_T 0,413 -0,133 -0,350 -0,059 0,725 0,730 0,699 -0,469 0,058 0,435 -0,063
Odis_T -0,353 0,092 0,293 0,054 -0,537 -0,541 -0,514 0,343 -0,062 -0,353 0,034
pH_T -0,113 -0,072 0,065 -0,018 -0,077 -0,091 -0,061 -0,125 0,167 -0,166 0,071
Con_T 0,225 -0,040 0,133 -0,013 -0,132 -0,123 -0,145 -0,120 0,065 -0,236 0,150
Sig. DJ_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
(Unilateral) V_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
DV_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Vx_T 0,000 0,000 0,000 0,018 0,000 0,000 0,336 0,000 0,075 0,031
T_T 0,000 0,000 0,000 0,018 0,000 0,000 0,000 0,000 0,000 0,000
Tn_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Tx_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Hf_T 0,000 0,000 0,000 0,336 0,000 0,000 0,000 0,000 0,000 0,000
HR_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Rad_T 0,000 0,000 0,000 0,075 0,000 0,000 0,000 0,000 0,000 0,000
P_T 0,000 0,000 0,000 0,031 0,000 0,000 0,000 0,000 0,000 0,000
ETo_T 0,073 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
VolExp_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Qent_T 0,358 0,112 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Qsal_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,006 0,000 0,222
Filt_T 0,018 0,012 0,000 0,158 0,000 0,000 0,000 0,000 0,001 0,000 0,000
Profundidad_T 0,021 0,260 0,005 0,244 0,027 0,028 0,032 0,401 0,414 0,000 0,215
Ta_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Odis_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,013
pH_T 0,000 0,000 0,000 0,114 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Con_T 0,000 0,004 0,000 0,189 0,000 0,000 0,000 0,000 0,000 0,000 0,000
121
Correlacin DJ_T 0,022 -0,553 -0,005 0,557 -0,032 -0,031 0,413 -0,353 -0,113 0,225
V_T 0,218 0,097 -0,018 -0,134 -0,034 0,010 -0,133 0,092 -0,072 -0,040
DV_T -0,426 -0,359 0,334 -0,194 0,195 -0,038 -0,350 0,293 0,065 0,133
Vx_T 0,199 0,075 0,060 -0,089 0,015 0,010 -0,059 0,054 -0,018 -0,013
T_T 0,806 0,213 -0,662 0,654 -0,307 0,029 0,725 -0,537 -0,077 -0,132
Tn_T 0,771 0,194 -0,670 0,660 -0,308 0,029 0,730 -0,541 -0,091 -0,123
Tx_T 0,811 0,227 -0,657 0,636 -0,312 0,028 0,699 -0,514 -0,061 -0,145
Hf_T -0,266 0,275 0,179 -0,446 0,100 0,004 -0,469 0,343 -0,125 -0,120
HR_T -0,298 -0,050 0,094 0,038 -0,048 0,003 0,058 -0,062 0,167 0,065
Rad_T 0,907 0,568 -0,588 0,241 -0,292 0,060 0,435 -0,353 -0,166 -0,236
P_T -0,328 -0,241 0,163 -0,012 0,065 -0,012 -0,063 0,034 0,071 0,150
ETo_T 1,000 0,472 -0,715 0,416 -0,303 0,055 0,565 -0,443 -0,196 -0,212
VolExp_T 0,472 1,000 -0,230 -0,285 -0,137 0,069 -0,017 -0,002 0,010 -0,391
Qent_T -0,715 -0,230 1,000 -0,556 0,318 -0,023 -0,524 0,375 0,187 0,181
Qsal_T 0,416 -0,285 -0,556 1,000 -0,198 -0,029 0,621 -0,441 -0,118 -0,007
Filt_T -0,303 -0,137 0,318 -0,198 1,000 -0,013 -0,237 0,159 0,027 0,085
Profundidad_T 0,055 0,069 -0,023 -0,029 -0,013 1,000 -0,389 -0,632 -0,270 0,627
Ta_T 0,565 -0,017 -0,524 0,621 -0,237 -0,389 1,000 -0,080 0,115 -0,484
Odis_T -0,443 -0,002 0,375 -0,441 0,159 -0,632 -0,080 1,000 0,566 -0,595
pH_T -0,196 0,010 0,187 -0,118 0,027 -0,270 0,115 0,566 1,000 -0,431
Con_T -0,212 -0,391 0,181 -0,007 0,085 0,627 -0,484 -0,595 -0,431 1,000
Sig. DJ_T 0,073 0,000 0,358 0,000 0,018 0,021 0,000 0,000 0,000 0,000
(Unilateral) V_T 0,000 0,000 0,112 0,000 0,012 0,260 0,000 0,000 0,000 0,004
DV_T 0,000 0,000 0,000 0,000 0,000 0,005 0,000 0,000 0,000 0,000
Vx_T 0,000 0,000 0,000 0,000 0,158 0,244 0,000 0,000 0,114 0,189
T_T 0,000 0,000 0,000 0,000 0,000 0,027 0,000 0,000 0,000 0,000
Tn_T 0,000 0,000 0,000 0,000 0,000 0,028 0,000 0,000 0,000 0,000
Tx_T 0,000 0,000 0,000 0,000 0,000 0,032 0,000 0,000 0,000 0,000
Hf_T 0,000 0,000 0,000 0,000 0,000 0,401 0,000 0,000 0,000 0,000
HR_T 0,000 0,000 0,000 0,006 0,001 0,414 0,000 0,000 0,000 0,000
Rad_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
P_T 0,000 0,000 0,000 0,222 0,000 0,215 0,000 0,013 0,000 0,000
ETo_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
VolExp_T 0,000 0,000 0,000 0,000 0,000 0,124 0,453 0,262 0,000
Qent_T 0,000 0,000 0,000 0,000 0,061 0,000 0,000 0,000 0,000
Qsal_T 0,000 0,000 0,000 0,000 0,028 0,000 0,000 0,000 0,315
Filt_T 0,000 0,000 0,000 0,000 0,196 0,000 0,000 0,039 0,000
Profundidad_T 0,000 0,000 0,061 0,028 0,196 0,000 0,000 0,000 0,000
Ta_T 0,000 0,124 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Odis_T 0,000 0,453 0,000 0,000 0,000 0,000 0,000 0,000 0,000
pH_T 0,000 0,262 0,000 0,000 0,039 0,000 0,000 0,000 0,000
Con_T 0,000 0,000 0,000 0,315 0,000 0,000 0,000 0,000 0,000
122
Comunalidades
Inicial Extraccin
DJ_T 1,000 ,759
V_T 1,000 ,804
DV_T 1,000 ,482
Vx_T 1,000 ,817
T_T 1,000 ,964
Tn_T 1,000 ,946
Tx_T 1,000 ,932
Hf_T 1,000 ,740
HR_T 1,000 ,786
Rad_T 1,000 ,860
P_T 1,000 ,400
ETo_T 1,000 ,946
VolExp_T 1,000 ,846
Qent_T 1,000 ,681
Qsal_T 1,000 ,793
Filt_T 1,000 ,155
Ta_T 1,000 ,874
Odis_T 1,000 ,936
pH_T 1,000 ,664
Con_T 1,000 ,872
Sumas de las saturaciones al cuadrado de

la extraccin
Componente
% de la % % de la %
Total Total
1 6,985 33,263 33,263 6,985 33,263 33,263
2 3,199 15,235 48,498 3,199 15,235 48,498
3 2,701 12,861 61,359 2,701 12,861 61,359
4 2,076 9,888 71,247 2,076 9,888 71,247
5 1,051 5,006 76,252 1,051 5,006 76,252
6 ,917 4,367 80,619
7 ,817 3,892 84,511
8 ,751 3,577 88,088
9 ,523 2,491 90,579
10 ,404 1,922 92,501
11 ,334 1,591 94,092
12 ,282 1,345 95,438
13 ,224 1,065 96,503
14 ,208 ,990 97,492
15 ,176 ,840 98,332
16 ,128 ,610 98,942
17 ,087 ,417 99,358
18 ,074 ,351 99,709
19 ,038 ,181 99,889
20 ,019 ,091 99,980
21 ,004 ,020 100,000
123
Componente
1 2 3 4 5
DJ_T ,295 -,625 ,019 ,531 -,008
V_T -,096 ,560 ,366 ,572 ,141
DV_T -,555 -,065 ,064 ,349 -,210
Vx_T -,039 ,369 ,286 ,615 ,469
T_T ,971 -,081 -,054 -,004 ,113
Tn_T ,958 -,123 -,066 -,020 ,095
Tx_T ,958 -,041 -,057 -,033 ,084
Hf_T -,540 ,481 ,130 -,229 -,384
HR_T ,033 -,550 -,369 -,563 ,174
Rad_T ,746 ,502 ,138 -,175 -,043
P_T -,210 -,509 -,164 -,002 ,266
ETo_T ,865 ,407 ,169 ,051 ,031
VolExp_T ,241 ,690 ,015 -,505 ,237
Qent_T -,752 -,171 -,045 ,032 ,287
Qsal_T ,686 -,372 -,048 ,313 -,290
Filt_T -,376 -,094 ,011 ,070 ,023
Profundidad_T ,036 -,195 ,752 -,314 ,233
Ta_T ,748 -,046 -,474 ,273 -,116
Odis_T -,564 ,367 -,679 ,152 -,011
pH_T -,154 ,087 -,662 ,061 ,437
Con_T -,153 -,537 ,742 -,070 ,068
Mtodo de extraccin: Anlisis de componentes principales

Componente
1 2 3 4 5
DJ_T ,160 ,116 ,829 ,041 ,177
V_T -,066 -,007 -,082 ,879 -,141
DV_T -,598 -,070 ,232 ,186 -,176
Vx_T -,018 ,025 ,010 ,871 ,237
T_T ,953 ,052 ,187 -,054 ,122
Tn_T ,935 ,056 ,209 -,097 ,122
Tx_T ,948 ,038 ,146 -,063 ,084
Hf_T -,474 -,077 -,482 ,043 -,524
HR_T ,025 ,037 -,007 -,775 ,428
Rad_T ,810 ,027 -,336 ,165 -,249
P_T -,255 ,058 ,259 -,250 ,449
ETo_T ,900 ,046 -,122 ,305 -,162
VolExp_T ,388 -,054 -,828 ,079 -,009
Qent_T -,748 ,007 -,053 ,015 ,344
Qsal_T ,583 ,007 ,650 -,094 -,151
Filt_T -,387 ,007 ,042 ,019 ,056
Profundidad_T ,018 ,850 -,166 ,023 ,078
Ta_T ,720 -,448 ,389 -,060 ,016
Odis_T -,490 -,804 -,205 ,057 ,064
pH_T -,093 -,585 -,117 -,028 ,547
Con_T -,245 ,867 ,241 -,033 ,041

124
VALIDACIN, SIN DATOS ANMALOS Y
125
PERIODO DE VALIDACIN
Desviacin
Media N del anlisis
tpica
DJ_T ,122 ,949 4573
V_T -,592 ,474 4573
DV_T ,209 ,646 4573
Vx_T -,406 ,533 4573
T_T ,450 ,742 4573
Tn_T ,521 ,830 4573
Tx_T ,399 ,620 4573
Hf_T -2,006 ,599 4573
HR_T -,007 ,706 4573
Rad_T ,602 ,766 4573
P_T -2,024 ,522 4573
ETo_T ,187 ,694 4573
VolExp_T ,424 1,105 4573
Qent_T -1,285 ,963 4573
Qsal_T -,024 ,859 4573
Filt_T 1,676 ,910 4573
Profundidad_T -,643 ,979 4573
Ta_T -,244 1,244 4573
Odis_T ,019 ,960 4573
pH_T ,620 ,426 4573
Con_T ,415 ,822 4573

,782
Olkin.
Chi-cuadrado
115450,3
aproximado
Bartlett gl 210
Sig. ,000
126
Correlacin DJ_T 1,000 -0,010 0,013 -0,070 0,777 0,770 0,765 -0,510 0,026 0,183 0,017
V_T -0,010 1,000 0,029 0,764 -0,038 -0,074 -0,009 0,167 -0,640 0,188 -0,178
DV_T 0,013 0,029 1,000 -0,086 -0,203 -0,281 -0,140 0,058 -0,175 -0,045 0,067
Vx_T -0,070 0,764 -0,086 1,000 -0,113 -0,125 -0,083 0,125 -0,408 -0,098 0,052
T_T 0,777 -0,038 -0,203 -0,113 1,000 0,962 0,976 -0,657 -0,030 0,433 -0,167
Tn_T 0,770 -0,074 -0,281 -0,125 0,962 1,000 0,897 -0,638 0,092 0,317 -0,121
Tx_T 0,765 -0,009 -0,140 -0,083 0,976 0,897 1,000 -0,629 -0,115 0,478 -0,167
Hf_T -0,510 0,167 0,058 0,125 -0,657 -0,638 -0,629 1,000 -0,063 -0,342 -0,012
HR_T 0,026 -0,640 -0,175 -0,408 -0,030 0,092 -0,115 -0,063 1,000 -0,349 0,269
Rad_T 0,183 0,188 -0,045 -0,098 0,433 0,317 0,478 -0,342 -0,349 1,000 -0,379
P_T 0,017 -0,178 0,067 0,052 -0,167 -0,121 -0,167 -0,012 0,269 -0,379 1,000
ETo_T 0,444 0,316 -0,149 0,085 0,732 0,620 0,773 -0,470 -0,442 0,835 -0,346
VolExp_T -0,848 0,015 -0,080 0,072 -0,520 -0,541 -0,509 0,132 -0,074 0,147 -0,043
Qent_T -0,671 0,053 0,165 0,138 -0,726 -0,716 -0,701 0,495 -0,015 -0,420 -0,087
Qsal_T 0,749 0,060 -0,219 -0,041 0,788 0,811 0,744 -0,423 -0,021 0,256 -0,069
Filt_T -0,138 0,066 0,080 0,064 -0,184 -0,213 -0,165 0,138 -0,131 -0,064 -0,120
Profundidad_T -0,025 -0,009 -0,012 -0,004 -0,008 -0,008 -0,008 0,008 0,000 0,011 -0,008
Ta_T 0,510 -0,012 -0,112 -0,070 0,549 0,553 0,520 -0,356 0,025 0,229 -0,054
Odis_T -0,624 0,001 0,041 0,065 -0,533 -0,540 -0,512 0,250 -0,032 -0,083 0,030
pH_T -0,387 -0,090 0,109 -0,001 -0,361 -0,395 -0,334 -0,096 0,042 -0,004 0,097
Con_T 0,346 -0,019 0,120 -0,024 0,130 0,146 0,129 0,026 0,057 -0,205 0,045
Sig. DJ_T 0,251 0,183 0,000 0,000 0,000 0,000 0,000 0,037 0,000 0,122
(Unilateral) V_T 0,251 0,026 0,000 0,005 0,000 0,267 0,000 0,000 0,000 0,000
DV_T 0,183 0,026 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,000
Vx_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
T_T 0,000 0,005 0,000 0,000 0,000 0,000 0,000 0,020 0,000 0,000
Tn_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Tx_T 0,000 0,267 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Hf_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,211
HR_T 0,037 0,000 0,000 0,000 0,020 0,000 0,000 0,000 0,000 0,000
Rad_T 0,000 0,000 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
P_T 0,122 0,000 0,000 0,000 0,000 0,000 0,000 0,211 0,000 0,000
ETo_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
VolExp_T 0,000 0,148 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,002
Qent_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,161 0,000 0,000
Qsal_T 0,000 0,000 0,000 0,003 0,000 0,000 0,000 0,000 0,078 0,000 0,000
Filt_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Profundidad_T 0,049 0,264 0,207 0,391 0,303 0,305 0,297 0,296 0,488 0,222 0,303
Ta_T 0,000 0,201 0,000 0,000 0,000 0,000 0,000 0,000 0,044 0,000 0,000
Odis_T 0,000 0,472 0,003 0,000 0,000 0,000 0,000 0,000 0,014 0,000 0,021
pH_T 0,000 0,000 0,000 0,463 0,000 0,000 0,000 0,000 0,002 0,400 0,000
Con_T 0,000 0,099 0,000 0,055 0,000 0,000 0,000 0,038 0,000 0,000 0,001
127
Correlacin DJ_T 0,444 -0,848 -0,671 0,749 -0,138 -0,025 0,510 -0,624 -0,387 0,346
V_T 0,316 0,015 0,053 0,060 0,066 -0,009 -0,012 0,001 -0,090 -0,019
DV_T -0,149 -0,080 0,165 -0,219 0,080 -0,012 -0,112 0,041 0,109 0,120
Vx_T 0,085 0,072 0,138 -0,041 0,064 -0,004 -0,070 0,065 -0,001 -0,024
T_T 0,732 -0,520 -0,726 0,788 -0,184 -0,008 0,549 -0,533 -0,361 0,130
Tn_T 0,620 -0,541 -0,716 0,811 -0,213 -0,008 0,553 -0,540 -0,395 0,146
Tx_T 0,773 -0,509 -0,701 0,744 -0,165 -0,008 0,520 -0,512 -0,334 0,129
Hf_T -0,470 0,132 0,495 -0,423 0,138 0,008 -0,356 0,250 -0,096 0,026
HR_T -0,442 -0,074 -0,015 -0,021 -0,131 0,000 0,025 -0,032 0,042 0,057
Rad_T 0,835 0,147 -0,420 0,256 -0,064 0,011 0,229 -0,083 -0,004 -0,205
P_T -0,346 -0,043 -0,087 -0,069 -0,120 -0,008 -0,054 0,030 0,097 0,045
ETo_T 1,000 -0,125 -0,595 0,540 -0,119 0,010 0,375 -0,288 -0,202 -0,081
VolExp_T -0,125 1,000 0,390 -0,627 0,064 0,028 -0,369 0,605 0,517 -0,482
Qent_T -0,595 0,390 1,000 -0,675 0,485 -0,007 -0,460 0,420 0,225 -0,040
Qsal_T 0,540 -0,627 -0,675 1,000 -0,201 -0,003 0,504 -0,553 -0,491 0,203
Filt_T -0,119 0,064 0,485 -0,201 1,000 -0,012 -0,142 0,104 0,038 0,033
Profundidad_T 0,010 0,028 -0,007 -0,003 -0,012 1,000 -0,676 -0,540 -0,310 0,634
Ta_T 0,375 -0,369 -0,460 0,504 -0,142 -0,676 1,000 0,160 0,113 -0,466
Odis_T -0,288 0,605 0,420 -0,553 0,104 -0,540 0,160 1,000 0,660 -0,627
pH_T -0,202 0,517 0,225 -0,491 0,038 -0,310 0,113 0,660 1,000 -0,571
Con_T -0,081 -0,482 -0,040 0,203 0,033 0,634 -0,466 -0,627 -0,571 1,000
Sig. DJ_T 0,000 0,000 0,000 0,000 0,000 0,049 0,000 0,000 0,000 0,000
(Unilateral) V_T 0,000 0,148 0,000 0,000 0,000 0,264 0,201 0,472 0,000 0,099
DV_T 0,000 0,000 0,000 0,000 0,000 0,207 0,000 0,003 0,000 0,000
Vx_T 0,000 0,000 0,000 0,003 0,000 0,391 0,000 0,000 0,463 0,055
T_T 0,000 0,000 0,000 0,000 0,000 0,303 0,000 0,000 0,000 0,000
Tn_T 0,000 0,000 0,000 0,000 0,000 0,305 0,000 0,000 0,000 0,000
Tx_T 0,000 0,000 0,000 0,000 0,000 0,297 0,000 0,000 0,000 0,000
Hf_T 0,000 0,000 0,000 0,000 0,000 0,296 0,000 0,000 0,000 0,038
HR_T 0,000 0,000 0,161 0,078 0,000 0,488 0,044 0,014 0,002 0,000
Rad_T 0,000 0,000 0,000 0,000 0,000 0,222 0,000 0,000 0,400 0,000
P_T 0,000 0,002 0,000 0,000 0,000 0,303 0,000 0,021 0,000 0,001
ETo_T 0,000 0,000 0,000 0,000 0,241 0,000 0,000 0,000 0,000
VolExp_T 0,000 0,000 0,000 0,000 0,029 0,000 0,000 0,000 0,000
Qent_T 0,000 0,000 0,000 0,000 0,316 0,000 0,000 0,000 0,003
Qsal_T 0,000 0,000 0,000 0,000 0,424 0,000 0,000 0,000 0,000
Filt_T 0,000 0,000 0,000 0,000 0,200 0,000 0,000 0,005 0,012
Profundidad_T 0,241 0,029 0,316 0,424 0,200 0,000 0,000 0,000 0,000
Ta_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Odis_T 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
pH_T 0,000 0,000 0,000 0,000 0,005 0,000 0,000 0,000 0,000
Con_T 0,000 0,000 0,003 0,000 0,012 0,000 0,000 0,000 0,000
128
Comunalidades
Inicial Extraccin
DJ_T 1,000 ,914
V_T 1,000 ,896
DV_T 1,000 ,891
Vx_T 1,000 ,817
T_T 1,000 ,940
Tn_T 1,000 ,917
Tx_T 1,000 ,906
Hf_T 1,000 ,606
HR_T 1,000 ,760
Rad_T 1,000 ,825
P_T 1,000 ,665
ETo_T 1,000 ,937
VolExp_T 1,000 ,909
Qent_T 1,000 ,811
Qsal_T 1,000 ,807
Filt_T 1,000 ,561
Ta_T 1,000 ,930
Odis_T 1,000 ,848
pH_T 1,000 ,710
Con_T 1,000 ,838
Autovalores iniciales Sumas de las saturaciones al cuadrado de

Componente la extraccin
Total % de la varianza % acumulado Total % de la varianza % acumulado
1 7,417 35,319 35,319 7,417 35,319 35,319

2 3,165 15,073 50,391 3,165 15,073 50,391
3 2,627 12,507 62,899 2,627 12,507 62,899
4 1,706 8,126 71,024 1,706 8,126 71,024
5 1,285 6,117 77,142 1,285 6,117 77,142
6 1,148 5,465 82,607 1,148 5,465 82,607
7 ,930 4,427 87,034
8 ,595 2,831 89,865
9 ,376 1,790 91,655
10 ,359 1,710 93,365
11 ,275 1,310 94,675
12 ,245 1,165 95,840
13 ,241 1,148 96,988
14 ,179 ,855 97,843
15 ,142 ,674 98,517
16 ,132 ,628 99,145
17 ,061 ,291 99,436
18 ,044 ,211 99,647
19 ,037 ,178 99,825
20 ,032 ,151 99,976
21 ,005 ,024 100,000
129
Componente
1 2 3 4 5 6
DJ_T ,871 -,170 -,099 ,279 ,134 ,144
V_T ,011 ,208 ,817 ,389 -,182 ,034
DV_T -,177 -,103 ,069 ,118 ,490 ,769
Vx_T -,106 ,119 ,624 ,493 -,397 -,013
T_T ,960 ,097 -,038 -,062 ,030 -,049
Tn_T ,938 ,031 -,129 -,012 -,040 -,136
Tx_T ,939 ,122 ,027 -,068 ,065 ,020
Hf_T -,616 -,223 ,203 ,246 ,050 -,270
HR_T -,052 -,291 -,778 -,101 -,121 -,207
Rad_T ,442 ,488 ,343 -,504 ,097 ,099
P_T -,137 -,218 -,384 ,303 -,448 ,399
ETo_T ,726 ,409 ,414 -,265 ,000 ,034
VolExp_T -,640 ,419 ,108 -,502 -,245 -,014
Qent_T -,801 -,110 ,140 ,072 ,308 -,193
Qsal_T ,868 -,061 -,012 ,172 -,048 -,134
Filt_T -,250 -,039 ,214 ,072 ,618 -,254
Profundidad_T ,035 -,665 ,337 -,503 -,201 ,095
Ta_T ,530 ,592 -,340 ,401 ,128 -,074
Odis_T -,633 ,636 -,179 ,096 ,021 -,020
pH_T -,458 ,579 -,263 -,091 -,044 ,293
Con_T ,223 -,854 ,213 -,036 ,070 ,087

Componente
1 2 3 4 5 6
DJ_T ,934 ,043 -,072 -,018 ,086 ,162
V_T -,001 ,113 -,008 ,937 -,080 ,005
DV_T -,088 -,037 -,035 ,012 -,053 ,937
Vx_T -,063 -,133 ,018 ,877 ,105 -,119
T_T ,851 ,432 -,009 -,078 ,084 -,124
Tn_T ,862 ,309 -,013 -,122 ,116 -,222
Tx_T ,820 ,474 -,012 -,029 ,070 -,046
Hf_T -,451 -,475 -,097 ,231 -,324 -,095
HR_T ,038 -,397 ,009 -,703 ,209 -,252
Rad_T ,134 ,892 ,059 ,078 -,045 ,003
P_T -,025 -,472 ,019 -,047 ,640 ,170
ETo_T ,468 ,803 ,023 ,256 ,004 -,083
VolExp_T -,855 ,334 ,157 -,011 ,108 -,175
Qent_T -,657 -,363 -,003 ,053 -,488 ,080
Qsal_T ,860 ,150 -,061 ,051 ,072 -,183
Filt_T -,129 -,085 ,015 ,024 -,720 ,135
Profundidad_T -,129 ,144 -,899 -,034 ,113 -,032
Ta_T ,607 ,098 ,741 -,023 ,027 -,043
Odis_T -,600 -,049 ,695 ,021 -,037 ,008
pH_T -,511 ,127 ,572 -,118 ,223 ,202
Con_T ,280 -,227 -,825 -,013 -,070 ,154

a La rotacin ha convergido en 11 iteraciones
130
ANEXO 18. ANLISIS CLUSTER DEL PERIODO COMPLETO DE
ESTUDIO, SIN DATOS ANMALOS Y VARIABLES
SIN TRANSFORMAR (15 CONGLOMERADOS)
131
132
Centros de los conglomerados finales
Conglomerado
Variable estandarizada 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
DJ 0,804 -1,157 0,207 -1,512 0,280 -1,544 1,623 1,638 -0,457 1,299 -1,293 1,589 -0,764 1,316 0,212
V 0,084 1,663 -0,112 1,021 -0,224 -0,011 -1,099 -1,105 0,388 -0,401 1,376 -0,690 -0,937 1,691 -0,105
DV 0,698 0,923 -0,535 1,013 -0,509 0,771 1,209 -0,191 -0,591 0,890 -2,902 -2,707 -0,465 0,934 -0,623
Vx 0,164 1,670 -0,140 0,521 -0,260 -0,302 -0,341 -0,293 0,269 -0,407 2,168 0,163 -0,454 1,701 -0,136
T -0,386 -0,768 0,897 -1,976 0,967 -1,439 -0,853 -0,876 0,255 -0,519 -1,858 -0,825 -0,309 -0,210 1,063
HR -0,052 -1,772 0,076 -1,769 0,196 0,353 0,876 1,056 -0,798 0,309 -0,333 1,029 0,968 -1,440 0,124
ETo -0,694 -0,040 0,820 -1,035 0,763 -1,183 -1,561 -1,575 0,994 -1,073 -1,172 -1,476 -0,115 -0,349 0,976
VolExp -1,049 0,924 -0,243 0,406 -0,203 0,429 -0,915 -0,775 1,134 -1,289 0,906 -0,787 1,286 -0,857 0,821
Qent 0,377 0,495 -0,613 0,561 -0,595 0,733 6,325 5,426 -0,547 0,245 0,577 2,311 -0,147 0,413 -0,562
Qsal 0,003 -1,263 0,769 -1,356 0,863 -1,291 -0,740 -0,675 -0,297 0,313 -1,079 -0,215 -0,947 0,310 0,492
Profundidad 1,271 0,057 1,119 -0,621 -0,621 0,038 -0,414 1,712 -0,343 -0,513 0,099 -0,336 0,006 -0,370 1,721
Ta -0,680 -0,775 -0,749 -1,028 1,381 -1,010 -0,538 -0,641 0,296 0,017 -1,107 -0,420 -0,353 0,090 -0,700
Odis -1,425 0,915 -1,591 1,084 -0,121 0,999 0,431 -1,387 0,651 0,290 1,020 0,437 0,727 0,231 -1,848
pH -1,283 0,749 -0,929 -2,836 0,085 0,395 0,276 -1,001 1,033 -0,003 -1,001 0,154 1,150 -0,121 -1,539
Con 2,426 -0,252 -0,142 -0,182 -0,653 -0,118 0,991 2,516 -0,653 0,481 -0,283 0,480 -0,454 -0,052 2,474
Distancias entre los centros de los conglomerados finales
Conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 5,996 3,867 5,939 5,413 5,294 7,153 5,627 5,966 3,651 6,746 5,533 5,814 4,582 3,494
2 5,996 5,857 4,243 5,718 3,693 8,290 8,789 3,622 5,473 4,770 6,867 4,705 3,805 6,776
3 3,867 5,857 6,511 3,329 5,528 8,690 7,703 4,180 4,370 6,426 5,824 4,642 4,844 2,987
4 5,939 4,243 6,511 6,789 4,187 8,411 8,597 5,855 5,762 4,954 7,204 6,085 5,231 7,210
5 5,413 5,718 3,329 6,789 5,404 8,511 8,580 2,939 3,764 6,661 5,544 3,952 4,469 5,149
6 5,294 3,693 5,528 4,187 5,404 6,895 7,387 4,271 4,154 4,951 5,464 2,938 5,204 6,522
7 7,153 8,290 8,690 8,411 8,511 6,895 3,823 8,738 6,345 9,006 5,700 7,801 7,557 9,180
8 5,627 8,789 7,703 8,597 8,580 7,387 3,823 9,017 6,644 8,611 5,449 8,040 7,893 7,393
9 5,966 3,622 4,180 5,855 2,939 4,271 8,738 9,017 4,682 5,338 5,910 2,875 4,338 5,565
10 3,651 5,473 4,370 5,762 3,764 4,154 6,345 6,644 4,682 6,612 4,391 4,353 3,612 5,649
11 6,746 4,770 6,426 4,954 6,661 4,951 9,006 8,611 5,338 6,612 5,402 5,445 5,884 7,142
12 5,533 6,867 5,824 7,204 5,544 5,464 5,700 5,449 5,910 4,391 5,402 5,106 5,802 6,692
13 5,814 4,705 4,642 6,085 3,952 2,938 7,801 8,040 2,875 4,353 5,445 5,106 5,705 5,790
14 4,582 3,805 4,844 5,231 4,469 5,204 7,557 7,893 4,338 3,612 5,884 5,802 5,705 6,130
15 3,494 6,776 2,987 7,210 5,149 6,522 9,180 7,393 5,565 5,649 7,142 6,692 5,790 6,130
133
ANOVA
Variable Conglomerado Error
gl gl
estandarizada Media cuadrtica Media cuadrtica
DJ 558,71 14 0,13 8959
V 268,97 14 0,58 8959
DV 385,54 14 0,40 8959
Vx 237,88 14 0,63 8959
T 522,35 14 0,19 8959
HR 301,93 14 0,53 8959
ETo 487,81 14 0,24 8959
VolExp 418,17 14 0,35 8959
Qent 491,93 14 0,23 8959
Qsal 441,86 14 0,31 8959
Profundidad 319,35 14 0,50 8959
Ta 510,72 14 0,20 8959
Odis 524,58 14 0,18 8959
pH 420,00 14 0,35 8959
Con 509,59 14 0,21 8959
Nmero de casos en
Conglomerado
cada conglomerado
1 553
2 390
3 990
4 133
5 2260
6 1184
7 76
8 27
9 763
10 967
11 67
12 100
13 740
14 418
15 306
Vlidos 8974
Perdidos 0
134
ANEXO 19. CENTROS DE LOS CONGLOMERADOS,
CALIBRACIN, VARIABLES SIN
TRANSFORMAR (19 CONGLOMERADOS)
135
136
Conglomerado
Variable 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
DJ 0,688 1,122 0,842 -1,376 0,865 0,861 0,650 1,152 0,000 -1,422 -1,444 -1,485 0,024 1,210 1,148 1,262 1,011 0,020 -0,949
V 1,354 -1,106 -0,038 2,192 -0,400 0,273 -0,572 -0,648 -0,263 0,287 -0,105 -0,219 0,584 1,027 -1,106 4,081 -0,544 -0,547 0,648
DV 0,462 0,906 -2,775 0,710 0,492 0,577 0,262 -3,557 -1,116 0,592 0,396 0,341 -1,603 0,685 -3,609 0,716 0,608 -0,965 0,161
Vx 1,656 -0,326 0,658 2,087 -0,419 -0,240 -0,367 0,197 -0,193 0,355 -0,360 -0,671 0,466 1,360 -0,165 2,499 -0,560 -0,460 1,237
T 0,541 -0,479 0,315 -1,274 -0,063 -0,351 0,722 -0,707 1,349 -1,035 -1,023 -1,009 1,486 -0,427 -0,528 -0,912 -0,489 1,376 -0,362
HR -1,403 0,874 1,070 -2,216 0,302 -1,100 0,320 0,698 0,252 -0,998 0,347 0,711 -0,523 -0,892 1,330 -1,864 0,715 0,437 0,007
ETo 0,490 -1,089 -0,517 -0,067 -0,521 -0,376 -0,001 -1,076 1,513 -0,524 -0,726 -0,833 1,882 -0,561 -1,138 -0,125 -0,898 1,455 0,413
VolExp -1,020 -0,764 -1,334 0,926 -1,083 -1,296 -0,924 -0,539 1,225 0,796 0,584 0,529 1,160 -0,067 -0,387 0,059 -1,090 1,165 -0,433
Qent -0,544 4,841 0,048 0,338 -0,157 -0,151 -0,628 0,469 -0,801 0,174 0,282 0,310 -0,845 0,999 3,309 0,384 0,181 -0,796 0,604
Qsal 1,099 -0,633 1,187 -1,245 0,590 0,712 1,241 -0,263 0,646 -1,303 -1,169 -1,108 0,649 -0,407 -0,464 -0,406 0,076 0,669 -1,876
Profundidad -0,131 -0,092 -0,122 0,039 1,535 -0,353 -0,432 -0,011 1,740 -0,365 1,564 -0,512 -0,396 -0,006 -0,022 0,045 -0,469 -0,527 0,301
ANEXO 20. ANLISIS CLUSTER, PERIODO DE VALIDACIN,
VARIABLES SIN TRANSFORMAR (19 GRUPOS),
CENTROS PROCEDENTES DE CALIBRACIN
137
138
Conglomerado
Variable 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
DJ 0,911 . 0,666 -1,780 0,731 1,433 0,791 . -0,476 -0,618 -0,632 -1,580 -0,363 . . -1,135 1,397 0,057 -0,701
V 0,175 . 0,940 1,165 -0,311 0,825 -0,521 . -0,420 0,100 -0,910 -0,743 0,909 . . 3,829 -0,755 -0,536 1,512
DV 0,551 . -1,237 -0,067 -0,272 1,308 -0,559 . -0,067 0,449 -0,362 0,755 -1,593 . . 1,402 0,739 -0,186 1,152
Vx -0,427 . 0,852 1,335 -0,345 0,683 -0,403 . -0,387 -0,431 -0,335 -0,609 1,177 . . 3,527 -0,507 -0,685 1,259
T 0,777 . 0,981 -2,436 0,828 0,378 0,831 . -0,243 -0,422 -0,424 -1,756 0,139 . . -0,998 0,344 0,544 -0,270
HR -0,875 . -0,146 -0,879 0,373 -0,715 0,811 . 0,035 -1,025 0,974 0,934 -0,804 . . -1,922 0,603 0,033 -1,355
ETo 0,879 . 0,844 -1,712 0,376 0,091 -0,056 . 0,183 0,496 -0,489 -1,738 0,719 . . 0,274 -0,592 0,772 0,456
VolExp -0,965 . -0,586 0,675 -0,688 -1,715 -0,780 . 0,850 0,980 0,970 0,853 0,771 . . 1,132 -1,670 0,309 0,947
Qent -0,577 . -0,508 2,284 -0,489 -0,403 -0,489 . -0,314 -0,255 -0,242 2,069 -0,232 . . 1,720 -0,408 -0,502 0,102
Qsal 1,163 . 1,068 -1,576 0,831 0,532 0,796 . -0,471 -0,631 -0,788 -1,468 -0,310 . . -0,912 0,679 0,492 -0,937
Profundidad -0,297 . -0,179 0,045 1,795 -0,103 -0,461 . 1,906 -0,360 -0,355 -0,001 -0,048 . . -0,107 -0,265 -0,403 -0,058
Nmero de casos en
Conglomerado
cada conglomerado
1 245
2 0
3 334
4 198
5 305
6 271
7 569
8 0
9 217
10 311
11 395
12 446
13 264
14 0
15 0
16 61
17 272
18 475
19 210
Vlidos 4573
139
ANEXO 21. COMPARACIN DE CONGLOMERADOS EN LOS
PERIODOS DE CALIBRACIN Y VALIDACIN,
VARIABLES SIN TRANSFORMAR Y
ESTANDARIZADAS (19 GRUPOS), GRFICOS DE
CAJA Y BIGOTES DE VARIABLES RESPUESTA
140
3
Periodo
Calibracin
1 Validacin
Ta_Estand
0
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
No_Conglomerado
141
142
2
Periodo
Calibracin
Validacin
Odis_Estand
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
No_Conglomerado
4
Periodo
Calibracin
0 Validacin
pH_Estand
-2
-4
-6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
No_Conglomerado
143
144
3
1 Periodo
Calibracin
Validacin
Con_Estand
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
No_Conglomerado
ANEXO 22. COMPARACIN DE CONGLOMERADOS EN
VARIABLES TRANSFORMADAS Y SIN
ESTANDARIZAR (15 GRUPOS), GRFICOS DE
CAJA Y BIGOTES DE VARIABLES RESPUESTA
145
146
3
1 Periodo
Calibracin
Validacin
Ta_T
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
No_Conglomerado
3
1 Periodo
Calibracin
Validacin
Odis_T
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
No_Conglomerado
147
148
3
1 Periodo
Calibracin
Validacin
pH_T
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
No_Conglomerado
3
1 Periodo
Calibracin
Validacin
Con_T
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
No_Conglomerado
149
USANDO PARA AGRUPAR PUNTUACIONES EN
COMPONENTES PRINCIPALES DE LAS
VARIABLES ESTANDARIZADAS (18 GRUPOS),
VARIABLES RESPUESTA ESTANDARIZADAS,
GRFICOS DE CAJA Y BIGOTES DE
VARIABLES RESPUESTA
150
3
Periodo
Calibracin
1 Validacin
Z_Ta
0
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
No_Conglomerado
151
152
2
Periodo
Calibracin
Validacin
Z_Odis
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
No_Conglomerado
4
Periodo
Calibracin
0 Validacin
Z_pH
-2
-4
-6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
No_Conglomerado
153
154
3
1 Periodo
Calibracin
Validacin
Z_Con
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
No_Conglomerado
USANDO PARA AGRUPAR PUNTUACIONES
FACTORIALES DE VARIABLES PREDICTIVAS
SIN TRANSFORMAR Y ESTANDARIZADAS (14
GRUPOS), GRFICOS DE CAJA Y BIGOTES DE
VARIABLES RESPUESTA ESTANDARIZADAS
155
156
3
Periodo
Calibracin
1 Validacin
Ta
0
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14
No_Conglomerado
2
Periodo
Calibracin
Validacin
Odis
-1
-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14
No_Conglomerado
157
158
4
Periodo
Calibracin
0 Validacin
pH
-2
-4
-6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
No_Conglomerado
3
1 Periodo
Calibracin
Validacin
Con
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14
No_Conglomerado
159
ANEXO 25. ANLISIS CLUSTER PARA LAS VARIABLES
ESTANDARIZADAS Y SIN TRANSFORMAR
160
Nmero Porcentaje
Frecuencia Porcentaje
conglomerado acumulado
1 474 5,3 5,3
2 92 1,0 6,3
3 358 4,0 10,3
4 324 3,6 13,9
5 559 6,2 20,1
6 514 5,7 25,9
7 993 11,1 36,9
8 45 0,5 37,4
9 490 5,5 42,9
10 631 7,0 49,9
11 636 7,1 57,0
12 953 10,6 67,6
13 491 5,5 73,1
14 143 1,6 74,7
15 50 0,6 75,3
16 107 1,2 76,4
17 780 8,7 85,1
18 991 11,0 96,2
19 343 3,8 100
Total 8974
Anlisis cluster jerrquico
Para formar todos los dendogramas se us el Mtodo del promedio entre grupos o
vinculacin inter-grupos.
Conglomerado 1
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZETo 7
ZDJ 1
ZDV 3
ZQsal 10
ZV 2
ZVx 4
ZVolExp 8
ZQent 9
ZHR 6
ZProfund 11
161
Conglomerado 2
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZVolExp 8
ZQsal 10
ZT 5
ZVx 4
ZV 2
ZETo 7
ZProfund 11
ZDJ 1
ZDV 3
ZHR 6
ZQent 9
Conglomerado 3
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZQsal 10
ZDJ 1
ZVx 4
ZV 2
ZETo 7
ZVolExp 8
ZQent 9
ZHR 6
ZProfund 11
ZDV 3
Conglomerado 4
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZDJ 1
ZQsal 10
ZT 5
ZETo 7
ZHR 6
ZV 2
ZVx 4
ZVolExp 8
ZQent 9
ZDV 3
ZProfund 11
162
Conglomerado 5
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZQsal 10
ZDJ 1
ZHR 6
ZV 2
ZVx 4
ZDV 3
ZQent 9
ZETo 7
ZVolExp 8
ZProfund 11
Conglomerado 6
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZETo 7
ZVx 4
ZQent 9
ZProfund 11
ZDJ 1
ZDV 3
ZV 2
ZQsal 10
ZHR 6
ZVolExp 8
Conglomerado 7
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZDJ 1
ZT 5
ZQsal 10
ZHR 6
ZDV 3
ZETo 7
ZV 2
ZQent 9
ZVolExp 8
ZProfund 11
ZVx 4
163
Conglomerado 8
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZV 2
ZT 5
ZETo 7
ZQsal 10
ZVolExp 8
ZProfund 11
ZVx 4
ZHR 6
ZDJ 1
ZQent 9
ZDV 3
Conglomerado 9
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZETo 7
ZVolExp 8
ZProfund 11
ZDV 3
ZQent 9
ZDJ 1
ZQsal 10
ZV 2
ZVx 4
ZHR 6
Conglomerado 10
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZETo 7
ZVolExp 8
ZProfund 11
ZDV 3
ZQent 9
ZDJ 1
ZQsal 10
ZV 2
ZVx 4
ZHR 6
164
Conglomerado 11
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZDJ 1
ZT 5
ZQsal 10
ZETo 7
ZDV 3
ZQent 9
ZV 2
ZVx 4
ZHR 6
ZVolExp 8
ZProfund 11
Conglomerado 12
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZETo 7
ZDJ 1
ZQsal 10
ZV 2
ZVx 4
ZProfund 11
ZDV 3
ZVolExp 8
ZHR 6
ZQent 9
Conglomerado 13
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZDJ 1
ZQsal 10
ZQent 9
ZProfund 11
ZHR 6
ZT 5
ZETo 7
ZV 2
ZVolExp 8
ZVx 4
ZDV 3
165
Conglomerado 14
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZETo 7
ZQsal 10
ZT 5
ZVolExp 8
ZHR 6
ZProfund 11
ZDJ 1
ZV 2
ZDV 3
ZQent 9
ZVx 4
Conglomerado 15
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZVolExp 8
ZQsal 10
ZT 5
ZVx 4
ZV 2
ZETo 7
ZProfund 11
ZDJ 1
ZHR 6
ZDV 3
ZQent 9
Conglomerado 16
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZDV 3
ZQent 9
ZVolExp 8
ZT 5
ZQsal 10
ZETo 7
ZProfund 11
ZDJ 1
ZHR 6
ZV 2
ZVx 4
166
Conglomerado 17
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZDV 3
ZHR 6
ZDJ 1
ZT 5
ZQsal 10
ZQent 9
ZProfund 11
ZV 2
ZETo 7
ZVx 4
ZVolExp 8
Conglomerado 18
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZT 5
ZETo 7
ZVolExp 8
ZDJ 1
ZHR 6
ZQsal 10
ZDV 3
ZQent 9
ZV 2
ZVx 4
ZProfund 11
Conglomerado 19
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
ZDV 3
ZVolExp 8
ZETo 7
ZV 2
ZVx 4
ZQent 9
ZProfund 11
ZDJ 1
ZT 5
ZQsal 10
ZHR 6
167
ANEXO 26. ANLISIS CLUSTER PARA LAS VARIABLES
TRANSFORMADAS
168
Nmero de Porcentaje
Frecuencia Porcentaje
conglomerado acumulado
1 916 10,2 10,2
2 1211 13,5 23,7
3 456 5,1 28,8
4 460 5,1 33,9
5 655 7,3 41,2
6 122 1,4 42,6
7 189 2,1 44,7
8 602 6,7 51,4
9 715 8,0 59,3
10 1107 12,3 71,7
11 1349 15,0 86,7
12 103 1,1 87,9
13 624 7,0 94,8
14 71 0,8 95,6
15 394 4,4 100
Total 8974
Anlisis cluster jerrquico
Para formar todos los dendogramas se us el Mtodo del promedio entre grupos o
vinculacin inter-grupos.
Conglomerado 1
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
V_T 2
Vx_T 4
ETo_T 7
Profundi 11
VolExp_T 8
Qent_T 9
DJ_T 1
DV_T 3
T_T 5
Qsal_T 10
HR_T 6
169
Conglomerado 2
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
DJ_T 1
ETo_T 7
V_T 2
Vx_T 4
T_T 5
Qsal_T 10
Profundi 11
Qent_T 9
DV_T 3
VolExp_T 8
HR_T 6
Conglomerado 3
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
DJ_T 1
ETo_T 7
T_T 5
Qsal_T 10
V_T 2
Vx_T 4
Qent_T 9
HR_T 6
Profundi 11
VolExp_T 8
DV_T 3
Conglomerado 4
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
V_T 2
Vx_T 4
DV_T 3
VolExp_T 8
DJ_T 1
Qsal_T 10
HR_T 6
T_T 5
ETo_T 7
Qent_T 9
Profundi 11
170
Conglomerado 5
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
V_T 2
Vx_T 4
ETo_T 7
VolExp_T 8
Qent_T 9
T_T 5
Profundi 11
DJ_T 1
Qsal_T 10
DV_T 3
HR_T 6
Conglomerado 6
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
T_T 5
Qsal_T 10
V_T 2
VolExp_T 8
Vx_T 4
Profundi 11
ETo_T 7
DJ_T 1
DV_T 3
HR_T 6
Qent_T 9
Conglomerado 7
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
VolExp_T 8
Qsal_T 10
V_T 2
Vx_T 4
HR_T 6
T_T 5
Qent_T 9
ETo_T 7
Profundi 11
DJ_T 1
DV_T 3
171
Conglomerado 8
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
DJ_T 1
DV_T 3
Qsal_T 10
V_T 2
Vx_T 4
T_T 5
ETo_T 7
VolExp_T 8
Qent_T 9
HR_T 6
Profundi 11
Conglomerado 9
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
DJ_T 1
Qsal_T 10
DV_T 3
HR_T 6
V_T 2
Vx_T 4
T_T 5
ETo_T 7
VolExp_T 8
Qent_T 9
Profundi 11
Conglomerado 10
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
V_T 2
Vx_T 4
VolExp_T 8
Profundi 11
Qent_T 9
DJ_T 1
T_T 5
DV_T 3
HR_T 6
Qsal_T 10
ETo_T 7
172
Conglomerado 11
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
V_T 2
Vx_T 4
Profundi 11
Qent_T 9
DJ_T 1
DV_T 3
ETo_T 7
T_T 5
Qsal_T 10
HR_T 6
VolExp_T 8
Conglomerado 12
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
T_T 5
Qsal_T 10
VolExp_T 8
V_T 2
Vx_T 4
Qent_T 9
Profundi 11
DV_T 3
ETo_T 7
DJ_T 1
HR_T 6
Conglomerado 13
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
V_T 2
Vx_T 4
DJ_T 1
Qsal_T 10
T_T 5
ETo_T 7
DV_T 3
HR_T 6
VolExp_T 8
Profundi 11
Qent_T 9
173
Conglomerado 14
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
VolExp_T 8
Qsal_T 10
T_T 5
HR_T 6
ETo_T 7
Qent_T 9
Profundi 11
DV_T 3
Vx_T 4
DJ_T 1
V_T 2
Conglomerado 15
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
V_T 2
Vx_T 4
HR_T 6
ETo_T 7
DV_T 3
VolExp_T 8
T_T 5
Qsal_T 10
DJ_T 1
Qent_T 9
Profundi 11
174
ANEXO 27. ANLISIS DISCRIMINANTE PARA LAS VARIABLES
SIN TRANSFORMAR, NO ESTANDARIZADAS (19
GRUPOS), PERIODO COMPLETO DE ESTUDIO
175
Estadsticos de grupo
No No
Nmero de Variable Media Desv. tp. de Nmero de Variable Media Desv. tp. de
grupo casos grupo casos
1 DJ 254,9 37,8 474 2 DJ 345,3 1,5 92
V 1,5 0,3 474 V 1,0 0,1 92
DV 272,6 33,5 474 DV 331,6 14,6 92
Vx 6,1 1,7 474 Vx 4,7 0,5 92
T 22,9 2,8 474 T 13,7 0,7 92
HR 43,6 8,4 474 HR 69,4 5,7 92
ETo 4,6 1,2 474 ETo 1,0 0,0 92
VolExp 7418094,9 488285,9 474 VolExp 7474021,7 226901,9 92
Qent 7018,9 9390,1 474 Qent 201385,8 33851,2 92
Qsal 40309,1 4703,6 474 Qsal 18399,4 2782,6 92
Profundidad 7,2 6,0 474 Profundidad 8,4 7,0 92
3 DJ 212,9 33,5 358 4 DJ 53,8 14,0 324
V 1,5 0,2 358 V 1,8 0,3 324
DV 110,7 35,7 358 DV 246,3 124,8 324
Vx 6,2 0,5 358 Vx 7,4 1,2 324
T 25,8 2,2 358 T 8,6 2,2 324
HR 57,9 9,1 358 HR 40,1 13,3 324
ETo 5,2 1,2 358 ETo 2,4 0,6 324
VolExp 8178245,8 951851,7 358 VolExp 10058108,0 354959,3 324
Qent 4316,0 8167,1 358 Qent 40560,8 8440,5 324
Qsal 41260,3 4036,2 358 Qsal 10396,0 3910,0 324
5 DJ 256,9 56,6 559 6 DJ 280,2 32,8 514
V 1,2 0,2 559 V 1,4 0,1 514
DV 238,6 69,3 559 DV 305,6 25,7 514
Vx 4,6 1,0 559 Vx 5,4 0,9 514
T 21,4 5,3 559 T 19,1 5,0 514
HR 62,5 8,9 559 HR 46,6 7,8 514
ETo 3,5 1,7 559 ETo 3,4 1,3 514
VolExp 7636202,1 927700,0 559 VolExp 6622645,9 288451,6 514
Qent 13441,3 16681,3 559 Qent 14581,3 15359,4 514
Qsal 35666,2 6760,2 559 Qsal 34303,3 4176,0 514
7 DJ 244,8 39,7 993 8 DJ 349,0 9,0 45
V 1,1 0,1 993 V 1,1 0,0 45
DV 216,1 70,5 993 DV 13,2 11,1 45
Vx 4,6 0,9 993 Vx 5,5 0,9 45
T 23,8 2,4 993 T 12,2 2,0 45
HR 65,7 6,6 993 HR 67,0 4,5 45
ETo 3,6 1,1 993 ETo 1,0 0,0 45
VolExp 7670999,0 689825,2 993 VolExp 7769444,4 790964,8 45
Qent 5740,8 6208,1 993 Qent 48533,4 14085,0 45
Qsal 38726,3 4193,0 993 Qsal 22560,0 1085,4 45
9 DJ 177,4 37,5 490 10 DJ 81,5 50,3 631
V 1,2 0,2 490 V 1,3 0,2 631
DV 193,4 44,8 490 DV 274,8 43,3 631
Vx 4,8 0,8 490 Vx 5,2 0,9 631
T 23,1 3,3 490 T 14,5 5,5 631
HR 60,2 9,6 490 HR 45,2 9,5 631
ETo 4,9 0,8 490 ETo 3,6 1,6 631
VolExp 10300212,2 476790,3 490 VolExp 10141271,0 688869,4 631
Qent 4394,2 5603,4 490 Qent 22090,4 17420,1 631
Qsal 28433,5 7561,6 490 Qsal 15873,8 6143,2 631
176
No No
Nmero de Variable Media Desv. tp. de Nmero de Variable Media Desv. tp. de
grupo casos grupo casos
11 DJ 92,4 51,8 636 12 DJ 48,7 29,7 953
V 1,1 0,2 636 V 1,2 0,2 953
DV 223,0 68,2 636 DV 277,7 32,7 953
Vx 4,7 1,0 636 Vx 4,3 1,0 953
T 15,7 4,7 636 T 11,1 2,2 953
HR 67,4 8,6 636 HR 68,5 7,8 953
ETo 3,0 1,4 636 ETo 1,8 0,8 953
VolExp 10186017,3 838734,2 636 VolExp 9828097,6 800631,6 953
Qent 19413,2 18946,2 636 Qent 39523,3 7494,0 953
Qsal 16576,3 6517,9 636 Qsal 12088,4 5335,4 953
13 DJ 175,8 34,8 491 14 DJ 356,1 3,9 143
V 1,5 0,1 491 V 1,6 0,2 143
DV 117,4 64,7 491 DV 315,8 8,9 143
Vx 6,3 0,7 491 Vx 7,3 1,3 143
T 24,1 2,8 491 T 14,1 2,5 143
HR 49,7 10,2 491 HR 45,6 6,5 143
ETo 5,5 0,6 491 ETo 2,0 0,0 143
VolExp 10238773,9 364875,3 491 VolExp 8389804,2 109988,3 143
Qent 4306,0 5422,9 491 Qent 67070,2 18894,5 143
Qsal 28551,2 6657,6 491 Qsal 20947,5 650,3 143
15 DJ 348,5 0,5 50 16 DJ 213,3 130,3 107
V 0,9 0,1 50 V 2,5 0,3 107
DV 9,5 9,6 50 DV 313,7 15,7 107
Vx 5,0 0,6 50 Vx 9,2 0,8 107
T 13,4 0,4 50 T 13,8 3,6 107
HR 75,5 0,5 50 HR 34,1 2,6 107
ETo 1,0 0,0 50 ETo 3,6 1,1 107
VolExp 7969500,0 55053,3 50 VolExp 9959373,8 1226767,1 107
Qent 147828,6 18276,3 50 Qent 37313,2 11491,0 107
Qsal 20304,0 0,0 50 Qsal 19072,6 3227,8 107
17 DJ 302,6 41,7 780 18 DJ 191,1 22,7 991
V 1,1 0,2 780 V 1,1 0,1 991
DV 293,1 36,6 780 DV 195,2 26,5 991
Vx 4,4 1,0 780 Vx 4,4 0,6 991
T 16,9 4,8 780 T 25,0 1,9 991
HR 66,8 6,1 780 HR 61,4 7,2 991
ETo 2,1 1,3 780 ETo 5,1 0,7 991
VolExp 6875173,1 553062,7 780 VolExp 9864474,3 393407,5 991
Qent 26266,0 21272,2 780 Qent 3326,8 4360,1 991
Qsal 29996,2 6547,3 780 Qsal 33753,8 3912,7 991
19 DJ 112,6 26,0 343 Total DJ 186,9 97,6 8974
V 1,6 0,2 343 V 1,3 0,3 8974
DV 286,6 25,9 343 DV 235,9 79,1 8974
Vx 6,8 0,7 343 Vx 5,2 1,4 8974
T 17,7 3,1 343 T 19,1 6,3 8974
HR 48,2 9,2 343 HR 58,2 12,8 8974
ETo 4,4 1,1 343 ETo 3,6 1,7 8974
VolExp 9631903,8 1404016,6 343 VolExp 8853793,2 1507776,4 8974
Qent 26841,7 23950,8 343 Qent 20238,4 28660,2 8974
Qsal 12341,6 8552,0 343 Qsal 27093,9 11742,2 8974
177
Pruebas de igualdad de las medias de los grupos
Lambda de
F gl1 gl2 Sig.
Wilks
DJ ,168 2461,512 18 8955 ,000
V ,393 767,037 18 8955 ,000
DV ,431 657,354 18 8955 ,000
Vx ,482 535,643 18 8955 ,000
T ,329 1014,451 18 8955 ,000
HR ,417 694,465 18 8955 ,000
ETo ,447 615,423 18 8955 ,000
VolExp ,209 1882,852 18 8955 ,000
Qent ,226 1702,188 18 8955 ,000
Qsal ,223 1731,591 18 8955 ,000
Profundidad ,549 409,513 18 8955 ,000
Logaritmo de los determinantes
Logaritmo del
No_Conglomerado Rango
determinante
1 11 70,493
2 4 .(a)
3 11 68,216
4 11 65,495
5 11 79,681
6 11 71,718
7 11 73,639
8 3 .(a)
9 11 75,228
10 11 73,800
11 11 79,013
12 11 75,576
13 11 73,249
14 7 .(a)
15 3 .(a)
16 5 .(a)
17 11 75,506
18 11 70,768
19 11 74,596
Intra-grupos combinada 11 82,567
Los rangos y logaritmos naturales de los determinantes impresos son los de las matrices de covarianzas
de los grupos.
a Singular
178
Resultados de la prueba(a)
M de Box 73519,393
Aprox. 85,028
gl1 858
F
gl2 25297377
Sig. ,000
Contrasta la hiptesis nula de que las matrices de covarianzas poblacionales son iguales.
a Algunas matrices de covarianzas son singulares y el procedimiento ordinario no es vlido. Los grupos
no singulares se compararn con sus propias matrices de covarianzas intra-grupo combinadas. El
logaritmo de su determinante es 82,408.
Autovalores
Correlacin
Funcin Autovalor % de varianza % acumulado
cannica
1 10,528(a) 47,8 47,8 ,956
2 4,180(a) 19,0 66,7 ,898
3 2,853(a) 12,9 79,7 ,861
4 1,942(a) 8,8 88,5 ,812
5 ,894(a) 4,1 92,5 ,687
6 ,734(a) 3,3 95,9 ,651
7 ,379(a) 1,7 97,6 ,524
8 ,291(a) 1,3 98,9 ,474
9 ,172(a) ,8 99,7 ,384
10 ,044(a) ,2 99,9 ,205
11 ,026(a) ,1 100,0 ,158
a Se han empleado las 11 primeras funciones discriminantes cannicas en el anlisis.
Lambda de Wilks
Contraste de Lambda de
Chi-cuadrado gl Sig.
las funciones Wilks
1 a la 11 ,000 76236,269 198 ,000
2 a la 11 ,002 54335,831 170 ,000
3 a la 11 ,012 39601,812 144 ,000
4 a la 11 ,046 27517,785 120 ,000
5 a la 11 ,136 17852,213 98 ,000
6 a la 11 ,258 12132,562 78 ,000
7 a la 11 ,448 7201,726 60 ,000
8 a la 11 ,617 4321,324 44 ,000
9 a la 11 ,797 2036,370 30 ,000
10 a la 11 ,934 611,112 18 ,000
11 ,975 227,639 8 ,000
179
No conglomerado Previas Casos utilizados
1 ,053 474
2 ,010 92
3 ,040 358
4 ,036 324
5 ,062 559
6 ,057 514
7 ,111 993
8 ,005 45
9 ,055 490
10 ,070 631
11 ,071 636
12 ,106 953
13 ,055 491
14 ,016 143
15 ,006 50
16 ,012 107
17 ,087 780
18 ,110 991
19 ,038 343
Total 1,000 8974
180
Resultados de la clasificacin(b,c)
Total
conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Original 1 383 0 0 0 8 42 41 0 0 0 0 0 0 0 0 0 0 0 0 474
Recuento 2 0 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 92
3 0 0 312 0 2 0 0 0 3 0 0 0 18 0 0 0 0 23 0 358
4 0 0 0 221 0 0 0 0 0 80 6 17 0 0 0 0 0 0 0 324
5 1 0 22 0 356 11 15 0 51 0 0 0 0 6 0 0 85 12 0 559
6 98 0 0 0 10 371 0 0 0 0 0 0 0 0 0 0 35 0 0 514
7 19 0 49 0 16 19 770 0 0 0 0 0 0 0 0 0 81 39 0 993
8 0 0 0 0 0 0 0 45 0 0 0 0 0 0 0 0 0 0 0 45
9 0 0 0 0 4 0 0 0 392 7 48 0 13 0 0 0 0 24 2 490
10 0 0 0 20 0 0 0 0 6 477 18 89 0 0 0 0 0 21 0 631
11 0 0 0 0 0 0 0 0 2 36 373 156 0 0 0 0 0 69 0 636
12 0 0 0 0 0 0 0 0 0 40 109 804 0 0 0 0 0 0 0 953
13 0 0 0 0 0 0 0 0 10 0 0 0 380 0 0 0 0 88 13 491
14 0 0 0 0 0 0 0 0 0 0 0 0 0 143 0 0 0 0 0 143
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 50 0 0 0 0 50
16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 96 0 0 11 107
17 0 0 0 0 18 0 147 0 0 0 0 0 0 26 0 0 589 0 0 780
18 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 988 0 991
19 0 0 0 0 0 0 0 0 6 64 0 2 0 0 0 0 0 0 271 343
% 1 81 0 0 0 1,69 8,9 8,6 0 0 0 0 0 0 0 0 0 0 0 0 100
2 0 100 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100
3 0 0 87 0 0,56 0 0 0 0,8 0 0 0 5 0 0 0 0 6,4 0 100
4 0 0 0 68 0 0 0 0 0 25 1,9 5,2 0 0 0 0 0 0 0 100
5 0,2 0 3,9 0 63,7 2 2,7 0 9,1 0 0 0 0 1,1 0 0 15 2,1 0 100
6 19 0 0 0 1,95 72 0 0 0 0 0 0 0 0 0 0 6,8 0 0 100
7 1,9 0 4,9 0 1,61 1,9 78 0 0 0 0 0 0 0 0 0 8,2 3,9 0 100
8 0 0 0 0 0 0 0 100 0 0 0 0 0 0 0 0 0 0 0 100
9 0 0 0 0 0,82 0 0 0 80 1,4 9,8 0 2,7 0 0 0 0 4,9 0,4 100
10 0 0 0 3,2 0 0 0 0 1 76 2,9 14 0 0 0 0 0 3,3 0 100
11 0 0 0 0 0 0 0 0 0,3 5,7 59 25 0 0 0 0 0 11 0 100
12 0 0 0 0 0 0 0 0 0 4,2 11 84 0 0 0 0 0 0 0 100
13 0 0 0 0 0 0 0 0 2 0 0 0 77 0 0 0 0 18 2,6 100
14 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 0 100
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 100
16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 0 0 10 100
17 0 0 0 0 2,31 0 19 0 0 0 0 0 0 3,3 0 0 76 0 0 100
18 0 0 0 0 0 0 0 0 0,3 0 0 0 0 0 0 0 0 100 0 100
19 0 0 0 0 0 0 0 0 1,7 19 0 0,6 0 0 0 0 0 0 79 100
181
Total
conglomerado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Validacin 1 383 0 0 0 8 42 41 0 0 0 0 0 0 0 0 0 0 0 0 474
cruzada(a) 2 0 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 92
Recuento 3 0 0 311 0 3 0 0 0 3 0 0 0 18 0 0 0 0 23 0 358
4 0 0 0 219 0 0 0 0 0 82 6 17 0 0 0 0 0 0 0 324
5 1 0 22 0 355 11 16 0 51 0 0 0 0 6 0 0 85 12 0 559
6 98 0 0 0 10 371 0 0 0 0 0 0 0 0 0 0 35 0 0 514
7 19 0 50 0 17 19 768 0 0 0 0 0 0 0 0 0 81 39 0 993
8 0 0 0 0 0 0 0 45 0 0 0 0 0 0 0 0 0 0 0 45
9 0 0 0 0 4 0 0 0 390 7 49 0 14 0 0 0 0 24 2 490
10 0 0 0 20 0 0 0 0 6 473 18 92 0 0 0 0 0 21 1 631
11 0 0 0 0 0 0 0 0 2 36 372 156 0 0 0 0 0 70 0 636
12 0 0 0 0 0 0 0 0 0 40 110 803 0 0 0 0 0 0 0 953
13 0 0 0 0 0 0 0 0 10 0 0 0 380 0 0 0 0 88 13 491
14 0 0 0 0 0 0 0 0 0 0 0 0 0 143 0 0 0 0 0 143
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 50 0 0 0 0 50
16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 96 0 0 11 107
17 0 0 0 0 18 0 147 0 0 0 0 0 0 27 0 0 588 0 0 780
18 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 987 0 991
19 0 0 0 0 0 0 0 0 6 66 0 2 1 0 0 0 0 0 268 343
% 1 81 0 0 0 1,69 8,9 8,6 0 0 0 0 0 0 0 0 0 0 0 0 100
2 0 100 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100
3 0 0 87 0 0,84 0 0 0 0,8 0 0 0 5 0 0 0 0 6,4 0 100
4 0 0 0 68 0 0 0 0 0 25 1,9 5,2 0 0 0 0 0 0 0 100
5 0,2 0 3,9 0 63,5 2 2,9 0 9,1 0 0 0 0 1,1 0 0 15 2,1 0 100
6 19 0 0 0 1,95 72 0 0 0 0 0 0 0 0 0 0 6,8 0 0 100
7 1,9 0 5 0 1,71 1,9 77 0 0 0 0 0 0 0 0 0 8,2 3,9 0 100
8 0 0 0 0 0 0 0 100 0 0 0 0 0 0 0 0 0 0 0 100
9 0 0 0 0 0,82 0 0 0 80 1,4 10 0 2,9 0 0 0 0 4,9 0,4 100
10 0 0 0 3,2 0 0 0 0 1 75 2,9 15 0 0 0 0 0 3,3 0,2 100
11 0 0 0 0 0 0 0 0 0,3 5,7 58 25 0 0 0 0 0 11 0 100
12 0 0 0 0 0 0 0 0 0 4,2 12 84 0 0 0 0 0 0 0 100
13 0 0 0 0 0 0 0 0 2 0 0 0 77 0 0 0 0 18 2,6 100
14 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 0 100
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 100
16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 90 0 0 10 100
17 0 0 0 0 2,31 0 19 0 0 0 0 0 0 3,5 0 0 75 0 0 100
18 0 0 0 0 0 0 0 0 0,4 0 0 0 0 0 0 0 0 100 0 100
19 0 0 0 0 0 0 0 0 1,7 19 0 0,6 0,3 0 0 0 0 0 78 100
a Cada caso se clasifica mediante las funciones derivadas a partir del resto de los casos.
c Clasificados correctamente el 79,1% de los casos agrupados validados mediante validacin cruzada.
182
ANEXO 28. ANLISIS DISCRIMINANTE PARA LAS VARIABLES
SIN TRANSFORMAR, SIENDO ESTANDARIZADAS
(19 GRUPOS), PERIODO COMPLETO DE ESTUDIO
183
a) Usando para la estandarizacin del periodo completo de estudio la media y la
desviacin estndar correspondientes al periodo de calibracin.
No grupo Variable Media Desv. Tip. Casos No grupo Variable Media Desv. Tip. Casos
1 Puntua(DJ) 0,385 0,308 474 2 Puntua(DJ) 1,122 0,012 92
Puntua(V) 0,639 0,933 474 Puntua(V) -1,106 0,153 92
Puntua(DV) 0,079 0,470 474 Puntua(DV) 0,906 0,205 92
Puntua(Vx) 0,603 1,098 474 Puntua(Vx) -0,326 0,318 92
Puntua(T) 0,925 0,436 474 Puntua(T) -0,479 0,110 92
Puntua(HR) -1,043 0,626 474 Puntua(HR) 0,874 0,425 92
Puntua(ETo) 1,138 0,695 474 Puntua(ETo) -1,089 0,085 92
Puntua(VolExp) -0,807 0,372 474 Puntua(VolExp) -0,764 0,173 92
Puntua(Qent) -0,718 0,269 474 Puntua(Qent) 4,841 0,968 92
Puntua(Qsal) 1,314 0,418 474 Puntua(Qsal) -0,633 0,247 92
Puntua(Profundidad) -0,245 0,774 474 Puntua(Profundidad) -0,092 0,903 92
3 Puntua(DJ) 0,042 0,274 358 4 Puntua(DJ) -1,255 0,114 324
Puntua(V) 0,567 0,462 358 Puntua(V) 1,341 0,870 324
Puntua(DV) -2,190 0,501 358 Puntua(DV) -0,289 1,749 324
Puntua(Vx) 0,635 0,361 358 Puntua(Vx) 1,433 0,799 324
Puntua(T) 1,369 0,330 358 Puntua(T) -1,265 0,333 324
Puntua(HR) 0,026 0,677 358 Puntua(HR) -1,296 0,985 324
Puntua(VolExp) -0,228 0,725 358 Puntua(VolExp) 1,203 0,270 324
Puntua(Profundidad) -0,230 0,777 358 Puntua(Profundidad) 0,002 1,014 324
Puntua(V) -0,420 0,586 559 Puntua(V) 0,401 0,417 514
Puntua(DV) -0,398 0,971 559 Puntua(DV) 0,543 0,361 514
Puntua(Vx) -0,363 0,651 559 Puntua(Vx) 0,150 0,609 514
Puntua(T) 0,693 0,813 559 Puntua(T) 0,344 0,762 514
Puntua(ETo) 0,498 1,037 559 Puntua(ETo) 0,413 0,809 514
Puntua(Qent) -0,535 0,477 559 Puntua(Qent) -0,502 0,439 514
Puntua(Qsal) 0,902 0,601 559 Puntua(Qsal) 0,780 0,371 514
Puntua(Profundidad) 1,607 0,477 559 Puntua(Profundidad) -0,253 0,752 514
Puntua(V) -0,595 0,444 993 Puntua(V) -0,648 0,000 45
Puntua(T) 1,068 0,363 993 Puntua(T) -0,707 0,301 45
Puntua(HR) 0,603 0,488 993 Puntua(HR) 0,698 0,336 45
9 Puntua(DJ) -0,247 0,305 490 10 Puntua(DJ) -1,030 0,410 631
Puntua(V) -0,380 0,608 490 Puntua(V) 0,100 0,476 631
Puntua(Vx) -0,262 0,548 490 Puntua(Vx) -0,009 0,605 631
Puntua(T) 0,962 0,511 490 Puntua(T) -0,360 0,845 631
Puntua(VolExp) 1,387 0,363 490 Puntua(VolExp) 1,266 0,524 631
184
Desv. No de Desv. No de
No grupo Variable Media No grupo Variable Media
tpica casos tpica casos
Puntua(V) -0,622 0,614 636 Puntua(V) -0,490 0,675 953
Puntua(T) -0,181 0,726 636 Puntua(T) -0,875 0,333 953
Puntua(Qsal) -0,795 0,579 636 Puntua(Qsal) -1,194 0,474 953
13 Puntua(DJ) -0,261 0,284 491 14 Puntua(DJ) 1,210 0,032 143
Puntua(V) 0,585 0,432 491 Puntua(V) 1,027 0,516 143
Puntua(T) 1,105 0,432 491 Puntua(T) -0,427 0,383 143
Puntua(HR) -0,587 0,758 491 Puntua(HR) -0,892 0,480 143
Puntua(VolExp) 1,341 0,278 491 Puntua(VolExp) -0,067 0,084 143
Puntua(V) -1,106 0,154 50 Puntua(V) 3,481 0,780 107
Puntua(T) -0,528 0,062 50 Puntua(T) -0,461 0,545 107
Puntua(ETo) -1,138 0,033 50 Puntua(ETo) 0,667 0,732 107
Puntua(Qent) 3,309 0,523 50 Puntua(Qent) 0,148 0,329 107
Puntua(V) -0,636 0,678 780 Puntua(V) -0,584 0,427 991
Puntua(DV) 0,367 0,513 780 Puntua(DV) -1,006 0,371 991
Puntua(T) 0,010 0,743 780 Puntua(T) 1,243 0,286 991
19 Puntua(DJ) -0,776 0,212 343 Total Puntua(DJ) -0,169 0,796 8974
Puntua(V) 0,918 0,474 343 Puntua(V) -0,090 0,925 8974
Puntua(T) 0,138 0,478 343 Puntua(T) 0,341 0,960 8974
Puntua(Qsal) -1,172 0,760 343 Puntua(Qsal) 0,140 1,044 8974
185
Lambda de
F gl1 gl2 Sig.
Wilks
Puntua(DJ) 0,168 2461,512 18 8955 0,000
Puntua(V) 0,393 767,019 18 8955 0,000
Puntua(DV) 0,431 657,351 18 8955 0,000
Puntua(Vx) 0,482 535,642 18 8955 0,000
Puntua(T) 0,329 1014,446 18 8955 0,000
Puntua(HR) 0,417 694,463 18 8955 0,000
Puntua(ETo) 0,428 664,836 18 8955 0,000
Puntua(VolExp) 0,209 1882,873 18 8955 0,000
Puntua(Qent) 0,226 1702,253 18 8955 0,000
Puntua(Qsal) 0,223 1731,541 18 8955 0,000
Puntua(Profundidad) 0,549 409,511 18 8955 0,000
Logaritmo del
determinante
1 11 -29,816
2 5 .(a)
3 11 -30,551
4 11 -34,115
5 11 -19,134
6 11 -27,662
7 11 -24,960
8 3 .(a)
9 11 -23,611
10 11 -25,556
11 11 -19,674
12 11 -23,489
13 11 -25,180
14 6 .(a)
15 3 .(a)
16 5 .(a)
17 11 -23,630
18 11 -28,239
19 11 -24,650
Intra-grupos combinada 11 -16,218
de los grupos.
a Singular
186
M de Box 75634,937
Aprox. 87,475
gl1 858
F
gl2 25297377
Sig. 0
logaritmo de su determinante es -15,785.
Autovalores
Correlacin
cannica
1 10,533 47,815 47,815 0,956
2 4,158 18,876 66,691 0,898
3 2,837 12,878 79,569 0,860
4 1,937 8,793 88,362 0,812
5 0,893 4,055 92,417 0,687
6 0,733 3,327 95,743 0,650
7 0,378 1,716 97,460 0,524
8 0,286 1,296 98,756 0,471
9 0,173 0,786 99,542 0,384
10 0,074 0,337 99,879 0,263
11 0,027 0,121 100,000 0,161
Lambda de Wilks
las funciones Wilks
1 a la 11 0,00020 76369,855 198 0
2 a la 11 0,00229 54465,681 170 0
3 a la 11 0,01180 39769,424 144 0
4 a la 11 0,04528 27724,205 120 0
5 a la 11 0,13298 18073,227 98 0
6 a la 11 0,25176 12355,556 78 0
7 a la 11 0,43625 7431,059 60 0
8 a la 11 0,60120 4558,092 44 0
9 a la 11 0,77285 2308,161 30 0
10 a la 11 0,90673 877,061 18 0
11 0,97395 236,439 8 0
187
Casos en el
No Conglomerado Previas
anlisis
1 0,053 474
2 0,010 92
3 0,040 358
4 0,036 324
5 0,062 559
6 0,057 514
7 0,111 993
8 0,005 45
9 0,055 490
10 0,070 631
11 0,071 636
12 0,106 953
13 0,055 491
14 0,016 143
15 0,006 50
16 0,012 107
17 0,087 780
18 0,110 991
19 0,038 343
Total 1 8974
188
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Original 1 382 11 41 40 474
Recuento 2 92 92
3 312 2 3 6 35 358
4 238 65 4 17 324
5 21 358 11 16 49 5 86 13 559
6 101 10 368 35 514
7 4 42 16 19 824 49 39 993
8 45 45
9 4 394 5 48 13 24 2 490
10 19 6 487 21 77 21 631
11 3 33 355 158 75 12 636
12 39 108 791 15 953
13 10 380 88 13 491
14 143 143
15 50 50
16 96 11 107
17 22 163 26 569 780
18 5 986 991
19 4 61 2 276 343
% 1 80,6 2,3 8,6 8,4 100

2 100 100
3 87,2 0,6 0,8 1,7 9,8 100
4 73,5 20,1 1,2 5,2 100
5 3,8 64,0 2,0 2,9 8,8 0,9 15,4 2,3 100
6 19,6 1,9 71,6 6,8 100
7 0,4 4,2 1,6 1,9 83,0 4,9 3,9 100
8 100 100
9 0,8 80,4 1,0 9,8 2,7 4,9 0,4 100
10 3,0 1,0 77,2 3,3 12,2 3,3 100
11 0,5 5,2 55,8 24,8 11,8 1,9 100
12 4,1 11,3 83,0 1,6 100
13 2,0 77,4 17,9 2,6 100
14 100 100
15 100 100
16 89,7 10,3 100
17 2,8 20,9 3,3 72,9 100
18 0,5 99,5 100
19 1,2 17,8 0,6 80,5 100
189
Resultados de la clasificacin(a)
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Validacin 1 382 11 41 40 474
cruzada (a) 2 92 92
Recuento 3 311 3 3 6 35 358

4 236 67 4 17 324
5 21 355 13 17 49 5 86 13 559
6 102 11 366 35 514
7 5 43 16 19 822 49 39 993
8 45 45
9 4 393 5 48 13 25 2 490
10 20 6 483 21 80 21 631
11 3 33 353 158 76 13 636
12 39 108 789 17 953
13 10 380 88 13 491
14 143 143
15 50 50
16 96 11 107
17 22 163 26 569 780
18 5 986 991
19 4 62 2 275 343
% 1 80,6 2,3 8,6 8,4 100

2 100 100
3 86,9 0,8 0,8 1,7 9,8 100
4 72,8 20,7 1,2 5,2 100
5 3,8 63,5 2,3 3,0 8,8 0,9 15,4 2,3 100
6 19,8 2,1 71,2 6,8 100
7 0,5 4,3 1,6 1,9 82,8 4,9 3,9 100
8 100 100
9 0,8 80,2 1,0 9,8 2,7 5,1 0,4 100
10 3,2 1,0 76,5 3,3 12,7 3,3 100
11 0,5 5,2 55,5 24,8 11,9 2,0 100
12 4,1 11,3 82,8 1,8 100
13 2,0 77,4 17,9 2,6 100
14 100 100
15 100 100
16 89,7 10,3 100
17 2,8 20,9 3,3 72,9 100
18 0,5 99,5 100
19 1,2 18,1 0,6 80,2 100
a En la validacin cruzada, cada caso se clasifica a partir del resto de los casos.
190
b) Efectuando previamente la estandarizacin de los periodos de calibracin y
validacin por separado, y luego unindolos para realizar el anlisis.
No grupo Variable Media Desv. Tip. Casos No grupo Variable Media Desv. Tip. Casos
Puntua(V) 0,745 0,877 474 Puntua(V) -1,106 0,153 92
Puntua(T) 0,663 0,269 474 Puntua(T) -0,479 0,109 92
Puntua(V) 0,874 0,572 358 Puntua(V) 1,564 0,789 324
Puntua(T) 0,936 0,272 358 Puntua(T) -1,984 0,672 324
Puntua(Profundidad) -0,175 0,803 358 Puntua(Profundidad) 0,042 1,035 324
Puntua(V) -0,351 0,632 559 Puntua(V) 0,564 0,523 514
Puntua(T) 0,423 0,624 559 Puntua(T) 0,033 0,554 514
Puntua(ETo) -0,061 0,701 559 Puntua(ETo) -0,142 0,450 514
Puntua(V) -0,543 0,483 993 Puntua(V) -0,648 0,000 45
Puntua(T) 0,784 0,229 993 Puntua(T) -0,707 0,301 45
Puntua(V) -0,332 0,641 490 Puntua(V) 0,195 0,478 631
Puntua(T) 0,644 0,851 490 Puntua(T) -0,733 0,596 631
191
Desv. No de Desv. No de
No grupo Variable Media No grupo Variable Media
tpica casos tpica casos
Puntua(V) -0,605 0,623 636 Puntua(V) -0,464 0,707 953
Puntua(T) -0,651 0,458 636 Puntua(T) -1,359 0,518 953
13 Puntua(DJ) -0,184 0,264 491 14 Puntua(DJ) 1,210 0,032 143
Puntua(V) 0,759 0,488 491 Puntua(V) 1,027 0,516 143
Puntua(T) 0,761 0,732 491 Puntua(T) -0,427 0,383 143
Puntua(VolExp) 0,951 0,289 491 Puntua(VolExp) -0,067 0,084 143
Puntua(V) -1,106 0,154 50 Puntua(V) 3,937 0,699 107
Puntua(T) -0,528 0,062 50 Puntua(T) -0,961 0,456 107
Puntua(V) -0,618 0,682 780 Puntua(V) -0,542 0,449 991
Puntua(T) -0,198 0,519 780 Puntua(T) 0,977 0,510 991
19 Puntua(DJ) -0,797 0,348 343 Total Puntua(DJ) 0,000 1,000 8974
Puntua(V) 1,177 0,637 343 Puntua(V) 0,000 1,000 8974
Puntua(T) -0,305 0,334 343 Puntua(T) 0,000 1,000 8974
Puntua(Qsal) -1,301 0,664 343 Puntua(Qsal) 0,000 1,000 8974
Puntua(Profundidad) 0,081 0,968 343 Puntua(Profundidad) 0,000 1,000 8974
192
Lambda de
F gl1 gl2 Sig.
Wilks
Puntua(DJ) 0,099 4553,108 18 8955 0,000
Puntua(V) 0,363 874,649 18 8955 0,000
Puntua(DV) 0,377 822,869 18 8955 0,000
Puntua(Vx) 0,468 565,033 18 8955 0,000
Puntua(T) 0,269 1349,535 18 8955 0,000
Puntua(HR) 0,413 707,466 18 8955 0,000
Puntua(ETo) 0,367 859,115 18 8955 0,000
Puntua(VolExp) 0,162 2581,634 18 8955 0,000
Puntua(Qent) 0,291 1214,708 18 8955 0,000
Puntua(Qsal) 0,222 1747,332 18 8955 0,000
Puntua(Profundidad) 0,549 409,300 18 8955 0,000
Logaritmo del
determinante
1 11 -28,439
2 5 .(a)
3 11 -28,154
4 11 -23,451
5 11 -18,107
6 11 -26,367
7 11 -24,397
8 2 .(a)
9 11 -19,225
10 11 -24,278
11 11 -17,985
12 11 -19,604
13 11 -19,772
14 6 .(a)
15 3 .(a)
16 5 .(a)
17 11 -21,580
18 11 -25,717
19 11 -22,039
de los grupos.
a Singular
193
M de Box 58651,1
Aprox. 67,832
gl1 858
F
gl2 25297377
Sig. 0,000
Autovalores
Correlacin
cannica
1 11,988 52,068 52,068 0,961
2 3,590 15,593 67,661 0,884
3 2,847 12,367 80,028 0,860
4 1,777 7,717 87,746 0,800
5 0,973 4,227 91,973 0,702
6 0,688 2,988 94,961 0,638
7 0,582 2,530 97,491 0,607
8 0,290 1,261 98,752 0,474
9 0,220 0,956 99,708 0,425
10 0,043 0,187 99,895 0,203
11 0,024 0,105 100 0,153
Lambda de Wilks
las funciones Wilks
1 a la 11 0,000 77384,540 198 0
2 a la 11 0,002 54416,135 170 0
3 a la 11 0,011 40765,352 144 0
4 a la 11 0,041 28695,538 120 0
5 a la 11 0,113 19546,962 98 0
6 a la 11 0,223 13458,458 78 0
7 a la 11 0,376 8768,736 60 0
8 a la 11 0,595 4657,171 44 0
9 a la 11 0,767 2373,917 30 0
10 a la 11 0,936 591,353 18 5,78E-114
11 0,977 212,980 8 1,17E-41
194
Casos en el
No Conglomerado Previas
anlisis
1 0,053 474
2 0,010 92
3 0,040 358
4 0,036 324
5 0,062 559
6 0,057 514
7 0,111 993
8 0,005 45
9 0,055 490
10 0,070 631
11 0,071 636
12 0,106 953
13 0,055 491
14 0,016 143
15 0,006 50
16 0,012 107
17 0,087 780
18 0,110 991
19 0,038 343
Total 1 8974
195
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Original 1 381 0 0 0 9 64 20 0 0 0 0 0 0 0 0 0 0 0 0 474
Recuento 2 0 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 92
3 0 0 334 0 0 0 1 0 1 0 0 0 1 0 0 0 0 21 0 358
4 0 0 0 308 0 0 0 0 0 3 0 0 0 0 0 0 0 0 13 324
5 2 0 11 0 402 12 17 0 34 0 0 0 0 15 0 0 55 11 0 559
6 38 0 0 0 1 475 0 0 0 0 0 0 0 0 0 0 0 0 0 514
7 36 0 40 0 9 0 908 0 0 0 0 0 0 0 0 0 0 0 0 993
8 0 0 0 0 0 0 0 45 0 0 0 0 0 0 0 0 0 0 0 45
9 0 0 0 0 0 0 0 0 378 17 56 0 15 0 0 0 0 22 2 490
10 0 0 0 0 0 0 0 0 3 577 10 18 0 0 0 0 0 21 2 631
11 0 0 0 0 0 0 0 0 2 35 455 82 0 0 0 0 0 60 2 636
12 0 0 0 0 0 0 0 0 0 26 49 878 0 0 0 0 0 0 0 953
13 0 0 0 11 0 0 0 0 13 0 0 0 379 0 0 0 0 88 0 491
14 0 0 0 0 0 0 0 0 0 0 0 0 0 143 0 0 0 0 0 143
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 50 0 0 0 0 50
16 0 0 0 11 0 0 0 0 0 0 0 0 0 10 0 86 0 0 0 107
17 0 0 0 0 10 0 19 0 0 0 0 0 0 43 0 0 708 0 0 780
18 0 0 0 0 0 0 13 0 6 0 0 0 0 0 0 0 0 972 0 991
19 0 0 0 0 0 0 0 0 0 37 0 0 0 0 0 0 0 0 306 343
% 1 80,4 0 0 0 1,9 13,5 4,2 0 0 0 0 0 0 0 0 0 0 0 0 100

2 0 100 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100
3 0 0 93,3 0 0 0 0,3 0 0,3 0 0 0 0,3 0 0 0 0 5,9 0 100
4 0 0 0 95,1 0 0 0 0 0 0,9 0 0 0 0 0 0 0 0 4,0 100
5 0,4 0 2,0 0 71,9 2,1 3,0 0 6,1 0 0 0 0 2,7 0 0 9,8 2,0 0 100
6 7,4 0 0 0 0,2 92,4 0 0 0 0 0 0 0 0 0 0 0 0 0 100
7 3,6 0 4,0 0 0,9 0 91,4 0 0 0 0 0 0 0 0 0 0 0 0 100
8 0 0 0 0 0 0 0 100 0 0 0 0 0 0 0 0 0 0 0 100
9 0 0 0 0 0 0 0 0 77,1 3,5 11,4 0 3,1 0 0 0 0 4,5 0,4 100
10 0 0 0 0 0 0 0 0 0,5 91,4 1,6 2,9 0 0 0 0 0 3,3 0,3 100
11 0 0 0 0 0 0 0 0 0,3 5,5 71,5 12,9 0 0 0 0 0 9,4 0,3 100
12 0 0 0 0 0 0 0 0 0 2,7 5,1 92,1 0 0 0 0 0 0 0 100
13 0 0 0 2,2 0 0 0 0 2,6 0 0 0 77,2 0 0 0 0 17,9 0 100
14 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 0 100
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 100
16 0 0 0 10,3 0 0 0 0 0 0 0 0 0 9,3 0 80,4 0 0 0 100
17 0 0 0 0 1,3 0 2,4 0 0 0 0 0 0 5,5 0 0 90,8 0 0 100
18 0 0 0 0 0 0 1,3 0 0,6 0 0 0 0 0 0 0 0 98,1 0 100
19 0 0 0 0 0 0 0 0 0 10,8 0 0 0 0 0 0 0 0 89,2 100
196
Resultados de la clasificacin(a)
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Validacin 1 381 0 0 0 9 64 20 0 0 0 0 0 0 0 0 0 0 0 0 474
cruzada (a) 2 0 92 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 92
Recuento 3 0 0 334 0 0 0 1 0 1 0 0 0 1 0 0 0 0 21 0 358

4 0 0 0 308 0 0 0 0 0 3 0 0 0 0 0 0 0 0 13 324
5 2 0 13 0 398 12 17 0 34 0 0 0 0 15 0 0 56 12 0 559
6 38 0 0 0 1 475 0 0 0 0 0 0 0 0 0 0 0 0 0 514
7 39 0 40 0 9 0 905 0 0 0 0 0 0 0 0 0 0 0 0 993
8 0 0 0 0 0 0 0 45 0 0 0 0 0 0 0 0 0 0 0 45
9 0 0 0 0 0 0 0 0 377 17 56 0 15 0 0 0 0 23 2 490
10 0 0 0 0 0 0 0 0 3 577 10 18 0 0 0 0 0 21 2 631
11 0 0 0 0 0 0 0 0 2 36 454 82 0 0 0 0 0 60 2 636
12 0 0 0 0 0 0 0 0 0 26 49 878 0 0 0 0 0 0 0 953
13 0 0 0 11 0 0 0 0 14 0 0 0 378 0 0 0 0 88 0 491
14 0 0 0 0 0 0 0 0 0 0 0 0 0 143 0 0 0 0 0 143
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 50 0 0 0 0 50
16 0 0 0 11 0 0 0 0 0 0 0 0 0 14 0 82 0 0 0 107
17 0 0 0 0 10 0 19 0 0 0 0 0 0 46 0 0 705 0 0 780
18 0 0 0 0 0 0 13 0 6 0 0 0 0 0 0 0 0 972 0 991
19 0 0 0 0 0 0 0 0 0 39 0 0 0 0 0 0 0 0 304 343
% 1 80,4 0 0 0 1,9 13,5 4,2 0 0 0 0 0 0 0 0 0 0 0 0 100

2 0 100 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100
3 0 0 93,3 0 0 0 0,3 0 0,3 0 0 0 0,3 0 0 0 0 5,9 0 100
4 0 0 0 95,1 0 0 0 0 0 0,9 0 0 0 0 0 0 0 0 4,0 100
5 0,4 0 2,3 0 71,2 2,1 3,0 0 6,1 0 0 0 0 2,7 0 0 10,0 2,1 0 100
6 7,4 0 0 0 0,2 92,4 0 0 0 0 0 0 0 0 0 0 0 0 0 100
7 3,9 0 4,0 0 0,9 0 91,1 0 0 0 0 0 0 0 0 0 0 0 0 100
8 0 0 0 0 0 0 0 100 0 0 0 0 0 0 0 0 0 0 0 100
9 0 0 0 0 0 0 0 0 76,9 3,5 11,4 0 3,1 0 0 0 0 4,7 0,4 100
10 0 0 0 0 0 0 0 0 0,5 91,4 1,6 2,9 0 0 0 0 0 3,3 0,3 100
11 0 0 0 0 0 0 0 0 0,3 5,7 71,4 12,9 0 0 0 0 0 9,4 0,3 100
12 0 0 0 0 0 0 0 0 0 2,7 5,1 92,1 0 0 0 0 0 0 0 100
13 0 0 0 2,2 0 0 0 0 2,9 0 0 0 77,0 0 0 0 0 17,9 0 100
14 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 0 100
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 100
16 0 0 0 10,3 0 0 0 0 0 0 0 0 0 13,1 0 76,6 0 0 0 100
17 0 0 0 0 1,3 0 2,4 0 0 0 0 0 0 5,9 0 0 90,4 0 0 100
18 0 0 0 0 0 0 1,3 0 0,6 0 0 0 0 0 0 0 0 98,1 0 100
19 0 0 0 0 0 0 0 0 0 11,4 0 0 0 0 0 0 0 0 88,6 100
a En la validacin cruzada, cada caso se clasifica a partir del resto de los casos.
197
ANEXO 29. ANLISIS DISCRIMINANTE DE VARIABLES
TRANSFORMADAS (15 GRUPOS), PERIODO
COMPLETO DE ESTUDIO
198
No del No casos No del No casos
Variable Media Desv. tp. Variable Media Desv. tp.
grupo utilizados grupo utilizados
1 DJ_T 1,417 0,334 916 2 DJ_T -1,521 0,380 1211
V_T -0,581 0,415 916 V_T -0,591 0,489 1211
DV_T 1,098 0,395 916 DV_T 0,856 0,334 1211
Vx_T -0,606 0,477 916 Vx_T -0,637 0,523 1211
T_T 0,053 0,447 916 T_T -0,761 0,352 1211
HR_T 0,414 0,539 916 HR_T 0,547 0,625 1211
ETo_T -0,838 0,622 916 ETo_T -1,127 0,442 1211
VolExp_T -1,858 0,271 916 VolExp_T 0,741 0,572 1211
Qent_T -1,273 0,414 916 Qent_T -0,248 0,778 1211
Qsal_T 0,439 0,339 916 Qsal_T -1,008 0,684 1211
Profundidad_T -1,027 0,644 916 Profundidad_T -0,947 0,794 1211
3 DJ_T -1,362 0,476 456 4 DJ_T -1,140 0,398 460
V_T -0,240 0,289 456 V_T 0,233 0,588 460
DV_T 0,510 1,068 456 DV_T 1,201 0,288 460
Vx_T -0,178 0,667 456 Vx_T 0,435 0,728 460
T_T -0,746 0,582 456 T_T -0,614 0,730 460
HR_T 0,315 0,509 456 HR_T -1,168 0,548 460
ETo_T -0,965 0,523 456 ETo_T -0,360 0,543 460
VolExp_T 0,238 0,541 456 VolExp_T 1,055 0,675 460
Qent_T -0,620 0,741 456 Qent_T -0,591 0,648 460
Qsal_T -0,868 0,421 456 Qsal_T -0,802 0,329 460
Profundidad_T 0,216 0,742 456 Profundidad_T -0,851 0,821 460
5 DJ_T 0,860 0,400 655 6 DJ_T 1,631 0,062 122
V_T -0,602 0,366 655 V_T -0,828 0,081 122
DV_T 0,446 0,639 655 DV_T 1,491 0,424 122
Vx_T -0,579 0,446 655 Vx_T -0,553 0,230 122
T_T 0,603 0,647 655 T_T -0,289 0,066 122
HR_T 0,259 0,568 655 HR_T 0,972 0,305 122
ETo_T -0,107 0,915 655 ETo_T -1,741 0,178 122
VolExp_T -0,860 0,937 655 VolExp_T -0,771 0,293 122
Qent_T -1,537 0,470 655 Qent_T 0,933 0,890 122
Qsal_T 0,628 0,425 655 Qsal_T -0,188 0,156 122
7 DJ_T 1,916 0,111 189 8 DJ_T 1,007 0,280 602
V_T -0,078 0,288 189 V_T -0,114 0,354 602
DV_T 1,149 0,181 189 DV_T 0,911 0,322 602
Vx_T -0,205 0,480 189 Vx_T 0,051 0,507 602
T_T -0,445 0,308 189 T_T 0,615 0,359 602
HR_T -0,055 0,370 189 HR_T -0,578 0,533 602
ETo_T -1,133 0,244 189 ETo_T 0,091 0,538 602
VolExp_T -0,191 0,063 189 VolExp_T -1,231 0,490 602
Qent_T -0,760 0,376 189 Qent_T -1,655 0,398 602
Qsal_T -0,042 0,033 189 Qsal_T 0,908 0,391 602
199
No del No casos No del No casos
Variable Media Desv. tp. Variable Media Desv. tp.
grupo utilizados grupo utilizados
9 DJ_T 0,045 0,167 715 10 DJ_T 0,701 0,273 1107
V_T -0,451 0,390 715 V_T -0,741 0,241 1107
DV_T -0,039 0,541 715 DV_T 0,368 0,377 1107
Vx_T -0,400 0,548 715 Vx_T -0,706 0,256 1107
T_T 0,802 0,460 715 T_T 0,881 0,280 1107
HR_T -0,435 0,531 715 HR_T 0,434 0,387 1107
ETo_T 0,859 0,438 715 ETo_T 0,091 0,507 1107
VolExp_T 0,817 0,341 715 VolExp_T -0,505 0,575 1107
Qent_T -1,779 0,455 715 Qent_T -1,803 0,338 1107
Qsal_T 0,215 0,326 715 Qsal_T 0,987 0,627 1107
11 DJ_T -0,097 0,319 1349 12 DJ_T 1,382 0,619 103
V_T -0,606 0,365 1349 V_T -0,854 0,223 103
DV_T 0,065 0,386 1349 DV_T -1,540 0,432 103
Vx_T -0,500 0,343 1349 Vx_T -0,552 0,174 103
T_T 0,664 0,585 1349 T_T -0,127 0,503 103
HR_T 0,292 0,570 1349 HR_T 0,983 0,372 103
ETo_T 0,341 0,410 1349 ETo_T -1,744 0,377 103
VolExp_T 1,294 0,493 1349 VolExp_T -0,225 0,287 103
Qent_T -1,663 0,561 1349 Qent_T -0,334 0,743 103
Qsal_T 0,059 0,749 1349 Qsal_T 0,152 0,373 103
13 DJ_T -0,070 0,287 624 14 DJ_T 2,005 0,144 71
V_T -0,535 0,357 624 V_T 1,236 0,941 71
DV_T 0,072 0,448 624 DV_T 1,177 0,076 71
Vx_T -0,448 0,391 624 Vx_T 1,481 0,673 71
T_T 0,666 0,535 624 T_T -0,434 0,298 71
HR_T 0,172 0,638 624 HR_T -0,483 0,467 71
ETo_T 0,408 0,400 624 ETo_T -0,725 0,192 71
VolExp_T 1,254 0,472 624 VolExp_T -0,151 0,063 71
Qent_T -1,699 0,571 624 Qent_T -0,756 0,203 71
Qsal_T 0,144 0,679 624 Qsal_T -0,075 0,036 71
15 DJ_T 0,877 0,353 394 Total DJ_T 0,145 1,074 8974
V_T -0,344 0,230 394 V_T -0,475 0,483 8974
DV_T -0,632 0,450 394 DV_T 0,474 0,712 8974
Vx_T -0,078 0,229 394 Vx_T -0,409 0,572 8974
T_T 0,947 0,358 394 T_T 0,261 0,794 8974
HR_T 0,267 0,401 394 HR_T 0,158 0,709 8974
ETo_T 0,230 0,620 394 ETo_T -0,211 0,855 8974
VolExp_T -0,625 0,649 394 VolExp_T 0,070 1,184 8974
Qent_T -1,630 0,415 394 Qent_T -1,266 0,828 8974
Qsal_T 0,802 0,394 394 Qsal_T 0,121 0,864 8974
200
Lambda de
F gl1 gl2 Sig.
Wilks
DJ_T ,095 6065,185 14 8959 ,000
V_T ,642 357,388 14 8959 ,000
DV_T ,436 827,821 14 8959 ,000
Vx_T ,653 339,442 14 8959 ,000
T_T ,364 1116,009 14 8959 ,000
HR_T ,568 486,523 14 8959 ,000
ETo_T ,381 1037,908 14 8959 ,000
VolExp_T ,209 2428,384 14 8959 ,000
Qent_T ,443 805,878 14 8959 ,000
Qsal_T ,394 983,045 14 8959 ,000
Profundidad_T ,525 578,326 14 8959 ,000
Nmero del Grupo Logaritmo del

Rango
asignado en el CA determinante
1 11 -25,440
2 11 -20,903
3 11 -22,114
4 11 -23,439
5 11 -22,238
6 6 .(a)
7 8 .(a)
8 11 -27,002
9 11 -28,079
10 11 -27,652
11 11 -24,989
12 5 .(a)
13 11 -22,902
14 3 .(a)
15 11 -30,164
de los grupos.
a Singular
201
M de Box 52618,545
Aprox. 79,221
gl1 660
F
gl2 28874007
Sig. ,000
Autovalores
Correlacin
cannica
1 11,316(a) 56,8 56,8 ,959
2 3,372(a) 16,9 73,7 ,878
3 2,272(a) 11,4 85,1 ,833
4 1,113(a) 5,6 90,6 ,726
5 ,939(a) 4,7 95,4 ,696
6 ,547(a) 2,7 98,1 ,595
7 ,176(a) ,9 99,0 ,387
8 ,121(a) ,6 99,6 ,328
9 ,066(a) ,3 99,9 ,249
10 ,014(a) ,1 100,0 ,119
11 ,002(a) ,0 100,0 ,050
Lambda de Wilks
las funciones Wilks
1 a la 11 ,001 66081,661 154 ,000
2 a la 11 ,008 43584,032 130 ,000
3 a la 11 ,034 30366,715 108 ,000
4 a la 11 ,110 19744,925 88 ,000
5 a la 11 ,233 13041,918 70 ,000
6 a la 11 ,452 7106,663 54 ,000
7 a la 11 ,700 3198,583 40 ,000
8 a la 11 ,823 1744,328 28 ,000
9 a la 11 ,922 723,038 18 ,000
10 a la 11 ,983 149,579 10 ,000
11 ,998 22,209 4 ,000
202
Probabilidad Casos utilizados en el

Nmero del Grupo
previa anlisis
1 ,102 916
2 ,135 1211
3 ,051 456
4 ,051 460
5 ,073 655
6 ,014 122
7 ,021 189
8 ,067 602
9 ,080 715
10 ,123 1107
11 ,150 1349
12 ,011 103
13 ,070 624
14 ,008 71
15 ,044 394
Total 1,000 8974
203
del Total
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
grupo
Original 1 893 0 0 0 22 0 0 0 0 1 0 0 0 0 0 916
Recuento 2 0 1100 48 18 0 0 0 0 0 0 41 0 4 0 0 1211
3 0 78 362 16 0 0 0 0 0 0 0 0 0 0 0 456
4 0 37 20 403 0 0 0 0 0 0 0 0 0 0 0 460
5 194 0 0 0 279 0 0 11 27 57 0 0 73 0 14 655
6 0 0 0 0 0 107 15 0 0 0 0 0 0 0 0 122
7 0 0 0 0 0 0 189 0 0 0 0 0 0 0 0 189
8 0 0 0 0 13 0 0 499 0 90 0 0 0 0 0 602
9 0 0 0 0 0 0 0 0 585 0 122 0 8 0 0 715
10 13 0 0 0 65 0 0 0 26 927 66 0 0 0 10 1107
11 0 0 0 0 0 0 0 0 73 50 1225 0 1 0 0 1349
12 0 0 0 0 0 0 0 0 0 0 0 95 0 0 8 103
13 0 0 2 4 0 0 0 0 18 6 53 0 541 0 0 624
14 0 0 0 0 0 0 0 0 0 0 0 0 0 71 0 71
15 0 0 0 0 2 0 0 0 40 60 6 20 0 0 266 394
% 1 97,5 0 0 0 2,4 0 0 0 0 0,1 0 0 0 0 0 100
2 0 90,8 4,0 1,5 0 0 0 0 0 0 3,4 0 0,3 0 0 100
3 0 17,1 79,4 3,5 0 0 0 0 0 0 0 0 0 0 0 100
4 0 8,0 4,3 87,6 0 0 0 0 0 0 0 0 0 0 0 100
5 29,6 0 0 0 42,6 0 0 1,7 4,1 8,7 0 0 11,1 0 2,1 100
6 0 0 0 0 0 87,7 12,3 0 0 0 0 0 0 0 0 100
7 0 0 0 0 0 0 100 0 0 0 0 0 0 0 0 100
8 0 0 0 0 2,2 0 0 82,9 0 15,0 0 0 0 0 0 100
9 0 0 0 0 0 0 0 0 81,8 0 17,1 0 1,1 0 0 100
10 1,2 0 0 0 5,9 0 0 0 2,3 83,7 6,0 0 0 0 0,9 100
11 0 0 0 0 0 0 0 0 5,4 3,7 90,8 0 0,1 0 0 100
12 0 0 0 0 0 0 0 0 0 0 0 92,2 0 0 7,8 100
13 0 0 0,3 0,6 0 0 0 0 2,9 1,0 8,5 0 86,7 0 0 100
14 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 100
15 0 0 0 0 0,5 0 0 0 10,2 15,2 1,5 5,1 0 0 67,5 100
204
No del Grupo de pertenencia pronosticado
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Validacin 1 891 0 0 0 23 0 0 0 0 2 0 0 0 0 0 916
cruzada (a) 2 0 1100 48 18 0 0 0 0 0 0 41 0 4 0 0 1211
Recuento 3 0 80 360 16 0 0 0 0 0 0 0 0 0 0 0 456
4 0 37 21 402 0 0 0 0 0 0 0 0 0 0 0 460
5 194 0 0 0 278 0 0 11 27 58 0 0 73 0 14 655
6 0 0 0 0 0 107 15 0 0 0 0 0 0 0 0 122
7 0 0 0 0 0 0 189 0 0 0 0 0 0 0 0 189
8 0 0 0 0 14 0 0 498 0 90 0 0 0 0 0 602
9 0 0 0 0 0 0 0 0 585 0 122 0 8 0 0 715
10 13 0 0 0 65 0 0 0 26 926 66 0 0 0 11 1107
11 0 0 0 0 0 0 0 0 73 50 1225 0 1 0 0 1349
12 0 0 0 0 0 0 0 0 0 0 0 95 0 0 8 103
13 0 0 2 4 0 0 0 0 18 6 54 0 540 0 0 624
14 0 0 0 0 0 0 0 0 0 0 0 0 0 71 0 71
15 0 0 0 0 2 0 0 0 41 60 6 20 0 0 265 394
% 1 97,3 0 0 0 2,5 0 0 0 0 0,2 0 0 0 0 0 100
2 0 90,8 4,0 1,5 0 0 0 0 0 0 3,4 0 0,3 0 0 100
3 0 17,5 78,9 3,5 0 0 0 0 0 0 0 0 0 0 0 100
4 0 8,0 4,6 87,4 0 0 0 0 0 0 0 0 0 0 0 100
5 29,6 0 0 0 42,4 0 0 1,7 4,1 8,9 0 0 11,1 0 2,1 100
6 0 0 0 0 0 87,7 12,3 0 0 0 0 0 0 0 0 100
7 0 0 0 0 0 0 100 0 0 0 0 0 0 0 0 100
8 0 0 0 0 2,3 0 0 82,7 0 15,0 0 0 0 0 0 100
9 0 0 0 0 0 0 0 0 81,8 0 17,1 0 1,1 0 0 100
10 1,2 0 0 0 5,9 0 0 0 2,3 83,6 6,0 0 0 0 1,0 100
11 0 0 0 0 0 0 0 0 5,4 3,7 90,8 0 0,1 0 0 100
12 0 0 0 0 0 0 0 0 0 0 0 92,2 0 0 7,8 100
13 0 0 0,3 0,6 0 0 0 0 2,9 1,0 8,7 0 86,5 0 0 100
14 0 0 0 0 0 0 0 0 0 0 0 0 0 100 0 100
15 0 0 0 0 0,5 0 0 0 10,4 15,2 1,5 5,1 0 0 67,3 100
205
ANEXO 30. ANLISIS DISCRIMINANTE DE PUNTUACIONES EN
COMPONENTES PRINCIPALES (18 GRUPOS),
206
No de Puntuacin en No de No de Puntuacin en No de
Media Desv. tp. Media Desv. tp.
grupo la componente casos grupo la componente casos
1 ComPrin_1 1,486 0,545 811 2 ComPrin_1 0,864 1,176 444
ComPrin_2 1,178 0,731 811 ComPrin_2 1,332 0,776 444
ComPrin_3 1,326 0,597 811 ComPrin_3 0,234 1,032 444
ComPrin_4 -0,358 0,577 811 ComPrin_4 1,218 0,695 444
ComPrin_5 -0,366 0,701 811 ComPrin_5 -0,383 0,775 444
ComPrin_6 -0,040 0,459 811 ComPrin_6 -0,038 0,557 444
ComPrin_7 0,029 0,383 811 ComPrin_7 0,239 0,654 444
ComPrin_8 -0,058 0,367 811 ComPrin_8 -0,084 0,434 444
ComPrin_9 -0,084 0,236 811 ComPrin_9 0,036 0,266 444
ComPrin_10 -0,160 0,180 811 ComPrin_10 0,034 0,305 444
ComPrin_11 -0,052 0,095 811 ComPrin_11 -0,040 0,123 444
3 ComPrin_1 -2,679 1,792 117 4 ComPrin_1 -1,349 0,454 516
ComPrin_2 2,200 0,364 117 ComPrin_2 -1,255 0,441 516
ComPrin_3 -0,902 0,203 117 ComPrin_3 -0,964 0,386 516
ComPrin_4 2,258 1,507 117 ComPrin_4 -0,179 0,731 516
ComPrin_5 2,555 1,800 117 ComPrin_5 0,110 0,832 516
ComPrin_6 -0,896 0,694 117 ComPrin_6 -0,006 0,483 516
ComPrin_7 -0,940 0,613 117 ComPrin_7 0,289 0,676 516
ComPrin_8 -0,554 0,395 117 ComPrin_8 -0,075 0,446 516
ComPrin_9 0,129 0,245 117 ComPrin_9 -0,447 0,597 516
ComPrin_10 -0,418 0,157 117 ComPrin_10 0,062 0,355 516
ComPrin_11 -0,039 0,137 117 ComPrin_11 0,095 0,175 516
5 ComPrin_1 1,206 0,565 550 6 ComPrin_1 -0,155 0,560 511
ComPrin_2 -1,423 0,744 550 ComPrin_2 0,058 0,867 511
ComPrin_3 2,146 0,673 550 ComPrin_3 1,031 1,142 511
ComPrin_4 0,159 0,663 550 ComPrin_4 -0,154 0,540 511
ComPrin_5 0,050 0,611 550 ComPrin_5 -0,487 0,387 511
ComPrin_6 -0,063 0,441 550 ComPrin_6 0,424 0,535 511
ComPrin_7 -0,113 0,567 550 ComPrin_7 -0,352 0,585 511
ComPrin_8 -0,037 0,424 550 ComPrin_8 -0,153 0,402 511
ComPrin_9 -0,141 0,312 550 ComPrin_9 0,109 0,326 511
ComPrin_10 -0,205 0,211 550 ComPrin_10 -0,002 0,309 511
ComPrin_11 0,053 0,101 550 ComPrin_11 0,091 0,143 511
7 ComPrin_1 -1,300 0,275 69 8 ComPrin_1 2,020 0,912 1135
ComPrin_2 -3,297 0,906 69 ComPrin_2 -0,310 0,688 1135
ComPrin_3 2,547 0,464 69 ComPrin_3 -0,832 0,490 1135
ComPrin_4 0,276 1,006 69 ComPrin_4 -0,721 0,422 1135
ComPrin_5 0,799 0,540 69 ComPrin_5 -0,115 0,744 1135
ComPrin_6 -0,452 0,339 69 ComPrin_6 -0,021 0,459 1135
ComPrin_7 -0,648 0,272 69 ComPrin_7 0,110 0,426 1135
ComPrin_8 1,076 0,448 69 ComPrin_8 0,063 0,370 1135
ComPrin_9 0,688 0,172 69 ComPrin_9 0,132 0,305 1135
ComPrin_10 0,533 0,197 69 ComPrin_10 0,047 0,230 1135
ComPrin_11 -0,176 0,179 69 ComPrin_11 0,018 0,163 1135
9 ComPrin_1 -2,835 0,427 153 10 ComPrin_1 -1,894 0,531 372
ComPrin_2 3,659 1,474 153 ComPrin_2 -0,402 0,833 372
ComPrin_3 0,864 0,526 153 ComPrin_3 -1,401 0,673 372
ComPrin_4 0,575 0,726 153 ComPrin_4 1,244 0,669 372
ComPrin_5 1,819 1,482 153 ComPrin_5 -0,373 0,797 372
ComPrin_6 1,738 0,970 153 ComPrin_6 0,280 0,715 372
ComPrin_7 0,730 0,312 153 ComPrin_7 -0,259 0,694 372
ComPrin_8 0,473 0,518 153 ComPrin_8 0,111 0,570 372
ComPrin_9 -0,104 0,226 153 ComPrin_9 0,039 0,424 372
ComPrin_10 -0,138 0,455 153 ComPrin_10 -0,083 0,418 372
ComPrin_11 0,102 0,170 153 ComPrin_11 -0,017 0,164 372
207
No de Puntuacin en No de No de Puntuacin en No de
Media Desv. tp. Media Desv. tp.
grupo la componente casos grupo la componente casos
11 ComPrin_1 -0,021 0,635 314 12 ComPrin_1 -1,472 0,580 930
ComPrin_2 1,812 0,486 314 ComPrin_2 0,295 0,655 930
ComPrin_3 -1,449 0,541 314 ComPrin_3 -1,203 0,690 930
ComPrin_4 0,603 0,635 314 ComPrin_4 -0,944 0,580 930
ComPrin_5 0,352 1,270 314 ComPrin_5 -0,441 0,651 930
ComPrin_6 -0,404 0,930 314 ComPrin_6 -0,127 0,398 930
ComPrin_7 -0,503 0,637 314 ComPrin_7 -0,209 0,386 930
ComPrin_8 -0,090 0,617 314 ComPrin_8 0,048 0,504 930
ComPrin_9 -0,098 0,499 314 ComPrin_9 -0,019 0,350 930
ComPrin_10 -0,003 0,270 314 ComPrin_10 -0,131 0,350 930
ComPrin_11 0,041 0,097 314 ComPrin_11 0,009 0,132 930
13 ComPrin_1 2,275 0,513 604 14 ComPrin_1 1,666 0,451 479
ComPrin_2 -0,127 0,756 604 ComPrin_2 -1,513 0,602 479
ComPrin_3 -0,689 0,644 604 ComPrin_3 -0,011 0,461 479
ComPrin_4 1,448 0,610 604 ComPrin_4 0,438 0,751 479
ComPrin_5 0,073 0,612 604 ComPrin_5 -0,311 0,513 479
ComPrin_6 -0,106 0,496 604 ComPrin_6 0,102 0,492 479
ComPrin_7 -0,001 0,375 604 ComPrin_7 0,204 0,420 479
ComPrin_8 0,052 0,365 604 ComPrin_8 0,057 0,258 479
ComPrin_9 -0,036 0,416 604 ComPrin_9 0,047 0,389 479
ComPrin_10 0,047 0,194 604 ComPrin_10 0,114 0,269 479
ComPrin_11 -0,006 0,161 604 ComPrin_11 -0,018 0,110 479
15 ComPrin_1 -0,931 0,653 576 16 ComPrin_1 -3,050 1,097 620
ComPrin_2 2,178 0,767 576 ComPrin_2 -2,336 1,107 620
ComPrin_3 0,622 0,469 576 ComPrin_3 0,132 0,692 620
ComPrin_4 -0,425 0,612 576 ComPrin_4 -0,099 0,715 620
ComPrin_5 -0,155 0,672 576 ComPrin_5 -0,081 0,838 620
ComPrin_6 0,144 0,660 576 ComPrin_6 0,111 0,452 620
ComPrin_7 -0,048 0,536 576 ComPrin_7 0,114 0,540 620
ComPrin_8 0,149 0,411 576 ComPrin_8 -0,281 0,549 620
ComPrin_9 0,038 0,455 576 ComPrin_9 -0,016 0,354 620
ComPrin_10 0,383 0,300 576 ComPrin_10 -0,021 0,199 620
ComPrin_11 0,002 0,114 576 ComPrin_11 -0,052 0,257 620
17 ComPrin_1 1,432 0,586 373 18 ComPrin_1 -2,827 1,620 400
ComPrin_2 -0,452 0,875 373 ComPrin_2 0,214 1,067 400
ComPrin_3 -0,328 0,733 373 ComPrin_3 1,378 0,425 400
ComPrin_4 -0,641 0,836 373 ComPrin_4 -0,081 0,795 400
ComPrin_5 1,694 0,544 373 ComPrin_5 0,452 0,924 400
ComPrin_6 -0,184 0,668 373 ComPrin_6 -0,408 0,702 400
ComPrin_7 0,124 0,418 373 ComPrin_7 0,357 0,684 400
ComPrin_8 -0,017 0,330 373 ComPrin_8 0,114 0,583 400
ComPrin_9 0,015 0,388 373 ComPrin_9 0,310 0,395 400
ComPrin_10 -0,037 0,279 373 ComPrin_10 0,133 0,328 400
ComPrin_11 -0,027 0,068 373 ComPrin_11 -0,110 0,220 400
Total ComPrin_1 0,000 1,956 8974
ComPrin_2 0,000 1,541 8974
ComPrin_3 0,000 1,264 8974
ComPrin_4 0,000 1,007 8974
ComPrin_5 0,000 0,968 8974
ComPrin_6 0,000 0,634 8974
ComPrin_7 0,000 0,575 8974
ComPrin_8 0,000 0,473 8974
ComPrin_9 0,000 0,404 8974
ComPrin_10 0,000 0,320 8974
ComPrin_11 0,000 0,160 8974
208
Lambda de
F gl1 gl2 Sig.
Wilks
ComPrin_1 ,163 2698,309 17 8956 ,000
ComPrin_2 ,258 1511,557 17 8956 ,000
ComPrin_3 ,267 1443,252 17 8956 ,000
ComPrin_4 ,429 700,189 17 8956 ,000
ComPrin_5 ,629 310,857 17 8956 ,000
ComPrin_6 ,758 167,949 17 8956 ,000
ComPrin_7 ,799 132,659 17 8956 ,000
ComPrin_8 ,873 76,820 17 8956 ,000
ComPrin_9 ,845 96,721 17 8956 ,000
ComPrin_10 ,771 156,265 17 8956 ,000
ComPrin_11 ,890 65,332 17 8956 ,000
Logaritmo del
Nmero inicial de casos Rango
determinante
1 11 -24,099
2 11 -18,835
3 10 .(a)
4 11 -22,270
5 11 -23,364
6 11 -21,554
7 7 .(a)
8 11 -21,857
9 11 -98,016
10 11 -18,360
11 11 -21,633
12 11 -21,254
13 11 -20,848
14 11 -27,662
15 11 -22,227
16 11 -18,306
17 11 -21,883
18 11 -15,992
de los grupos.
a Singular
209
Resultados de la prueba (a)
M de Box 59671,251
Aprox. 59,722
gl1 990
F
gl2 13931320
Sig. ,000
Autovalores
Correlacin
cannica
1 6,410(a) 39,3 39,3 ,930
2 3,664(a) 22,4 61,7 ,886
3 2,951(a) 18,1 79,8 ,864
4 1,455(a) 8,9 88,7 ,770
5 ,527(a) 3,2 91,9 ,588
6 ,479(a) 2,9 94,8 ,569
7 ,448(a) 2,7 97,6 ,556
8 ,172(a) 1,1 98,6 ,383
9 ,132(a) ,8 99,4 ,341
10 ,068(a) ,4 99,9 ,253
11 ,022(a) ,1 100,0 ,147
Lambda de Wilks
las funciones Wilks
1 a la 11 ,001 66019,040 187 ,000
2 a la 11 ,005 48076,892 160 ,000
3 a la 11 ,022 34281,764 135 ,000
4 a la 11 ,086 21973,333 112 ,000
5 a la 11 ,211 13928,543 91 ,000
6 a la 11 ,323 10135,145 72 ,000
7 a la 11 ,477 6630,264 55 ,000
8 a la 11 ,691 3316,012 40 ,000
9 a la 11 ,809 1895,412 27 ,000
10 a la 11 ,916 787,684 16 ,000
11 ,978 195,193 7 ,000
210
Nmero inicial de
casos
previas en el anlisis
1 ,090 811
2 ,049 444
3 ,013 117
4 ,057 516
5 ,061 550
6 ,057 511
7 ,008 69
8 ,126 1135
9 ,017 153
10 ,041 372
11 ,035 314
12 ,104 930
13 ,067 604
14 ,053 479
15 ,064 576
16 ,069 620
17 ,042 373
18 ,045 400
Total 1,000 8974
211
Resultados de la clasificacin (b,c)
No de Grupo de pertenencia pronosticado
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Original 1 800 11 811
Recuento 2 12 298 9 33 22 6 33 22 9 444
3 117 117
4 437 18 41 20 516
5 25 502 22 1 550
6 39 47 20 359 16 10 17 3 511
7 69 69
8 1 1079 36 13 6 1135
9 147 6 153
10 19 309 6 8 26 4 372
11 7 11 296 314
12 43 15 2 4 2 847 16 1 930
13 28 26 528 22 604
14 58 14 406 1 479
15 1 11 28 536 576
16 7 54 557 2 620
17 4 8 2 46 3 8 14 6 1 281 373
18 15 3 25 18 339 400
% 1 98,6 1,4 100
2 2,7 67,1 2,0 7,4 5,0 1,4 7,4 5,0 2,0 100
3 100 100
4 84,7 3,5 7,9 3,9 100
5 4,5 91,3 4 0,2 100
6 7,6 9,2 3,9 70,3 3,1 2,0 3,3 0,6 100
7 100 100
8 0,1 95,1 3,2 1,1 0,5 100
9 96,1 3,9 100
10 5,1 83,1 1,6 2,2 7,0 1,1 100
11 2,2 3,5 94,3 100
12 4,6 1,6 0,2 0,4 0,2 91,1 1,7 0,1 100
13 4,6 4,3 87,4 3,6 100
14 12,1 2,9 84,8 0,2 100
15 0,2 1,9 4,9 93,1 100
16 1,1 8,7 89,8 0,3 100
17 1,1 2,1 0,5 12,3 0,8 2,1 3,8 1,6 0,3 75,3 100
18 3,8 0,8 6,3 4,5 84,8 100
212
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Validacin 1 800 11 811
cruzada (a) 2 12 297 9 33 22 6 34 22 9 444
Recuento 3 117 117
4 434 18 44 20 516
5 25 502 22 1 550
6 39 47 20 359 16 10 17 3 511
7 69 69
8 1 1078 36 13 7 1135
9 146 7 153
10 19 309 6 8 26 4 372
11 8 11 295 314
12 43 15 2 4 2 847 16 1 930
13 28 29 525 22 604
14 60 15 403 1 479
15 1 11 28 536 576
16 1 8 54 555 2 620
17 4 8 3 46 3 8 14 6 1 280 373
18 15 3 25 18 339 400
% 1 98,6 1,4 100
2 2,7 66,9 2,0 7,4 5,0 1,4 7,7 5,0 2,0 100
3 100 100
4 84,1 3,5 8,5 3,9 100
5 4,5 91,3 4 0,2 100
6 7,6 9,2 3,9 70,3 3,1 2,0 3,3 0,6 100
7 100 100
8 0,1 95,0 3,2 1,1 0,6 100
9 95,4 4,6 100
10 5,1 83,1 1,6 2,2 7,0 1,1 100
11 2,5 3,5 93,9 100
12 4,6 1,6 0,2 0,4 0,2 91,1 1,7 0,1 100
13 4,6 4,8 86,9 3,6 100
14 12,5 3,1 84,1 0,2 100
15 0,2 1,9 4,9 93,1 100
16 0,2 1,3 8,7 89,5 0,3 100
17 1,1 2,1 0,8 12,3 0,8 2,1 3,8 1,6 0,3 75,1 100
18 3,8 0,8 6,3 4,5 84,8 100
a En la validacin cruzada, cada caso se clasifica mediante las funciones derivadas a partir del resto de los casos.
213
ANEXO 31. ANLISIS DISCRIMINANTE DE PUNTUACIONES
FACTORIALES (3 FACTORES Y 14 GRUPOS),
214
Nmero No de
Factor Media Desv. tp.
de grupos casos
1 1 -0,610 0,312 510
2 -1,208 0,335 510
3 -0,193 0,596 510
2 1 0,929 0,319 363
2 0,982 0,439 363
3 -1,064 0,384 363
3 1 0,785 0,251 676
2 0,022 0,371 676
3 0,886 0,330 676
4 1 0,814 0,473 1286
2 -0,758 0,263 1286
3 -0,339 0,320 1286
5 1 0,798 0,432 506
2 1,435 0,648 506
3 1,295 0,446 506
6 1 -0,651 0,378 825
2 0,717 0,424 825
3 -1,211 0,343 825
7 1 -1,220 0,606 224
2 2,088 0,540 224
3 -1,498 0,505 224
8 1 -0,913 0,290 764
2 -0,670 0,371 764
3 -1,146 0,343 764
9 1 0,738 0,367 513
2 -0,804 0,305 513
3 1,060 0,377 513
10 1 -0,689 0,665 760
2 0,892 0,516 760
3 1,143 0,326 760
11 1 -1,790 0,171 491
2 -1,038 0,537 491
3 0,767 0,507 491
12 1 1,199 0,513 970
2 -0,006 0,311 970
3 -0,704 0,287 970
13 1 -0,843 0,403 107
2 3,484 0,451 107
3 0,699 0,328 107
14 1 -0,559 0,324 979
2 -0,180 0,464 979
3 0,712 0,513 979
Total 1 0,000 1,000 8974
2 0,000 1,000 8974
3 0,000 1,000 8974
215
Lambda de
F gl1 gl2 Sig.
Wilks
Factor 1 ,175 3253,243 13 8960 ,000
Factor 2 ,173 3283,915 13 8960 ,000
Factor 3 ,157 3690,765 13 8960 ,000
Nmero de
Logaritmo del
Conglomerados obtenido Rango
determinante
en CA
1 3 -6,156
2 3 -6,582
3 3 -7,066
4 3 -6,807
5 3 -5,089
6 3 -7,057
7 3 -5,243
8 3 -6,650
9 3 -6,672
10 3 -4,664
11 3 -6,578
12 3 -6,295
13 3 -7,979
14 3 -6,153
de los grupos.
Resultados de la prueba
M de Box 8601,044
Aprox. 109,968
gl1 78
F
gl2 7381690
Sig. ,000
Autovalores
Correlacin
cannica
1 6,505(a) 42,5 42,5 ,931
2 4,836(a) 31,6 74,0 ,910
3 3,974(a) 26,0 100,0 ,894
216
Lambda de Wilks
las funciones Wilks
1 a la 3 ,005 48262,604 39 ,000
2 a la 3 ,034 30194,569 24 ,000
3 ,201 14381,277 11 ,000
Probabilidades Casos utilizados en el

Nmero de grupo
previas anlisis
1 ,057 510
2 ,040 363
3 ,075 676
4 ,143 1286
5 ,056 506
6 ,092 825
7 ,025 224
8 ,085 764
9 ,057 513
10 ,085 760
11 ,055 491
12 ,108 970
13 ,012 107
14 ,109 979
Total 1,000 8974
217
Resultados de la clasificacin (b,c)
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Original 1 399 59 52 510
Recuento 2 320 43 363
3 559 117 676
4 4 1154 128 1286
5 6 477 23 506
6 788 14 23 825
7 34 190 224
8 12 752 764
9 82 31 395 5 513
10 44 44 616 56 760
11 22 467 2 491
12 125 20 825 970
13 107 107
14 29 21 38 891 979
% 1 78,2 11,6 10,2 100
2 88,2 11,8 100
3 82,7 17,3 100
4 0,3 89,7 10,0 100
5 1,2 94,3 4,5 100
6 95,5 1,7 2,8 100
7 15,2 84,8 100
8 1,6 98,4 100
9 16,0 6,0 77,0 1,0 100
10 5,8 5,8 81,1 7,4 100
11 4,5 95,1 0,4 100
12 12,9 2,1 85,1 100
13 100 100
14 3,0 2,1 3,9 91,0 100
218
Total
grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Validacin 1 398 59 53 510
cruzada
2 320 43 363
(a)
Recuento 3 559 117 676
4 4 1153 128 1 1286
5 6 477 23 506
6 787 15 23 825
7 34 190 224
8 12 752 764
9 82 31 395 5 513
10 44 44 616 56 760
11 22 467 2 491
12 1 126 20 823 970
13 107 107
14 29 21 39 890 979
% 1 78,0 11,6 10,4 100
2 88,2 11,8 100
3 82,7 17,3 100
4 0,3 89,7 10,0 0,1 100
5 1,2 94,3 4,5 100
6 95,4 1,8 2,8 100
7 15,2 84,8 100
8 1,6 98,4 100
9 16,0 6,0 77,0 1,0 100
10 5,8 5,8 81,1 7,4 100
11 4,5 95,1 0,4 100
12 0,1 13,0 2,1 84,8 100
13 100 100
14 3,0 2,1 4,0 90,9 100
219
ANEXO 32. ANLISIS DE CORRELACIN CANNICA, CON 17
VARIABLES PREDICTIVAS EN SU ESCALA
ORIGINAL
220
Anlisis Cannico
Resumen del Anlisis
Variables en serie 1:
DJ, V, DV, Vx, T, Tn, Tx, Hf, HR, Rad, P, ETo, VolExp, Qent, Qsal, Filt, Profundidad
Ta, Odis, Ph, Con
Correlaciones Cannicas
--------------------------------------------------------------------------------------------------------
Nmero Autovalor Cannica Wilks Chi-Cuadrado G.l. P-Valor
Correlacin Lambda
--------------------------------------------------------------------------------------------------------
1 0,896446 0,946809 0,0137515 18813,9 68 0,0000
2 0,703161 0,838547 0,132796 8861,13 48 0,0000
3 0,428104 0,654297 0,447367 3530,4 30 0,0000
4 0,217747 0,466633 0,782253 1077,84 14 0,0000
--------------------------------------------------------------------------------------------------------
Coeficientes para las Variables Cannicas de la Primera serie

--------------------------------------------------------------------------------------------------------
DJ 0,304264 -0,0702927 0,082606 -0,236832
V -0,0276439 -0,0420981 0,0949846 0,262851
DV -0,0199393 -0,00239246 -0,00447209 0,0858118
Vx -0,045199 0,0217572 -0,0583784 -0,0712968
T 0,539116 0,119 -0,463028 0,22811
Tn 0,123938 0,350086 -0,26978 -1,2746
Tx -0,286091 -0,128381 0,668938 1,33589
Hf -0,0209047 0,246337 -0,0907551 -0,916975
HR 0,0823389 -0,102975 -0,0900482 0,250719
Rad 0,183142 -0,0277103 -0,186208 -0,373472
P 0,0134344 -0,0627029 -0,0812639 0,12574
ETo 0,214414 0,000798271 -0,286013 -0,512449
VolExp -0,165675 0,235588 1,26412 0,609458
Qent -0,0384391 -0,0551667 0,0253396 0,188839
Qsal 0,0928459 0,173228 0,371925 0,229593
Filt 0,00277595 -0,0196346 -0,0339945 -0,0667668
Profundidad 0,285316 -0,855746 0,342407 -0,204331
------------------------------------------------------------------------------------------------------
Coeficientes para las Variables Cannicas de la Segunda serie
------------------------------------------------------------------------------------------------------
Ta 0,648028 0,543355 -1,16754 -0,0472823
Odis -0,740516 0,361833 -1,3763 -0,394182
pH 0,160005 -0,398293 0,187775 1,18231
Con 0,220593 -0,563638 -1,62206 -0,00984443
-----------------------------------------------------------------------------------------------------
Este procedimiento encuentra las combinaciones lineales de dos

grupos de variables que tienen la correlacin ms alta entre ellos.
En este caso, se ha formado 4 series de combinaciones lineales. La
primera serie de combinaciones lineales es
0,304264*DJ - 0,0276439*V - 0,0199393*DV - 0,045199*Vx + 0,539116*T +

0,123938*Tn - 0,286091*Tx - 0,0209047*Hf + 0,0823389*HR + 0,183142*Rad
+ 0,0134344*P + 0,214414*ETo - 0,165675*VolExp - 0,0384391*Qent +
0,0928459*Qsal + 0,00277595*Filt + 0,285316*Profundidad
0,648028*Ta - 0,740516*Odis + 0,160005*pH + 0,220593*Con
Donde las variables han sido estandarizadas primero substrayendo sus

medias y dividiendo por sus desviaciones tpicas. La tabla muestra la
correlacin estimada entre cada grupo de variables cannicas. Dado
que 4 de los p-valores es menor de 0.05, esos grupos tienen correlaciones
estadsticamente significativas al 95% de nivel de confianza.
221
Variables Cannicas en el Periodo de Calibracin
Variable Cannica Respuesta 2,5
1,5
0,5
-0,5
-1,5
-2,5
-2,5 -1,5 -0,5 0,5 1,5 2,5
Variable Cannica Predictiva
222
VARIABLES PREDICTIVAS EN SU ESCALA
ORIGINAL
223
Anlisis Cannico
Resumen del Anlisis
DJ, V, DV, Vx, T, HR, ETo, VolExp, Qent, Qsal, Profundidad
Ta, Odis, pH, Con
----------------------------------------------------------------------------------------------------------
Correlacin Lambda
---------------------------------------------------------------------------------------------------------
1 0,892434 0,944687 0,0174482 17781,1 44 0,0000
2 0,685543 0,827975 0,162209 7988,49 30 0,0000
3 0,41794 0,646483 0,515837 2907,35 18 0,0000
4 0,113773 0,337303 0,886227 530,477 8 0,0000
--------------------------------------------------------------------------------------------------------

----------------------------------------------------------------------------------------------------
DJ 0,305928 -0,0898232 0,0421831 -0,287779
V 0,00619051 -0,0346218 0,0821152 0,409576
DV -0,0185978 -0,0153291 -0,0168351 0,199777
Vx -0,073658 -0,00972828 -0,0571881 0,110165
T 0,408906 0,130424 0,000124128 1,81004
HR 0,11726 -0,140252 -0,158113 0,542226
ETo 0,375032 -0,0308727 -0,438027 -1,49703
VolExp -0,161625 0,367439 1,20744 0,401369
Qent -0,034636 -0,0758131 0,0404518 0,454832
Qsal 0,0719432 0,266439 0,369639 -0,0648378
Profundidad 0,288186 -0,868897 0,363616 -0,0812949
---------------------------------------------------------------------------------------------------
---------------------------------------------------------------------------------------------------
Ta 0,636553 0,517912 -1,1729 -0,177293
Odis -0,756466 0,308884 -1,34105 -0,512638
pH 0,17017 -0,305527 0,103977 1,21829
Con 0,204637 -0,59019 -1,61247 -0,0852958
--------------------------------------------------------------------------------------------------

0,305928*DJ + 0,00619051*V - 0,0185978*DV - 0,073658*Vx + 0,408906*T +

0,11726*HR + 0,375032*ETo - 0,161625*VolExp - 0,034636*Qent +
0,0719432*Qsal + 0,288186*Profundidad
0,636553*Ta - 0,756466*Odis + 0,17017*pH + 0,204637*Con

224
Variables Cannicas
2,5
1,5
Variables respuesta
0,5
-0,5
-1,5
-2,5
-2,5 -1,5 -0,5 0,5 1,5 2,5
Variables predictivas
225
VARIABLES PREDICTIVAS ESTANDARIZADAS
226
Anlisis Cannico
Resumen del Anlisis
ZDJ, ZV, ZDV, ZVx, ZT, ZTn, ZTx, ZHf, ZHR, ZRad, ZP, ZETo, ZVolExp, ZQent, ZQsal, ZFilt, ZProfundidad
ZTa, ZOdis, ZpH, ZCon
------------------------------------------------------------------------------
Correlacin Lambda
---------------------------------------------------------------------------------------------------------
1 0,904494 0,951049 0,0122793 19310,9 68 0,0000
2 0,704042 0,839072 0,128571 9003,04 48 0,0000
3 0,434364 0,659063 0,434423 3659,27 30 0,0000
4 0,231973 0,481636 0,768027 1158,39 14 0,0000
---------------------------------------------------------------------------------------------------------

--------------------------------------------------------------------------------------------------------
ZDJ 0,272633 -0,0853333 0,120717 -0,145515
ZV -0,0854055 -0,0563987 0,170572 0,370544
ZDV -0,0103936 0,00112355 -0,0156338 0,0600345
ZVx -0,0559591 0,0158472 -0,0446145 -0,0300857
ZT 0,31868 0,0632276 -0,162413 0,751575
ZTn 0,0564557 0,313672 -0,188462 -0,950595
ZTx -0,250424 -0,115229 0,631036 1,09856
ZHf -0,011932 0,251164 -0,11904 -0,876824
ZHR 0,123647 -0,0860781 -0,138145 0,135877
ZRad -0,095708 -0,122349 0,171304 0,347837
ZP -0,0250993 -0,074738 -0,0286943 0,214129
ZETo 0,752064 0,171227 -0,979889 -1,75258
ZVolExp -0,246889 0,206596 1,35838 0,664944
ZQent -0,0156209 -0,0472966 -0,00193201 0,119155
ZQsal 0,114434 0,176609 0,346753 0,137499
ZFilt 0,00165795 -0,0196199 -0,0341488 -0,0586808
ZProfundidad 0,273012 -0,860242 0,331521 -0,218713
-------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------
ZTa 0,671568 0,545498 -1,15396 0,0210641
ZOdis -0,710067 0,382981 -1,4012 -0,337266
ZpH 0,134663 -0,409633 0,242198 1,17165
ZCon 0,238783 -0,553555 -1,62143 0,0660953
------------------------------------------------------------------------------------------------------

0,272633*ZDJ - 0,0854055*ZV - 0,0103936*ZDV - 0,0559591*ZVx +

0,31868*ZT + 0,0564557*ZTn - 0,250424*ZTx - 0,011932*ZHf +
0,123647*ZHR - 0,095708*ZRad - 0,0250993*ZP + 0,752064*ZETo -
0,246889*ZVolExp - 0,0156209*ZQent + 0,114434*ZQsal + 0,00165795*ZFilt
+ 0,273012*ZProfundidad
0,671568*ZTa - 0,710067*ZOdis + 0,134663*ZpH + 0,238783*ZCon

que 4 de los p-valores es menor de 0.05, esos grupos tienen
correlaciones estadsticamente significativas al 95% de nivel de
confianza.
227
Variables Cannicas
2,5
1,5
Vector Respuesta
0,5
-0,5
-1,5
-2,5
-2,5 -1,5 -0,5 0,5 1,5 2,5
Vector Predictivo
228
229
Anlisis Cannico
Resumen del Anlisis
ZV, ZDV, ZVx, ZT, ZTn, ZTx, ZHf, ZHR, ZRad, ZP, ZETo, ZVolExp, ZQent, ZQsal, ZFilt, ZProfundidad
------------------------------------------------------------------------------------------------------------------
Correlacin Lambda
-----------------------------------------------------------------------------------------------------------------
1 0,888754 0,942737 0,0144282 18605,2 64 0,0000
2 0,702735 0,838293 0,129695 8965,85 45 0,0000
3 0,432815 0,657887 0,436296 3640,8 28 0,0000
4 0,23077 0,480385 0,76923 1151,65 13 0,0000
-----------------------------------------------------------------------------------------------------------------

-----------------------------------------------------------------------------------------------------------------
ZV -0,0838986 -0,0551825 0,17334 0,368866
ZDV -0,03772 0,0105656 -0,028211 0,0757902
ZVx -0,0693106 0,0217486 -0,051991 -0,0214816
ZT 0,677751 -0,0658852 0,00714095 0,555952
ZTn -0,0541823 0,352256 -0,248008 -0,88621
ZTx -0,50511 -0,0234373 0,5199 1,23667
ZHf -0,0169983 0,255278 -0,129209 -0,872115
ZHR 0,124527 -0,0902762 -0,135151 0,135398
ZRad -0,242082 -0,0713798 0,106942 0,427207
ZP -0,0298414 -0,0732598 -0,0293633 0,217089
ZETo 0,950195 0,0867622 -0,893896 -1,86081
ZVolExp -0,389282 0,264273 1,29593 0,734255
ZQent 0,0628955 -0,0738968 0,0351601 0,0754598
ZQsal 0,247545 0,130787 0,408679 0,0614406
ZFilt -0,00127224 -0,0188533 -0,0355367 -0,057187
ZProfundidad 0,255128 -0,86664 0,341321 -0,230359
---------------------------------------------------------------------------------------------------------------
---------------------------------------------------------------------------------------------------------------
ZTa 0,69656 0,523291 -1,14932 0,0257865
ZOdis -0,688102 0,392857 -1,41293 -0,322156
ZpH 0,129993 -0,414543 0,253684 1,16801
ZCon 0,243333 -0,567943 -1,61543 0,073958
-----------------------------------------------------------------------------------

-0,0838986*ZV - 0,03772*ZDV - 0,0693106*ZVx + 0,677751*ZT -

0,0541823*ZTn - 0,50511*ZTx - 0,0169983*ZHf + 0,124527*ZHR -
0,242082*ZRad - 0,0298414*ZP + 0,950195*ZETo - 0,389282*ZVolExp +
0,0628955*ZQent + 0,247545*ZQsal - 0,00127224*ZFilt +
0,255128*ZProfundidad

230
Variables Cannicas
1,7
0,7
Variables respuesta
-0,3
-1,3
-2,3
-2,2 -1,2 -0,2 0,8 1,8 2,8
Variables predictivas
231
232
Anlisis Cannico
Resumen del Anlisis
ZT, ZTn, ZTx, ZHf, ZHR, ZETo, ZVolExp, ZQsal, ZProfundidad
--------------------------------------------------------------------------------------------------------
Correlacin Lambda
--------------------------------------------------------------------------------------------------------
1 0,878535 0,937302 0,016546 18018,4 36 0,0000
2 0,698269 0,835625 0,13622 8757,38 24 0,0000
3 0,426065 0,652736 0,451461 3493,61 14 0,0000
4 0,213395 0,461947 0,786605 1054,45 6 0,0000
-------------------------------------------------------------------------------------------------------

-------------------------------------------------------------------------------------------------------
ZT 0,887309 -0,229647 -0,301244 0,297692
ZTn -0,0299283 0,41887 -0,199611 -0,9486
ZTx -0,53691 0,156156 0,546816 0,960649
ZHf -0,0158312 0,269957 -0,142189 -0,985355
ZHR 0,166896 -0,104247 -0,171385 0,0672761
ZETo 0,521978 -0,0156019 -0,584138 -1,08298
ZVolExp -0,345362 0,288191 1,29268 0,699026
ZQsal 0,24061 0,149963 0,432042 0,081627
ZProfundidad 0,252772 -0,871791 0,345578 -0,220588
------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------
ZTa 0,693675 0,519758 -1,15285 -0,0149347
ZOdis -0,697042 0,392105 -1,40205 -0,350143
ZpH 0,143933 -0,403277 0,225959 1,17599
ZCon 0,233976 -0,569055 -1,61764 0,0391144
-----------------------------------------------------------------------------------------------------

0,887309*ZT - 0,0299283*ZTn - 0,53691*ZTx - 0,0158312*ZHf +

0,166896*ZHR + 0,521978*ZETo - 0,345362*ZVolExp + 0,24061*ZQsal +
0,252772*ZProfundidad

que 4 de los p-valores es menor de 0,05, esos grupos tienen correlaciones
233
Primer par de Variables Cannicas
2,5
1,5
0,5
V1
-0,5
-1,5
-2,5
-2,5 -1,5 -0,5 0,5 1,5 2,5
U1
234
ANEXO 37. PLSR DESARROLLADO DENTRO DEL PERIODO DE
CALIBRACIN (17 VARIABLES PREDICTIVAS)
235
Partial Least Squares
Number of dependent variables: 1
Ta
Number of independent variables: 17
Number of complete cases: 4401

Number of components extracted: 7
Analysis of Variance for Ta

Source Sum of Squares Df Mean Square F-ratio P-Value
Model 98827,0 7 14118,1 1831,53 0,0
Residual 33862,9 4393 7,70839
Total (corr.) 132690, 4400
Model for Ta
% Variation
Component in Y R-Squared
1 58,9331 58,9331
2 13,1242 72,0573
3 1,91718 73,9745
4 0,155507 74,13
5 0,164368 74,2944
6 0,083094 74,3775
7 0,102163 74,4796
Independent and Dependent Variables

% Variation Cumulative % % Variation Cumulative %
Component in X of X in Y of Y
1 34,9421 34,9421 58,9331 58,9331
2 9,70516 44,6473 13,1242 72,0573
3 13,4685 58,1158 1,91718 73,9745
4 11,3855 69,5013 0,155507 74,13
5 4,37061 73,872 0,164368 74,2944
6 3,90933 77,7813 0,083094 74,3775
7 2,95417 80,7355 0,102163 74,4796
The StatAdvisor
The output shows the result of fitting models for 1 dependent variables based on 17 predictor variables. To
fit the model, 7 components have been extracted. The P-Values in the ANOVA table indicate that 1 of the
models are significant at the 5.0% significance level.
236
Grfico comparativo del modelo
100
X
Porcentaje de variacin
80 Y
60
40
20
0
1 2 3 4 5 6 7
Nmero de componentes
Regression Coefficients
Standardized Coefficients
Ta
Constant 0,0
DJ 0,109638
V -0,016443
DV 0,00724376
Vx -0,00219588
T 0,157697
Tn 0,228678
Tx 0,043938
Hf 0,0756468
HR 0,057989
Rad 0,0219019
P -0,0120057
ETo 0,211395
VolExp -0,0444486
Qent -0,0384057
Qsal 0,128394
Filt -0,010624
Unstandardized Coefficients
Ta
Constant 8,21165
DJ 0,004911
V -0,275504
DV 0,00055768
Vx -0,00793173
T 0,132786
Tn 0,198842
Tx 0,0369386
Hf 0,109653
HR 0,0236497
Rad 0,00163213
P -0,0274099
ETo 0,758365
VolExp -1,85832E-7
Qent -0,00000603205
Qsal 0,00006267
Filt -0,0000645576
237
Coeficientes PLSR
0.35
Ta
0.15
-0.05
-0.25
-0.45
HR
Hf
DJ
DV
Tx
V
P
Vx
Tn
Filt
Rad
ETo
Qent
Qsal
VolExp
rofundidad
Observaciones y Predicciones para Ta
30
25
20
Observado
15
10
0
0 5 10 15 20 25 30
Prediccin
238
Odis

Analysis of Variance for Odis

Model 63563,9 14 4540,28 1075,59 0,0
Residual 18514,1 4386 4,22119
Total (corr.) 82078,0 4400
Model for Odis

% Variation
1 47,3968 47,3968
2 26,1711 73,5679
3 2,29779 75,8657
4 0,507514 76,3732
5 0,407192 76,7804
6 0,207851 76,9883
7 0,0877983 77,076
8 0,102892 77,1789
9 0,100952 77,2799
10 0,0887232 77,3686
11 0,0447219 77,4133
12 0,00926014 77,4226
13 0,00753942 77,4301
14 0,013098 77,4432

1 34,2642 34,2642 47,3968 47,3968
2 8,82656 43,0908 26,1711 73,5679
3 15,0595 58,1503 2,29779 75,8657
4 8,47104 66,6213 0,507514 76,3732
5 6,72819 73,3495 0,407192 76,7804
6 3,67659 77,0261 0,207851 76,9883
7 3,87891 80,905 0,0877983 77,076
8 2,2392 83,1442 0,102892 77,1789
9 2,91264 86,0569 0,100952 77,2799
10 2,91355 88,9704 0,0887232 77,3686
11 2,22927 91,1997 0,0447219 77,4133
12 3,48397 94,6837 0,00926014 77,4226
13 2,97932 97,663 0,00753942 77,4301
14 0,941691 98,6047 0,013098 77,4432
The StatAdvisor
models are significant at the 5,0% significance level.
239
100
Porcentaje de variacin X
80 Y
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Odis
Constant 0,0
DJ -0,279619
V 0,0702126
DV 0,0242216
Vx 0,0501549
T -0,0241526
Tn -0,106816
Tx 0,193173
Hf -0,00670741
HR -0,0741299
Rad 0,0296855
P 0,0253633
ETo -0,571932
VolExp 0,138546
Qent 0,0125015
Qsal -0,0512261
Filt -0,0111546
Odis
Constant 11,5234
DJ -0,0098508
V 0,925246
DV 0,00146662
Vx 0,142484
T -0,0159951
Tn -0,0730491
Tx 0,127727
Hf -0,00764679
HR -0,0237776
Rad 0,00173985
P 0,0455428
ETo -1,6137
VolExp 4,55566E-7
Qent 0,00000154428
Qsal -0,0000196653
Filt -0,00005331
240
Coeficientes PLSR
Coeficientes estandarizados 0.38
Odis
0.18
-0.02
-0.22
-0.42
-0.62
HR
Hf
DJ
DV
Tx
V
P
Vx
Tn
Filt
Rad
ETo
Qent
Qsal
VolExp
rofundidad
17
13
Observado
-3
-3 1 5 9 13 17
Prediccin
241
pH

Analysis of Variance for pH

Model 205,818 11 18,7108 161,587 0,0
Residual 508,22 4389 0,115794
Total (corr.) 714,038 4400
Model for pH
% Variation
1 11,2767 11,2767
2 9,73981 21,0166
3 2,97619 23,9927
4 1,30994 25,3027
5 0,862639 26,1653
6 0,939449 27,1048
7 0,425079 27,5299
8 0,708498 28,2384
9 0,460499 28,6989
10 0,05605 28,7549
11 0,0696674 28,8246

1 27,7952 27,7952 11,2767 11,2767
2 16,0414 43,8366 9,73981 21,0166
3 13,3591 57,1957 2,97619 23,9927
4 8,00312 65,1988 1,30994 25,3027
5 7,82276 73,0216 0,862639 26,1653
6 2,45978 75,4814 0,939449 27,1048
7 3,86153 79,3429 0,425079 27,5299
8 2,88304 82,226 0,708498 28,2384
9 2,32803 84,554 0,460499 28,6989
10 4,63474 89,1887 0,05605 28,7549
11 1,68388 90,8726 0,0696674 28,8246
The StatAdvisor
models are significant at the 5,0% significance level.
242
100
80 Y
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11
pH
Constant 0,0
DJ -0,14902
V 0,15766
DV 0,0314621
Vx 0,000590769
T 0,103308
Tn -0,437354
Tx 0,657646
Hf -0,364084
HR 0,0395135
Rad 0,0566685
P 0,0855655
ETo -0,75028
VolExp 0,330298
Qent 0,055344
Qsal 0,0509874
Filt -0,0331481
pH
Constant 6,96525
DJ -0,000489663
V 0,193781
DV 0,000177685
Vx 0,000156537
T 0,00638118
Tn -0,0278971
Tx 0,0405578
Hf -0,0387145
HR 0,00118214
Rad 0,000309782
P 0,0143305
ETo -0,197446
VolExp 1,013E-7
Qent 6,37647E-7
Qsal 0,00000182566
Filt -0,0000147761
243
Coeficientes PLSR
0.7
pH
0.4
0.1
-0.2
-0.5
-0.8
HR
Hf
DJ
DV
Tx
V
P
Tn
Vx
Filt
Rad
ETo
Qent
Qsal
VolExp
Profundidad
9.8
8.8
Observacin
7.8
6.8
5.8
5.8 6.8 7.8 8.8 9.8
Prediccin
244
Con

Analysis of Variance for Con

Model 2,89641E7 8 3,62051E6 1034,37 0,0
Residual 1,5373E7 4392 3500,22
Total (corr.) 4,4337E7 4400
Model for Con

% Variation
1 39,565 39,565
2 16,5202 56,0852
3 5,74515 61,8303
4 1,36797 63,1983
5 1,83961 65,0379
6 0,151462 65,1894
7 0,0847997 65,2742
8 0,0528898 65,327

1 20,2893 20,2893 39,565 39,565
2 23,06 43,3492 16,5202 56,0852
3 14,9767 58,326 5,74515 61,8303
4 9,65923 67,9852 1,36797 63,1983
5 4,49641 72,4816 1,83961 65,0379
6 5,16544 77,6471 0,151462 65,1894
7 2,33894 79,986 0,0847997 65,2742
8 4,12395 84,11 0,0528898 65,327
The StatAdvisor
models are significant at the 5.0% significance level.
245
100
80 Y
60
40
20
0
1 2 3 4 5 6 7 8
Con
Constant 0,0
DJ 0,153485
V -0,034166
DV -0,0175249
Vx 0,0120414
T -0,0622402
Tn -0,0186619
Tx -0,13243
Hf -0,0405804
HR 0,0873054
Rad 0,147363
P 0,0446914
ETo 0,175285
VolExp -0,523791
Qent 0,00260884
Qsal -0,216399
Filt 0,0192388
Profundidad 0,664889
Con
Constant 1277,51
DJ 0,125672
V -10,4642
DV -0,0246626
Vx 0,795063
T -0,957994
Tn -0,296621
Tx -2,03513
Hf -1,07525
HR 0,650858
Rad 0,200736
P 1,86513
ETo 11,4946
VolExp -0,0000400299
Qent 0,00000748997
Qsal -0,00193079
Filt 0,00213699
Profundidad 8,59461
246
Coeficientes PLSR
Coeficientes estandarizados 0.9

Con
0.6
0.3
-0.3
-0.6
HR
Hf
DJ
DV
Tx
V
P
Tn
Vx
Filt
Rad
ETo
Qent
Qsal
VolExp
Profundidad
1320
1220
Observacin
1120
1020
920
820
820 920 1020 1120 1220 1320
Prediccin
247
ANEXO 38. PLSR EN PERIODO DE CALIBRACIN MODELO
REDUCIDO EN TRMINOS LINEALES
248
Ta
Profundidad, Qsal, ETo, Tn, T

Analysis of Variance for Ta

Model 97823,2 2 48911,6 6169,58 0,0
Residual 34866,8 4398 7,92787
Total (corr.) 132690, 4400
Model for Ta
% Variation
1 64,1674 64,1674
2 9,55568 73,7231

1 64,4255 64,4255 64,1674 64,1674
2 21,7332 86,1587 9,55568 73,7231
The StatAdvisor
The output shows the result of fitting models for 1 dependent variables based on 5 predictor variables. To fit the
model, 2 components have been extracted. The P-Values in the ANOVA table indicate that 1 of the models are
significant at the 5,0% significance level.
To test the predictive ability of the model, select Analysis Options and choose a cross-validation method.
100
X
80 Y
60
40
20
0
1 2
249
Ta
Constant 0.0
Qsal 0,22994
ETo 0,156148
Tn 0,220213
T 0,214914
Ta
Constant 8,3202
Qsal 0,000112235
ETo 0,56017
Tn 0,191481
T 0,180964
Coeficientes PLSR
0.36
Ta
0.16
-0.04
-0.24
-0.44
Profundidad Qsal ETo Tn T
30
25
Observacin
20
15
10
0
0 5 10 15 20 25 30
Prediccin
250
Odis
ETo, Profundidad, Tx, VolExp

Analysis of Variance for Odis

Model 58192,5 3 19397,5 3570,81 0,0
Residual 23885,6 4397 5,43224
Total (corr.) 82078,0 4400
Model for Odis

% Variation Mean Square Prediction
Component in Y R-Squared PRESS R-Squared
1 59,7785 59,7785
2 10,9339 70,7124
3 0,186603 70,899

1 43,5215 43,5215 59,7785 59,7785
2 31,0199 74,5414 10,9339 70,7124
3 22,7136 97,2551 0,186603 70,899
The StatAdvisor
100
X
80 Y
60
40
20
0
1 2 3
251
Odis
Constant 0,0
ETo -0,266579
Tx -0,360309
VolExp 0,264212
Odis
Constant 11,1268
ETo -0,752148
Tx -0,238237
VolExp 8,68778E-7
Coeficientes PLSR
0.38
Odis
0.18
-0.02
-0.22
-0.42
-0.62
ETo Profundidad Tx VolExp
17
13
Observacin
-3
-3 1 5 9 13 17
Prediccin
252
pH
ETo, Tx, Tn, VolExp, Hf, Profundidad

Analysis of Variance for pH

Model 189,666 6 31,6111 264,887 0,0
Residual 524,372 4394 0,119338
Total (corr.) 714,038 4400
Model for pH
% Variation
1 14,9773 14,9773
2 5,32004 20,2974
3 3,68042 23,9778
4 0,795309 24,7731
5 1,36584 26,139
6 0,423547 26,5625

1 30,2273 30,2273 14,9773 14,9773
2 36,2233 66,4507 5,32004 20,2974
3 14,0116 80,4623 3,68042 23,9778
4 16,4176 96,8799 0,795309 24,7731
5 2,27296 99,1529 1,36584 26,139
6 0,847149 100,0 0,423547 26,5625
The StatAdvisor
100
X
80 Y
60
40
20
0
1 2 3 4 5 6
253
pH
Constant 0,0
ETo -0,549642
Tx 0,495561
Tn -0,406796
VolExp 0,36436
Hf -0,384376
pH
Constant 7,43143
ETo -0,144645
Tx 0,0305618
Tn -0,0259479
VolExp 1,11747E-7
Hf -0,0408722
Coeficientes PLSR
0.6
pH
0.4
0.2
-0.2
-0.4
-0.6
ETo Tx Tn VolExp Hf Profundidad
9.8
8.8
Observacin
7.8
6.8
5.8
5.8 6.8 7.8 8.8 9.8
Prediccin
254
Con
Profundidad, VolExp, ETo

Analysis of Variance for Con

Model 2,71112E7 3 9,03706E6 2306,76 0,0
Residual 1,72259E7 4397 3917,64
Total (corr.) 4,4337E7 4400
Model for Con

% Variation
1 58,3916 58,3916
2 2,29018 60,6818
3 0,466104 61,1479

1 36,3792 36,3792 58,3916 58,3916
2 43,6009 79,9801 2,29018 60,6818
3 20,0199 100,0 0,466104 61,1479
The StatAdvisor
100
X
80 Y
60
40
20
0
1 2 3
255
Con
Constant 0,0
Profundidad 0,67449
VolExp -0,439858
ETo -0,0130319
Con
Constant 1220,88
Profundidad 8,71871
VolExp -0,0000336155
ETo -0,854586
Coeficientes PLSR
0.7
Con
0.5
0.3
0.1
-0.1
-0.3
-0.5
Profundidad VolExp ETo
1240
1140
Observacin
1040
940
840
840 940 1040 1140 1240
Prediccin
256

Tesis UPV2910

Cargado por

Copyright:

Formatos disponibles

Tesis UPV2910

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis UPV2910

Cargado por

Copyright:

Formatos disponibles

CAPTULO 1.

1.1 IMPORTANCIA DE LOS EMBALSES

Los embalses o pantanos son sistemas de almacenamiento de aguas superficiales

Hay ms de 800.000 presas en el mundo actualmente, de las cuales 47.450 son

Las demandas en la calidad del agua de sueltas y extracciones de embalses para el

En el presente trabajo se analizan algunas caractersticas de la calidad de las aguas

1.2 CALIDAD DEL AGUA EN ALMACENAMIENTOS

Adems de los usos mencionados anteriormente los embalses y su entorno presentan

La temperatura del agua es una de las caractersticas fsicas de mayor importancia de

El oxgeno disuelto (OD), el ciclo de nutrientes, la productividad biolgica y los

El reconocimiento de distribucin de la temperatura est en la base de la comprensin

La temperatura de un cuerpo de agua es relevante desde una ptica de calidad del

Adems, de los componentes de calidad, la temperatura del agua es el ms fcil y a

El periodo de apareamiento y crecimiento de las especies pisccolas son las etapas

Un factor como la temperatura del agua tambin es relevante en la dinmica de la

El entorno ambiental determina el sistema trmico de un embalse y del agua

En un embalse no se tiene, de ordinario, una temperatura fija para una profundidad.

En la mayora de los embalses se presenta un fenmeno llamado estratificacin

La distribucin de temperaturas y la configuracin de la densidad del almacenamiento

1.2.2 Concentracin de oxgeno

El oxgeno controla muchas reacciones qumicas a travs de la oxidacin y es una

El oxgeno es un importante componente regulatorio; niveles muy bajos pueden

Cuando la concentracin de oxgeno disuelto en al agua es inferior a la de saturacin

La solubilidad del oxgeno en el agua depende principalmente de la temperatura del

El impacto de las bajas concentraciones de OD o de las condiciones anaerbicas se

La degradacin de la materia orgnica presente en los sedimentos hace disminuir la

En los almacenamientos la demanda de oxgeno disuelto puede ser dividida en dos

Para medir la presencia del ion hidrgeno en el agua, se usa la notacin pH

Debido al signo negativo y a la transformacin logartmica de [H+], un pH alto

La escala pH mide la concentracin logartmica de los iones hidrgeno ( H + ) e

Un cambio del pH puede tener efectos indeseables como aumentar la proporcin de

Adems, la hidrlisis de los qumicos orgnicos puede ser sensible al pH.

El equilibrio del dixido de carbono (CO2) bicarbonato ( HCO 3 ) carbonato ( CO 32 )

es el mayor sistema de control en ambientes acuticos. Este equilibrio afecta

El sedimento en el fondo de los almacenamientos atrapa y acumula determinadas

La conductividad del agua depende de la concentracin total de sustancias disueltas

La conductividad en corrientes y ros (que pueden ser afluentes de un embalse) est

El valor de la conductividad es muy usado en anlisis de aguas para obtener un

Las descargas a ros pueden cambiar la conductividad dependiendo de su

Se denomina Siemens, smbolo (S), a la unidad derivada del SI para la medida de la

La conductividad es medida en micromhos por centmetro (mhos/cm) o microsiemens

1.3 EL FENMENO DE LA EUTROFIZACIN

La accin del hombre y su inaccin son las causas principales de la rpida

La adicin de nutrientes a las aguas naturales estimula el crecimiento de plantas. Esto

Aunque el proceso de eutrofizacin es de carcter natural el tiempo asociado de

Los embalses aparecen unidos a la civilizacin y llevan consigo la tendencia a la

La acumulacin de nutrientes es un problema serio en lagos y en aguas de lento

El proceso de eutrofizacin describe el enriquecimiento de nutrientes del cuerpo de

Segn el destino que pretenda darse al agua embalsada su calidad deseable es

Las consecuencias inmediatas del incremento de cargas de nutrientes en un lago o

El crecimiento excesivo de plantas acuticas tanto fijas como planctnicas, en altos

La eutrofizacin es un problema serio en muchos lagos y embalses. El

La prediccin del comportamiento de los cuerpos de agua enriquecidos con nutrientes

Utilizar algunos mtodos multivariantes para estimar los valores de ciertas

1.5 ESTRUCTURA DEL DOCUMENTO

En el captulo 2 se presenta el desarrollo a travs del tiempo de los mtodos

El captulo 3 expresa la evolucin histrica de los modelos mecanicistas, sus primeros

Los datos requeridos por el modelo mecanicista, as como la descripcin detallada de