UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

PROGRAMA DE MAESTRÍA Y DOCTORADO EN INGENIERÍA

INSTITUTO DE INGENIERÍA
INGENIERÍA CIVIL - HIDRÁULICA

MODELACIÓN ESTOCÁSTICA DE LAS POLÍTICAS DE OPERACIÓN EN LOS NIVELES DE EMBALSE DE PRESAS

FUNCIONANDO EN CASCADA

TESIS
QUE PARA OPTAR POR EL GRADO DE:
DOCTOR EN INGENIERÍA CIVIL

PRESENTA:
OMAR ANTONIO DE LA CRUZ COURTOIS

TUTORES PRINCIPALES
DR. RAMÓN DOMÍNGUEZ MORA
INSTITUTO DE INGENIERÍA

DRA. MARITZA LILIANA ARGANIS JUAREZ

INSTITUTO DE INGENIERÍA

MIEMBROS DEL COMITÉ TUTOR

DR. OSCAR ARTURO FUENTES MARILES – INSTITUTO DE INGENIERÍA
DR. OSCAR POZOS ESTRADA – INSTITUTO DE INGENIERÍA
DR. EDGAR GERARDO MENDOZA BALDWIN – INSTITUTO DE INGENIERÍA

CDMX, OCTUBRE 2021

UNAM – Dirección General de Bibliotecas
Tesis Digitales
Restricciones de uso

DERECHOS RESERVADOS ©
PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL

Todo el material contenido en esta tesis esta protegido por la Ley Federal
del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México).

El uso de imágenes, fragmentos de videos, y demás material que sea

objeto de protección de los derechos de autor, será exclusivamente para
fines educativos e informativos y deberá citar la fuente donde la obtuvo
mencionando el autor o autores. Cualquier uso distinto como el lucro,
reproducción, edición o modificación, será perseguido y sancionado por el
respectivo titular de los Derechos de Autor.
2
ÍNDICE DE FIGURAS 3

Índice de figuras
1.1. Capacidad hidroeléctrica hasta 1987 [Garcia, 1992] . . . . . . . . . . . . . 36
1.2. Comparativo entre hidroléctricas y termoeléctricas hasta 1987 [Garcia, 1992] 36
1.3. Región factible en la programación lineal . . . . . . . . . . . . . . . . . . . 38
1.4. Representación de los estados de una presa . . . . . . . . . . . . . . . . . 41
1.5. Ejemplo de una polı́tica óptima de dos presas . . . . . . . . . . . . . . . . . 49
2.6. Esquema de una variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . 57
2.7. Función de distribución continua y discreta . . . . . . . . . . . . . . . . . . 60
2.8. Área bajo la curva y la función de densidad . . . . . . . . . . . . . . . . . . 61
2.9. Partición de un intervalo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.10.Suma de Riemann-Stieltjes . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.11.Regiones Hidrológicas de México I-VI [CFE, 2009] . . . . . . . . . . . . . . 93
3.12.Regiones Hidrológicas de México VII-XIII [CFE, 2009] . . . . . . . . . . . . 94
3.13.Mapa de Regiones Hidrológicas de México [CONAGUA, 2009] . . . . . . . 95
3.14.Superficie por estados de la Región Hidrológica 30 [CONAGUA, 1994] . . . 95
3.15.Superficie por estados de la Región Hidrológica 30 [INEGI, 2007] . . . . . . 96
3.16.Región Hidrológica 30 [INEGI, 2009] . . . . . . . . . . . . . . . . . . . . . . 96
3.17.Sistema hidroeléctrico de la cuenca del rı́o Grijalva [CFE, 1985] . . . . . . 99
3.18.Perfil del sistema hidroeléctrico Grijalva [Arganis, 2004] . . . . . . . . . . . 100
3.19.Sistema hidroeléctrico de la cuenca del rı́o Grijalva [INEGI, 2009] . . . . . . 101
3.20.Datos de la cortina de la Presa Malpaso . . . . . . . . . . . . . . . . . . . . 103
3.21.Datos del embalse de la Presa Malpaso . . . . . . . . . . . . . . . . . . . . 103
3.22.Datos de la casa de máquinas de la Presa Malpaso . . . . . . . . . . . . . 103
3.23.Datos de la potencia y generación de la Presa Malpaso . . . . . . . . . . . 104
3.24.Datos de la cortina de la Presa La Angostura . . . . . . . . . . . . . . . . . 105
3.25.Datos del embalse de la Presa La Angostura . . . . . . . . . . . . . . . . . 105
3.26.Datos de la casa de máquinas de la Presa La Angostura . . . . . . . . . . 105
3.27.Datos de la potencia y generación de la Presa La Angostura . . . . . . . . 106
3.28.Datos de la cortina de la Presa Chicoasén . . . . . . . . . . . . . . . . . . . 109
3.29.Datos del embalse de la Presa Chicoasén . . . . . . . . . . . . . . . . . . . 109
3.30.Datos de la casa de máquinas de la Presa Chicoasén . . . . . . . . . . . . 109
3.31.Datos de la potencia y generación de la Presa Chicoasén . . . . . . . . . . 109
3.32.Datos de la cortina de la Presa Peñitas . . . . . . . . . . . . . . . . . . . . 111
3.33.Datos del embalse de la Presa Peñitas . . . . . . . . . . . . . . . . . . . . . 111
3.34.Datos de la casa de máquinas de la Presa Peñitas . . . . . . . . . . . . . . 112
3.35.Datos de la potencia y generación de la Presa Peñitas . . . . . . . . . . . . 112
3.36.Hidrologı́a de todas las presas [Arellano, 1997] . . . . . . . . . . . . . . . . 112
3.37.Datos del embalse de todas las presas [Arellano, 1997] . . . . . . . . . . . 113
3.38.Datos de la obra de toma de todas las presas [Arellano, 1997] . . . . . . . 114
3.39.Datos de la cortina de todas las presas [Arellano, 1997] . . . . . . . . . . . 114
3.40.Datos del vertedor de todas las presas [Arellano, 1997] . . . . . . . . . . . 115
3.41.Impacto de los desastres naturales en el PIB estatal de Chiapas [INEGI, 2007]116
3.42.Eventos extremos hidrometeorológicos de 1995 a 1999 . . . . . . . . . . . 117
ÍNDICE DE FIGURAS 4

3.43.Eventos extremos hidrometeorológicos de 2005 a 2010 . . . . . . . . . . . 117

3.44.Eventos extremos hidrometeorológicos de 2010 a 2015 . . . . . . . . . . . 118
3.45.Simulaciones del funcionamiento de los vasos de La Angostura y Malpaso 123
3.46.Corridas efectuadas por perı́odo [Domı́nguez, Mendoza y Arganis, 2001] . 124
4.47.Esquema de la metodologı́a (Parte 1) . . . . . . . . . . . . . . . . . . . . . 128
4.48.Esquema de la metodologı́a (Parte 2) . . . . . . . . . . . . . . . . . . . . . 129
4.49.Esquema de la metodologı́a (Parte 3) . . . . . . . . . . . . . . . . . . . . . 130
4.50.Esquema de la metodologı́a (Parte 4) . . . . . . . . . . . . . . . . . . . . . 131
4.51.Parte de una tabla de escurrimientos de acuerdo al año y quincena . . . . 132
5.52.Registro de ingresos quincenales de La Angostura de 1952 a 1971 (hm3 ),
los meses de enero a abril. . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.53.Registro de ingresos quincenales de La Angostura de 1952 a 1971 (hm3 ),
los meses de mayo a agosto. . . . . . . . . . . . . . . . . . . . . . . . . . . 142
5.54.Registro de ingresos quincenales de La Angostura de 1952 a 1971 (hm3 ),
los meses de septiembre a diciembre. . . . . . . . . . . . . . . . . . . . . . 142
5.55.Registro de ingresos quincenales de La Angostura de 1972 a 1991 (hm3 ),
los meses de enero a abril. . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.56.Registro de ingresos quincenales de La Angostura de 1972 a 1991 (hm3 ),
los meses de mayo a agosto. . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.57.Registro de ingresos quincenales de La Angostura de 1972 a 1991 (hm3 ),
los meses de septiembre a diciembre. . . . . . . . . . . . . . . . . . . . . . 144
5.58.Registro de ingresos quincenales de La Angostura de 1992 a 2011 (hm3 ),
los meses de enero a abril. . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.59.Registro de ingresos quincenales de La Angostura de 1992 a 2011 (hm3 ),
los meses de mayo a agosto. . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.60.Registro de ingresos quincenales de La Angostura de 1992 a 2011 (hm3 ),
los meses de septiembre a diciembre. . . . . . . . . . . . . . . . . . . . . . 145
5.61.Registro de ingresos quincenales de La Angostura de 2012 a 2017 (hm3 ),
los meses de enero a abril. . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.62.Registro de ingresos quincenales de La Angostura de 2012 a 2017 (hm3 ),
los meses de mayo a agosto. . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.63.Registro de ingresos quincenales de La Angostura de 2012 a 2017 (hm3 ),
los meses de septiembre a diciembre. . . . . . . . . . . . . . . . . . . . . . 146
5.64.Registro de ingresos quincenales de Malpaso de 1952 a 1971 (hm3 ), los
meses de enero a abril. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.65.Registro de ingresos quincenales de Malpaso de 1952 a 1971 (hm3 ), los
meses de mayo a agosto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.66.Registro de ingresos quincenales de Malpaso de 1952 a 1971 (hm3 ), los
meses de septiembre a diciembre. . . . . . . . . . . . . . . . . . . . . . . . 148
5.67.Registro de ingresos quincenales de Malpaso de 1972 a 1991 (hm3 ), los
meses de enero a abril. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.68.Registro de ingresos quincenales de Malpaso de 1972 a 1991 (hm3 ), los
meses de mayo a agosto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.69.Registro de ingresos quincenales de Malpaso de 1972 a 1991 (hm3 ), los
meses de septiembre a diciembre. . . . . . . . . . . . . . . . . . . . . . . . 149
ÍNDICE DE FIGURAS 5

5.70.Registro de ingresos quincenales de Malpaso de 1992 a 2011 (hm3 ), los

meses de enero a abril. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
5.71.Registro quincenales de Malpaso de 1992 a 2011 (hm3 ), los meses de
mayo a agosto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
5.72.Registro de ingresos quincenales de Malpaso de 1992 a 2011 (hm3 ), los
meses de septiembre a diciembre. . . . . . . . . . . . . . . . . . . . . . . . 151
5.73.Registro de ingresos quincenales de Malpaso de 2012 a 2017 (hm3 ), los
meses de enero a abril. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.74.Registro de ingresos quincenales de Malpaso de 2012 a 2017 (hm3 ), los
meses de mayo a agosto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.75.Registro de ingresos quincenales de Malpaso de 2012 a 2017 (hm3 ), los
meses de septiembre a diciembre. . . . . . . . . . . . . . . . . . . . . . . . 152
5.76.Registro histórico de La Angostura de 1952 a 1964 . . . . . . . . . . . . . . 153
5.77.Registro histórico de La Angostura de 1965 a 1977 . . . . . . . . . . . . . . 153
5.78.Registro histórico de La Angostura de 1978 a 1990 . . . . . . . . . . . . . . 153
5.79.Registro histórico de La Angostura de 1991 a 2003 . . . . . . . . . . . . . . 154
5.80.Registro histórico de La Angostura de 2004 a 2017 . . . . . . . . . . . . . . 154
5.81.Registro histórico de La Angostura de 1952 a 2017 . . . . . . . . . . . . . . 154
5.82.Registro histórico de Malpaso de 1952 a 1964 . . . . . . . . . . . . . . . . 155
5.83.Registro histórico de Malpaso de 1965 a 1977 . . . . . . . . . . . . . . . . 155
5.84.Registro histórico de Malpaso de 1978 a 1990 . . . . . . . . . . . . . . . . 155
5.85.Registro histórico de Malpaso de 1991 a 2003 . . . . . . . . . . . . . . . . 156
5.86.Registro histórico de Malpaso de 2004 a 2017 . . . . . . . . . . . . . . . . 156
5.87.Registro histórico de Malpaso de 1952 a 2017 . . . . . . . . . . . . . . . . 156
5.88.Registro histórico de La Angostura de 1952 a 2017 . . . . . . . . . . . . . . 157
5.89.Registro histórico de Malpaso de 1952 a 2017 . . . . . . . . . . . . . . . . 157
5.90.Etapas por meses para el estudio . . . . . . . . . . . . . . . . . . . . . . . 158
5.91.Ingresos totales para los meses de noviembre y diciembre. Años 1952-1990 158
5.92.Ingresos totales para los meses de noviembre y diciembre. Años 1991-2017 159
5.93.Tabla de frecuencias de la Etapa 1 . . . . . . . . . . . . . . . . . . . . . . . 160
5.94.Histograma de la Etapa 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5.95.Tabla de errores cuadráticos de las distribuciones . . . . . . . . . . . . . . 161
5.96.Tabla de probabilidades de la Etapa 1 . . . . . . . . . . . . . . . . . . . . . 162
5.97.Ingresos totales para el mes de octubre. Años 1952-2017 . . . . . . . . . . 162
5.98.Tabla de frecuencias de la Etapa 2 . . . . . . . . . . . . . . . . . . . . . . . 163
5.99.Histograma de la Etapa 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.100.Tabla de probabilidades de la Etapa 2 . . . . . . . . . . . . . . . . . . . . . 164
5.101.Ingresos totales para el mes de septiembre. Años 1952-2017 . . . . . . . . 165
5.102.Tabla de frecuencias de la Etapa 3 . . . . . . . . . . . . . . . . . . . . . . . 165
5.103.Histograma de la Etapa 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
5.104.Tabla de probabilidades de la Etapa 3 . . . . . . . . . . . . . . . . . . . . . 166
5.105.Ingresos totales para el mes de agosto. Años 1952-2017 . . . . . . . . . . 167
5.106.Tabla de frecuencias de la Etapa 4 . . . . . . . . . . . . . . . . . . . . . . . 167
5.107.Histograma de la Etapa 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.108.Tabla de probabilidades de la Etapa 4 . . . . . . . . . . . . . . . . . . . . . 168
ÍNDICE DE FIGURAS 6

5.109.Ingresos totales para los meses de Junio y Julio. Años 1952-1990 . . . . . 169
5.110.Ingresos totales para los meses de Junio y Julio. Años 1991-2017 . . . . . 169
5.111.Tabla de frecuencias de la Etapa 5 . . . . . . . . . . . . . . . . . . . . . . . 170
5.112.Histograma de la Etapa 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
5.113.Tabla de probabilidades de la Etapa 5 . . . . . . . . . . . . . . . . . . . . . 171
5.114.Ingresos totales para los meses de Enero a Mayo. Años 1952-1971 . . . . 171
5.115.Ingresos totales para los meses de Enero a Mayo. Años 1972-1990 . . . . 172
5.116.Ingresos totales para los meses de Enero a Mayo. Años 1991-2003 . . . . 172
5.117.Ingresos totales para los meses de Enero a Mayo. Años 2004-2017 . . . . 173
5.118.Tabla de frecuencias de la Etapa 6 . . . . . . . . . . . . . . . . . . . . . . . 173
5.119.Histograma de la Etapa 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.120.Tabla de probabilidades de la Etapa 6 . . . . . . . . . . . . . . . . . . . . . 174
5.121.Ingresos totales para los meses de noviembre y diciembre. Años 1952-1990 175
5.122.Ingresos totales para los meses de noviembre y diciembre. Años 1991-2017 175
5.123.Tabla de frecuencias de la Etapa 1 . . . . . . . . . . . . . . . . . . . . . . . 176
5.124.Histograma de la Etapa 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
5.125.Tabla de probabilidades de la Etapa 1 . . . . . . . . . . . . . . . . . . . . . 177
5.126.Ingresos totales para el mes de octubre. Años 1952-2017 . . . . . . . . . . 177
5.127.Tabla de frecuencias de la Etapa 2 . . . . . . . . . . . . . . . . . . . . . . . 178
5.128.Histograma de la Etapa 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
5.129.Tabla de probabilidades de la Etapa 2 . . . . . . . . . . . . . . . . . . . . . 179
5.130.Ingresos totales para el mes de septiembre. Años 1952-2017 . . . . . . . . 179
5.131.Tabla de frecuencias de la Etapa 3 . . . . . . . . . . . . . . . . . . . . . . . 180
5.132.Histograma de la Etapa 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
5.133.Tabla de probabilidades de la Etapa 3 . . . . . . . . . . . . . . . . . . . . . 181
5.134.Ingresos totales para el mes de agosto. Años 1952-2017 . . . . . . . . . . 181
5.135.Tabla de frecuencias de la Etapa 4 . . . . . . . . . . . . . . . . . . . . . . . 182
5.136.Histograma de la Etapa 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
5.137.Tabla de probabilidades de la Etapa 4 . . . . . . . . . . . . . . . . . . . . . 183
5.138.Ingresos totales para los meses de Junio y Julio. Años 1952-1990 . . . . . 183
5.139.Ingresos totales para los meses de Junio y Julio. Años 1991-2017 . . . . . 184
5.140.Tabla de frecuencias de la Etapa 5 . . . . . . . . . . . . . . . . . . . . . . . 184
5.141.Histograma de la Etapa 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
5.142.Tabla de probabilidades de la Etapa 5 . . . . . . . . . . . . . . . . . . . . . 185
5.143.Ingresos totales para los meses de Enero a Mayo. Años 1952-1971 . . . . 186
5.144.Ingresos totales para los meses de Enero a Mayo. Años 1972-1990 . . . . 186
5.145.Ingresos totales para los meses de Enero a Mayo. Años 1991-2003 . . . . 187
5.146.Ingresos totales para los meses de Enero a Mayo. Años 2004-2017 . . . . 187
5.147.Tabla de frecuencias de la Etapa 6 . . . . . . . . . . . . . . . . . . . . . . . 188
5.148.Histograma de la Etapa 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
5.149.Tabla de probabilidades de la Etapa 6 . . . . . . . . . . . . . . . . . . . . . 189
5.150.Escurrimientos históricos del Grijalva ([CFE, 2009]) . . . . . . . . . . . . . 189
5.151.Trayectoria del huracán Roxanne ([WU, 2018]) . . . . . . . . . . . . . . . . 190
5.152.Trayectoria del huracán Opal ([WU, 2018]) . . . . . . . . . . . . . . . . . . . 191
5.153.Trayectoria de la tormenta Tropical Frances [WU, 2018] . . . . . . . . . . . 191
ÍNDICE DE FIGURAS 7

5.154.Trayectoria del Huracán Stan ([WU, 2018]) . . . . . . . . . . . . . . . . . . . 192

5.155.Niveles históricos de La Angostura ([CFE, 2009]) . . . . . . . . . . . . . . . 194
5.156.Escurrimientos históricos del rı́o Grijalva [CFE, 2009] . . . . . . . . . . . . 195
5.157.Trayectoria del Huracán Manuel [WU, 2018] . . . . . . . . . . . . . . . . . . 196
5.158.Trayectoria del Huracán Ingrid [WU, 2018] . . . . . . . . . . . . . . . . . . . 197
5.159.Trayectoria del Huracán Odile [WU, 2018] . . . . . . . . . . . . . . . . . . . 198
5.160.Trayectoria del Huracán Patricia [WU, 2018] . . . . . . . . . . . . . . . . . . 198
5.161.Lı́mite superior e inferior para cada etapa . . . . . . . . . . . . . . . . . . . 199
5.162.Lı́mites máximos de extracción por etapa . . . . . . . . . . . . . . . . . . . 199
5.163.Curva guı́a de las dos presas . . . . . . . . . . . . . . . . . . . . . . . . . . 200
5.164.Curva guı́a de la Presa La Angostura en volúmenes . . . . . . . . . . . . . 201
5.165.Curva guı́a de la Presa La Angostura en elevaciones . . . . . . . . . . . . . 201
5.166.Curva guı́a de la Presa Malpaso en volúmenes . . . . . . . . . . . . . . . . 202
5.167.Curva guı́a de la Presa Malpaso en elevaciones . . . . . . . . . . . . . . . 202
5.168.Curva guı́a de La Angostura, quincenas 1-6 . . . . . . . . . . . . . . . . . . 203
5.169.Curva guı́a de La Angostura, quincenas 7-12 . . . . . . . . . . . . . . . . . 204
5.170.Curva guı́a de La Angostura, quincenas 13-24 . . . . . . . . . . . . . . . . 206
5.171.Curva guı́a de Malpaso, quincenas 1-12 . . . . . . . . . . . . . . . . . . . . 207
5.172.Curva guı́a de Malpaso, quincenas 13-20 . . . . . . . . . . . . . . . . . . . 208
5.173.Curva guı́a de Malpaso, quincenas 21-24 . . . . . . . . . . . . . . . . . . . 209
5.174.Capacidad, NAME, NAMO y NAMINO de cada una de las presas . . . . . . 210
5.175.Curva elevación-volumen de La Angostura . . . . . . . . . . . . . . . . . . 211
5.176.Curva elevación-volumen de Malpaso . . . . . . . . . . . . . . . . . . . . . 212
5.177.Máximas extracciones por etapa . . . . . . . . . . . . . . . . . . . . . . . . 213
5.178.Medias por etapas en hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
5.179.Desviación estándar por etapas en millones de m3 . . . . . . . . . . . . . . 215
5.180.Coeficientes de derrame y déficit para cada presa . . . . . . . . . . . . . . 217
5.181.Lı́mite superior e inferior para cada etapa en millones de m3 . . . . . . . . . 219
5.182.Beneficio esperado máximo para la etapa 1 en el año 1 . . . . . . . . . . . 222
5.183.Beneficio esperado máximo para la etapa 1 en el año 2 . . . . . . . . . . . 222
5.184.Beneficio esperado máximo para la etapa 1 en el año 3 . . . . . . . . . . . 223
5.185.Beneficio esperado máximo para la etapa 1 en el año 4 . . . . . . . . . . . 223
5.186.Beneficio esperado máximo para la etapa 1 en el año 5 . . . . . . . . . . . 224
5.187.Beneficio esperado máximo para la etapa 1 en el año 6 . . . . . . . . . . . 224
5.188.Beneficio esperado máximo para la etapa 2 en el año 1 . . . . . . . . . . . 225
5.189.Beneficio esperado máximo para la etapa 2 en el año 2 . . . . . . . . . . . 225
5.190.Beneficio esperado máximo para la etapa 2 en el año 3 . . . . . . . . . . . 226
5.191.Beneficio esperado máximo para la etapa 2 en el año 4 . . . . . . . . . . . 226
5.192.Beneficio esperado máximo para la etapa 2 en el año 5 . . . . . . . . . . . 227
5.193.Beneficio esperado máximo para la etapa 2 en el año 6 . . . . . . . . . . . 227
5.194.Beneficio esperado máximo para la etapa 3 en el año 1 . . . . . . . . . . . 228
5.195.Beneficio esperado máximo para la etapa 3 en el año 2 . . . . . . . . . . . 228
5.196.Beneficio esperado máximo para la etapa 3 en el año 3 . . . . . . . . . . . 229
5.197.Beneficio esperado máximo para la etapa 3 en el año 4 . . . . . . . . . . . 229
5.198.Beneficio esperado máximo para la etapa 3 en el año 5 . . . . . . . . . . . 230
ÍNDICE DE FIGURAS 8

5.199.Beneficio esperado máximo para la etapa 3 en el año 6 . . . . . . . . . . . 230

5.200.Beneficio esperado máximo para la etapa 4 en el año 1 . . . . . . . . . . . 231
5.201.Beneficio esperado máximo para la etapa 4 en el año 2 . . . . . . . . . . . 231
5.202.Beneficio esperado máximo para la etapa 4 en el año 3 . . . . . . . . . . . 232
5.203.Beneficio esperado máximo para la etapa 4 en el año 4 . . . . . . . . . . . 232
5.204.Beneficio esperado máximo para la etapa 4 en el año 5 . . . . . . . . . . . 233
5.205.Beneficio esperado máximo para la etapa 4 en el año 6 . . . . . . . . . . . 233
5.206.Beneficio esperado máximo para la etapa 5 en el año 1 . . . . . . . . . . . 234
5.207.Beneficio esperado máximo para la etapa 5 en el año 2 . . . . . . . . . . . 234
5.208.Beneficio esperado máximo para la etapa 5 en el año 3 . . . . . . . . . . . 235
5.209.Beneficio esperado máximo para la etapa 5 en el año 4 . . . . . . . . . . . 235
5.210.Beneficio esperado máximo para la etapa 5 en el año 5 . . . . . . . . . . . 236
5.211.Beneficio esperado máximo para la etapa 5 en el año 6 . . . . . . . . . . . 236
5.212.Beneficio esperado máximo para la etapa 6 en el año 1 . . . . . . . . . . . 237
5.213.Beneficio esperado máximo para la etapa 6 en el año 2 . . . . . . . . . . . 237
5.214.Beneficio esperado máximo para la etapa 6 en el año 3 . . . . . . . . . . . 238
5.215.Beneficio esperado máximo para la etapa 6 en el año 4 . . . . . . . . . . . 238
5.216.Beneficio esperado máximo para la etapa 6 en el año 5 . . . . . . . . . . . 239
5.217.Beneficio esperado máximo para la etapa 6 en el año 6 . . . . . . . . . . . 239
5.218.Beneficio esperado máximo para la etapa 6 en el año 6 . . . . . . . . . . . 240
5.219.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
5.220.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 1200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
5.221.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 1800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
5.222.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 2400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
5.223.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 3000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
5.224.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 3600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
5.225.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 4200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
5.226.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 4800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
5.227.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 5400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
5.228.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 6000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
5.229.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 6600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
5.230.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 7200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
ÍNDICE DE FIGURAS 9

5.231.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso

de 7800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
5.232.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 8400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
5.233.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 9000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
5.234.Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 9600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
5.235.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 600, 1200 y 1800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
5.236.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 2400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
5.237.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 3000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
5.238.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 3600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
5.239.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 4200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
5.240.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 4800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
5.241.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 5400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
5.242.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 6000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
5.243.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 6600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
5.244.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 7200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
5.245.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 7800, 8400 y 9000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
5.246.Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 9600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
5.247.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
5.248.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 1200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
5.249.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 1800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
5.250.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 2400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
5.251.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 3000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
5.252.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 3600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
ÍNDICE DE FIGURAS 10

5.253.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso

de 4200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
5.254.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 4800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
5.255.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 5400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
5.256.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 6000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
5.257.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 6600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
5.258.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 7200 y 7800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
5.259.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 8400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
5.260.Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 9000 y 9600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
5.261.Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
5.262.Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 1200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
5.263.Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 2400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
5.264.Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 3600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
5.265.Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 4800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
5.266.Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 6000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
5.267.Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 7200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
5.268.Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 8400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
5.269.Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 1200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
5.270.Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 2400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
5.271.Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 3600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
5.272.Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 4800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
5.273.Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 6000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
5.274.Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 7200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
ÍNDICE DE FIGURAS 11

5.275.Beneficio esperado máximo para la etapa 5, para una estado de Malpaso

de 8400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
5.276.Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 9600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
5.277.Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
5.278.Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 2400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
5.279.Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 3600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
5.280.Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 4800 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
5.281.Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 6000 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
5.282.Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 7200 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
5.283.Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 8400 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
5.284.Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 9600 hm3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
5.285.Ejemplo de cálculo de las polı́ticas óptimas . . . . . . . . . . . . . . . . . . 291
5.286.Resultados obtenidos con distintas polı́ticas de operación . . . . . . . . . . 291
5.287.Elevación simulada promedio de la presa La Angostura con respecto al
tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292
5.288.Almacenamiento simulado promedio de la presa La Angostura con respec-
to al tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292
5.289.Energı́a simulada promedio de la presa La Angostura con respecto al tiempo293
5.290.Resultados obtenidos con distintas polı́ticas de operación . . . . . . . . . . 293
ÍNDICE DE FIGURAS 12

Abreviaciones

i.i.d. independiente e idénticamente distribuida

PCMs Procesos de Control de Markov

MCM Modelo de control de Markov

PR Problema con restricciones

PER Problema esperado con restricciones

PDR Problema descontado con restricciones

PDSR Problema descontado sin restricciones

α-EGDO Ecuación de ganancia α-descontada óptima

E.P. Ecuación de Poisson

ÍNDICE DE FIGURAS 13

Notación

:= igual por definición

1B la función indicadora de un conjunto B

N el conjunto de números naturales {1, 2, · · · }

R el conjunto de números reales

K el conjunto de pares de estado-acciones admisibles

ϕ polı́tica aleatorizada estacionaria

Φs conjunto de polı́ticas aleatorizadas estacionarias

F conjunto de funciones selectoras

X el espacio de Borel (Estados)

B(X) la σ-álgebra de Borel de subconjuntos de X

Cb (X) El espacio de Banach de funciones continuas acotadas sobre X

Bb (X) El espacio de Banach de funciones medibles, acotadas sobre B(X)

BW (X) El espacio de Banach de las funciones medibles W -acotadas

ÍNDICE 14

Índice
1. Introducción 19
1.1. Descripción del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.4. Antecedentes históricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5. Terminologı́a previa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5.1. Aspectos hidrológicos . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5.2. Almacenamiento en vasos . . . . . . . . . . . . . . . . . . . . . . . 29
1.5.3. Potencia y energı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.6. Métodos de optimización . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.6.1. Programación lineal y no lineal . . . . . . . . . . . . . . . . . . . . . 37
1.6.2. Método de Lloyd y Morán . . . . . . . . . . . . . . . . . . . . . . . . 39
1.6.3. Valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1.6.4. Optimización multiobjetivo . . . . . . . . . . . . . . . . . . . . . . . . 43
1.6.5. Principio del máximo de Pontryagin . . . . . . . . . . . . . . . . . . 44
1.6.6. Programación dinámica . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.6.7. Método de Berezowsky-Domı́nguez-Fuentes . . . . . . . . . . . . . 46
1.6.8. Programación dinámica estocástica . . . . . . . . . . . . . . . . . . 47
1.6.9. Método de Domı́nguez . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.7. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.7.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.7.2. Objetivos especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . 49

2. Modelación estocástica 51
2.1. Nociones de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.1.1. La σ-álgebra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.1.2. Espacios de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . 52
2.1.3. Probabilidad condicional y eventos independientes . . . . . . . . . . 54
2.1.4. Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.1.5. Función de distribución . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.1.6. Función de densidad y probabilidad . . . . . . . . . . . . . . . . . . 60
2.1.7. Integral de Riemann-Stieltjes . . . . . . . . . . . . . . . . . . . . . . 62
2.1.8. Esperanza matemática y varianza . . . . . . . . . . . . . . . . . . . 64
2.2. Procesos estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.3. Cadenas de Markov y probabilidades de transición . . . . . . . . . . . . . . 69
2.4. Programación dinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.5. El algoritmo de la programación dinámica . . . . . . . . . . . . . . . . . . . 72
2.6. Control estocástico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.7. Modelo de control markoviano . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.7.1. Espacios métricos, separables y completos . . . . . . . . . . . . . . 74
2.7.2. Polı́ticas de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.7.3. El modelo del control descontado con restricciones . . . . . . . . . 79
ÍNDICE 15

2.7.4. La ecuación de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 81

2.7.5. El problema descontado con restricciones . . . . . . . . . . . . . . . 82
2.7.6. Multiplicadores de Lagrange . . . . . . . . . . . . . . . . . . . . . . 83
2.7.7. Familia paramétrica de ecuación de ganancia . . . . . . . . . . . . . 85
2.8. El caso promedio con restricciones . . . . . . . . . . . . . . . . . . . . . . . 88
2.8.1. El problema de control esperado con restricciones . . . . . . . . . . 88
2.8.2. El problema esperado con restricciones . . . . . . . . . . . . . . . . 90

3. Datos del lugar de estudio 93

3.1. Regiones hidrológicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.1.1. Regiones hidrológicas de México . . . . . . . . . . . . . . . . . . . . 93
3.1.2. Regiones hidrológicas de Chiapas . . . . . . . . . . . . . . . . . . . 94
3.2. Cuenca del Rı́o Grijalva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.2.1. Orografı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.2.2. Hidrologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.3. Sistema Hidroeléctrico de la cuenca del Rı́o Grijalva . . . . . . . . . . . . . 98
3.3.1. Presa Netzahualcóyotl (Malpaso) . . . . . . . . . . . . . . . . . . . . 100
3.3.2. Presa Dr. Belisario Domı́nguez (La Angostura) . . . . . . . . . . . . 104
3.3.3. Presa Ing. Manuel Moreno Torres (Chicoasén) . . . . . . . . . . . . 107
3.3.4. Presa Ángel Albino Corzo (Peñitas) . . . . . . . . . . . . . . . . . . 110
3.4. Fenómenos hidroclimatológicos de la región . . . . . . . . . . . . . . . . . . 115
3.4.1. Impacto económico . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.4.2. Principales eventos extremos . . . . . . . . . . . . . . . . . . . . . . 116
3.5. Estudios previos del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.5.1. Polı́ticas óptimas iniciales . . . . . . . . . . . . . . . . . . . . . . . . 118
3.5.2. Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.5.3. Elaboración de histogramas . . . . . . . . . . . . . . . . . . . . . . . 120
3.5.4. Curvas de elevación-capacidad . . . . . . . . . . . . . . . . . . . . . 121
3.5.5. Penalizaciones por derrame . . . . . . . . . . . . . . . . . . . . . . . 123
3.6. Curvas guı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

4. Metodologı́a 128
4.1. Cálculo de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.1.1. Registros históricos . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.1.2. Histogramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.2. Cálculo de extracciones máximas y restricciones . . . . . . . . . . . . . . . 133
4.2.1. Extracciones máximas . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.2.2. Restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.3. Modelo de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.3.1. Espacio de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.3.2. Espacio de acciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.3.3. Espacio de acciones admisibles . . . . . . . . . . . . . . . . . . . . 134
4.3.4. Kernel de transición . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.3.5. Funciones de ganancia y costo . . . . . . . . . . . . . . . . . . . . . 135
4.4. Cálculo de beneficios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
ÍNDICE 16

4.4.1. Déficits y derrames . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

4.4.2. Extracción de salida . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.4.3. Beneficio parcial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.4.4. Beneficio esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.5. Funciones de restricción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.5.1. Polinomios de curvas guı́a . . . . . . . . . . . . . . . . . . . . . . . 138
4.6. Beneficios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.7. Polı́ticas óptimas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.8. Simulación de energı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

5. Resultados 141
5.1. Registros históricos de escurrimientos . . . . . . . . . . . . . . . . . . . . . 141
5.1.1. Registros históricos de La Angostura . . . . . . . . . . . . . . . . . 141
5.1.2. Registros históricos de Malpaso . . . . . . . . . . . . . . . . . . . . 147
5.2. Probabilidades de ingreso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.2.1. Etapa 1. La Angostura . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.2.2. Etapa 2. La Angostura . . . . . . . . . . . . . . . . . . . . . . . . . . 162
5.2.3. Etapa 3. La Angostura . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.2.4. Etapa 4. La Angostura . . . . . . . . . . . . . . . . . . . . . . . . . . 167
5.2.5. Etapa 5. La Angostura . . . . . . . . . . . . . . . . . . . . . . . . . . 169
5.2.6. Etapa 6. La Angostura . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.2.7. Etapa 1. Malpaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
5.2.8. Etapa 2. Malpaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.2.9. Etapa 3. Malpaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
5.2.10. Etapa 4. Malpaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
5.2.11. Etapa 5. Malpaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
5.2.12. Etapa 6. Malpaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
5.2.13. Eventos extremos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
5.3. Extracción mensual máxima . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
5.4. Curvas guı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
5.4.1. Curva guı́a de La Angostura . . . . . . . . . . . . . . . . . . . . . . 201
5.4.2. Curva guı́a de Malpaso . . . . . . . . . . . . . . . . . . . . . . . . . 202
5.4.3. Curva guı́a de La Angostura, quincena 1-6 . . . . . . . . . . . . . . 203
5.4.4. Curva guı́a de La Angostura, quincenas 7-12 . . . . . . . . . . . . . 204
5.4.5. Curva guı́a de La Angostura, quincenas 13-24 . . . . . . . . . . . . 205
5.4.6. Curva guı́a de Malpaso, quincenas 1-12 . . . . . . . . . . . . . . . . 206
5.4.7. Curva guı́a de Malpaso, quicenas 13-20 . . . . . . . . . . . . . . . . 207
5.4.8. Curva guı́a de Malpaso, quincenas 21-24 . . . . . . . . . . . . . . . 209
5.5. Polı́ticas de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
5.5.1. Espacio de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
5.5.2. Espacio de acciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
5.5.3. Espacio de acciones admisibles . . . . . . . . . . . . . . . . . . . . 213
5.5.4. Kernel de transición . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
5.5.5. Función de ganancia y función de costo . . . . . . . . . . . . . . . . 216
5.5.6. Funciones de restricción . . . . . . . . . . . . . . . . . . . . . . . . . 219
ÍNDICE 17

5.5.7. Beneficios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220

5.5.8. Beneficio esperado máximo Etapa 1 . . . . . . . . . . . . . . . . . . 222
5.5.9. Beneficio esperado máximo Etapa 2 . . . . . . . . . . . . . . . . . . 225
5.5.10. Beneficio esperado máximo Etapa 3 . . . . . . . . . . . . . . . . . . 228
5.5.11. Beneficio esperado máximo Etapa 4 . . . . . . . . . . . . . . . . . . 231
5.5.12. Beneficio esperado máximo Etapa 5 . . . . . . . . . . . . . . . . . . 234
5.5.13. Beneficio esperado máximo Etapa 6 . . . . . . . . . . . . . . . . . . 237
5.5.14. Polı́ticas de extracción para la etapa 1 . . . . . . . . . . . . . . . . . 241
5.5.15. Polı́ticas de extracción para la etapa 2 . . . . . . . . . . . . . . . . . 249
5.5.16. Polı́ticas de extracción para la etapa 3 . . . . . . . . . . . . . . . . . 255
5.5.17. Polı́ticas de extracción para la etapa 4 . . . . . . . . . . . . . . . . . 262
5.5.18. Polı́ticas de extracción para la etapa 5 . . . . . . . . . . . . . . . . . 266
5.5.19. Polı́ticas de extracción para la etapa 6 . . . . . . . . . . . . . . . . . 270
5.5.20. Ecuaciones analı́ticas de las polı́ticas óptimas . . . . . . . . . . . . 274
5.5.21. Simulación del sistema hidroeléctrico . . . . . . . . . . . . . . . . . 291

6. Conclusiones y recomendaciones 294

6.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
6.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
6.3. Lı́neas futuras de investigación . . . . . . . . . . . . . . . . . . . . . . . . . 297
ÍNDICE 18

RESUMEN
En el presente trabajo se aplicó la teorı́a de los modelos de control markovianos a
fin de obtener polı́ticas de operación óptima para un sistema de presas que funcionan
en serie. Para ello se tomó en cuenta los registros hidrológicos históricos, lo que permitió
maximizar la energı́a electrica que se genera, ası́ como minimizar los derrames y déficits.

ABSTRACT
In the present work the theory of Markovian control models was applied in order to
obtain optimal operation policies for a system of dams that works in series. For this, histo-
rical hydrological records were taken into account, which allowed to maximize the electric
energy that is generated, as well as to minimize spills and deficits.
1 INTRODUCCIÓN 19

1. Introducción
1.1. Descripción del problema
A medida que crece la población de una región, las demandas de recursos hidráuli-
cos aumenta, y con ello las demandas de energı́a eléctrica, es por ello que se necesita
revisar continuamente la gestión y manejo de la generación eléctrica de una zona dada.
En nuestro paı́s un porcentaje de esta generación se debe a los embalses hidroeléctri-
cos, con lo cual se debe estudiar la forma en la que se genere energı́a hidroeléctrica en
función del nivel de almacenamiento del vaso. Con esto en mente se necesita resolver
dos principales problemas: satisfacer las demandas de energı́a de una región y evitar
que surjan problemas de inundaciones aguas abajo del embalse.

Actualmente, poder resolver los problemas anteriores conlleva a una diversidad de es-
tudios, desde ambientales, hasta sociales, y por supuesto, los técnicos. Es por ello que
el manejo actual de un embalse difiere del manejo para el cual fue proyectado en el pa-
sado, con lo cual se deben actualizar las formas de gestionar estos recursos. Los niveles
de un embalse hidroeléctrico serán los que determinarán en gran medida la distribución
de la energı́a y la posibilidad de desbordes. Estos niveles son los que se conocen como
las polı́ticas de operación en el embalse. Los operadores de las presas hidroeléctricas
son los encargados de mantener estos niveles de tal manera que cumplan los requisitos
mencionados anteriormente, y esto se realiza a través de polı́ticas previas que la CFE y
actualmente el Instituto de Ingenierı́a de la UNAM proponen.

Los niveles de embalse también se encuentran sujetos a restricciones como deman-

das en hora pico, polı́ticas impuestas por la Comisión Nacional de Agua o cuestiones
laborales por parte del Gobierno Federal. A grandes rasgos, existen dos formas de ata-
car este problema, uno es la simulación y otra es el modelo de optimización. Ambas en
forma individual tienen limitantes, pero en conjunto son complementarias. La simulación
tiene la desventaja de tener demasiada información para poder delimitar un problema;
mientras que la modelación, tiene la desventaja de no presentar resultados reales, hasta
que estos ocurran. Por ello se recomienda un modelo y después una simulación. Hoy
en dı́a existen diversos métodos de simulación y su uso dependerá de la naturaleza del
problema a resolver.

Un sistema hidroeléctrico tiene como objetivo:

a) Maximizar la energı́a media anual producida.

b) Reducir la probabilidad de los derrames por el vertedor que pueden causar inunda-
ciones aguas abajo.

c) Garantizar la entrega de una energı́a mı́nima al sistema.

d) Dar preferencia a la energı́a pico.

1 INTRODUCCIÓN 20

Otro de los factores que presentan los sistemas hidroeléctricos es el hecho que los
volúmenes de ingreso son aleatorios y en ocasiones presentan correlaciones, depen-
diendo la época del año. Los objetivos presentados anteriormente tienen una estrecha
interdependencia y para resolver todos se deben tratar al mismo tiempo. En otras pala-
bras, para maximizar la energı́a se necesita mayor nivel en el embalse, lo que provoca
mayor probabilidad en derrames por el vertedor, y por el contrario, garantizar una seguri-
dad en los niveles para evitar inundaciones, conlleva a que las demandas de energı́a no
se satisfagan por tener los niveles muy bajos.

En el pasado, la forma de resolver estos problemas era empı́rica, basada en la ex-

periencia de los operadores. Dicha forma presentaba varias desventajas, como el hecho
de no dar preferencia a los objetivos que se tenı́an. Además, al momento de presentar-
se imprevistos no se tenı́a una metodologı́a de cómo proceder. Actualmente se realizan
alternativas analı́ticas disminuyendo los errores anteriores, pero aumentando la inconfor-
midad en los operadores por tener en ocasiones demasiados tecnicismos o soluciones
que contradice la experiencia de ellos. Pese a las labores de capacitación, muchos ope-
radores no desean realizar un control descrito por un manual ya que consideran que es
demasiado automatizado el hecho de sólo acatar órdenes sin haberlas pensado ellos
mismos.

Desde las últimas dos décadas la Comisión Federal de Electricidad (CFE) ha ido evo-
lucionando en la determinación de sus polı́ticas óptimas. Antes se realizaba una polı́tica
de operación quincenal de predespacho, empı́rica en su mayorı́a, restringida por la Co-
misión Nacional del Agua (CONAGUA), donde se establecı́an únicamente los niveles
máximos por cada época del año para evitar inundaciones. Estos niveles limitantes oca-
sionaron pérdidas con algunos centenares de millones de pesos anuales, por el hecho de
ser demasiado conservadoras. La CFE reevaluó los hechos y optó por métodos analı́ti-
cos, motivando y orientando a los operadores a su uso y aplicación. Los modelos técnicos
se han ido desarrollando en conjunto con la experiencia de los operadores, formando un
lenguaje en conjunto matemático-empı́rico para tener una terminologı́a afı́n tanto a los
investigadores como a los operadores existentes.

Es aquı́ donde surgen las técnicas de programación dinámica que más adelante se
explicarán. En este trabajo, el nivel de complejidad del problema se adecuó para modelar
matemáticamente la situación actual. Se realizaron simulaciones numéricas para saber
qué ocurrirı́a en diversos escenarios, para calibrar los mismos modelos matemáticos pro-
puestos. Los registros históricos hidrológicos jugaron un papel fundamental para tener un
completo panorama y preveer lo más exacto posible situaciones extremas de manera que
se pueda actuar en la forma más eficiente. La aplicación se hizo en presas del Sistema
Grijalva.

Actualmente se cuentan con diversas polı́ticas de operación dependiendo las distintas

épocas del año, los escurrimientos históricos y las simulaciones que se llevan acabo. La
CFE en conjunto con el Instituto de Ingenierı́a de la UNAM son las encargadas de propor-
cionarlas a los operadores de las presas hidroeléctricas existentes. El presente trabajo
1 INTRODUCCIÓN 21

pretende contribuir a una revisión de las polı́ticas actuales mediante nuevas técnicas de
optimización a fin de reducir tiempos de cálculo que se traducen en costos indirectos y
proponer nuevas matrices de polı́ticas óptimas.

1.2. Justificación
Las dificultades en mantener un nivel deseado en el embalse de una presa se pue-
den clasificar en dos tipos, a corto y a largo plazo. A corto plazo se presentan cuando
existen demandas inusuales o excesivas en intervalos cortos de tiempo. A largo plazo se
presentan en determinar qué cantidad de agua se debe almacenar para los siguientes
dı́as, o semanas o meses, cuando se presentan épocas de sequı́as o de lluvias escasas.

El hecho de contar con energı́a disponible al momento se debe balancear con pre-
decir cuánta energı́a se requerirá en un futuro cercano o lejano, tomando en cuenta los
futuros escurrimientos o incorporaciones de agua al embalse. Además la generación de
energı́a y la regulación de los almacenamientos están restringidos por los distintos ele-
mentos operativos de un sistema hidroeléctrico. Si a esto se le agrega que un sistema
puede operar en forma múltiple, el número de variables a considerar aumenta, y ahora
se debe tener en cuenta los demás embalses que se ven afectados por una decisión to-
mada aguas arriba. Finalmente los picos ocasionados por demandas de energı́a también
conllevan a tener reservas de energı́a que se traduce en reservas de agua para satisfacer
los requerimientos solicitados.

Ahora bien, el satisfacer demandas energéticas implica niveles altos en el embalse

de la presa. Estos niveles a su vez, implican posibilidades de desborde en la cortina, o
siendo menos drásticos, posibilidades de aperturar las obras de excedencia, en este ca-
so, los canales vertedores. Maximizar los niveles entonces, puede ser hasta cierto punto
sinónimo de maximizar riesgos aguas abajo, que se traducen en posibles inundaciones
en las zonas inmediatas a la presa.

Debe entonces existir un equilibrio entre maximizar la generación energética pero sin
poner en riesgo a los poblados que viven en las márgenes del sistema hidroelétrico, sobre
todo cuando el ingreso del agua dependerá de factores climatológicos que no dependen
del hombre, y que su posible “control”se encontrará limitado por el tiempo.

En este sentido, disponer de una polı́tica que determine el nivel de un embalse, estará
ligado a la disposición de la información de las precipitaciones cercanas a la zona, ya que
los niveles de aguas se verán afectados, no sólo por la cantidad de agua que llueva en
el lugar, sino por el agua que se junte en la cuenca propia a través de escurrimientos.
Esta información dependerá de las mediciones meteorológicas directas o indirectas que
se tengan, nuevamente del lugar de estudio.

El grado de incertidumbre de las predicciones afectará la toma de decisiones a corto

y largo plazo. La complejidad del sistema se incrementará debido a la variación imprede-
1 INTRODUCCIÓN 22

cible del clima con respecto al tiempo, y el modelo que resuelva el problema deberá ser
capaz entonces de cubrir tanto los requerimientos energéticos como los requerimientos
de seguridad operacional.

1.3. Hipótesis
La modelación estocástica permite determinar las polı́ticas óptimas en los niveles de
un sistema hidroeléctrico que funciona en cascada, disminuyendo la incertidumbre que
se genera cuando se suponen variables continuas.

1.4. Antecedentes históricos

Los modelos de optimización tuvieron su origen poco después de la Segunda Guerra
Mundial, y con el paso del tiempo se han ido perfeccionando. Bellman (1957), desarrolló
y dio origen a la programación dinámica. Gessford y Karlin (1958) trabajaron sistemas de
inventarios y producción, y a través de estos modelos matemáticos determinaron polı́ti-
cas óptimas para sistemas hidroeléctricos. Ford y Fulkerson (1962) propusieron redes
de flujo a los modelos óptimos. George Dantzig (1963) trabajó la programación lineal y el
método Simplex y el mejoramiento de algoritmos matemáticos de optimización. Jacobson
y Mayne (1970) propusieron la programación dinámica diferencial.

Butcher (1971) trabajó en Texas la programación dinámica estocástica para la opera-

ción óptima de presas, donde presentó que para embalses con distintos usos se puede
encontrar una polı́tica óptima en términos del estado del embalse de un mes anterior,
aplicando esta en la operación a tiempo real sobre una base de registro mensual. Dentro
de los modelos de optimización tanto lineales o no lineales Holland (1975) trabajó con
ténicas de evolución y algoritmos genéticos. Hipel, McLeod y Lennox (1977) propusieron
un modelo para el aprovechamiento hidroeléctrico de presas.

Bertsekas (1976) introdujo la programación dinámica junto con el control estocástico,

y les dio un sentido más formal y pedagógico. Box y Jenkins (1976) trabajaron el análisis
con series de tiempo, perfeccionando modelos de pronósticos y control. Gal (1979) or-
ganizó sistemas de embalses múltiples de manera óptima. Hanscom, Lafond, Lasdon y
Pronovost (1980) realizaron cálculos en términos de generación de energı́a hidroeléctrica
y propusieron modelos a largo plazo. Quintana (1981) empleó la programación dinámica
en embalses del estado de Sonora. Yakowitz (1982), Yeh (1985) y Wurbs (1993) traba-
jaron modelos de optimización para la planeación y el manejo de recursos hidráulicos,
cuando se aplicaban a la generación de la energı́a eléctrica, control de avenidas, usos
recreativos y abastecimiento de agua, entre otros.

Larios (1985) introdujo la programación dinámica estocástica al análisis de embalses.

Camacho, McLeod y Hipel (1985) modelaron los sistemas de aprovechamiento hidráuli-
co a partir de los llamados modelos autoregresivos promedio. Bautista (1986) analizó
1 INTRODUCCIÓN 23

en concreto polı́ticas de operación para embalses del estado de Chiapas. Arnold y Sim-
mons (1988), Palmer y Holmes (1988), Savic y Simonovic (1991), Srinivasan y Engel
(1994), Ford y Killen (1995), Liang (1996) y Shresta (1996) desarrollaron un modelo tri-
dimensional, a partir de la componente hidrológica, la componente de optimización y la
componente de decisión; utilizando la teorı́a de decisiones para resultados racionales
y reales. Kitanidis y Foufoua-Georgiu (1987) trabajaron en embalses múltiples y propu-
sieron una metodologı́a a partir de análisis de errores y programación dinámica gradiente.

Foufoula y Kitanidis (1988) trabajaron sistemas múltiples de embalses mediante la

programación dinámica a través de gradientes y sistemas de control. Georgakakos (1989)
realizó análisis de sistemas de embalses a través de programación dinámica; para ello,
construyó funciones cuadrático-lineales y procesos gausianos de control y determinó
la operación en tiempo real. Ladson y Waren (1989) desarrollaron un método llamado
GRG2 donde la optimización ya no es lineal, debido a que las ecuaciones que surgen no
son lineales. Vega (1989), abordó el problema de la operación óptima de presas para uso
de agua potable mediante la investigación de operaciones. Johannesen y Flatabo (1989)
realizaron estudios de programación de generación hidroeléctrica a partir de la potencia
eléctrica y la energı́a del sistema. Rebolledo (1990) planteó dos presas que trabajaban en
paralelo y modeló su generación óptima. Kelman, Stedinger, Cooper, Hsu y Tuan (1990)
trabajaron en sistemas de embalses a través de programación dinámica estocástica de
muestras.

Urkman (1991) en Turquı́a trabajó la optimización a largo plazo de generación de sis-

temas hidroeléctricos, donde se encuentran interconectados con la técnica llamada de
agregación y desagregración. El IEEE Neural Networks Council (1992) desarrolló mode-
los basados en redes neuronales. Ko (1992), Labadie (1997, 2000), Nicklow (2000), Lee
(1995), Valdés y Marco (1995) ante las crecientes demandas con el aumento poblacional
de los recursos hidráulicos han desarrollado y revisado los métodos de optimización con
el fin de mejorar los algoritmos. Abel (1993) propuso una teorı́a de decisiones en mode-
los de programación lineal estocástica cuando sólo se cuenta con información parcial de
los embalses.

Domı́nguez et. al (1993) comenzaron a estudiar el Sistema Hidroeléctrico del rı́o Gri-
jalva, dividiéndolo en dos partes: polı́ticas de regulación de avenidas para el uso del
vertedor y polı́ticas de los niveles de embalse como un volumen útil de generación de
energı́a eléctrica; dichas polı́ticas se determinaron en forma mensual maximizando la
generación eléctrica y minimizando los derrames y posibles déficits. Johnson, Stedinger,
Schoemaker, Li, y Tejada-Guibert (1993) propusieron nuevos algoritmos de simulación
numérica para programación dinámica en estados continuos a través de interpolación
lineal. Avilés (1994) mediante la ingenierı́a eléctrica realizó trabajos de optimización en
lı́nea. Eschenbach, Schoemaker y Caffey (1995) crearon algoritmos paralelos para pro-
gramación dinámica estocástica en estados continuos y variables de control. Jacobs,
Freeman, Grygier, Morton, Schultz, Staschus y Stedinger (1995) realizaron un esquema
de programación para la generación hidroeléctrica bajo condiciones de incertidumbre.
1 INTRODUCCIÓN 24

Frederick (1996) presentó un estudio de optimización de operación de presas en el

Rı́o Colorado, donde investigó en forma exhaustiva el tratamiento de todos los mode-
los previos de optimización para toma de decisiones y creó un modelo de optimización
mensual que incluye las polı́ticas de operación y empleó su modelo para determinar la
flexibilidad operacional para aumentar la generación eléctrica. Watkins (1997) propuso
un modelo de programación estocástica de etapas múltiples basado en diferentes es-
cenarios mediante una combinación de ecuaciones lineales y no lineales; dicho modelo
mantiene un abastecimiento estable de agua potable, permitiendo maximizar ganancias
promedio en venta de agua, ası́ como usos recreativos.

Tkach y Simonovic (1997) introdujeron los sistemas de información geográfica SIG.

Correa (1997), determinó polı́ticas de operación dentro del Estado de México. Archibald,
McKinnon y Thomas (1997) modelaron con programación dinámica estocástica sistemas
de almacenamientos múltiples. Turgueon (1998) resuelve el problema de programación
lineal tomando en cuenta almacenamientos combinados de dos o más embalses y utili-
zando las restricciones de no exceder la probabilidad de una avenida de un sitio particular
aguas abajo. Lafond (1998) propone para la generación de una hidroeléctrica trabajar con
programación lineal paramétrica para su planeación estocástica y la combina con la pro-
gramación dinámica de retroceso, incluyendo variaciones en la carga del agua; además
de ser aplicado en Québec, Canadá.

Domı́nguez et. al (1998) trabajaron presas en cascada en el estado de Chiapas en

el Sistema Grijalva mediante la programación dinámica estocástica, determinando nive-
les de meses inmediatos anteriores. Fletcher y Ponnambalam (1998) trabajaron sistemas
de embalses múltiples mediante control estocástico con restricciones de estado. Chen,
Ruppert y Shoemaker (1999) realizaron diseños experimentales para la programación
dinámica en múltiples dimensiones y estados continuos. Contreras (1999) modificó el
trabajo de Rebolledo y lo aplicó para embalses que trabajan en cascada. Lund y Guzmán
(1999) trabajaron presas multipropósitos tanto en serie como en paralelo y determinaron
polı́ticas de operación para usos tales como suministro de agua, control de avenidas,
generación elétrica, calidad de agua y recreación. Determinaron polı́ticas en tiempo real
a corto, mediano y largo plazo.

Belaineh (1999) toma en cuenta el uso de agua superficial y subterránea para generar
un modelo de optimización de polı́ticas de operación lineales, proveyendo a los usuarios
la simulación de los caudales formados en el embalse. ReVelle (1999) obtiene polı́ticas
de operación en un embalse y embalses en paralelo por medio de modelos determinı́sti-
cos de programación lineal; propone modelos de simulación desde el disenõ hasta la
operación del sistema hidroeléctrico. Huang Wen-Chen (1999) trabajó con sistemas de
apoyo de decisiones (DSS por sus siglas en inglés) para la operación de embalses a
largo plazo y lo aplicaron en Taiwán, commplementando los trabajos de los años ochenta
anteriores.

Archibald, Buchanan, McKinnon y Thomas (1999) trabajaron sistemas de almace-

namientos de agua a partir de programación dinámica y algoritmos llamados de des-
1 INTRODUCCIÓN 25

composición anidados. Villalobos, Rivera y Collado (2000), plantearon el problema de

la maximización de la cantidad que se puede extraer anualmente en una presa a par-
tir de el fenómeno de El Ninõ-Oscilación del Sur (ENOS) mediante una función objetivo
que penalizara los derrames. Domı́nguez et. al (2000) modificaron la forma de calcular
las polı́ticas óptimas tomando en cuenta avenidas extraordinarias presentadas en el año
1999.

Eschenbach (2001) modificó el sistema de apoyo de decisiones en los sistemas de

embalses de múltiples usos, apoyado con la simulación y optimización. Domı́nguez (2001)
adaptó el modelo de optimización de polı́ticas de extracciones del sistema de presas, con-
siderando el valor relativo de la energı́a llamada de pico respecto a la energı́a llamada
de base, incorporando restricciones de energı́a mı́nima propuesta por la Comisión Fe-
deral de Electricidad. Sánchez y Andreu (2002) en España trabajaron en la expansión
óptima de sistemas de recursos hid́ricos superficiales. Presentaron dos sistemas de re-
cursos hı́dricos superficiales para ser ampliados de manera óptima en su infraestructura
hidráulica a partir de algoritmos genéticos.

Sánchez y Wagner (2003) determinaron reglas de operación óptima para dos em-
balses utilizando un algoritmo genético en el Instituto Mexicano de Tecnologı́a del Agua.
Sánchez y Wagner (2004) modelaron numéricamente la operación óptima de un hidrosis-
tema de aguas superficiales. Ailing Li (2004) trabajó en un estudio a gran escala mediante
un método de sistema de descomposición para determinar polı́ticas óptimas de un siste-
ma hidroeléctrico. Empleó en sistemas de presas en series en China, obteniendo buenos
resultados en China.

Arganis (2004) realizó estudios de la operación de un sistema de presas en cascada

para generación hidroeléctrica tomando en cuenta condiciones reales de operación y el
uso de muestras sintéticas para pronósticos. Justificó el uso de la programación dinámica
estocástica demostrando que de haber empleado sus polı́ticas propuestas, se hubieran
evitado problemas de péridas de energı́a y daños materiales provocados en 2001 y 1998
respectivamente. También realizó simulaciones para determinar si es más viable cons-
truir obras de protección para inundaciones y no imponer restricciones a los niveles de
una presa, o el hecho de poner restricciones a los niveles y no construir dichas obras.
Por medio de un análisis estadı́stico estimó que a largo plazo conviene construir obras
de protección, y con la energı́a generada extra pagar los gastos de la inversión en plazos
inferiores a los 15 anõs. Arganis también incorporó al análisis dos requisitos fundamen-
tales de la CFE; poder satisfacer las condiciones mı́nimas de energı́a mensual, según la
capacidad instalada a nivel nacional; y también solventar la llamada energı́a de pico con
respecto a la energı́a de base.

Markus (2006) utilizó la programación estocástica para econtrar polı́ticas óptimas mi-
nimizando los costos de producción. En su modelo incluyó tanto la carga de la energı́a
como las entradas diversas de agua y utilizó herramientas de descomposición jerarqui-
zado, llamada método de aproximación media de la muestra. Domı́nguez et. al (2006)
generaron nuevas polı́ticas de operación que toman los eventos hidrológicos del 2005.
1 INTRODUCCIÓN 26

Ngo (2006) empleó métodos numéricos para optimizar variables de decisión para simu-
lación de polı́ticas de embalses. Las aplicaciones fueron hechas en Vietnam empleando
software especializado y modelos de flujo de rı́os.

Abolghasemi (2008) utilizó un modelo de programación lineal a partir de 5 centrales

hidroeléctricas y un canal en el lago de Columbia Británica. Alegrı́a (2010) obtuvo polı́ti-
cas de operación óptima del sistema de presas del Rı́o Grijalva considerando los efectos
de la curva guı́a.

Deepti y Maria (2010) realizaron una encuesta sobre diferentes modelos de optimi-
zación y simulación de embalses. Además incorporaron algoritmos basados tanto en la
simulación como en la modelación en conjunto, tales como programación dinámica, pro-
gramación no lineal, algoritmos genéticos, lógica difusa y computación evolutiva.

Asmadi, Ahmed, Siti y Zawawi (2014) desarrollaron algoritmos computacionales para

optimización de almacenamientos de agua. Empleando computación evolutiva y optimi-
zación multiobjetivo construyeron polı́ticas de niveles de embalse adjuntado variables
del tipo de cambio climático. Además propusieron adjuntar nuevas ténicas como la ABS
(Artificial Bee Colony) y la GSA (Gravitational Search Algorithm). Huerta (2015) propuso
una metodologı́a para optimizar y mejorar la operación de embalses en diversos pun-
tos, a partir de la confiabilidad de los registros, adjuntando información del tránsito de
avenidas. Para ello, se se estimó la forma de la avenida de diseño a partir del análisis
de los gastos medios diarios históricamente registrados, partiendo de la revisión de los
mismos. Luego se realizó un análisis de tendencia lógica, corroborando eventos clima-
tológicos presentados.

Vijendra y Yadab (2018) desarrollaron los algoritmos llamados TLBO (Teaching Lear-
ned Based Optimization) y JA (Jaya Algorithm) para trabajar múltiples embalses con-
trolando las variables poblacionales, demandas y climatológicas. Propusieron además
algoritmos computacionales para incorporar los cálculos en presas hidroeléctricas que
operan en cascada.

1.5. Terminologı́a previa

Para generar energı́a eléctrica, un sistema de aprovechamiento hidráulico se puede
dividir en varias partes para su estudio y análisis.
a) Vaso. Parte del sistema hidroeléctrico formado al detener el cauce natural de la
corriente, a fin de obtener energı́a potencial debido al nivel que se almacene y
regular lo que escurre.
b) Cortina. Superficie vertical o con cierta inclinación que detiene el flujo del agua y
delimita el embalse.
c) Obra de toma. Es la obra civil encargada de captar el agua y llevarla hasta la zona
donde se generará la energı́a eléctrica desde el embalse.
1 INTRODUCCIÓN 27

d) Tunel de desfogue. Conducto que transporta el agua desde la obra de toma hasta
las turbinas.

e) Casa de máquinas. Es la instalación donde se localizan las turbinas y los genera-

dores necesarios para la producción eléctrica.

f) Pozo de oscilación. Instalación que permite reducir el fenómeno de golpe de ariete

producido por el cierre rápido de la turbina.

1.5.1. Aspectos hidrológicos

Una cuenca es una zona de la superficie terrestre en la cual las gotas de la lluvia
que caen sobre ella tienden a ser drenadas por el sistema de corrientes hacia un mis-
mo punto de salida. Si la superficie no es impermeable, existe el concepto de cuenca
subterránea, la cual viene por debajo de una cuenca superficial. Las cuencas se pueden
clasificar por el tipo de salida, como cuencas endorreicas, las cuales su punto de salida
se encuentra dentro de los lı́mites de la cuenca; y las exorreicas, las cuales el punto de
salida se encuentra en los lı́mites de la cuenca y generalmente, está en otra corriente
[Maidment, 1993].

Una cuenca responde como un estı́mulo mediante escurrimientos a la precipitación.

Las distintas caracterı́sticas geomorfológicas de la cuenca distinguirán la respuesta a
estos estı́mulos, tales como el volumen de escurrimiento y la velocidad de respuesta.
Entre las caracterı́sticas principales se encuentra el tipo de suelo, el área de la cuenca,
la pendiente, el número de corrientes, entre otras. Dentro de las partes de una cuenca
se encuentran las siguientes [Torres, Sandoval, 2015]:

a) Parteaguas. Lı́nea imaginaria formada por los puntos de mayor nivel topográfico y
que la delimita con otras cuencas.

b) Área. Superficie en proyección horizontal delimitada por el parteaguas.

c) Corriente principal. Corriente que pasa por la salida de la misma.

Para indicar el grado de respuesta de una cuenca se cuenta con la pendiente del cauce
principal. Como la pendiente varı́a a lo largo del cauce, generalmente dependiendo del
autor, se define la pendiente media, como el desnivel entre los extremos de la corriente
dividido entre su longitud media en planta. Existen diversas expresiones y metodologı́as
para el cálculo de dichas pendientes [Naghettini, 2017].

Para la ingenierı́a hidrológica la clasificación de corrientes se realiza de la siguiente

manera:

a) Por el tiempo en que trasportan agua: efı́meras, intermitentes o perennes.

b) Por su edad geológica o posición topográfica: de montaña, de transición o de plani-

cie.
1 INTRODUCCIÓN 28

Por otro lado, el escurrimiento se define como el agua proveniente de la precipita-

ción que circula sobre o debajo de la superficie terrestre y que llega a una corriente para
finalmente ser drenada hasta la salida de la cuenca. El escurrimiento tiene lo que se
llama flujo en la superficie de terreno, que es cuando una precipitación alcanza la super-
ficie del suelo, se infiltra hasta que las capas superiores se saturen y se comience a llenar
las depresiones del terreno, y finalmente, el agua comience a escurrir sobre su superficie.

Este escurrimiento, fluye sobre el terreno donde se sigue infiltrando, e incluso se eva-
pora en pequeñas cantidades, y se produce mientras el agua no llegue a cauces bien
definidos. Cuando llega al cauce principal se convierte en escurrimiento en corrientes. El
flujo sobre el terreno y el escurrimiento en corrientes, es lo que forma el escurrimiento
superficial, a diferencia del escurrimiento subsuperficial, que se ocasiona cuando hay in-
filtraciones, y fluye paralelo al escurrimiento anterior. Si por el contrario, se infiltra hasta
niveles inferiores al freático, se denomina escurrimiento subterráneo.

La permeabilidad de los estratos superiores del suelo ocasionarán que el escurri-

miento subsuperficial sea tan rápido como el superficial, o incluso tan lento como el sub-
terráneo. La velocidad indicará al final de cuentas si se considera como un flujo superficial
o como un flujo suberráneo.

Un hidrograma es una gráfica donde se representa el volumen de escurrimiento por

unidad de tiempo que pasa de manera continua durante todo un año por una determinada
sección transversal de un cauce. En ocasiones se suelen realizar hidrogramas produci-
dos por una sola tormenta, para estudios particulares. Los hidrogramas generalmente
tienen un un punto de levantamiento que es cuando inicia la tormenta, e indica el agua
que proviene de ella y que llega a la salida de la cuenca. También se representa un pico,
el cual es el gasto máximo que ocurre en una tormenta, y es lo que interesa para fines
de diseño de obras hidráulicas. Otro elemento es el punto de inflexión, y ocurre cuando
el flujo sobre el terreno termina, y comienza el flujo subterráneo. Finalmente existen los
tiempos llamados de pico y de base, los cuales representa el tiempo que transcurre des-
de el punto del levantamiento hasta el pico del hidrograma, y el tiempo que transcurre
desde el punto de levantamiento hasta el punto final del escurrimiento directo, respecti-
vamente.

Los picos pueden variar desde algunos litros por segundo hasta miles de metros cúbi-
cos por segundo, y el tiempo base puede durar desde minutos hasta algunos dı́as. El área
bajo el hidrograma representa el volumen total escurrido y se expresa
Z t1
V = Qdt. (1.1)
t0

Para fines de diseño conviene separar el gasto base del gasto directo, para lo cual existen
diversos métodos, desde trazar lı́neas horizontales aproximadas, hasta algunos métodos
analı́tidos y expresiones de tipo exponencial que involucran el área de la cuenca y tiem-
pos de vaciado de la misma.
1 INTRODUCCIÓN 29

Para obtener fı́sicamente los escurrimientos, existen los métodos de aforo. Aforar una
corriente significa determinar a través de mediciones el gasto que pasará por una sección
dada. En México se utilizan las secciones de control, las relaciones sección pendiente y
la relación sección velocidad, para determinar el aforo. Una sección de control es una
sección donde existe una relación entre el tirante y el gasto, entre las más comunes son
las de tirante crı́tico y los vertedores. Una relación sección-pendiente se emplea para
determinar el gasto máximo que se presentó durante una avenida reciente en un cauce.
Una relación sección-velocidad mide las velocidades en distintos puntos de una sec-
ción transversal para luego calcular el gasto mediante la ecuación de continuidad.

Una curva elevaciones-gastos relaciona la elevación de la superficie libre del agua

con el gasto que pasa por una sección. Esta se obtiene cuando se cuentan con los da-
tos de los diferentes aforos. En una gran mayorı́a de cauces, la forma de las secciones
transversales se modifica en forma continua por los distintos procesos de erosión y se-
dimentación. Por esta razón, es conveniente realizar aforos frecuentemente para contar
en cualquier momento con una curva elevaciones-gastos actualizada. Los métodos más
conocidos para la determinación de las elevaciones son el linı́metro, el peso suspendido
de un cable y el limnı́grafo.

1.5.2. Almacenamiento en vasos

Un embalse sirve para regular los escurrimientos de un cauce, para almacenar el vo-
lumen de agua en temporadas de lluvias, a fin de emplearlas en las épocas de sequı́a,
cuando escaseen los escurrimientos. Dentro de los propósitos más comunes de un vaso
de almacenamiento se encuentran irrigación, generación de energı́a eléctrica, control de
avenidas, abastecimiento de agua potable, recreación y retención de sedimentos.

Dentro de los principales componentes de un vaso de almacenamiento se encuentra

el NAMINO (nivel de aguas mı́nimas de operación), el cual es el nivel más bajo con el
que puede operar la presa; el NAMIN (nivel de aguas mı́nimas), que representa el nivel
al que se encuentra la entrada a la obra de toma; el NAMO (nivel de aguas máximas
ordinarias), que es el máximo nivel con que puede operar la presa para satisfacer las
demandas; el NAME (nivel de aguas máximas extraordinarias), que es el nivel más alto
que debe alcanzar el agua en el vaso bajo cualquier condición.

En caso de generación eléctrica, el NAMINO es la carga mı́nima necesaria para que

las turbinas operen en buenas condiciones. Debajo del NAMINO se le llama volumen
muerto, y este volumen por razones técnicas no puede ser utilizado. Existe también un
volumen llamado de azolve que queda por debajo del nivel de la toma, y se utiliza para
recibir el acarreo de sólidos por el rı́o durante la vida útil de la presa. Existen diversos
estudios sobre el acumulamiento de sedimentos, con distintas curvas que representan
cómo se almacenan, hasta que la presa deje de funcionar.

El agua utilizable de la presa se encuentra entre los niveles NAMINO y NAMO. En

caso de que los vertedores de una presa no se controlen por compuertas, el NAMO coin-
1 INTRODUCCIÓN 30

cide con la cresta o punto más alto del vertedor. El vertedor funciona para desalojar los
volúmenes excedentes de agua que puedan poner en peligro la seguridad de la obra, y
por ello la seguridad de los poblados aguas abajo de la central. Existen presas donde los
niveles del NAMO son variables a lo largo del año ya que las descargas de vertedores
son controladas por compuertas. El volumen de agua que se almacena entre el NAMO y
el NAMINO se conoce como capacidad útil, y con este se satisfacen las demandas de
agua solicitadas.

El nivel más alto que debe alcanzar el agua en el vaso bajo cualquier situación es el
NAME; el volumen de agua que queda entre el NAMO y el NAME, se le llama superal-
macenamiento y funciona para controlar las avenidas que se presentan cuando el nivel
en el vaso está cercano al NAMO. Cuando existe la marea producida por el viento en la
presa, ası́ como el oleaje, este es controlado por el bordo libre, el cual es el espacio que
se localiza entre la corona (máxima elevación de la cortina) y el NAME. De igual forma,
en el caso de asentamientos de la presa, esta diferencia funciona como un sistema de
seguridad.

Para el diseño de un vaso de almacenamiento se necesitan los planos topográficos y

los registros hidrológicos. Con los planos se obtiene la relación entre los volúmenes, las
elevaciones, y el área del vaso. Con los registros se estiman los volúmenes que llegarán
durante la operación del mismo. Las curvas elevación-volumen y elevación-área son las
que describen la topografı́a del lugar. Estadı́sticamente, los registos históricos propor-
cionan buenos resultados a partir de 20 años de información, con éstos se estimará el
volumen útil que se requiere para satisfacer una determinada demanda. Los registros
proporcionan los escurrimientos en el cauce durante un tiempo relativamente largo.

Para determinar el volumen útil de un almacenamiento primero se debe realizar una

estimación usando los datos mensuales de escurrimientos y las demandas despreciando
inicialmente algunos factores tales como la evaporación y precipitaciones directas en el
vaso. Luego de ellos, se puede simular el funcionamiento del vaso en perı́odos largos de
tiempo, considerando las variaciones mensuales y anuales de escurrimientos y extrac-
ciones en cada instante.

Para las estimaciones del volumen útil existen diversos métodos como la curva masa
y el algoritmo de pico secuente [Naghettini, 2017]. El hecho de utilizar alguno de ellos
depende del tipo de demanda, generalmente utilizado el primero para demandas cons-
tantes y el segundo para demandas variables. Las curvas masas representan en forma
gráfica los volúmenes acumulados en función del tiempo. La pendiente de la curva masa
representa el gasto que pasa por el lugar. Es claro ver que si la pendiente de la curva es
mayor que la pendiente de la curva de escurrimiento, el gasto demandado es mayor que
el aportado por el rı́o.

El método de la curva masa se aplica a todo el perı́odo de datos, y la máxima dife-

rencia que se encuentre entre los escurrimientos del rı́o y las demandas, determinará
el volumen útil mı́nimo necesario para satisfacer una demanda, pero esto sólamente en
1 INTRODUCCIÓN 31

caso de que se repitan exactamente las aportaciones que se utilizan como datos. Otra
forma de resolver el problema anterior, es mediante un análisis numérico, el cual es más
conveniente cuando la demanda no es contante. Existe el llamado algoritmo del pico se-
cuente para este fin, es decir, cuando las demandas son variables.

A través de los métodos anteriores es posible tener una serie de opciones prelimina-
res de volumen útil. Aunque, ya cuando la presa se encuentra funcionando, los valores
medios se conservan, y la ocurrencia de varios años secos durante la vida útil puede
ocasionar un déficit que haga que la obra deje de ser rentable, o incluso, la ocurrencia de
muchos años húmedos puede ocasionar derrames que pudieran aprovecharse aumen-
tando el volumen útil.

Ya que muchos factores no se toman en cuenta para los cálculos anteriores, tales
como evaporaciones o infiltraciones, siempre es necesario corroborar el valor del volu-
men útil mediante simulaciones del funcionamiento del vaso. Para ello, se cuenta con la
ecuación de continuidad, la cual se expresa de la siguiente manera:

X − D = ∆V, (1.2)

donde X es el volumen de entradas al vaso durante el intervalo ∆t, D es el volumen de

salidas del vaso durante el intervalo ∆t y ∆V es el cambio de volumen almacenado en el
vaso durante el intervalo ∆t. El incremento ∆t varı́a de acuerdo a la capacidad del vaso,
siendo de dı́as para vasos pequeños, hasta incluso de años para vasos muy grandes.

Los ingresos de un vaso se calculan como

X = Ecp + Et + Ell , (1.3)

donde Ecp son las entradas por cuenca propia, Et son las entradas por escurrimientos
desde otras cuencas y Ell son las entradas por precipitaciones directas sobre el vaso.

Las salidas de un vaso se pueden calcular como

D = Sd + Se + Si + Sderr , (1.4)

donde Sd es el volumen de extracción, Se es el volumen evaporado, Si es el volumen

infiltrado y Sderr es el volumen por derrames.

Las entradas por cuenca propia son los volúmenes de escurrimiento superficial gene-
rados en la cuenca no controlada que descarga de manera directa a la presa, la cual está
delimitada por el lugar de la cortina y las presas que se encuentran situadas aguas arriba.
Estas entradas se obtienen a partir de los datos recopilados en las estaciones hidrométri-
cas de la zona, y en algunas ocasiones, la misma central hidroeléctrica cuenta con su
propia estación hidrométrica para conocer de manera más precisa los escurrimientos. No
obstante, en caso de no contar con una estación en el lugar exacto, se puede extrapolar
información de estaciones cercanas.
1 INTRODUCCIÓN 32

Las entradas por cuenca propia se calculan con la siguiente expresión:

Ecp = F1 Ve1 + F2 Ve2 + . . . + Fn Ven , (1.5)

donde

Fi es el factor de corrección de la i-ésima estación.

Vei es el volumen de escurrimiento medio en la i-ésima estación.

n es el número de estaciones hidrométricas consideradas.

Los factores que sirven para corregir están en función del área de la cuenca de apor-
tación a la estación i, de la posición de la cuenca y de sus caracterı́sticas. Existen dos
formas de calcular estos factores de corrección.
Vll
F1 = , si n = 1, (1.6)
Vi
donde Vll es el volumen de lluvia que cae en la cuenca propia durante el intervalo de
tiempo analizado y Vi es el volumen de lluvia que cae en la cuenca asociada a la estación
hidrométrica durante el intervalo de tiempo asociado. En algunas ocasiones se puede
utilizar también la expresión
Acp
F1 = , (1.7)
Ai
donde Acp es el área de la cuenca propia y Ai es el área de la cuenca correspondiente a
la estación hidrométrica.

La otra expresión que se utiliza cuando se cuentan con varias estaciones es

Acp
Fi = K i si n > 1, (1.8)
Ai
donde Ki es un factor de peso de cada estación i según su confiabilidad y relación de
sus registros con el escurrimiento en la cuenca de aportación de la presa que se esté
analizando; en este sentido se necesita cumplir que
n
X
Ki = 1. (1.9)
i=1

Las entradas por transferencia desde otras cuencas provienen de descargas contro-
ladas o descargas libres de otras presas que se localicen aguas arriba de la presa en
cuestión o en otras cuencas.

Las entradas por lluvia directa sobre el vaso se calculan a partir de aparatos que
registran la cantidad de lluvia directa, y se considera volumen por unidad de área, y
esto se grafica como una altura de precipitación. El área que tenga la superficie libre
del vaso se multiplica por esta altura de precipitación para obtener el volumen de lluvia,
1 INTRODUCCIÓN 33

durante el intervalo de tiempo estudiado. Donde el área está dada de acuerdo con la
curva elevación-área. Es decir
Ell = hpA, (1.10)
donde hp es la altura de precipitación y A es el área promedio del vaso en el intervalo de
tiempo que se estudia.

Luego de considerarse las entradas al vaso, se cuantifican cada una de las salidas. El
volumen extraı́do para satisfacer las demandas, está constituido por la ley de demandas
bajo análisis, y ésta depende del tipo de aprovechamiento que se trate, el cual puede ser
para agua potable, para riego, para generación de energı́a eléctrica, entre otros. También
depende de la relación beneficio/costo de la central. Las leyes de demanda están dadas
por la CFE, a partir de los datos de la población.

Otra de las salidas importantes es la evaporación en el vaso; la cual se mide en vo-

lumen por unidad de área, es decir, en altura de evaporación. Algunas centrales cuentan
con evaporı́metros para tomar estos registros, y el volumen evaporado se calcula con la
siguiente expresión
Se = hev A, (1.11)
donde hev es la lámina de evaporación y A es el área media del vaso durante el intervalo
de tiempo estudiado. En caso de no contar con evaporı́metros existen diveras metodo-
logı́as para hacer los cálculos.

Análogo a las evaporaciones, son las infiltraciones, las cuales en general no suelen
ser consideradas por ser cantidades menores de afectación. Sin embargo, también existe
literatura al respecto para su cálculo y análisis.

Finalmente, se considera el volumen derramado por los desbordes que existan en las
obras de excedencia, generalmente a través de los vertedores. Cada central hidroeléctri-
ca también tiene polı́ticas de operación de compuertas, que dependerá de los niveles
caracterı́sticos, de simulaciones previas y del NAMO.

1.5.3. Potencia y energı́a

La potencia y energı́a son dos conceptos fundamentales para la caracterización de
los aprovechamientos hidroeléctricos, cuando se analizan durante el tiempo. En el caso
de las presas hidroeléctricas tanto la energı́a como la potencia deben ser calculadas para
fines de diseño y producción. Se recuerda que la potencia está dada por

P = γQH, (1.12)

donde P es la potencia en watts, γ es el peso especı́fico del agua, Q es el gasto y H es

la altura.
1 INTRODUCCIÓN 34

Es importante además, el cálculo de la potencia durante cierto tiempo que se efectúe,

y esto es el cálculo de la energı́a
E = P × t, (1.13)
donde E es la energı́a en kilowatts-hora, P es la potencia en watts y t es el tiempo en
segundos.

La potencia teórica es la que se presenta antes de la llegada del agua a las turbinas
hidráulicas. La potencia que se transmite a partir de las turbinas se conoce como la
potencia real, y está dada por la siguiente expresión

Pr = ηγQH, (1.14)

donde
P otencia real
η= . (1.15)
P otencia teórica
Generalmente se manejan los resultados en kilowatts, y sabiendo que γ = 1000 kg/m3
para el agua, se tiene que
P = 9.81ηQH. (1.16)
Nuevamente, ya que la potencia es instantánea, lo importante es el tiempo que dicha
potencia se puede sostener, en otras palabras, la energı́a que la central sea capaz de
proporcionar durante un perı́odo de tiempo establecido. Esto es lo que se conoce como
generación. De esta manera, se define lo que es el factor de generación como la relación
entre el volumen V utiliado por la central hidroeléctrica, la carga media Hm y la energı́a
E producida durante el tiempo T . En términos matemáticos
9.81η Hm
fg = , (1.17)
3600
o bien
H
fg = . (1.18)
450
Por otro lado, la energı́a eléctrica producida por una turbina se obtiene mediante el
principio de la utilización del gasto Q y la altura H, los cuales intervienen para producir
energı́a mecánica en el rodete de una turbina. Esta energı́a se transmite al generador,
que a su vez produce electricidad de bajo voltaje, dependiendo de las condiciones de
cada central hidroeléctrica. Este bajo voltaje tiene el propósito de evitar aislamientos
caros entre los alambres de la bobina del generador. Una vez que sale la energı́a del
generador es necesario subir el voltaje para hacer la transmisión a través de los cables.
La potencia se calcula como
P = fp IV, (1.19)
donde fp es el factor de potencia, I la intensidad y V el voltaje. Cuando se sube el voltaje
se puede reducir la intensidad, con lo cual se pueden colocar cables de menor diámetro,
economizando los costos.
1 INTRODUCCIÓN 35

Una vez que la energı́a se encuentra en los cables, este voltaje se eleva mediante
transformadores llamados subestaciones elevadoras. A lo largo de su trayectoria, se
cuenta con varias subestaciones para ir evitando pérdidas de carga. Llegada la carga a
la ciudad, se emplean subestaciones reductoras, las cuales se encargan de distribuir-
las mediante los transformadores en las calles de la ciudad para consumo doméstico.

Además, la potencia que se necesita se grafica mediante una curva llamada curva
de demanda, la cual midel la potencia demandada en función del tiempo. El área bajo
esta curva es la energı́a solicitada en un tiempo determinado. Si en particular, se grafica
el funcionamiento de una central hidroeléctrica, se obtiene una curva de operación. A
fin de garantizar el servicio siempre se necesita una potencia mayor que la solicitada, en
cuyo caso se habla de una reserva. Una central hidroeléctrica cuenta con tres tipos de
reserva: reserva rodante, reserva para mantenimiento y reserva para reparación.

La forma de la curva de operación indica si la central trabaja mucho o poco tiempo con
su potencia máxima. En este sentido, una planta es de pico si trabaja a mayor capacidad
durante las horas de máxima demanda, aun dejando de funcionar fuera de dichas horas.
Si por el contrario, se trabaja con una potencia que no tome muchas variaciones, la
potencia se dice de base. La distinción entre ambos tipos de potencia lo establece el
factor de planta que se define como
P otencia media Gtot
fp = = , (1.20)
P otencia max T0 × Pmax
donde Gtot es la generación total en el perı́odo T0 , en otras palabras, es el área bajo la
curva de operación, y Pm es la potencia media, que se calcula como el cociente de Gtot
y T0 . En términos generales, si fp ≤ 0.40 la planta es de pico, mientras que si fp > 0.40 la
planta se considera de base.

Para completar el análisis de la potencia se cuenta también con la curva de dura-

ción de carga que resume el tiempo en que se aplica la carga, de forma independiente
al momento en que se presente y se puede calcular a partir de la curva de demanda.
Lo interesante, es que ambas curvas representan la generación producida en una planta
mediante el área bajo su curva. Pero con la última curva, se puede conocer la exigencia
de las máquinas, además de definir el lugar más conveniente para cumplir con las de-
mandas establecidas.

Hasta la década de los años 80, la situación en el paı́s estaba en desarrollo energético
con respecto a las centrales hidroeléctricas. Diversos autores opinan que un paı́s se
considera industrializado si cuenta con más centrales termoeléctricas que hidroeléctricas.
La Figura 1 presenta la capacidad hidroeléctrica del paı́s hasta el año 1987.
1 INTRODUCCIÓN 36

Figura 1.1: Capacidad hidroeléctrica hasta 1987 [Garcia, 1992]

La planeación adecuada del desarrollo eléctrico del paı́s debe conllevar a una correcta
gestión de sus recursos. Se deben estudiar los factores de crecimiento para escoger
las mejores alternativas, sin importar diversas pecualiaridades que llevan a tomar malas
decisiones. Un paı́s debe analizar la capacidad económica, el avance tecnológico, el
potencial energético, el nivel cultural, entre otros, para un avance correcto. Los siguientes
datos que se presentan en la Figura 2 se tomaron de los informes de operación de la
Comisión Federal de Electricidad (CFE).

Figura 1.2: Comparativo entre hidroléctricas y termoeléctricas hasta 1987 [Garcia, 1992]

Una vez que se ha escogido el lugar para construir la cortina, de acuerdo con los estu-
dios previos, las dimensiones de la presa dependerán de los volúmenes que aporta el rı́o
y de las demandas de energı́a que se requiere. La altura y el tipo de cortina dependerá
de la geologı́a y topografı́a de la región. El comportamiento de los cauces se conocerá
mejor entre mayor se conozcan los registros históricos de las estaciones hidrométricas.
Estos escurrimientos se podrán conocer a partir de métodos probabilı́sticos, a fin de po-
der simular el funcionarmiento y obtener polı́ticas de demandas, y criterios de operación.
Con las simulaciones se podrá conocer el volumen de almacenamiento, los niveles de
operación, capacidad de las obras de excedencia, capacidad de la obra de toma, la re-
gulación del vaso, la generación eléctrica y la potencia a instalar.

Sabiendo los datos anteriores se conoce la capacidad del embalse y los niveles de
operación, que son dos de los parámetros más importantes. Para ello, se necesita tener
las aportaciones del poryecto junto a las caracterı́sticas topográficas del vaso y las ex-
tracciones. Cuando los almacenamientos no son grandes, las curvas masas describen
gráficamente las aportaciones contra las demandas. Para centrales hidroeléctricas, las
simulaciones computacionales han permitido realizar una mayor cantidad de cálculos en
1 INTRODUCCIÓN 37

menor tiempo. Es necesario entonces estudiar un gran número de opciones en que no

sólo son diferentes las polı́ticas de producción o extracción, sino las aportaciones del rı́o
que se emplearán como datos de entrada. Esto implica muchos cálculos repetitivos, para
los cuales se emplean programas computacionales.

Los datos de entrada al embalse son de dos tipos: el registro histórico de los escurri-
mientos, y los escurrimientos generados por técnicas estocásticas basados en los históri-
cos. Entre más datos tenga un registro histórico, más confiable serán las simulaciones
hechas. El manejo correcto de estos datos, es lo que llevará a una estimación adecuada;
para ello se pueden identificar perı́odos de lluvia o perı́odos de estiaje. Se deben pues
analizar todas las tendencias posibles para diferentes épocas del año, para determinar
los posibles volúmenes que entrarán al vaso. A partir de las técnicas estocásticas se pue-
den simular escurrimientos futuros del perı́odo que se desee. Con ello, se podrá estimar
el comportamiento del vaso; dichos registros simulados es lo que se conoce como regis-
tros sintéticos.

El volumen que debe tener el vaso se determina por los escurrimientos del cauce,
su uso principal, algunos usos secundarios y las limitaciones de la altura de la cortina.
Para su uso principal, se debe plantear la energı́a de base a generar ası́ como la energı́a
de picos. Como se desea mayor potencia, esto significa que se debe tener una mayor
carga para solventar los máximos energéticos. Pero el hecho de mantener un gasto esta-
ble, también es otro factor que hará que la altura se pueda disminuir para mantener una
energı́a hasta cierto punto constante.

La planta también deberá proyectarse para el control de avenidas. El vaso requie-

re un volumen mayor que se utiliza en condiciones de operación normal, ası́ pues se
pueden regular las avenidas previstas, para que se pueda garantizar que los gastos que
se derramen no superen el lı́mite que ocasione daños en los poblados aguas abajo del
embalse.

1.6. Métodos de optimización

1.6.1. Programación lineal y no lineal
La programación lineal es una herramienta que resuelve problemas de optimización,
es decir, maximiza o minimiza funciones lineales de una o varias variables sujeta a restric-
ciones que están dadas por inecuaciones lineales [Guerrero, 2009], [Mocholi, Sala, 1993].
El esquema básico de un problema de programación lineal se presenta a continuación

min(cX);
Sujeto a :
AX = b
X≥0
1 INTRODUCCIÓN 38

donde X es el vector de variables incógnitas; A es la matriz de coeficientes; c es un

vector de coeficientes y b es el vector de términos independientes [Karloff, 2009]. cX es
la función objetivo a minimizar o a maximizar, mientras que las demás condiciones son
las restricciones fı́sicas del problema [Vanderbei, 2007]. La Figura 3 presenta la región
factible en un problema tı́pico de programación lineal.

Figura 1.3: Región factible en la programación lineal

La programación lineal se ha aplicado a diversas áreas tanto de la ingenierı́a como

también a las ciencias biológicas y sociales. En los últimos años se han realizado tra-
bajos en la geodinámica [Connolly, 2005], en los sistemas geográficos de información
[Campbell, 1992] o bien en la gestión de pozos petroleros [Karterakis, 2007]. Trabajos
como los realizados por Domı́nguez [Domı́nguez, 1989], describen en detalle los méto-
dos aplicados de la programación lineal a los sistemas hidroeléctricos. En estos trabajos
se determinan las llamadas polı́ticas que no son más que las decisiones que toma el
controlador con respecto al nivel del embalse de una presa. Los limitantes de una polı́tica
determinista pueden ser reducidos usando la técnica de programación lineal con proba-
bilidades restringidas, la cual consiste en añadir a la polı́tica de operación, restricciones
a las probabilidades de situaciones indeseables en el sistema. Se puede determinar que

S(J) = V I(j) + b(j), (1.21)

y
V S(j) = V I(j − 1) + b(j − 1) − b(j). (1.22)
Con S, V I, V S y b el nivel de entrada, el volumen de ingreso, el volumen de salida
y el coeficiente de demanda, en el nivel j-ésimo. Si por ejemplo, queremos restringir
la probabilidad P D(j) de que la demanda D(j) del mes j no sea satisfecha se puede
comprobar que

D(j) + b(j) − b(j − 1) ≤ FV−1I(j−1) [P D(j − 1)] (1.23)

con FV−1I(j−1) [P D(j − 1)] la inversa de la función de distribución de los volúmenes de
ingreso en el mes j − 1, valuada en P D(j). Ası́, se convierte una restricción probabilı́stica
en una de tipo determinista. Otros ejemplos de restricciones serı́an mantener un nivel de
aguas máximos y un nivel de aguas mı́nimos. Ambos casos se expresarı́an como:
1 INTRODUCCIÓN 39

C − b(j) ≤ FV−1I(j) [P V (j)] + LB(j), (1.24)

m(j) − b(j) ≤ FV−1I(j) [1 − P M (j)]. (1.25)
con C la capacidad total de la presa, m(j) el nivel mı́nimo y P M (j) la probabilidad del
almacenamiento mı́nimo [Domı́nguez, 1989].

En un problema de programación no lineal, las ecuaciones que aparecen tanto en la

función objetivo o en las restricciones ya no son lineales. Un problema de programación
lineal se bosqueja de la siguiente manera:

optf (x)
Sujeto a:
hj (x) = 0, j = 1, . . . , m
gj (x) ≥ 0, j = m + 1, . . . , p
x∈ / E n.

donde opt puede representar una maximización o minimización; f (x) es una función con-
tinua, que representa al objetivo; h1 (x), . . . , hm (x) son funciones continuas de restricción;
y X = [x1 x2 · · · xn ] es un vector columna en el espacio euclideano de n dimensiones E n .
Los problemas de programación no lineal se pueden clasificar de la siguiente manera
[Arganis, 2004]:

a) Restringidos;

b) No restringidos;

c) Continuos;

d) Discretos;

e) Diferenciables;

f) Con restricciones de igualdad o desigualdad;

g) Convexos, cuadráticos, separables;

h) Con una sola variable independiente o con varias variables independientes.

1.6.2. Método de Lloyd y Morán

Para entender el Método de Morán daremos algunas deficiones básicas de los proce-
sos estocásticos. Un proceso estocástico {St , t > 0} es markoviano, de primer orden,
cuando para diferentes valores del tiempo, que corresponden a las etapas i = 1, . . . , m
del proceso, la función de distribución de probabilidades del estado St+1 sólo depende del
estado anterior St ; si la variable involucrada es discreta y entera, se dice que el proceso
1 INTRODUCCIÓN 40

es una cadena de Markov de primer orden y a los valores posibles de S se les llama
estados de proceso. Los procesos estocásticos se pueden entender como modelos fı́si-
cos probabilı́sticos que evolucionan con el tiempo [Salas, 2013]. Además, si el número
de estados de una cadena de Markov es finito, se puede definir la probabilidad de pasar
de un estado cualquiera i en el tiempo t, a un estado cualquiera j en el instante t + 1.
Si las probabilidades se arreglan en una matriz T cuyos elementos aij son las probabili-
dades de pasar del estado i al estado j, en un intervalo de tiempo (es decir de T = t a
T = t + 1) a la matriz T se le llama la matriz de transición. Una matriz de transición se
llama estocástica cuando cumple con las propiedades siguientes:

a) 0 ≤ aij ≤ 1 ∀i, j = 1, . . . , m.
P
b) j aij = 1.

k
Un vector de estado asociado a una etapa cualquiera k, denotado por P , es aquel
cuyos elementos definen las probabilidades de que el proceso se encuentre en cada uno
de los estados en la etapa k. Una cadena de Markov queda totalmente determinada si
se conoce la matriz de transición y el vector de estado para la etapa inicial, con ellos
puede conocerse el vector de estado en etapas posteriores. En términos matemáticos,
los vectores de estado se obtienen multiplicando las matrices de transición como se
observa a continuación:

1 0
P = P T
2 1 0
P = P T = P T2
3 2 0
P = P T = P T3
..
.
n+1 n 0
P = P T = P Tn

Si un proceso está determinado por un vector de estado inicial y una matriz de

transición y se lleva a cabo durante un perı́odo grande de tiempo, se cumple que a largo
plazo las probabilidades asociadas a cada estado tienden a un valor constante. Cuando
una matriz de transición es estocástica, independientemente del estado inicial, el vector
de estado para una etapa n suficientemente grande tiende a un valor fijo, llamado vector
de equilibrio, es decir
n n+1
P =P = P E.
La matriz de equilibrio tiene las siguientes caracterı́sticas:

a) Es una matriz estocástica.

b) Los valores de los elementos de cualquier columna j son idénticos entre sı́ e iguales
a la probabilidad a largo plazo asociada al estado j.
1 INTRODUCCIÓN 41

Además, si se conoce P
la matriz de transición en un instante dado, se consideran las
ecuaciones P E = P ET y i Pi = 1, y se resuelve el sistema se puede obtener el vector
de equilibrio.

Teniendo en claro todo lo anterior, el método de Morán consiste en dividir la capaci-

dad útil de la presa C en N intervalos de tamaño C/N [Arganis, 2004]. En la Figura 4 se
observa la discretización de los niveles de la presa. s = 0 significa que se tiene un déficit
(por debajo del nivel mı́nimo de operaciones NAMINO) y sN +1 significa que se tiene un
derrame (por arriba del nivel máximo de operaciones NAMO).

Figura 1.4: Representación de los estados de una presa

Para determinar las probabilidades de transición, se considera la siguiente ecuación de

almacenamiento
V (t + 1) = V (t) + I(t)∆t − O(t)∆t (1.26)
donde

a) V (t) es el volumen almacenado en el tiempo t.

b) I(t) es el gasto de ingreso en un instante t, llamada variable de disturbio.

c) O(t) es el gasto de extracción en un instante t, llamada variable de decisión.

Si LI(l), LS(l) y V R(l) denotan al lı́mite inferior, superior y al valor representativo de un

estado l cualquiera, la probabilidad de transición de un estado i a un estado j se obtiene
con la ecuación

p(i, j) = prob{LI(j) + O − V R(i) ≤ x ≤ LS(j) + O − V R(i)} (1.27)

1 INTRODUCCIÓN 42

y si suponemos que los ingresos se distribuyen de acuerdo con una función de probabi-
lidad F (x), se obtiene que:

p(i, j) = F {LS(j) + O − V R(i)} − F {LI(j) + O − V R(i)}. (1.28)

Análogo al método anterior, se define la matriz de transición, se calcula el vector de pro-

babilidades a largo plazo para evaluar la efectividad de una polı́tica seleccionada.

En el método de Lloyd se divide el año en épocas, y a cada época se le asigna la de-

manda y la función de distribución de ingresos [Arganis, 2004]. Junto con los datos de
capacidad de la presa se obtiene una matriz de transición para cada época. Por ejemplo,
si se conocen las probabilidades de estado a principios de enero, las probabilidades de
estado al inicio de abril serán
[A] [M ] F E
P =P T M = P T [F ] T [M ] = P T [E] T [F ] T [M ] (1.29)
[E] [F ] [M ] [A]
donde P , P , P y P son las probabilidades de estado a principios de los meses
enero, febrero, marzo y abril; y T [E] , T [F ] y T [M ] son las matrices de transición de enero,
febero y marzo. Además, con la matriz de transición anual T anual = T [E] T [F ] · · · T [D] se
puede obtener la matriz de equilibrio y determinar las probabilidades a largo plazo. Es
necesario observar que este método es sensible al intervalo de tiempo seleccionado,
recomendando para ello observar el funcionamiento de la presa unos perı́odos de prueba
antes de usar dicho método.

1.6.3. Valor esperado

En este modelo se considera un único embalse con volumen de capacidad conocido,
con paredes ideales verticales, y descargas máximas a turbinas también conocidas. Se
define la variable de decisión, que es la que llevará a cabo el operador. El flujo del rı́o se
considera como una distribución de probabilidad, con su respectivo nivel como otra va-
riable, llamada de almacenamiento. Este modelo fue uno de los más completos, ya que
involucra más variables tales como el área del embalse, la energı́a producida, la carga de
energı́a total, las pérdidas de energı́a y los costos totales de producción [Conant, 1948].

En el método del valor esperado se pretende minimizar el costo esperado de las fu-
turas operaciones de la distribución del almacenamiento del embalse para la generación
de energı́a. El modelo matemático es muy similar al modelo de un inventario dado por
Bellman [Bellman, 1957], con la diferencia que en un modelo de inventario las salidas de
mercancı́a son las variables aleatorias desconocidas, mientras que en un sistema hidro-
eléctrico, las entradas de agua, son las variables aleatorias que juegan ese papel. Si vi ,
xi y si denotan la cantidad de agua que llega, el volumen del rı́o en el i-ésimo intervalo
de tiempo y el volumen destinado a generar energı́a, entonces
Z ∞ Z ∞
Ei = ··· ki f (xN , . . . , xi+1 , xi |xi−1 , . . . , x0 )dxN · · · dxi (1.30)
−∞ −∞
1 INTRODUCCIÓN 43

donde f (xj , . . . , xi |xi−1 , . . . , xk ) es la distribución de probabilidad, ki los costos totales

y Ei , el valor esperado de los costos. Si además, ci representan los costos, con las
simplificaciones adecuadas podemos obtener que
Z ∞
Ei (vi , xi−1 ; si ) = {ci (vi , xi , si ) + Ei+1 (vi+1 , xi )}f (xi |xi−1 )dxi (1.31)
−∞

es un mı́nimo para cada par (vi , xi−1 ) y por lo tanto Ei (vi , xi−1 ) se resuelve el proble-
ma de optimización. Además, las distribuciones que representan los niveles en el cauce
del rı́o se pueden considerar tomadas de datos estadı́sticos históricos o bien como las
siguientes funciones de probabilidad
mn ∆x ∆
Pi = prob{m x − ≤ xi ≤m x + |xi−1 } =n x. (1.32)
2 2

1.6.4. Optimización multiobjetivo

Los criterios multiobjetivos se han desarrollado desde la década de los 60’s con el
fin de optimizar sistemas que tengan diversas funciones. La escasez de los recursos ha
ocasionado el desarrollo de nuevas herramientas para que la calidad, los servicios y los
productos terminados en los procesos deban rendir más, esto de acuerdo con López
[Lopez, 2013], quien ha trabajado en la optimización también llamada multicriterio, en la
implementación de nuevos algoritmos computacionales en el mundo real. Crichigno y Ta-
lavera han encontrado generalizaciones a algoritmos llamados mono-objetivos, que en
principio son los que se basan en las secciones anteriores como la programación lineal,
para luego construir funciones múltiples y lograr resultados en menor tiempo [Crichigno
y Talavera; 2011]; aplicaciones de estas técnicas se han implementado en optimización
de datos analógicos como señales de radio y TV. Estas técnicas han sido modificadas y
perfeccionadas en diversos trabajos, como el de Peñuela y Granada, quiénes aportaron
los llamados algoritmos genéticos, para que el número posible de soluciones disminuye-
ra gradualmente, y el tiempo de ejecución tampoco incrementara [Peñuela y Granada,
2007].

Los embalses de gran tamaño se emplean para diversos usos, tales como generación
hidroeléctrica, abastecimiento de agua, control de avenidas, recreación, entre otros. Des-
de hace algunas décadas Goicochea clasificó las técnicas multiobjetivos para embalses
en tres categorı́as [Goicochea, Duckeistein, 1982]:
a) Técnicas para generación del conjunto de soluciones no dominadas.
b) Métodos continuos con articulación o preferencias previas.
c) Métodos discretos con una articulación o preferencias progresivas.
Según Ko y Fontane [Ko, Fontane, 1992], el esquema básico del problema de optimi-
zación para embalses se plantea de la siguiente forma. La función objetivo está dada por
máx[F1 , . . . , Fm ] sujeto a las siguientes restricciones:
Vt+1 = Vt + It + SQt − Dt − Et (Vt , Vt+1 ) (1.33)
1 INTRODUCCIÓN 44

Vt+1,min ≤ Vt+1 ≤ Vt+1,max (1.34)

Qt,min ≤ Qt ≤ Qt,max (1.35)
donde Fi son las funciones objetivo individuales, Vt son los niveles de almacenamiento,
It son los ingresos no regulados, Qt son los volúmenes de descarga, Dt los déficits, Et
las pérdidas por evaporación y S las interconexiones con otros embalses. Si se compara
este modelo con los anteriores se observa un incremento en las variables, apegándose
cada vez a una descripción más real del sistema, como es el caso de considerar pérdidas
y salidas no reguladas.
Las técnicas empleadas para la generación de soluciones se pueden encontrar de ma-
nera detallada en los trabajos de [Cohon, Marks, 1975], [Goicochea, Duckeistein, 1982],
[Ko, Fontane, 1992], [Zadeh, 1963], [Marglin, 1967], [Loganathan, 2002].

1.6.5. Principio del máximo de Pontryagin

Esta técnica se deriva de una rama de las matemáticas llamada Cálculo Variacional,
donde se pretende optimizar funcionales, que no son más que funciones cuyos argumen-
tos son funciones. Las variables que se definen en esta clase de problemas cambian en
relación con un ı́ndice T , generalmente identificado con el tiempo. Un problema tı́pico es
optimizar la función

V (T ) = c1 X1 (T ) + c2 X2 (T ) + · · · + cn Xn (T ) (1.36)

sujeto a las condiciones iniciales X1 (0), X2 (0), . . . , Xn (0) [SJSU, 2001], donde los coefi-
cientes ci se conocen y el tiempo T también está dado.

El problema es completado cuando se dan las restricciones sobre las variables, intro-
duciendo las variables de control ui , dadas por
dX1
= f1 (X1 , . . . , Xn , u1 , . . . , um )
dt
dX2
= f2 (X1 , . . . , Xn , u1 , . . . , um )
dt
..
.
dXn
= fn (X1 , . . . , Xn , u1 , . . . , um )
dt

El objetivo es seleccionar las variables de control adecuadas, tal que la ecuación

inicial V (T ) tome su valor máximo desde T = 0 hasta cierto T = T . Para ello se utiliza
una función llamada Hamiltoniana H = φ1 f1 + . . . φn fn , tal que
dφi ∂H
=− (1.37)
dt ∂Xi
y φi (T ) = c1 para i = 1, 2, . . . , n. Por el principio de Pontryagin, al maximizar H se maxi-
miza también V (T ).
1 INTRODUCCIÓN 45

1.6.6. Programación dinámica

La programación dinámica es un método que surgió a finales de los años cincuenta.
Autores de renombre como Bellman en 1957, determinaron que se puede optimizar un
proceso si éste se divide en etapas y se resuelven las llamadas ecuaciones de optima-
lidad [Bellman, 1957]. Estas ecuaciones se aplican en la teorı́a de control óptimo, y son
llamadas ecuaciones de Hamilton-Jacobi-Bellman y el objetivo es encontrar la polı́tica
óptima que maximice o minimice la ecuación de optimalidad bajo ciertas condiciones es-
peciales. De acuerdo con Labadie [Labadie, 2000], la programación dinámica se puede
resumir en los siguientes pasos:
a) Definir las etapas del proceso,
b) Separar las variables de estado y las variables de control,
c) Definir la ecuación de estado,
d) Establecer la función objetivo,
e) Definir las restricciones.
Una vez que el proceso se ha definido en etapas, este proceso se dice que es discreto,
y la ecuación de optimalidad de acuerdo con Merwade [Merwade, 2001] está dada por
fn (xn ) = máx[rn (xn , dn ) + fn−1 (xn−1 )], (1.38)
dn

donde xn es la variable de estado, dn es la variable de decisión, rn es la función de ga-

nancia, n es la etapa, xn−1 es la ecuación de recurrencia para pasar de una etapa a otra
etapa y f0 (x0 ) es el estado inicial conocido.

Para sistemas de embalses, la ecuación anterior está dada por

fi+1 (Si+1 ) = máx[J(Ri , Si ) + fi (Si )], (1.39)
Ri

donde Si representa el almacenamiento, Ri las extracciones, J y f funciones que depen-

den de R y S.

La programación dinámica tiene con ventajas que las funciones objetivos y las restric-
ciones no necesariamente deben ser lineales; la solución puede ser una función o toda
una familia de funciones, y se pueden considerar un gran número de etapas sin que la
dimensión de las ecuaciones crezca en gran medida.

Por otro lado, si los estados se representan mediante un vector Fi (xi1 , xi2 , . . . , xim ), el
valor óptimo de la función se puede calcular considerando la primer componente como
variable y el resto como constantes Fi (x0i1 , x0i2 , . . . , x0im ) y optimizando la primer entrada.
Posteriormente se considera la segunda componente como variable y las demás como
constantes, teniendo ya calculada la primer componente, Fi (x1i1 , xi2 , . . . , x0im ) y ası́ suce-
sivamente, hasta la última componente. El procedimiento deja de aplicarse cuando ya no
hay variaciones significativas entre dos aproximaciones consecutivas, es decir, cuando
Fi (x(k) ) ∼
= Fi (x(k−1) ).
1 INTRODUCCIÓN 46

1.6.7. Método de Berezowsky-Domı́nguez-Fuentes

Como una modificación de la programación dinámica, Berezowsky trabajó un método
que lleva su nombre, en el cual en cada etapa se toman las decisiones necesarias
[Berezowsky, Domı́nguez, 1983]. El algoritmo de la programación dinámica es el siguien-
te:
1) Se define el beneficio en función de la energı́a.
2) Se define el nivel H(1) igual al NAMO, como etapa primera.
3) Se calcula el volumen de extracción para pasar del nivel H(1) al nivel de la segunda
etapa.
4) Se calcula el beneficio del paso anterior.
5) Se determina el volumen de extracción para pasar al siguiente nivel y se calculan
los beneficios, y de esta forma, hasta llegar a la penúltima etapa; considerando
siempre que todo sea óptimo.
6) Se calcula el beneficio acumulado.
7) Se retrocede sucesivamente al nivel determinado en la etapa anterior hasta llegar
a la primera, obteniéndose niveles y volúmenes que maximicen el beneficio anual.
La energı́a que se requiere para pasar de un nivel a otro se calcula de la siguiente ma-
nera:
(Hj + Hj−1 )  V η 
E = 9.81 , (1.40)
2 3600
donde E es la energı́a en cierto intervalo (KWh), V es el volumen que pasa por las turbi-
nas (m3), η la eficiencia del sistema y H la carga del intervalo respectivo (m). Además, el
beneficio se calcula con las siguientes expresiones:

P1 E − M 1
 si E < F
BI,I+1 = P1 E si F < E < F (1 + r) ,

P1 [F (1 + r)] + P2 [E − F (1 + r)] si F (1 + r) < E


donde BI,I+1 es el beneficio al pasar de un nivel a otro ($), E es la energı́a (KWh), M

coeficiente de penalización por déficits, F es la generación mı́nima de energı́a, F (1 + r)
es la energı́a por arriba de la cual se tiene un precio P2 menor que P1 , P1 es el precio que
se paga al generar entre F y F (1 + r) y P2 es el precio que se paga cuando se genera
más que F (1 + r).

Para el caso de sistemas de embalse múltiple, supongamos que tenemos M presas

hidroeléctricas en cascada, y que cada presa tiene n niveles. Se estima el beneficio
de pasar de la etapa k a la etapa k + 1, esto se representa por nk1,j , nk2,j , . . . , nkM,j →
nk+1 k+1 k+1
1,j , n2,j , . . . , nM,j donde j = 1, 2, . . . , n. La diferencia con un sistema hidroeléctrico, es
que antes de pasar de una presa a otra, se optimiza cada nivel, obteniendo los beneficios
totales.
1 INTRODUCCIÓN 47

1.6.8. Programación dinámica estocástica

En este método se combinan las procesos markovianos descritos anteriormente junto
con la programación dinámica, con la diferencia que la transición entre estados es aleato-
ria. De acuerdo con Bellman [Bellman, 1957] y Bertsekas [Bertsekas, 1995] los modelos
markovianos maximizan beneficios esperados, siendo estos últimos calculados a trav́es
de promedios o esperanzas matemáticas. En cada etapa de la programación dinámica,
las decisiones se basan en los costos presentes y en los costos futuros, asumiendo de-
cisiones óptimas para los pasos subsecuentes [Bertsekas, 1995]. Cuando el número de
etapas es finito se conoce como problemas de horizonte finito, y de lo contrario, cuando
las etapas se consideran infinitas, se llaman problemas de horizonte infinito. Las carac-
terı́sticas de este proceso son esencialmente dos: un sistema a tiempo discreto y una
función de costo que aumenta con el tiempo. Un sistema dinámico tiene la forma
xk+1 = fk (xk , uk , wk ), k = 0, 1, . . . , N − 1, (1.41)
donde k son las etapas, xk representan los estados del sistema, uk son las variables de
decisión o control, wk son parámetros aleatorios (que dependen del sistema particular) y
N es el número de etapas. La función de costo depende de los estados, de la decisión y
las variables aleatorias, y se puede representar por
N
X −1
gN (xN ) + gk (xk , uk , wk ), (1.42)
k=0

luego, el proceso de optimización consiste en calcular el promedio o el valor esperado de

los costos tanto presentes o futuros, es decir
( N −1
)
X
E gN (xN ) + gk (xk , uk , wk ) . (1.43)
k=0

El modelo estándar para una presa queda de la siguiente manera

 
IX
tmáx 
ft (St , It+1 ) = máx P [I1 |I2 ][B(Rt ) + ft−1 (St , It )] (1.44)
Rt  
It=0

con St el almacenamiento, It el gasto de entrada, B el beneficio y Rt el agua que sale.

1.6.9. Método de Domı́nguez

Domı́nguez [Domı́nguez, 2000] trabajó con la ecuación de la programación estocásti-
ca y determinó una nueva manera de modelar la descarga de un sistema múltiple. Para
ello, simplificó la ecuación de continuidad como
j = i + x − k, (1.45)
donde j es el volumen al final del intervalo almacenado, i es el volumen al inicio del inter-
valo almacenado, x es el volumen de ingreso y k es el volumen de extracción. Domı́nguez
1 INTRODUCCIÓN 48

[Domı́nguez, 1989] ya habı́a determinado una ecuación de recurrencia a partir de la pro-

gramación dinámica dada por
N S1 X
X N S2
BnK1 ,K2 (i1 , i2 ) = qn,K1 (ii , j1 )qn,K2 (i2 , j2 ) {[bn,K1 (i1 , j1 ) + . . . +
j1 =1 j2 =1
∗
+bn,K1 ,K2 (i1 , j1 , i2 , j2 )] + Bn+1 (j1 , j2 ).
(1.46)

donde

a) BnK1 ,K2 (i1 , i2 ) es el beneficio en la etapa n dadas las polı́ticas de operación K1 y K2 ,

b) qn,K1 (i1 , j1 ) es la probabilidad en cada presa de pasar del estado i al estado j,

∗
c) Bn+1 (j1 , j2 ) es el beneficio esperado óptimo.

Asimismo, Domı́nguez et. al. (2000) reorganizó la ecuación anterior de la siguiente ma-
nera:
N S1 X
X N S2
∗
BnK1 ,K2 = φn,K1 ,K2 (i1 , i2 ) + qn,K1 (ii , j1 )qn,K2 (i2 , j2 )Bn+1 (j1 , j2 ) (1.47)
j1 =1 j2 =1

donde
N S1
X N S2
X
φn,K1 ,K2 (i1 , i2 ) = qn,K1 (i1 , j1 )bn,K1 (i1 , j1 ) + qn,K2 (i2 , j2 )bn,K1 ,K2 (i1 , j1 , i2 , j2 )
j1 =1 j2 =1

es el valor esperado del beneficio en la etapa n. El número N se supone un número muy

grande, y el proceso comienza desde n = N hasta n = 1. La ecuación de beneficio,
es la función objetivo que debe de ser maximizada, para calcular las polı́ticas óptimas.
Además los beneficios son las funciones objetivos que se propusieron de la siguiente
forma
F O = f ac ∗ v ∗ ∆V ∗ H ∗ ef ic − (def ∗ kdef ) − (derr ∗ kderr) (1.48)
donde H es la carga total de acuerdo con la presa hidroeléctrica, f ac es un coeficiente
de conversión dado por 9.81/3600, ef i es la eficiencia de la presa y def y kdef son co-
eficientes de penalización por derrames o déficits. Una vez determinadas las descargas
de la presa, se puede calcular la energı́a generada a través de la expresión

E = f ac ∗ vt ∗ CT ∗ ef ic (1.49)

donde vt es el volumen turbinado y CT es una función que depende de la carga total de

la presa y los niveles de desfogue.

Con la ecuación de recurrencia se obtienen los beneficios asociados a polı́ticas ópti-

mas. Éstas a su vez determinan los volúmenes de descarga, con lo que se pueden es-
tablecer curvas de elevación-gasto y finalmente simular lo que será el beneficio obtenido
1 INTRODUCCIÓN 49

Figura 1.5: Ejemplo de una polı́tica óptima de dos presas

al ejecutarse estas polı́ticas óptimas o extracciones.

En la Figura 1.5 se observa una matriz de polı́ticas de operación, donde se especifican

unidades de volúmenes de descarga. Una vez discretizado el sistema en los respectivos
estados, cada número de la matriz se multiplica por cierta unidad de volumen determi-
nada, y se obtienen los millones de m3 a extraer del sistema. La primer columna son los
estados de la presa 1 y el primer renglón son los estados de la presa 2. Cada intersección
representa la extracción de ambas presas, agrupadas en forma conjunta.

1.7. Objetivos
1.7.1. Objetivo general
Realizar la modelación de la generación de energı́a de presas hidroeléctricas que for-
man un sistema en cascada empleando técnicas de control óptimo para sistemas mar-
kovianos a horizonte infinito a fin de determinar las polı́ticas óptimas de operación en el
embalse.

1.7.2. Objetivos especı́ficos

Los objetivos especı́ficos del presente trabajo son:

1. Modelar los registros históricos mediante distribuciones continuas de probabilidad.

2. Determinar ecuaciones analı́ticas para las curvas guı́a de la CONAGUA.

3. Integrar el Modelo de control de Markov a partir de los estados, acciones, ley de

transición y funciones de ganancia y costo.

4. Calcular los beneficios esperados del sistema en conjunto.

5. Determinar las polı́ticas óptimas de operación en el embalse.

1 INTRODUCCIÓN 50

6. Simular el beneficio total de cada presa a través de las polı́ticas óptimas.

2 MODELACIÓN ESTOCÁSTICA 51

2. Modelación estocástica
2.1. Nociones de probabilidad
2.1.1. La σ-álgebra
En esta primera sección se comenzará con algunas definiciones básicas y la termino-
logı́a necesaria de las herramientas probabilı́sticas que se emplearán a fin de abordar el
problema final. Se empieza con la definición de lo que es una σ-álgebra.

Una colección F de subconjuntos de un conjunto Ω se llama una σ-álgebra si cumple

las siguientes condiciones [Rincón, 2014]:

i) Ω ∈ F.

ii) Si A ∈ F entonces Ac ∈ F.
∞
iii) Si A1 , A2 , . . . ∈ F, entonces ∪ An ∈ F.
n=1

A la pareja (Ω, F) se le llama espacio medible y a los elementos de F se les llama con-
juntos medibles o eventos, donde los conjuntos A que pertenecen a la σ-álgebra F son
los eventos, a los que se les calcularán las probabilidades.

En otras palabras, una σ-álgebra es una colección de subconjuntos de Ω que no es

vacı́a, tal que si un elemento se encuentra, también lo está su complemento y la unión de
sus elementos nuevamente se encuentra en la colección; esto normalmente se enuncia
como la propiedad de ser cerrada bajo complementos y uniones numerables. Con estas
propiedades y las que se derivan de la teorı́a de conjuntos, se garantiza que uniones,
intersecciones, diferencias, etc., vuelvan a ser eventos y no se salgan de la colección de
estudio.

Los espacios medibles se ocupan en diversas áreas de las matemáticas; dentro de la

probabilidad, el espacio Ω es referido como el espacio muestral, y su objetivo es agrupar
a todos los posibles resultados de un experimento o fenómeno aleatorio. Por otro lado, F
representa al conjunto de los eventos a los cuales se les calculará su probabilidad. Cabe
señalar aquı́, que un conjunto dado Ω puede tener diversas σ-álgebras, y la naturaleza
del mismo problema permitirá saber cuál es la más apropiada a tomarse en cuenta.

Algunas de las propiedades más conocidas de las σ-álgebras son las siguientes:

i) ∅ ∈ F.
∞
ii) Si A1 , A2 , . . . ∈ F, entonces ∩ An ∈ F.
n=1

iii) Si A, B ∈ F, entonces A − B ∈ F y A4B ∈ F, donde 4 es la diferencia simétrica,

es decir A4B = (A − B) ∪ (B − A).
2 MODELACIÓN ESTOCÁSTICA 52

iv) La intersección arbitraria de σ-álgebras es nuevamente una σ-álgebra.

Como bien se habı́a mencionado, dado que un espacio muestral Ω puede tener di-
versas σ-álgebras, interesa una en particular, la σ-álgebra más pequeña que contenga
a un conjunto dado, o varios conjuntos dados, y ésta es, la llamada σ-álgebra genera-
da. Especı́ficamente, si C es una colección no vacı́a de subconjuntos de Ω; la σ-álgebra
generada por C, denotada por σ(C), es la colección

σ(C) = ∩{F : F es σ-álgebra y C ⊆ F}. (2.1)

La necesidad de construir σ-álgebras generadas, radica en que naturalmente hay con-

juntos que no tienen esta estructura invariante ante complementos y uniones numerables;
luego, si se presenta tal situación, basta con construir su respectiva σ-álgebra generada.
Además, esta σ-álgebra es la mı́nima que contiene a la colección C, con lo cual, no se
tienen estructuras demasiado grandes, sino únicamente la necesaria para tal fin, y esto
debido, a que se toma la intersección de todas las σ-álgebras, recordando que intuitiva-
mente, la intersección genera un conjunto “mı́nimo”.

Si en particular, el conjunto C consta de todos los invervalos abiertos de la forma (a, b)

tal que a ≤ b, la σ-álgebra generada toma el nombre de σ-álgebra de Borel, denotada
B(R), y a sus elementos se les llama conjuntos de Borel o borelianos [Rincón, 2007].
Cuando se realice la construcción del problema de control óptimo se tomará como base
este tipo de conjuntos. Este conjunto será el eslabón que permita poder unificar en el
mundo de la probabilidad, los eventos cualesquiera con el conjunto de números reales
ya bien conocido.

Una propiedad interesante de la σ-álgebra de Borel, es que también se puede gene-

rar por los intervalos de la forma [a, b], (a, ∞), (−∞, b), [a, b), (a, b], etc. Además que N,
Z y Q también son conjuntos de Borel. Con esto se podrı́a pensar que prácticamente
todos los conjuntos son conjuntos de Borel. La respuesta es negativa, ya que existe un
subconjunto de los números reales que no es un conjunto de Borel, pero esta clase de
conjuntos se sale de lo que está tratando, y en este caso, se considerará nada más a los
borealianos.

La σ-álgebra de Borel se puede extender en forma natural no sólo a los reales, sino a
R2 , R3 , y en general a Rn , de donde surge el concepto de σ-álgebra producto.

2.1.2. Espacios de probabilidad

Una vez definido el espacio muestral Ω y la clase de conjuntos F que es la σ-álgebra,
resta por definir el concepto de medida de probabilidad. Históricamente, el concepto de
probabilidad se podrı́a remontar al siglo XVII entre los matemáticos Blaise Pascal y Pierre
de Fermat. En una serie de cartas que se intercambiaron dieron las primeras pautas de
esta rama de las matemáticas, cuando trataban de solucionar problemas de los juegos de
azar. Pero es hasta inicios del siglo XX cuando a través de A. N. Kolmogorov, incentivado
por un congreso de David Hilbert, se sientan las bases axiomáticas de la probabilidad, y
2 MODELACIÓN ESTOCÁSTICA 53

se le da un tratamiento matemático formal.

La probabilidad surge de la necesidad de modelar los fenómenos donde se necesita

incorporar una incertidumbre. Los modelos estudiados son los experimentos llamados
aleatorios. En la naturaleza se pueden distinguir a grandes rasgos dos tipos de fenóme-
nos, los deterministas y los aleatorios. Los deterministas producen los mismos resultados
cuando se repiten bajo las mismas condiciones, mientras que los aleatorios cambian de
resultado al repetirse. En este sentido un experimento o fenómeno aleatorio debe cumplir
que sea repetible bajo las mismas condiciones iniciales y además su resultado debe ser
variable y depender del azar.

Intuitivamente, la probabilidad de un evento A es la medida de la frecuencia con la que

se observa la ocurrencia de un evento al efectuar el experimento aleatorio una y otra vez.
Esta medida es un número real y generalmente se denota por P (A). La probabilidad se
puede estudiar desde distintos enfoques, tales como la probabilidad clásica, geométrica,
frecuencial, subjetiva o axiomática.

La forma más clara de estudiar la probabilidad es la llamada probabilidad clásica.

Si tomamos un evento A dentro del espacio muestral Ω (siendo ambos conjuntos ma-
temáticos con una cantidad finita de elementos), la probabilidad clásica es el cociente del
número de elementos de A entre el número de elementos de Ω [Rincón, 2007]. En este
enfoque, existe la hipótesis que todos los elementos de Ω son igualmente probables de
ocurrir, o como se dice matemáticamente, es un espacio equiprobable. Esto simplemente
se denota como
]A
P (A) = . (2.2)
]Ω
Las limitaciones de este enfoque, es que muchos conjuntos no son necesariamente
finitos, o el espacio muestral tampoco lo es. Esto llevó a plantear un enfoque más formal
dentro del estudio de la probabilidad, llevando al enfoque axiomático planteado en 1933
por Nicolaevich Kolmogorov. Los axiomas de la probabilidad son los siguientes:

1. P (A) ≥ 0.

2. P (Ω) = 1.
∞ ∞
P
3. P ( ∪ Ak ) = P (Ak ) cuando A1 , A2 , . . . son disjuntos a pares.
k=1 k=1

Estos axiomas están basados en la definición de la probabilidad clásica y de hecho

la probabilidad clásica los satisface. El primer axioma dice que cualquier evento A tiene
probabilidad positiva (es decir ocurre) o tiene probabilidad cero (no ocurre). El segundo
axioma trata que el espacio muestral siempre debe ocurrir. Finalmente, el tercer axioma
dice que la probabilidad de la unión de una colección de eventos que no comparten ele-
mentos es la suma de sus probabilidades individuales.
2 MODELACIÓN ESTOCÁSTICA 54

Los axiomas de la probabilidad llevan a la definición de lo que es una medida de

probabilidad. Sea (Ω, F) un espacio medible; una medida de probabilidad [Ash, 2008] es
una función P : F → [0, 1] que satisface

i) P (Ω) = 1.

ii) P (A) ≥ 0 para toda A ∈ F.

∞ ∞
P
iii) Si A1 , A2 , . . . ∈ F y An ∩ Am = ∅ con n 6= m, entonces P ( ∪ Ak ) = P (Ak ).
k=1 k=1

Luego, toda función P definida sobre una σ-álgebra que tome valores en el intervalo
[0, 1] se llama una medida de probabilidad.

Algunas de las propiedades principales de una medida de probabilidad son las si-
guientes:

1. P (∅) = 0.
n n
P
2. Si A1 , A2 , . . . , An ∈ F son disjuntos a pares, entonces P ( ∪ Ak ) = P (Ak ).
k=1 k=1

3. P (Ac ) = 1 − P (A).

4. Si A ⊆ B entonces P (B − A) = P (B) − P (A).

5. Si A ⊆ B entonces P (A) ≤ P (B).

6. 0 ≤ P (A) ≤ 1.

Las propiedades anteriores se pueden enunciar de la siguiente manera. La primer

propiedad, se refiere a que el evento imposible no ocurre y se le asigna el número 0. La
segunda propiedad, significa que si una colección finita de conjuntos no tiene elementos
en común, entonces calcular la probabilidad de ocurrencia de alguno de ellos, es igual
a sumar las probabilidades de ocurrencia de los eventos. La tercer propiedad enuncia
que la probabilidad de no ocurrencia de un evento, se obtiene restando del número 1, la
probabilidad de ocurrencia. Finalmente, las últimas propiedades hacen referencia a que
la probabilidad es un número que toma valores entre 0 y 1.

2.1.3. Probabilidad condicional y eventos independientes

Por otro lado existen eventos que están sujetos a la ocurrencia o no ocurrencia de
otros eventos. Luego la probabilidad de que ocurra alguno de ellos dependerá del otro.
Este concepto de gran importancia, es lo que se conoce como probabilidad condicional.
En términos matemáticos se define de la siguiente manera. Sean A y B dos eventos
y supongamos que B tiene probabilidad estrictamente positiva, es decir, P (B) > 0. La
2 MODELACIÓN ESTOCÁSTICA 55

probabilidad condicional del evento A dado que ocurrió el evento B, la cual se denota
P (A|B) se define como [Loeve, 1977]

P (A ∩ B)
P (A|B) = . (2.3)
P (B)

Dos resultados fundamentales en la teorı́a de probabilidad son los llamados Teorema

de probabilidad total y Teorema de Bayes [Tucker, 1967]. El Teorema de probabilidad total
enuncia que en un espacio de probabilidad (Ω, F, P ) y dada una partición {A1 , A2 , . . .} de
Ω con probabilidades estrictamente positivas, se cumple que
∞
X
P (B) = P (B|An )P (An ). (2.4)
n=1

De igual manera, el Teorema de Bayes, bajo las mismas suposiciones y además que
P (B) > 0 y dado un m ≥ 1 cumple que

P (B|Am )P (Am )
P (Am |B) = P∞ . (2.5)
n=1 P (B|An )P (An )

Finalmente, la probabilidad es una función con propiedades interesantes como la con-

tinuidad. Estos conceptos se pueden enunciar mediante las siguientes proposiciones.

Proposición. Sea {An : n ∈ N} una sucesión de eventos tales que es A1 ⊆ A2 ⊆ . . ., es

decir, no decreciente. Entonces
∞
P ( ∪ An ) = lı́m P (An ). (2.6)
n=1 n→∞

Proposición. Sea {An : n ∈ N} una sucesión de eventos tales que A1 ⊇ A2 ⊇ . . ., es

decir, no creciente. Entonces
∞
P ( ∩ An ) = lı́m P (An ). (2.7)
n=1 n→∞

Proposición. Sea {An : n ∈ N} una sucesión de eventos convergente al evento A.

Entonces
lı́m P (An ) = P (A). (2.8)
n→∞

Dentro de las propiedades de los eventos a los cuales se les calcularán las probabili-
dades, existe una clase de eventos bastante útil, y son los eventos independientes. Dos
eventos A y B son independientes si P (A ∩ B) = P (A)P (B). Como una consecuencia
directa de esta definición se tiene que

a) Un evento es independiente consigo mismo sı́ y solamente sı́ su probabilidad es 1

ó es 0.

b) Un evento que tiene probabilidad 1 ó 0 es independiente de cualquier otro evento.

2 MODELACIÓN ESTOCÁSTICA 56

c) A y B son independientes si y sólo si A y B c lo son, o Ac y B lo son, o Ac y B c lo

son.

Con esto se puede ver toda una relación entre los eventos que siempre ocurren y los
eventos que no ocurren, concluyendo que siempre se tiene independencia en cuales-
quiera de estos casos. Generalmente se descartan estos eventos llamados triviales y
el enfoque se centra en aquellos cuya probabilidad quede estrictamente en el intervalo
abierto (0, 1).

La noción de independencia se puede extender a más de dos eventos de la siguiente

manera. Los eventos A1 , . . . , An son independientes si se cumplen todas y cada una de
las siguientes condiciones:

P (Ai ∩ Aj ) = P (Ai )P (Aj )

P (Ai ∩ Aj ∩ Ak ) = P (Ai )P (Aj )P (Ak )
..
.
P (A1 ∩ · · · ∩ An ) = P (A1 ) · · · P (An ) (2.9)

De manera más general, una colección infinita de eventos es independiente si cual-

quier subcolección finita lo es. Esto será de vital importancia cuando se establezca la
correlación entre algunos eventos, y determinar el grado de dependencia a partir de
ciertas funciones descritas más adelante. Lo interesante es la generalización de estos
conceptos que funcionan tanto para el caso finito como para el caso infinito.

2.1.4. Variables aleatorias

Una variable aleatoria es una función del espacio muestral en el conjunto de núme-
ros reales que presenta cierta condición llamada medibilidad. Las variables aleatorias
son las funciones que traducen la información entre los espacios muestrales que pueden
ser cualitativos en números que se puedan manipular. Los resultados que ocurran en
el espacio abstracto Ω al final de cuentas son números. De manera más precisa, dado
un espacio medible (Ω, F, P ), una variable aleatoria real es una función X : Ω → R tal
que para cualquier conjunto de Borel B se cumple que su imagen inversa, denotada por
X −1 (B) es un elemento de F, donde recordemos del cálculo básico que la imagen inver-
sa de un conjunto está dada como X −1 (B) := {ω ∈ Ω : X(ω) ∈ B} tal como se observa
en la Figura 2.6.

Debe notarse que al pedir que X −1 (B) ∈ F, se está pidiendo que sean eventos o
que sean elementos de la respectiva σ-álgebra, de tal modo que sean factibles para po-
der calcular sus probabilidades. Se recuerda de la sección anterior, que las medidas de
probabilidad P actúan únicamente en los eventos (elementos de F). Es aquı́, donde se
relacionan entonces los elementos no conocidos de Ω con el ya conocido campo de los
números reales R.
2 MODELACIÓN ESTOCÁSTICA 57

Figura 2.6: Esquema de una variable aleatoria

En este sentido, implı́citamente se están construyendo dos espacios que se desean

que tengan propiedades similares con la medida de probabilidad, el espacio (Ω, F) y el
espacio (R, B(R)), donde el primero es el espacio abstracto que se desea estudiar, posi-
blemente sin ninguna estructura matemática, y el segundo espacio, es el campo de los
reales, con todas las propiedades ya conocidas. Ası́ pues, se desea conocer una nueva
función que actúe como probabilidad en el segundo espacio de los números reales, es-
ta probabilidad, quedará determinada precisamente como PX (B) := X −1 (B), lo cual se
cumple, puesto que X es variable aleatoria. Entonces, matemáticamente hablando, PX
es una función descrita como PX : B(R) → [0, 1], y se le llama la medida de probabili-
dad inducida por X. Con esto se construye un nuevo espacio de probabilidad, a saber
(R, B(R), PX ).

Algunas notaciones que se utilizan para los conceptos de variable aleatoria son X −1 (B),
X −1 B, (X ∈ B), {ω ∈ Ω : X(ω) ∈ B}. En particular, si B = [0, ∞), el conjunto anterior se
puede escribir por
{ω ∈ Ω : X(ω) ∈ [0, ∞)} = X −1 [0, ∞) = X ∈ [0, ∞) = (X ≥ 0). (2.10)
Un resultado equivalente a la definición de una variable aleatoria es la siguiente pro-
posición.

Proposición. Una función X : Ω → R es una variable aleatoria si y sólo si, para cada
x ∈ R se cumple que (X ≤ x) ∈ F.

Este resultado permite entonces determinar qué función es variable aleatoria, única-
mente describiendo los conjuntos (X ≤ x), que son las imágenes inversas, y esto para
cada x ∈ R, y entonces, ya no se necesita comprobar la propiedad que describı́a a las
variables aleatorias por medio de los conjuntos borelianos, los cuales pueden ser más
abstractos. En pocas palabras, sólamente basta comprobar que los intervalos (−∞, 0]
pertenezcan a la σ-álgebra dada.

Es posible preguntarse, qué tipo de funciones son entonces variables aleatorias, o

si únicamente algún tipo de funciones especı́ficas entra dentro de esta categorı́a. El si-
guiente resultado matemático explica cómo construir nuevas variables aleatorias dado
2 MODELACIÓN ESTOCÁSTICA 58

que ya se conoce alguna elemental.

Proposición. Las siguientes funciones cumplen con las caracterı́sticas de variables alea-
torias.

a) La función constante X = c es variable aleatoria.

b) Si X es variable aleatoria y c es una constante entonces cX es una variable aleato-

ria.

c) Si X y Y son variables aleatorias entonces X + Y es variable aleatoria.

d) Si X y Y son variables aleatorias entonces XY es variable aleatoria.

e) Si X y Y son variables aleatorias y Y 6= 0 entonces X/Y es variable aleatoria.

f) Si X es variable aleatoria entonces |X| es variable aleatoria.

Lo anterior permite tratar con más de una variable aleatoria y poder combinarlas a fin
de formar nuevas variables aleatorias. Muchos de los fenómenos que se estudian invo-
lucran a más de un parámetro para calcular, y cada uno de ellos con una naturaleza no
determinista. Es importante saber pues, que muchas de las transformaciones algebraicas
conocidas no afectan la estructura de las variables aleatorias. Además, dado que muchos
experimentos y fenómenos son de naturaleza infinita, es importante conocer conjuntos
de variables aleatorias infinitas. La siguiente proposición resume este hecho.

Proposición. Las siguientes funciones cumplen con caracterı́sticas de variables aleato-

rias.

a) Si X y Y son variables aleatorias, entonces también lo son máx{X, Y } y mı́n{X, Y }.

b) Sea X1 , X2 , . . . una sucesión infinita de variables aleatorias tales que para cada ω ∈
Ω los números sup{X1 , X2 , . . .} e ı́nf{X1 , X2 , . . .} son finitos. Entonces las funciones
sup{Xn : n ≥ 0} e ı́nf{Xn : n ≥ 0} son variables aleatorias.

c) Sea X1 , X2 , . . . una sucesión infinita de variables aleatorias tales que para cada
ω ∈ Ω los números lı́m sup{X1 , X2 , . . .} y lı́m inf{X1 , X2 , . . .} son finitos. Entonces
las funciones lı́m supn→∞ Xn y lı́m inf n→∞ Xn son variables aleatorias.

d) Sea X1 , X2 , . . . una sucesión infinita de variables aleatorias tales que lı́mn→∞ Xn

existe y es finito para cada ω ∈ Ω. Entonces la función lı́mn→∞ Xn es variable alea-
toria.

El inciso a) de este resultado nos permite comparar variables aleatorias en el sentido

de orden, y saber cuál está por arriba o debajo de la otra. Con esto en mente, se puede
extender al iniciso b), donde el supremo y el ı́nfimo se refieren a los valores mayores
y menores que se puedan encontrar ya en una cantidad infinita de variables aleatorias.
2 MODELACIÓN ESTOCÁSTICA 59

En el inciso c) se establecen los conceptos de lı́mites, recordando que no son más que
intersecciones y uniones de conjuntos, de manera más formal
∞ ∞
lı́m sup An = ∩ ∪ Ak (2.11)
n→∞ n=1 k=n

∞ ∞
lı́m sup An = ∪ ∩ Ak (2.12)
n→∞ n=1 k=n

Además, si el lı́mite superior y el lı́mite inferior coinciden, se dice que existe el lı́mite, con
lo que ya tiene sentido el inciso d).

2.1.5. Función de distribución

Cada variable aleatoria siempre tiene asociada una función que determina sus propie-
dades. Dicha función se llama la función de distribución. Esta función toma valores reales
y los manda al intervalo [0, 1], es decir, F (x) : R → [0, 1] y además F (x) = P (X ≤ x).

Dentro de las propiedades más conocidas de una función de distribución se encuen-

tran las siguientes:
a) lı́mx→∞ F (x) = 1.

b) lı́mx→−∞ F (x) = 0.

c) Si x1 ≤ x2 entonces F (x1 ) ≤ F (x2 ).

d) F (x) es continua por la derecha.

Nótese pues, que las condiciones a) y b) indican que una función de distribución tien-
de a 1 y a 0, cuando se alejan a infinito y menos infinito respectivamente; mientras que el
inciso c) afirma que es una función no decreciente. Además, dada la definición a través
de probabilidades, las funciones de distribución son no negativas, y aunque no son con-
tinuas, al menos si preservan la continuidad por la derecha, dado el inciso d).

Las funciones de distribución pueden ser continuas o discretas dependiendo los valo-
res que tomen en el eje real X. La figura 2.7 muestra cada uno de los dos casos, y aquı́
se observan en forma más clara las propiedades anteriores, como el hecho de que son
crecientes y toman el valor de 0 en menos infinito y el valor de 1 en más infinito.

La importancia de la función de distribución radica en el hecho de poder calcular pro-

babilidades. Esto se observa en el siguiente resultado.

Proposición. Sea X una variable aleatoria con función de distribución F (x). Para cua-
lesquiera números reales a < b se cumple que:
a) P (X < a) = F (a−).

b) P (X = a) = F (a) − F (a−).
2 MODELACIÓN ESTOCÁSTICA 60

Figura 2.7: Función de distribución continua y discreta

c) P (a < X ≤ b) = F (b) − F (a).

d) P (a ≤ X ≤ b) = F (b) − F (a−).

e) P (a < X < b) = F (b−) − F (a).

f) P (a ≤ X < b) = F (b−) − F (a−).

donde la notación F (a−) indica que se toma el lı́mite lateral por la izquierda.

2.1.6. Función de densidad y probabilidad

Una variable aleatoria X puede ser discreta o continua, dependiendo si su función de
distribución es discreta o continua. En caso de ser discreta, significa que existen puntos
x1 , x2 , . . . donde la función F (x) es discontinua, y el tamaño de las discontinuidades viene
dado por P (X = xi ) = F (xi ) − F (xi −). A la función f (x) que indica estos incrementos y
que se construye como
(
P (X = x) si x = x1 , x2 , . . .
f (x) =
0, otro caso

se le llama la función de probabilidad o función de masa de la variable aleatoria X

([Loeve, 1977]). Por otro lado, en caso de ser continua la variable aleatoria X, se lla-
ma absolutamente continua si existe una función no negativa e integrable f tal que para
cualquier valor de x se cumple que
Z x
F (x) = f (u)du. (2.13)
−∞

A esta función f se le llama función de densidad de X.

Una función de probabilidad o también llamada función de masa cumple con las si-
guientes propiedades:

a) f (x) ≥ 0, para toda x ∈ R.

2 MODELACIÓN ESTOCÁSTICA 61

P
b) x f (x) = 1.

Análogamente la función de masa cumple con lo siguiente:

a) f (x) ≥ 0, para toda x ∈ R.

R∞
b) −∞ f (x)dx = 1.

Esto nos indica que el área bajo la curva de la función de densidad es precisamente la
probabilidad de todo el conjunto Ω, es decir, P (Ω) = 1. Geométricamente, el cálculo de
probabilidades de intervalos se reduce ahora al cálculo de áreas bajo curvas para las
funciones de densidad continuas, mientras que para las funciones discretas, las probabi-
lidades son las imágenes precisamente de la función.

Las funciones de probabilidad y de densidad se relacionan con las funciones de distri-

bución que a su vez se relacionan con el cálculo de probabilidades. En este caso, basta
con conocer alguna de las funciones anteriores para poder determinar todas las propie-
dades de una variable aleatoria.

Finalmente, si X es absolutamente continua con función de distribución F (x) y su

función de densidad continua f (x), entonces por el Teorema Fundamental del Cálculo
se puede ver que F 0 (x) = f (x); y además, la probabilidad de que X tome un valor en el
intervalo (a, b) es el área bajo la función de densidad sobre dicho intervalo, tal como se
muestra en la Figura 2.8.

Figura 2.8: Área bajo la curva y la función de densidad

Es decir, la integral de la función de densidad permite el cálculo de la función de

distribución; mientras que la derivada de la función de distribución da como resultado la
función de densidad.
2 MODELACIÓN ESTOCÁSTICA 62

2.1.7. Integral de Riemann-Stieltjes

Un tratamiento de las funciones de distribución a nivel matemático se puede reali-
zar mediante la llamada integral de Riemann-Stieltjes ([Ash, 2008]). La construcción de
esta integral es análoga a la integral conocida de Riemann del cálculo integral básico.
En la integral de Riemann, se aproximaba el área bajo una curva mediante rectángulos,
haciéndolos cada vez más finos, y realizando la sumatoria sobre todos ellos. La aproxi-
mación se puede realizar tanto por arriba como por debajo de la curva. En la integral de
Riemann-Stieltjes, ahora se cuentan con dos funciones a integrar, donde una se integra
con respecto de la otra.

En primer lugar se define lo que es una partición del intervalo [a, b] como un conjunto
finito de puntos P = {a = x0 , x1 , . . . , xn = b} donde xi−1 < xi para todo i = 1, 2, . . . , n.
Dentro de esta partición se toman los puntos ci ∈ [xi−1 , xi ]. Nótese que una partición
induce subintervalos dentro del intervalo original como se observa en la Figura 2.9.

Figura 2.9: Partición de un intervalo

Considerando ahora los subintervalos (xi−1 , xi ] y definamos

g(xi ) = sup{g(x) : xi−1 < x ≤ xi }

y
g(xi ) = ı́nf{g(x) : xi−1 < x ≤ xi }.
Se define la suma superior e inferior de Riemann-Stieltjes de la siguiente manera:
n
X
Sn = h(xi )[F (xi ) − F (xi−1 )], (2.14)
i=1

y
n
X
Sn = h(xi )[F (xi ) − F (xi−1 )]. (2.15)
i=1

Dadas las funciones g, F : [a, b] → R y P una partición, y los puntos respectivos ci , se

define además la suma parcial de Riemann-Stieltjes como
n
X
S(P, g, F ) = g(ci )(F (xi ) − F (xi−1 )). (2.16)
i=1

La suma de Riemann-Stieltjes se puede observar en la Figura 2.10. Por otro lado,

si P es una partición del intervalo [a, b] se define la norma de dicha partición como
2 MODELACIÓN ESTOCÁSTICA 63

Figura 2.10: Suma de Riemann-Stieltjes

kP k = máx{xi − xi−1 : i = 1, 2, . . . , n}. En otras palabras, la norma de una partición

es la longitud más grande de todos los subintervalos que induce la partición. Con esto en
mente, dadas las funciones g, F : [a, b] → R se dice que lı́mkP k→0 S(P, g, F ) = I si y úni-
camente si para cualquier número positivo  > 0 existe otro número positivo δ > 0 tal que
para toda partición P de [a, b] que cumple que kP k < δ se tiene que |S(P, g, F ) − I| < .

Finalmente, la integral de Riemann-Stieltjes se define de la siguiente manera. Si g, F :

[a, b] → R y lı́mkP k→0 S(P, g, F ) = I, se dirá que la integral de Riemann-Stieltjes de g con
respecto de F existe y su valor es I. En este caso, se denota por
Z b Z b
gdF = g(x)dF (x). (2.17)
a a

Cuando la función g(x) no es acotada se hace uso de la función auxiliar


−N si g(x) < −N,

gN (x) = g(x) si |g(x)| ≤ N,

N si g(x) > N.


Y entonces se define Z b Z b
g(x)dF (x) = lı́m hN (x)dF (x) (2.18)
a N →∞ a
cuando este lı́mite existe. Además, se puede extender la definición de esta integral de la
siguiente forma
Z ∞ Z b
g(x)dF (x) = lı́m g(x)dF (x), (2.19)
−∞ a,b→∞ a

siempre y cuando el lı́mite exista y esté bien definido.

Al igual que la integral de Riemann del cálculo tradicional, la integral de Riemann-

Stieltjes preserva propiedades de linealidad, como se enuncia a continuación.
2 MODELACIÓN ESTOCÁSTICA 64

Proposición. Sean g, g1 , g2 funciones y F, F1 , F2 otras funciones, con α ∈ R, luego es

válido lo siguiente:
Rb Rb Rb
a) a (αg1 (x) + g2 (x))dF (x) = α a g1 (x)dF (x) + a g2 (x)dF (x).
Rb Rb Rb
b) a g( x)d(αF1 (x) + F2 (x)) = α a g(x)dF1 (x) + a g(x)dF2 (x).

Las funciones de distribución se relacionan estrechamente con la Integral de Riemann-

Stieltjes de la siguiente manera.

Teorema. Si g : [a, b] → R es continua y F : [a, b] → R es monótona (creciente o decre-

ciente) entonces ([Loeve, 1977]):
Rb
a) a gdF existe.

b) Si además F es derivable donde F 0 (x) = f (x) para toda x ∈ [a, b] y f se puede

Rb Rb
integrar en el sentido de Riemann, entonces a g(x)dF (x) = a g(x)f (x).

En el contexto probabilı́stico se observa que la función F cumple con las propiedades

de una función de distribución, pues es creciente en particular y su derivada coincide en
el caso continuo con la función de distribución f . Hablar de una integral de Riemann-
Stieltjes entonces, es hablar del cálculo de funciones de distribución y por lo tanto, hablar
de probabilidades.

2.1.8. Esperanza matemática y varianza

Debido al carácter aleatorio de muchos experimentos y fenómenos, las posibilidades
que pueden ocurrir pueden ser desde finitas hasta infinitas, luego entonces, se necesita
de una herramienta que permita contemplar a cada una de ellas. Esta herramienta es
lo que se conoce como la esperanza matemática, que en otras ocasiones se le llama
el promedio o el valor esperado. Matemáticamente, si X es una variable aleatoria con
función de distribución F (x), la esperanza de X, la cual se denota por E(X) se define
como el número Z ∞
E(X) = xdF (x), (2.20)
−∞
R∞
siempre que −∞ |x|dF (x) < ∞, es decir, la integral sea absolutamente convergente. En
este caso se dice que la variable aleatoria X es integrable, o bien, que X tiene esperanza
finita.

Con frecuencia surge el problema de calcular esperanzas de funciones de variables

aleatorias, es decir, si X es una variable aleatoria y g : R → R es una función de las
llamadas borel medibles entonces g(X) también es una variable aleatoria, y ahora el
problema es encontrar su esperanza. Por medio de la definición previa, la esperanza de
g(X) se calcuları́a como Z ∞
E[g(X)] = xdFg(X) (x), (2.21)
−∞
2 MODELACIÓN ESTOCÁSTICA 65

pero ello requiere encontrar primero la distribución de g(X), lo cual no es sencillo en la

mayorı́a de los casos. Es por ello que se cuenta con el siguiente resultado:

Teorema. Sea X con función de distribución FX (x) y sea g : R → R una función Borel
medible tal que g(X) tiene esperanza finita. Entonces
Z ∞
E[g(X)] = g(x)dFX (x). (2.22)
−∞

Si X es una variable aleatoria discreta con función de probabilidad f (x), la esperanza

de X, en caso de existir, se calcula como
X
E(X) = xf (x). (2.23)
x

Mientras que si X es absolutamente continua con función de densidad f (x), su esperan-

za, nuevamente en caso de existir, se calcula como
Z ∞
E(X) = xf (x)dx. (2.24)
−∞

Se observa pues que la esperanza matemática comparte propiedades con las inte-
grales conocidas de Riemann, más aún, con la integral de Riemann-Stieltjes. Es por ello
que la esperanza tiene las siguientes propiedades:

a) Si c es una constante entonces E(c) = c.

b) E(cX) = cE(X).

d) Si X ≥ 0, entonces E(X) ≥ 0.

d) Si X ≤ Y , entonces E(X) ≤ E(Y ).

e) E(X + Y ) = E(X) + E(Y ).

Todas estas propiedades se desprenden precisamente de la linealidad de la integral

de Riemann-Stieltjes, al poder separar sumas finitas y además poder “sacar”los escala-
res del integrando.

Por otra parte, existe otra medida que indica cuánta dispersión existe en los datos
de una variable aleatoria. Esto se conoce como la varianza. La varianza de una variable
aleatoria X, denotada por V ar(X), se define como V ar(X) = E(X − E(X))2 . Depen-
diendo el caso en que X es discreta o continua, la varianza se puede expresar como:

a) V ar(X) = x (x − µ)2 f (x), con f la función de probabilidad y µ la esperanza de X.

P
R∞
b) V ar(X) = −∞ (x − µ)2 f (x)dx con f la función de densidad.
2 MODELACIÓN ESTOCÁSTICA 66

A la raı́z cuadrada positiva de V ar(X) se le llama la desviación estándar y normal-

mente se denota por σ.

Si X y Y son variables aleatorias con varianza finita, y c es una constante, la varianza

tiene las siguientes propiedades:
a) V ar(X) ≥ 0.

b) V ar(c) = 0.

c) V ar(cX) = c2 V ar(X).

d) V ar(X + c) = V ar(X).

e) V ar(X) = E(X 2 ) − E 2 (X).

f) En general, V ar(X + Y ) 6= V ar(X) + V ar(Y ).

Finalmente, la distribución de probabilidad asociada a cierta variable aleatoria se pue-
de describir mediante los momentos ([Tucker, 1967]). Si X es una variable aleatoria dada,
con esperanza µ y n es un número natural, se definen:
a) E(X n ) como el n-ésimo momento de X.

b) E|X n | como el n-ésimo momento absoluto de X.

c) E[(X − µ)n ] como el n-ésimo momento central de X.

c) E|(X − µ)n | como el n-ésimo momento central absoluto de X.

El estudio de las variables aleatorias no estarı́a completo sin la correspondiente des-
cripción de la herramienta llamada esperanza condicional. La esperanza condicional to-
ma importancia cuando se emplean distribuciones de probabilidad condicionales y está
ligada al concepto de probabilidad condicional. Sea (Ω, F, P ) un espacio de probabilidad,
con P la medida de probabilidad, si X es una variable aleatoria con esperanza finita y
G es una sub-σ-álgebra de F, la esperanza condicional de X dado G es una variable
aleatoria denotada por E(X|G) tal que cumple las siguientes propiedades:
a) Es G-medible.

b) Tiene esperanza finita.

c) Para cualquier evento G ∈ G

Z Z
E(X|G)dP = XdP. (2.25)
G G

Algunas consideraciones que se emplearán más adelante son las siguientes:

1. Cuando la σ-álgebra G es igual a σ(Y ), para alguna variable aleatoria Y , la espe-
ranza condicional se escribe simplemente como E(X|Y ), en lugar de E(X|σ(Y )).
2 MODELACIÓN ESTOCÁSTICA 67

2. Si A es un evento, entonces la esperanza condicional E(1A |G) se denota por P (A|G).

Para terminar este apartado de la esperanza condicional se enuncian algunas propie-

dades que cumple esta nueva variable aleatoria definida anteriormente.

Proposición. Sean X y Y variables aleatorias con esperanza finita y c una constante.

Entonces

a) Si X ≥ 0 entonces E(X|G) ≥ 0.

b) E(cX + Y |G) = cE(X|G) + E(Y |G).

c) Si X ≤ Y , entonces E(X|G) ≤ E(Y |G).

d) E(E(X|G)) = E(X).

e) Si X es G-medible, entonces E(X|G) = X casi seguramente.

2.2. Procesos estocásticos

Dado un conjunto de posibles estados previamente dados, un sistema se puede ca-
racterizar por estar en alguno de ellos. Supóngase que a lo largo del tiempo, el sistema
evoluciona por los estados con una ley conocida, y sea Xt precisamente el estado del
sistema en el tiempo t. Si la forma de evolución del sistema depende del azar y no de una
ecuación determinista, se puede considerar a Xt como una variable aleatoria. Luego, la
evolución del sistema se puede representar por cada uno de sus estados Xt , las cuales
puede depender o no entre ellos, aunque sı́ estén relacionados de alguna forma en par-
ticular. El cómo dependan entre sı́ dará una carterización de este conjunto de variables
aleatorias.

Matemáticamente hablando, se puede considerar a un conjunto no vacı́o Ω, una σ-

álgebra F y una medida de probabilidad P , para formar un espacio de probabilidad
(Ω, F, P ). Dentro de este espacio, un proceso estocástico es una colección de varia-
bles aleatorias {Xt : t ∈ T } parametrizada por un conjunto T , que se le conoce como
espacio parametral, donde las variables se toman sobre un conjunto S llamado espacio
de estados. Lo más común es tomar al conjunto T como un conjunto discreto {1, 2, 3, }
y pensar en él como tiempos. Esto es lo que se llama un proceso a tiempo discreto, y
suele denotarse por {Xn : n = 0, 1, 2, }. Pero si el espacio parametral es un conjunto con-
tinuo T = [0, ∞), se dice que el proceso es a tiempo continuo y se denota por {Xt : t ≥ 0}.

Un proceso estocástico, también denominado proceso aleatorio, se puede tomar co-

mo una función de dos variables X : T × Ω → S donde al par (t, ω) se le asocia el estado
X(t, ω), en ocasiones denotado Xt (ω) ([Rincón, 2012]). Para cada valor de t ∈ T , la fun-
ción ω 7→ Xt (ω) es una variable aleatoria, mientras que para cada ω ∈ Ω fijo, ω 7→ Xt (ω)
es una trayectoria del proceso. Si A es un conjunto de estados, el evento (Xn ∈ A) co-
rresponde a la situación en donde al tiempo n el proceso toma algún valor dentro del
2 MODELACIÓN ESTOCÁSTICA 68

conjunto A.

Si se consideran diversas posibilidades de los espacios parametrales, existen distin-

tos tipos de procesos estocásticos; esto, junto con las trayectorias posibles, los espacios
de estados y la forma en la que dependen unos de otros, es lo que establece la particu-
laridad de cada proceso estudiado. Alguno de tales procesos se describen brevemente a
continuación.

Procesos de ensayos independientes. Si las variables aleatorias son independientes

y T es discreto, un proceso de ensayos independientes es aquél donde el fenómeno o
experimento es el mismo y los resultados no dependen de resultados pasados o futuros
del proceso.

Procesos de Markov. Un proceso de Markov es un modelo donde una vez que se conoce
el estado actual del sistema, los estados pasados no influyen en los estados futuros
del sistema. Matemáticamente, una propiedad se dice markoviana si dados los estados
x0 , x1 , . . . , xn−1 , xn , xn+1 , se tiene que

P (Xn+1 = xn+1 |X0 = x0 , . . . , Xn = xn ) = P (Xn+1 = xn+1 |Xn = xn ). (2.26)

Es interesante notar que los sistemas dinámicos deterministas se pueden expresar me-
diante modelos markovianos, pues la evolución del sistema se determina por una posi-
ción inicial y su ley de transición.

Procesos con incrementos independientes. Dentro de los procesos estocásticos a

tiempo continuo, los procesos independientes, son aquellos para los que en cualquier
tiempo 0 ≤ t1 < t2 < · · · < tn se cumple que Xt1 , Xt2 − Xt1 , . . . , Xtn − Xtn−1 son indepen-
dientes.

Procesos estacionarios. Un proceso estocástico a tiempo continuo es estacionario si

para cualesquiera tiempos t1 , . . . , tn la distribución del vector (Xt1 , . . . , Xtn ) es la misma
que la del vector (Xt1 +h , . . . , Xtn +h ), con h > 0.

Procesos con incrementos estacionarios. Un proceso estocástico a tiempo continuo

tiene incrementos estacionarios si para cualesquiera tiempos s < t y para cualquier h > 0,
las variables Xt+h − Xs+h y Xt − Xs tienen la misma distribución de probabilidad.

Martingalas. Una martingala a tiempo discreto es un proceso que cumple la condición

E(Xn+1 : X0 = x0 , . . . , Xn = xn ) = xn . (2.27)

Procesos de Lévy. Un proceso estocástico a tiempo continuo se dice de Lévy si sus

incrementos son independientes y estacionarios; dentro de ellos se encuentra el Movi-
miento Browniano y el proceso de Poisson.
2 MODELACIÓN ESTOCÁSTICA 69

Procesos Gausiannos. Un proceso estocástico a tiempo continuo se dice Gausiano si

para cualquier conjunto finito de tiempos t1 , . . . , tn se cumple que el vector (Xt1 , . . . , Xtn )
tiene distribución normal o gausiana multivariada.

2.3. Cadenas de Markov y probabilidades de transición

Andrey Markov, nacido en Rusia en 1856, fue el primero en introducir las llamadas
cadenas de Markov mientras analizaba la frecuencia con la que aparecı́an las vocales
en diversos textos literarios [Rincón, 2012]. Su modelo pudo extrapolar problemas pro-
babilı́sticos que hasta el momomento no se habı́an estudiado y además lo pudo realizar
con un modelo relativamente sencillo. La teorı́a matemática de las cadenas de Markov
han llegado a diversas áreas no sólo de las matemáticas, sino incluso al campo de las
ciencias sociales.

Una cadena de Markov es un proceso estocástico a tiempo discreto, es decir, {Xn :

n = 0, 1, 2, . . . , }, con espacio de estados discreto tal que cumple
p(xn+1 |x0 , . . . , xn ) = p(xn+1 |xn ), (2.28)
para cualquier n ≥ 0 y para cualesquiera estados x0 , . . . , xn+1 , es decir, la probabilidad de
ocurrencia del estado xn+1 , dado los estados x0 , . . . , xn , sólo depende del estado xn . A
la ecuación anterior se le conoce como la propiedad markoviana o propiedad de Markov.
De algún modo, los procesos markovianos no tienen memoria de lo ocurrido. De acuerdo
con esto, n se considera el tiempo presente, n + 1 el tiempo futuro y 0, 1, . . . , n − 1 los
tiempos pasados. Consideraremos al espacio de estados de una cadena de Markov al
conjunto discreto {0, 1, 2, . . .}.

Por otro lado supongamos que i y j son dos estados. A la probabilidad condicional
P (Xn+1 = j|Xn = i) (2.29)
se le llama probabilidad de transición del estado i en el tiempo n al estado j en el tiempo
n + 1, y se denota simplemente como pij (n, n + 1). Si ocurriese que pij (n, n + 1) no de-
pendiese de n, se dice que la cadena es estacionaria en el tiempo.

Además, si se varı́an los ı́ndices i y j sobre el conjunto de estados {0, 1, 2, . . .}, se

obtiene una matriz, llamada matriz de probabilidades de transición. La entrada (i, j) de
dicha matriz es la probabilidad de transición pij , es decir, la probabilidad de pasar del
estado i al estado j en una unidad de tiempo.
 
p00 p01 p02 · · ·
P =  p10 p11 p12 · · ·  . (2.30)
 
.. .. ..
. . .
Se sabe de la teorı́a de los procesos estocásticos que la matriz de probabilidades de
transición P = (pij ) cumple las siguientes dos propiedades:
2 MODELACIÓN ESTOCÁSTICA 70

a) pij ≥ 0.
P
b) j pij = 1.

Estas dos propiedades forman lo que se llama una matriz estocástica. El segundo
inciso dice que a partir de cualquier estado i con probabilidad uno, la cadena pasa nece-
sariamente a algún elemento del espacio de estados al siguiente momento.

Finalmente, una distribución inicial para una cadena de Markov con espacio de estado
discreto, es una distribución de probabilidad sobre el conjunto {0, 1, 2, . . .}, es decir, es
una colección de números p0 , p1 , p2 , . . . no negativos y que suman uno, donde pi repre-
senta la probabilidad de que la cadena inicie en el estado i [Basu, 2003].

2.4. Programación dinámica

Se verá ahora qué ocurre cuando se necesita tomar decisiones por etapas. El objetivo
es optimizar ciertos costos mediante expresiones analı́ticas. El balance entre los costos
bajos en un presente y los costos altos en un futuro juegan un papel fundamental en
el planteamiento de las hipótesis para desarrollar la teorı́a. Aquı́ aparece la programa-
ción dinámica; las decisiones toman en cuentan la suma de los costos presentes y el
promedio esperado de los costos futuros, buscando un camino óptimo por cada etapa
[Bellman, 1957].

Un modelo de programación dinámica tiene dos caracterı́sticas principales: un siste-

ma dinámico discreto y una función de costo aditiva con el paso del tiempo. El sistema
dinámico tiene la forma [Bertsekas, 1995]
xk+1 = fk (xk , uk , wk ), k = 0, 1, . . . , N − 1, (2.31)
donde
k es el ı́ndice del tiempo discreto,
xk el estado del sistema al tiempo k,
uk es la variable de decisión,
wk es la variable de ruido o disturbio,
N es el número de veces donde se aplica el control, también llamado el horizonte.

La función de costo, que ya se mencionó que es aditiva se denota por gk (xk , uk , wk ), y

el costo total es
N
X −1
gN (xN ) + gk (xk , uk , wk ). (2.32)
k=0

Debido al ruido ocasionado por la variable aleatoria wk , la función de costo es una

variable aleatoria también y para poder optimizarla debe ser mediante un promedio o
una esperanza matemática [Guerrero, 2009], es decir
( N −1
)
X
E gN (xN ) + gk (xk , uk , wk ) . (2.33)
k=0
2 MODELACIÓN ESTOCÁSTICA 71

El estado xk puede ser tomado dentro de un conjunto discreto o un conjunto continuo,

esto depederá de la naturaleza del problema o fenómeno que se estudie. Para los casos
discretos, generalmente se tratan mediante probabilidades de transición entre dichos es-
tados, en este caso, se necesita conocer pij (u, k), lo cual representa la probabilidad en el
tiempo k para pasar del estado i al estado j por medio de la decisión u, es decir

pij (u, k) = P (xk+1 = j|xk = i, uk = u). (2.34)

Estos sistemas pueden ser descritos también en términos de ecuaciones de la forma

xk+1 = wk , donde la distribución de probabilidad del parámetro wk está dada por

P (wk = j|xk = i, uk = u) = pij (u, k). (2.35)

Recı́procamente, dado un sistema de estados discretos de la forma xk+1 = fk (xk , uk , wk )

junto con una distribución de probabilidad Pk (wk |xk , ux ) de wk , se puede tener una pro-
babilidad de transición equivalente que está dada por

pij (u, k) = Pk {Wk (i, u, j)|xk = i, uk = u}, (2.36)

donde W (i, u, j) se define como

Wl (i, u, j) = {w| j = fk (i, u, w)}. (2.37)

Nuevamente, la naturaleza del problema indicará el tratamiento que se debe dar, si

es en término de ecuaciones de diferencias o en término de probabilidades de transición.
En este sentido, supóngase que se tiene el sistema dinámico a tiempo discreto xk+1 =
fk (xk , uk , wk ), k = 0, 1, . . . , N − 1,, donde el estado xk es un elemento del espacio de
estados Sk , el control uk es un elemento del espacio de controles o decisiones Ck , y el
disturbio wk es un elemento del espacio Dk . El control uk se restringe a tomar valores úni-
camente dentro de un conjunto de valores admisibles U (xk ) ⊂ Ck , el cual dependerá del
estado actual xk , es decir, uk ∈ Uk (xk ) para toda xk ∈ Sk y para toda k. Por otro lado, la
variable wk se puede caracterizar por una distribución de probabilidad Pk (·|xk , uk ), la cual
dependerá estrictamente de los estados y decisión xk y uk , pero no de w0 , w1 , . . . , wk−1 .

Dentro de este mismo sistema considérese la clase de polı́ticas de control o también

llamadas leyes de control, las cuales serán una sucesión de funciones π = {µ0 , . . . , µN −1 },
donde µk es una función que transforma estados xk en controles uk , es decir, uk = µk (xk ),
y además µk (xk ) ∈ Uk (xk ) para toda xk (Sk ). A estas polı́ticas también se le llaman polı́ti-
cas admisibles [Karloff, 2009].

Dado un estado inicial x0 y una polı́tica admisible π = {µ0 , . . . , µN −1 } la ecuación

ya antes mencionada xk+1 = fk (xk , uk , wk ), k = 0, 1, . . . , N − 1, vuelve a xk y wk va-
riables aleatorias con distribuciones bien definidas. Ası́, dadas las funciones gk , con
k = 0, 1, . . . , N , el costo esperado Jπ (x0 ) dado por
( N −1
)
X
Jπ (x0 ) = Ewk gN (xN ) + gk (xk , µk (xk ), wk ) , k = 0, 1, . . . , N − 1 (2.38)
k=0
2 MODELACIÓN ESTOCÁSTICA 72

es una cantidad definida de manera correcta [Vanderbei, 2007].

Para un estado inicial x0 , una polı́tica óptima π ∗ es aquella que minimiza el costo, esto
es
Jπ∗ (x0 ) = mı́n Jπ (x0 ), (2.39)
π∈Π

donde Π es el conjunto de polı́ticas admisibles. Pese a que se parte del estado inicial
x0 , la programación dinámica nos dice que es posible encontrar una polı́tica π ∗ que sea
óptima para cualquier estado inicial del sistema. El costo óptimo depende del estado
inicial x0 y se denota por J ∗ (x0 ), luego

J ∗ (x0 ) = mı́n Jπ (x0 ). (2.40)

π∈Π

En ocasiones J ∗ se ve como una función que asigna a cada estado inicial x0 un costo
óptimo J ∗ (x0 ) y se llama la función de costo óptimo.

2.5. El algoritmo de la programación dinámica

La programación dinámica introducida por Bellman parte del llamado principio de op-
timalidad. El principio de optimalidad enuncia lo siguiente.

Principio de optimalidad. Sea π ∗ = {µ∗0 , µ∗1 , . . . , µ∗N −1 } una polı́tica óptima para el proble-
ma básico y supóngase que el estado xi ocurre en el tiempo i con probabilidad positiva,
cuando se emplea la polı́tica π ∗ . Considérese además que se está en el estado xi al
tiempo i y se desea minimizar el costo del tiempo i al tiempo N dado por
( N −1
)
X
E gN (xN ) + gk (xk , µk (xk ), wk ) . (2.41)
k=i

Luego, la polı́tica truncada {µ∗i , µ∗i+1 , . . . , µ∗N −1 } es óptima para este último propósito.

En otras palabras, una polı́tica óptima que minimiza un costo en general, también es
óptima en cada una de sus partes que forman el total. Esta es la parte medular de la
programación dinámica. Este principio permite seccionar un problema en cierto número
de pasos, garantizando que la optimalidad no se pierda en cada uno de ellos. Matemáti-
camente, esto se enuncia a través de la siguiente proposición.

Proposición. Para cada estado inicial x0 , el costo óptimo J ∗ (x0 ) del problema básico es
igual a J0 (x0 ), donde la función J0 está dada por el último paso del siguiente algoritmo en
retroceso desde el tiempo N − 1 al tiempo 0:

JN (xN ) = gN (xN ), (2.42)

Jk (xk ) = mı́n Ewk {gk (xk , uk , wk ) + Jk+1 (fk (xk , uk , wk ))} , k = 0, 1, , N − 1, (2.43)
uk ∈Uk (xk )
2 MODELACIÓN ESTOCÁSTICA 73

donde la esperanza se toma con respecto a la distribución de probabilidad de wk , la

cual depende de xk y uk . Además, si u∗k = µ∗k (xk ) minimiza el lado derecho de la ecuación
anterior para cada xk y para cada k, la polı́tica π ∗ = {µ∗0 , . . . , µ∗N −1 } es óptima.

Este algoritmo también conocido como algoritmo backward, es un algoritmo de re-

troceso en el tiempo para el cuál se desconocen las condiciones del presente, dada la
aleatoriedad de la distribución inicial. Por esta razón se comienzan los cálculos a partir
de un tiempo futuro, donde se suponen los beneficios nulos, e iterativamente se calculan
los beneficios en retroceso.

2.6. Control estocástico

En los procesos de control estocástico existen dos criterios a horizonte infinito en los
que se engloban los problemas de control óptimo: los criterios descontados y los crite-
rios de promedio ergódico. Estos criterios se complementan pese a sus diferencias; los
criterios descontados se desarrollan principalmente al inicio de los perı́odos de tiempo,
mientras que los criterios de promedio ergódico su papel principal se nota más conforme
avanza el tiempo.

Cuando el espacio de estados se vuelve más abstracto, surgen los llamados pro-
blemas de control markoviano a tiempo discreto sobre espacios Borel medibles, éstos
serán descritos más adelante. Para optimizar estos procesos se puede emplear la llama-
da ganancia esperada promedio y la ganancia descontada promedio, donde es posible
considerar el problema con o sin restricciones sobre un número finito de costos espera-
dos promedio y costos descontados promedios, respectivamente.

Esta clase de problemas aparecen en diversas ramas de las matemáticas formando

una clase importante de problemas en control estocástico con aplicaciones en diferentes
áreas, desde la economı́a, lı́neas de espera, procesos epidemiológicos, investigación de
operaciones, entre otros.

Existen diversas técnicas para analizar los problemas con restricciones. Dentro de
estas se encuentra el método directo, la programación lineal y el método de desvaneci-
miento.

Método directo. En este tipo de planteamiento, el problema original con restricciones se

transforma mediante cierto tipo de medidas en un problema de optimización equivalente,
definido sobre un espacio de medidas adecuados. Este método trabaja sobre espacios
llamados compactos, en los cuales existen máximos y mı́nimos.

Programación lineal. En este método se emplean espacios vectoriales de medidas y

funciones sobre los cuales el problema original se transforma en un problema de pro-
gramación lineal. Los problemas con restricciones se pueden transformar en problemas
convexos, o problemas de control de Markov sin restricciones, para luego emplear méto-
2 MODELACIÓN ESTOCÁSTICA 74

dos analı́ticos o técnicas de multiplicadores de Lagrange.

Método desvanecente. Es un procedimiento general para resolver los problemas de

control óptimo de ganancia y costos esperados promedio a través de problemas llamados
α-descontados cuando el factor de descuento α tiende a uno.

2.7. Modelo de control markoviano

2.7.1. Espacios métricos, separables y completos
Una métrica o distancia [Irribaren, 1984] sobre un conjunto X, es una función d :
X × X → R que cumple lo siguiente:

i) d(x, y) ≥ 0 para todos x, y ∈ X,

ii) d(x, y) = 0 si y sólo si x = y,

iii) d(x, y) = d(y, x) para todos x, y ∈ X,

iv) d(x, y) ≤ d(x, z) + d(z, y) para todos x, y, z ∈ X.

El inciso i) dice que las distancia siempre son positivas o bien cero; el inciso ii) dice
que el único caso en que la distancia es cero es cuando se mide de un punto a él mismo;
el inciso iii) consiste en que la distancia se puede medir tomando como punto inicial cual-
quier punto; y finalmente, el inciso iv) dice que la distancia entre dos puntos siempre es
menor si se mide directamente, a que se realice una pausa en un punto intermedio. Estas
propiedades surgen de manera natural y existen muchos ejemplos de métricas como la
distancia que medimos normalmente entre dos objetos.

Un espacio métrico (X, d) es un conjunto X dotado de una métrica d. Además, dado

un punto x0 ∈ X y  > 0, se define la bola abierta con centro en x0 y radio  como
B(x0 , ) := {x ∈ X : d(x, x0 ) < }, es decir, son todos los puntos que rodean al punto x0
en menos de  unidades. Si A ⊆ X, x0 se llama punto de adherencia de A si para toda
 > 0 se cumple que B(x0 , ) ∩ A 6= ∅. Al conjunto de puntos de adherencia se le llama la
adherencia de A y se le denota Ā. En este sentido, si A ⊆ X y Ā = X, al conjunto A se
le llama subconjunto denso de X [Cohn, 1980].

Por otro lado, se recuerda que una función es biyectiva si es tanto inyectiva como
suprayectiva. Si existe una biyección entre un conjunto arbitrario y el conjunto de los na-
turales N, se dice que el conjunto tiene la cardinalidad de los naturales, o bien que el
conjunto es numerable. En este sentido, partiendo de lo precedente, un espacio métrico
se dice separable si posee un subconjunto denso y numerable.

En las matemáticas e ingenierı́a surgen los espacios separables también de mane-

ra natural, ya que a través de ellos y sus propiedades se puede garantizar que existan
condiciones similares a los números reales R y a los números racionales Q, y problemas
2 MODELACIÓN ESTOCÁSTICA 75

matemáticos, fı́sicos o de ingenierı́a que son en apariencia difı́ciles de plantear y mucho

más de resolver, se pueden llevar a cabo, comparándolos con el conjunto de números
reales que es más manejable.

Un último concepto que se necesita, es el concepto de completez. Los números reales

son completos, en el sentido intuitivo que la recta real no tiene “agujeros”. Para definir
este concepto, se necesita saber qué es una sucesión de Cauchy. Una sucesión es una
función f : N −→ X; además si existe x0 tal que para todo  > 0 existe un N ∈ N tal que
d(xn , x0 ) <  para toda n ≥ N la sucesión se dice convergente [Bartle, 1964]. Una suce-
sión se dice de Cauchy si para todo  > 0 existen m, n ∈ N tales que d(xm , xn ) <  para
toda m, n ≥ N . Finalmente, un espacio métrico X se dice completo si toda sucesión de
Cauchy en él es convergente.

Los espacios separables junto con los espacios completos forman lo que se conoce
como los espacios polacos. Estos obtienen su nombre de sus autores, que principal-
mente fueron la mayorı́a polacos, entre ellos Tarski, Sierpinski y Kuratowski. Los espa-
cios polacos son importantes ya que son la base de toda la teorı́a de conjuntos y por sus
amplias aplicaciones a la teorı́a de la probabilidad, que es en donde estará basado prin-
cipalmente todo este trabajo. Ası́ pues, en concreto, un espacio métrico se dice polaco si
es completo y separable [Marsden, 1974].

2.7.2. Polı́ticas de control

Un modelo de control de Markov es un sexteto {X, A, A(x) : x ∈ X, Q, r, c} donde
X es el espacio de estados y A es el espacio de control o conjunto de acciones,
siendo ambos espacios medibles de Borel polacos, con B(X) y B(A) las σ-álgebras
de Borel correspondientes. {A(x) : x ∈ X} es una familia no vacı́a de subconjuntos
A(x) ∈ B(A), donde A(x) es el conjunto de acciones admisibles dado el estado x ∈ X.
Además Q = {Q(B|x, a), B ∈ B(X), (x, a) ∈ X × A}, la ley de transición entre estados
es un kernel estocástico en X dado (X, A). Las funciones r : x × A → R y c : x × A → R
son medibles y corresponderán a las llamadas función de ganancia y función de cos-
to, respectivamente [Hernández-Lerma, González-Hernández, 2000].

La definición anterior del modelo markoviano se puede entender de la siguiente ma-

nera. En primer lugar se necesitan dos espacios, o dos conjuntos, que serán los posibles
estados en lo que se encuentre el fenómeno a estudiar y las acciones o controles que se
pueden realizar. Luego se debe contar con acciones admisibles dependiendo el estado,
es decir, no cualquier acción, sino únicamente las que sean factibles en poder llevarse
a cabo fı́sicamente; esto, en un sentido matemático, son acciones que puedan ocurrir
con probabilidad uno. Aunado a esto, se necesita la forma en la que evoluciona el sis-
tema, la llamada ley de transición; esta ecuación que en otros sistemas generalmente
se representa por una ecuación diferencial ordinaria, en este caso es una ecuación de
diferencias, que provienen de las llamadas ecuaciones diferenciales estocásticas, porque
interviene un elemento aleatorio, el “ruido”. Finalmente, se necesita conocer las ganan-
cias y costos que se generan al ir evolucionando el sistema, estas funciones son las que
2 MODELACIÓN ESTOCÁSTICA 76

darán la pauta para poder optimizar lo deseado.

Se introduce además la siguiente notación. Se define el conjunto K := {(x, a) : x ∈

X, a ∈ A(x)} como las parejas de estados y acciones admisibles. Este subconjunto per-
tenece a uno más grande, a saber, X × A. Bajo esta notación, las funciones de costo
[Hernández-Lerma, González-Hernández, López-Martı́nez, 2003] y ganancia dadas en
el modelo de control markoviano quedarán determinadas de manera más especı́fica co-
mo como r : K −→ R y c : K −→ R. Una vez introducida la notación de K, se define
al espacio de historias admisibles Ht := K t × X, donde t = 0, 1, . . . [Altman, 1999].
Este conjunto no es más que toda la historia de la evolución del sistema de parejas de
estados y acciones realizadas hasta llegar al tiempo t que comienzan con H0 := X. Lo
elementos ht que pertenecen al conjunto Ht son las t-historias admisibles y se observa
que tienen la estructura ht = (x0 , a0 , x1 , a1 , . . . , xt−1 , at−1 , xt ), es decir, es la historia desde
el estado inicial x0 , la primer acción realizada a0 , esto ocasiona que el estado ahora sea
x1 , se tome una acción a1 y ası́ sucesivamente hasta llegar al estado actual xt , donde la
pregunta natural es, cuál es la acción at que conviene realizar para optimizar el sistema,
y precisamente, esto es lo que se pretende saber.

El conjunto Ht pertenece naturalmente a uno más grande denotado como Ht :=

(X × A)t × X, el cual es el conjunto de todos los posibles estados y todas las posi-
bles acciones, no necesariamente las admisibles A(x). Si este proceso se extiende de
manera indefinida, de manera intuitiva, para una cantidad muy grande de pasos, se pue-
de denotar como H ∞ := (X × A)∞ [Borkar, 1990].

Ya que se tienen los estados posibles X, las acciones admisibles A(x) y las histo-
rias Ht , considérese a todas las posibles decisiones que se puedan tomar dentro de las
acciones admisibles, y denótese a este conjunto como F. Explicando un poco más, es-
te conjunto F, consta de todas las funciones f : X → A, tal que f (x) ∈ A(x); dicho
de otra manera, son funciones llamadas deterministas tomadas por un controlador, son
funciones seleccionadas intencionalmente dentro del posible conjunto de decisiones que
existen, son las acciones reales que modificarán la evolución del sistema, dado que se
conoce el estado del sistema [Borkar, 1994].

En este sentido, se denotará por Φs al conjunto de kerneles estocásticos ϕ sobre A

dado X, que cumplen que ϕ(A(x)|x) = 1 . Este conjunto representará a las acciones que
se realicen [Hernández-Lerma, González-Hernández, 2000] en forma segura pero que
su naturaleza involucre términos aleatorios, de ahı́ el nombre de “kerneles estocásticos”.
Matemáticamente, son funciones de “dos variables”, donde funcionan como medidas res-
pecto a una variable y funciones medibles respecto a la otra variable. Con todo esto, el
conjunto F será un subconjunto de Φs ; este hecho matemáticamente se expresa diciendo
que una función selectora f ∈ F se puede identificar con un kernel estocástico ϕ ∈ Φs a
través de la llamada medida de Dirac concentrada en f (x), mediante la fórmula ϕ(·|x), y
en este caso F ⊆ Φs .

Con todo lo anterior ya se puede definir qué son las polı́ticas de control, y lo más
2 MODELACIÓN ESTOCÁSTICA 77

importante, darles un tratamiento matemático para su correcta interpretación.

a) Una polı́tica de control aleatorizada es una sucesión π = {πt } de kernels es-
tocásticos sobre A dado que ocurrió Ht tal que πt (A(xt )|ht ) = 1 para cada historia
ht . Este conjunto se denotará por Π .
b) Una polı́tica de Markov aleatorizada es una sucesión {ϕt } de kernels estocásticos
ϕt ∈ Φs tal que πt (·|ht ) = ϕt (·|xt ) para todas las historias. Este conjunto se denotará
por ΠRM .
c) Una polı́tica estacionaria aleatorizada es una polı́tica de control para la cual existe
un kernel estocástico ϕ ∈ Φs tal que πt (·|ht ) = ϕ(·|xt ) para todas las historias. Este
conjunto se denotará Φs .
d) Una polı́tica determinista estacionaria es una polı́tica de control para la cual exis-
te una función selectora f ∈ F tal que π(·|ht ) es la medida de Dirac en f (xt ) ∈ A(xt )
para cada historia. Este conjunto se denotará simplemente como F.
En otras palabras, dentro del universo de polı́ticas de control Π se encuentra el con-
junto de polı́ticas de Markov ΠRM , y estas no son más que aquellas que no dependen de
sus estados pasados, y únicamente del estado actual, para saber la evolución del siste-
ma. Estas polı́ticas a su vez contienen aquellas que son estacionarias Φs , es decir, que
no dependen del tiempo, sino que la decisión sólo depende del estado actual del sistema,
pero permanecen invariantes con el paso del tiempo. Finalmente, un grupo más pequeño
de polı́ticas se encuentra contenido en este último conjunto y por lo tanto en todos los
demás, y es el grupo de polı́ticas deterministas. Este grupo es el que nos interesa, son
las acciones que el controlador toma a voluntad, en tanto que las demás son acciones
aleatorias que pueden presentarse. En resumen, F ⊂ Φs ⊂ ΠRM ⊂ Π.

Ahora bien, se considera el espacio medible (Ω, F), donde Ω := (X × A)∞ y F la

σ-álgebra producto correspondiente. Se recuerda que los espacios medibles en el con-
texto probabilı́stico, son aquellos que permiten calcular las probabilidades a través de
la σ-álgebra, es decir, los eventos. Los elementos de Ω son sucesiones de la forma
ω = (x0 , a0 , x1 , a1 , . . .) con xn en X y an en A para toda n = 0, 1, . . .; en otras palabras, en
el conjunto Ω, se encuentran los estados posibles junto con las acciones o decisiones a
tomar, también llamadas las variables de estado y las variables de control. Se observa
que Ω contiene al espacio H∞ de historias admisibles (x0 , a0 , x1 , . . .) con (xn , an ) ∈ K para
cada n ∈ N0 . Además, dada una polı́tica arbitraria en Π, se puede construir un espacio
de probabilidad (Ω, F, Pνπ ) ası́ como un proceso que cumple con las propiedades del si-
guiente teorema.

Teorema. Sea Ω, F un espacio medible con Ω = (X × A)∞ donde F es la σ-álgebra

producto correspondiente. Sea π = {πt } una polı́tica de control, ν una medida de proba-
bilidad sobre (X, B(X)), llamada la distribución inicial. Entonces existe una única medida
de probabilidad Pνπ sobre (Ω, F) y respectivos procesos estocásticos {xt }, {at } (el proce-
so de estados y el proceso de acciones o control, respecivamente) tal que Pνπ (H∞ ) = 1 y
además para todo B ∈ B(X), C ∈ B(A) y ht ∈ Ht , t = 0, 1, . . .
2 MODELACIÓN ESTOCÁSTICA 78

a) Pνπ (x0 ∈ B) = ν(B).

b) Pνπ (at ∈ C|ht ) = πt (C|ht ) Pνπ casi seguramente.

c) Pνπ (xt+1 ∈ B|ht , at ) = Q(B|xt , at ) Pνπ casi seguramente.

Se observa a través de lo anterior la posibilidad de construir el nuevo espacio pro-

babilı́stico (Ω, F, Pνπ ), donde se podrán calcular las respectivas probabilidades de sus
eventos. Además, estas probabilidades estarán relacionadas con las medidas de pro-
babilidad de los procesos estocásticos de estados y decisiones; más aún, siempre se
podrán elegir acciones admisibles para tener una polı́tica de control. El inciso a) permite
que el cálculo original de probabilidades a través de la función ν sobre los estados X se
pueda efectuar ahora a través de la nueva función Pνπ , para el estado inicial x0 . El inciso
b) permite que el cálculo original de las polı́tica πt en las acciones A se pueda realizar
también a través de la función Pνπ . Finalmente, el inciso c) permite que el cálculo original
de la ley de transición Q sobre los estados dada una acción también se pueda hacer me-
diante la nueva función Pνπ por medio de las historias ht . En resumen, se ha construido
una función Pνπ que absorbe muchas de las propiedades de las funciones originales, sin
perder las propiedades de seguir siendo un espacio de probabilidad.

Ahora bien, dado que las probabilidades están sujetas a la ocurrencia de las historias
admisibles, se necesita el concepto de esperanza condicional, el cual depende a su vez
de las polı́ticas de control y las distribuciones iniciales. En este sentido el operador es-
peranza con respecto a Pνπ se denotará por Eνπ . Además si ν es la distribución inicial que
se concentra en el estado inicial x ∈ X, se denotarán Pνπ y Eνπ como Pxπ y Exπ , respectiva-
mente. Más aún, si π = ϕ es una polı́tica estacionaria, luego se denotarán Pνπ y Eνπ como
Pxϕ y Exϕ , respectivamente.

Por otro lado, sea ϕ ∈ ΦS un kernel estocástico sobre A dado X, c y r las funciones
de costo y ganancia, y Q la ley de transición. Luego se define, para cada x ∈ X,
Z Z
cϕ (x) := c(x, a)ϕ(da|x), rϕ (x) := r(x, a)ϕ(da|x), (2.44)
A A

y Z
Qϕ (·|x) := Q(·|x, a)ϕ(da|x). (2.45)
A

Estas ecuaciones anteriores se pueden interpretar como el cálculo de medidas con res-
pecto al conjunto de acciones A dado que se tiene el estado X. Se recuerda que las
funciones de costo y ganancia dependen tanto del estado x como de la acción a reali-
zada. La primera y segunda ecuación representan el costo y la ganancia en función del
estado inicial x cuando se tiene la polı́tica ϕ; la tercera ecuación, representa la ley de
transición dado que se tiene el estado x y se presenta la polı́tica ϕ.

En particular, para una función, f ∈ F, donde se recuerda que F era un conjunto

determinista de funciones, eliminando la parte aleatoria, las ecuaciones anteriores se
2 MODELACIÓN ESTOCÁSTICA 79

convierten en
cf (x) = c(x, f (x)), rf (x) = r(x, f (x)) y Qf (B|x) = Q(B|x, f (x)). (2.46)
Si π = ϕ es una polı́tica estacionaria, la probabilidad de transición en el n-ésimo paso
será denotada por Qnϕ , esto significa
Qnϕ (B|x) := Pxϕ (xn ∈ B), n ∈ N0 , B ∈ B(X), x ∈ X, (2.47)
con Q1ϕ (·|x) := Qϕ (·|x) y Q0ϕ (·|x) = δx la medida de Dirac concentrada en el estado inicial
x. Además, se puede escribir recursivamente ([Borkar, 1994])
Z
Qnϕ (B|x) = Qϕ (B|y)Qn−1
ϕ (dy|x)
ZX
= Qn−1
ϕ (B|y)Qϕ (dy|x) n ≥ 1. (2.48)
X

Con esto, el cálculo de probabilidades de transición Pxϕ quedará ligado a los kérneles
estocásticos, y especı́ficamente a la ley de transición Q, y además se tendrá una relación
para conocer la transición en cualquier paso del proceso, a través de una fórmula recur-
siva, es decir, si se conoce la ley de transición en el n-ésimo paso, se podrá conocer la
ley en el paso n + 1.

Con toda esta terminologı́a, sea ν una distribución inicial de probabilidades sobre los
estados X. Si π, que se puede denotar como {ϕt }, es una polı́tica de Markov aleatori-
zada, es decir, {ϕt } ∈ ΠRM , entonces el proceso estocástico de estados {xt } también
es un proceso de Markov. Y no sólo ello, sino que depende del tiempo, es decir, es no
homogéneo y sus kerneles de transición son {Qϕt (·|·)}∞t=0 . Con esto se está diciendo que
el cálculo de probabilidades no depende de los estados pasados, sino sólo del estado
actual, lo que define que un proceso sea Markoviano; en términos matemáticos
Pνϕt (xt+1 ∈ B|x0 , x1 , . . . , xt ) = Pνϕt (xt+1 ∈ B|xt ) = Qϕt (B|xt ). (2.49)
En particular, si π = {ϕ} es una polı́tica de Markov estacionaria aleatorizada, también
vale la relación anterior, es decir
Pνϕ (xt+1 ∈ B|x0 , x1 , . . . , xt ) = Pνϕ (xt+1 ∈ B|xt ) = Qϕ (B|xt ). (2.50)

2.7.3. El modelo del control descontado con restricciones

Dentro del cálculo de costos que se van generando por las etapas de la programación
dinámica, surgen factores llamados factores de descuento que dan lugar a los proble-
mas llamados problemas descontados. Dentro de estos problemas se pueden restringir
el cálculo de los costos y las ganancias a ciertos parámetros que la naturaleza de los
fenómenos irán imponiendo. Es necesario pues, buscar polı́ticas óptimas en esta nueva
clase de problemas.

Para ello se supondrán las siguientes hipótesis que se retomarán en el cálculo de las
polı́ticas óptimas de control. Para cada estado x ∈ X
2 MODELACIÓN ESTOCÁSTICA 80

a) El conjunto de acciones admisibles A(x) es un conjunto compacto.

b) Tanto las funciones de costo c(x, a) como la función de ganancia r(x, a) son funcio-
nes continuas cuando dependen de a ∈ A(x).

c) La ley de transición Q es continua en a ∈ A(x).

d) Tantos los costos como las ganancias estarán acotadas por una función llamada de
peso W (x) y una constante no negativa M , esto es

|c(x, a)| ≤ M W (x), |r(x, a)| ≤ M W (x), para cada (x, a) ∈ K. (2.51)

Intuitivamente, se recuerda que un conjunto compacto, al menos dentro de los números

reales o productos cartesianos de ellos, son conjuntos acotados y cerrados, generalmen-
te representados por intervalos de la forma [a, b].

El inciso a) permite que las acciones se tomen dentro de conjuntos acotados, inclu-
yendo los extremo posibles de un intervalo dado. El inciso b) y el inciso c) permitirá que
al tratar con conjuntos compactos, las funciones continuas siempre toman sus valores
máximos y mı́nimos, con lo cual se podrán tener los valores óptimos. Finalmente, el inci-
so d) permite que las soluciones no se excedan de las restricciones, al poder mantener
a los costos y a las ganancias por debajo de funciones acotadas.

Por otro lado sea N un número natural. El costo por etapas y la ganancia por etapas,
hasta la etapa N se definen como [Chang, 2006]
N
X N
X
r(xt , at ), y c(xt , at ). (2.52)
t=0 t=0

donde tanto el costo y la ganancia, dependen del estado xt y la acción o control at ; en

otras palabras, dado un estado, se realiza una acción, llevándola al siguiente estado, y
esta acción tiene un costo y una respectiva ganancia. Estos costos y ganancias se pue-
den sumar hasta conocer lo que sucede en la etapa N .

Además, Si 0 < α < 1, se define α como un factor de descuento, con el cual se

calculan los costos y ganancias descontadas por etapas, hasta cierta etapa N como
[Chen, 2007]
XN N
X
t
α r(xt , at ), y αt c(xt , at ). (2.53)
t=0 t=0

Estos factores de descuento permiten matemáticamente la convergencia de estas suma-

torias cuando se realizan hasta términos infinitos.

Como los estados y las acciones son variables aleatorias, los costos y ganancias no
se pueden expresar de manera determinista, pero sı́ se pueden calcular en promedio.
2 MODELACIÓN ESTOCÁSTICA 81

Ası́ pues, la ganancia promedio descontada y el costo promedio descontado dada una
polı́tica π ∈ Π y el estado inicial x ∈ X se definen respectivamente por [Costa, 2012]
"∞ # "∞ #
X X
Vα (x, π, r) := Exπ αt r(xt , at ) , y Vα (x, π, c) := Exπ αt c(xt , at ) . (2.54)
t=0 t=0

2.7.4. La ecuación de Poisson

Las funciones de ganancia promedio descontada y de costo promedio descontadas
cumplen condiciones de las hipótesis que se requerı́an al inicio, y no sólo ello, tam-
bién cumplen la llamada ecuación de Poisson, de acuerdo con el siguiente resultado
[Dufour, Stockbridge, 2010].

Proposición. Sean r y c las funciones de ganancia y costo, respectivamente. Luego, para

cada polı́tica estacionaria aleatorizada ϕ ∈ Φ la función α-descontada Vα (·, ϕ, v) satisface
la ecuación Z
h(x) = vϕ (x) + α h(y)Qϕ (dy|x) para cada x ∈ X. (2.55)
X

Y además, h(x) = Vα (x, ϕ, v) para cada x ∈ X, donde v representa a r o c.

Esta ecuación que se puede expresar como

Z
Vα (x, ϕ, v) = vϕ (x) + α Vα (y, ϕ, v)Qϕ (dy|x) para cada x ∈ X. (2.56)
X

permite calcular a la función α-descontada a través de los kernels Q, que representan la

ley de transición en los estados.

Ahora bien, dentro de las condiciones de un problema fı́sico, existen posibles res-
tricciones en cuanto a costos y a ganancias. Este tipo de restricciones pueden ser de
tipo fijo o bien, restricciones variables. Supóngase pues, el caso general, donde la res-
tricción sea una función. Dicha función se pedirá que sea una función medible, y res-
tringirá los posibles estados. Esta función se denotará por θα : X → R, y se supondrá
además, que se encuentra acotada por otra función W , llamada función de peso, es de-
cir, |θα (x)| ≤ kθα kW (x), para cada x ∈ X [Dutta, 1991].

Ya que las restricciones actuarán sobre variables aleatorias, nuevamente los cálculos
se realizarán en promedio. Ası́ pues, se define la restricción total esperada α-descontada
cuando el controlador usa la polı́tica π ∈ Π ([Chang, 2006]), dado el estado inicial x ∈ X
como "∞ #
X
θα (x, π) = (1 − α)Exπ αt θα (xt ) . (2.57)
t=0

Esta restricción total también satisface la ecuación de Poisson, es decir, si 0 < α < 1
y θα : X → R es una función de restricción, entonces para cada polı́tica estacionaria
2 MODELACIÓN ESTOCÁSTICA 82

aleatorizada ϕ ∈ Φ .a restricción total esperada α-descontada cumple que

Z
h(x) = (1 − α)θα (x) + α h(y)Qϕ (dy|x) para cada x ∈ X (2.58)
X

con h(x) = θα (x, ϕ) [Chen, 2007].

Esta ecuación permitirá pues, que las restricciones también estén en función de los
kerneles de transición Q, que se tienen desde un principio.

2.7.5. El problema descontado con restricciones

Existen polı́ticas de control cuya factibilidad dependerá de factores externos al contro-
lador. Aunque dichas polı́ticas se encuentren dentro del conjunto admisible de acciones
A(x), su realización no se podrá efectuar debido a los altos costos que esta representa;
dicho de otra manera, surgirán restricciones que afecten el poder llevarlas a cabo. Es por
ello necesario, que se deben considerar sólo aquellas polı́ticas que si se puedan ejecutar.

Para ello, supóngase que se tiene un estado inicial x ∈ X, un factor de descuento

0 < α < 1 y una función de restricción θα (x). Considérese el conjunto de polı́ticas, tales
que su respectiva función α-descontada de costo esté acotada por la restricción total
esperada α-descontada, es decir
Fθxα := {π ∈ Π : Vα (x, π, c) ≤ θα (x, π)}. (2.59)
Además, se supondrá que este nuevo conjunto Fθxα es no vacı́o, a fin de evitar situa-
ciones triviales. En particular, la función restricción θα puede ser una función constante,
es decir, θα (y) = θα para cada y ∈ X, donde la constante θα se puede tomar que cumpla
con
ı́nf Vα (x, π, c) < θα < sup Vα (x, π, c) (2.60)
π∈Π π∈Π

es decir, que no exceda al valor más pequeño de los costos α-descontados ni al valor
más grande, de entre todas las posibles polı́ticas. Con esto se garantiza, que la función
de restricción, tome valores factibles y reales dentro del problema de optimización.

A estos valores máximos y mı́nimos los denotaremos como

θα,mı́n (x) := ı́nf Vα (x, π, c) y θα,máx (x) := sup Vα (x, π, c). (2.61)
π∈Π π∈Π

Para este valor constante, la función de restricción total esperada α-descontada será
θα (y, π) = θα para cada y ∈ X, y el conjunto Fθxα será simplemente Fθxα = {π ∈ Π :
Vα (x, π, c) ≤ θα }.

Asimismo, las funciones θα,mı́n (·) y θα,máx (·) satisfacen las ecuaciones de optimalidad
de Bellman, para cada y ∈ X
 Z 
θα,mı́n (y) = mı́n c(y, a) + α θα,mı́n (z)Q(dy|y, a) , (2.62)
a∈A(y) X
2 MODELACIÓN ESTOCÁSTICA 83

y  Z 
θα,máx (y) = máx c(y, a) + α θα,máx (z)Q(dy|y, a) . (2.63)
a∈A(y) X

De esta manera, las ecuaciones de optimalidad para la programación dinámica para

el caso discreto, se pueden extender al caso continuo, a través de los kerneles Q, los
cuales representan la ley de transición entre los estados, y mediante las funciones que
minimizan a los costos α-descontados. Como se ve en las ecuaciones anteriores, estas
funciones θα,mı́n y θα,máx dependerán del estado y y de la acción a en la que se encuentre
el sistema al momento.

En resumen, con toda esta terminologı́a, se dice que una polı́tica π ∗ ∈ Π es óptima
para el problema descontado con restricciones con estado inicial x ∈ X, si π ∗ ∈ Fθxα y
además
Vα (x, π ∗ , r) = sup Vα (x, π, r) para cada x ∈ X. (2.64)
π∈Fθxα

En este caso, Vα∗ (x, r) = Vα (x, π ∗ , r) se llama la ganancia α-descontada óptima para el
problema descontado con restricciones con estado inicial x.

De esta manera, las polı́ticas óptimas para el problema descontado con restricciones,
serán aquellas que maximicen el valor de la función α-descontada de ganancia r, es
decir, de entre todas las polı́ticas que no excedan a la restricción θα , aquella que cumpla
con que Vα (x, π, r) sea el mayor valor, es decir, la mayor ganancia, será la polı́tica óptima,
y se denotará por π ∗ . Y al valor Vα (x, π ∗ , r) el cual se recuerda que es
"∞ #
∗
X
Vα (x, π ∗ , r) = Exπ αt r(xt , at ) (2.65)
t=0

que a partir de ahora se denotará como Vα∗ (x, r) será la ganancia óptima.

En el Cuadro 1 se muestra un resumen con la notación de conceptos de polı́ticas óptimas.

2.7.6. Multiplicadores de Lagrange

El objetivo de esta parte es transformar mediante la técnica de los multiplicadores de
Lagrange y la programación dinámica, al problema descontado con restricciones a un
problema descontado pero sin restricciones parametrizado por una familia de multiplica-
dores de Lagrange. La técnica es similar a la que se realiza al cálculo multivariable.

Sea λ ≤ 0, es decir, un parámetro que puede tomar el valor de cero o ser negativo.
Considérese además las respectivas funciones de costo y ganancias, dado un estado x
y una acción a, c(x, a) y r(x, a), respectivamente. Además, sea θα una función de res-
tricción y defı́nase la siguiente función, que se llamará función de ganancia generalizada
[Feinberg, Kasyanov, Zadoianchuk, 2012]

rαλ (x, a) = r(x, a) + λ[c(x, a) − (1 − α)θα (x)]. (2.66)

2 MODELACIÓN ESTOCÁSTICA 84

Concepto Notación
PN
Costo por etapas c(xt , at )
Pt=0
N
Ganancia por etapas r(xt , at )
Pt=0
N
Costo descontado por etapas αt c(xt , at )
Pt=0
N t
Ganancia descontada por etapas t=0 α r(xt , at ) P
Costo promedio descontado Vα (x, π, c) = Exπ [ P∞ t
t=0 α c(xt , at )]
Ganancia promedio descontada Vα (x, π, r) = Exπ [ ∞ t
t=0 α r(xt , at )]
Función de restricción θα (x)
Restricción total esperada α-descontada θα (x, π) = (1 − α)Exπ [ ∞ t
P
t=0 α θα (xt )]
Restricción mı́nima θα,mı́n (x) = ı́nf π∈Π Vα (x, π, c)
Restricción máxima θα,máx (x) = supπ∈Π Vα (x, π, c)
Polı́tica óptima π∗
Ganancia óptima Vα (x, π ∗ , r) = supπ∈Fθx Vα (x, π, r)
α
Ganancia óptima Vα∗ (x, r) = Vα (x, π ∗ , r)

Cuadro 1: Notación de los conceptos de polı́ticas óptimas.

Nótese que si α se aproxima a 0, la función de ganancia generalizada es la diferencia

entre la ganancia y la diferencia pero ahora entre el costo y la restricción, afectada por un
posible valor λ. Mientras que si α se aproxima a 1, la ganancia generalizada solamente
es la diferencia entre la ganancia y un factor del costo. Fı́sicamente, la ganancia genera-
lizada representará lo equivalente a la utilidad en economı́a, y representará el beneficio
real de un modelo de optimización.

Dada una polı́tica aleatorizada ϕ ∈ Φ la ecuación anterior se puede reescribir como

rα,ϕ (x) = r( x) + λ[cϕ (x) − (1 − α)θα (x)]. (2.67)
De manera semejante a como se definieron las ganacias y costos descontados, se de-
finen para cada x ∈ X y para cada polı́tica π ∈ Π la ganancia generalizada α-descontada,
de la siguiente manera [Feinberg, Shwartz, 1996]
"∞ #
X
Vα (x, π, rαλ ) = Exπ αt rαλ (xt , at ) . (2.68)
t=0

De esta forma, una polı́tica π ∗ ∈ Π que satisface

Vα (x, π ∗ , rαλ ) = sup Vα (x, π, rαλ ) para todo x ∈ X, (2.69)
π∈Π

se llama α-descontada óptima para el problema descontado sin restricciones, y si se

denota como
Vα (x, π ∗ , rαλ ) = Vα∗ (x, rαλ ), (2.70)
esta será llamada como la ganancia α-descontada óptima para el problema descontado
sin restricciones [Gordienko, Hernandez, 1995].
2 MODELACIÓN ESTOCÁSTICA 85

Hasta aquı́, se ha transformado el problema original con restricciones en un proble-

ma sin restricciones, mediante el parámetro λ. El objetivo es verificar si las soluciones
que resuelven el problema descontado sin restricciones satisfacen también al problema
descontado con restricciones. La introducción de los multiplicadores de Lagrange, per-
mitirá simplificar el problema, y la solución se determinará mediante estas herramientas
matemáticas.

Como un primer paso, la nueva función de ganancia generalizada, también satisface la

ecuación de Poison. Si λ ≤ 0, para cada polı́tica estacionaria ϕ ∈ Φ, la función esperada
α-descontada Vα (·, ϕ, rαλ ) satisface la ecuación
Z
λ
h(x) = rα,ϕ (x) + α h(y)Qϕ (dy|x) para cada x ∈ X, (2.71)
X

donde h(x) = Vα (x, ϕ, rαλ .

2.7.7. Familia paramétrica de ecuación de ganancia

Bajo todas las suposiciones hechas hasta este momento, se puede garantizar la exis-
tencia de polı́ticas descontadas óptimas para el problema descontado sin restricciones.
También se puede asegurar que la ganancia α-descontada óptima para el problema des-
contado sin restricciones verifica la ecuación de ganancia α-descontada óptima, o simple-
mente la llamada ecuación de optimalidad. Estos resultados se presentan a continuación.

Proposición. Sea α un factor de descuento, donde 0 < α < 1 y λ ≤ 0 un parámetro.

Entonces la ganancia α-descontada óptima Vα∗ (·, rαλ ) es la única solución de la ecuación
de optimalidad
 Z 
λ
h(x) = máx rα (x, a) + α h(y)Q(dy|x, a) para cada x ∈ X. (2.72)
a∈A(x) X

Esto significa que debe existir una polı́tica óptima para el problema α-descontado, y
que la ecuación de Bellman es factible a ser resuelta, dentro del conjunto de acciones
admisibles en A(x). De esta forma, se relaciona la ganancia generalizada rαλ con el Ker-
nel estocástico Q [Guo, Quanxin, 2006].

Proposición. Existe una polı́tica f ∗ ∈ F, que depende de λ y α que maximiza el lado

derecho de la ecuación de optimalidad anterior, es decir
Z
∗ λ λ
Vα (x, rα ) = rα,f ∗ (x) + α Vα∗ (y, rαλ )Qf ∗ (dy|x) para cada x ∈ X. (2.73)
X
∗
Más aún, f es α-descontada óptima para el problema descontado sin restricciones. De
manera recı́proca, si f ∈ F es α-descontada óptima para el problema descontado sin
restricciones, luego ésta satisface la ecuación de optimalidad de Bellman y se cumple
que [Haviv, 1996]
Vα∗ (x, rαλ ) = sup Vα (x, f, rαλ ) = sup Vα (x, ϕ, rαλ ) para cada x ∈ X. (2.74)
f ∈F ϕ∈Φ
2 MODELACIÓN ESTOCÁSTICA 86

En otras palabras, resolver el problema descontado sin restricciones se puede rea-

lizar tanto en el conjunto de polı́ticas aleatorizadas Φ como en el conjunto de polı́ticas
deterministas F, con lo que el controlador, puede encontrar una sucesión de tomas de
decisiones que no sean aleatorias ni estocásticas, sino acciones que sigan una ley preci-
sa. Además, se garantiza la existencia de una polı́tica que optimice el problema; existirá
pues, una acción que maximice la ecuación de Poison que se ha venido presentando y
esto nuevamente, a la simplificación que se ha hecho a través de la ganancia generali-
zada rαλ .

Proposición. Una polı́tica π ∗ ∈ Π es α-descontada óptima para el problema descontado

sin restricciones si y sólo si la correspondiente función de descuento Vα (·, π ∗ , rαλ ) satisfa-
ce la ecuación de optimalidad.

Ası́ pues, regresamos a las funciones de descuento de un principio Vα (·, π ∗ , rαλ ) para
poder calcular las polı́ticas óptimas. Esto sólo pone de manifiesto, la importancia de con-
siderar tales funciones a través de los respectivos factores α descontados.

Proposición. Si existe una polı́tica α-descontada óptima para el problema desconta-

do sin restricciones, luego existe una polı́tica estacionaria determinista la cual es α-
descontada óptima para el problema descontado sin restricciones .

Este resultado enlaza las condiciones necesarias para que se pueda resolver el pro-
blema descontado sin restricciones tanto para las polı́ticas aleatorizadas como para las
polı́ticas deterministas.

A fin de simplificar la notación, se considerará el conjunto de polı́ticas tales que son

α-descontadas óptimas para el problema descontado sin restricciones, este conjunto se
denotará por Πλα con α ∈ (0, 1) y λ ≤ 0. Con las notaciones actuales, se tiene que el
conjunto Πλα ∩ F es no vacı́o. Además, también se verifica el siguiente resultado.

Proposición. Si la función λ → Vα∗ (x, rαλ ) es diferenciable en un punto Λ < 0 entonces se

cumple que
∂Vα∗ (x, rαλ ) 
= Vα (x, παΛ , c) − θα (x, παΛ ) (2.75)
∂λ

λ=Λ

para cada παΛ ∈ ΠΛα .

Este resultado permite calcular los máximos de las funciones α-descontadas de ga-
nancias a través de las derivadas al igual que en el cálculo. Si una función es diferen-
ciable, geométricamente el punto donde la pendiente es cero, es un punto candidato a
ser un punto óptimo. La función α-descontada de ganancia depende de el parámetro λ
dado por el multiplicador de Lagrange, que a su vez depende de la función generalizada
rαλ . Al derivarlo parcialmente con respecto a este λ, es lo mismo que tomar la función α-
descontada de costo con respecto a la polı́tica παλ y calcular su diferencia con la función
de restricción total θα , dentro del conjunto de polı́ticas óptimas. La proposición anterior
2 MODELACIÓN ESTOCÁSTICA 87

permite construir un resultado más completo en cuanto a la existencia de polı́ticas ópti-

mas para el problema descontado con restricciones.

Teorema. [Guo, Quanxin, 2006] Bajo todas las hipótesis anteriores, sea α ∈ (0, 1) un
factor de descuento y x ∈ X un estado inicial. Entonces

a) Supongamos que existe un parámetro Λ ≤ 0 y π̂ ∈ Π tal que se cumple

Vα (x, π̂, c) = θα (x, π̂), y Vα (x, π̂, rαΛ ) = Vα∗ (x, rαΛ ). (2.76)

Por lo tanto π̂ es una polı́tica α-óptima para el problema descontado con restriccio-
nes y Vα∗ (x, rαΛ ) es el valor α-óptimo para el problema descontado con restricciones.
Más aún
Vα∗ (x, rαΛ ) = ı́nf Vα∗ (x, rαΛ ). (2.77)
Λ≤0

b) Si λ∗ < 0 es un punto crı́tico de λ → Vα∗ (x, rαλ ), esto es, si la derivada de la pro-
∗ ∗
posición anterior es igual a cero en λ = λ∗ , luego cada polı́tica παλ ∈ Πλα es
α-óptima para el problema descontado con restricciones. Además se tiene que
∗ ∗ ∗
Vα (x, παλ , c) = θα (x, παλ ), siendo Vα∗ (x, rαλ ) el valor α-óptimo para el problema des-
∗
contado con restricciones, el cual coincide con Vα (x, παλ , r). También se cumple que
∗ ∗
Vα∗ (x, rαλ ) = ı́nf Vα∗ (x, rαλ ). (2.78)
λ≤0

c) Si πα0 ∈ Π0α satisface Vα (x, πα0 , c) ≤ θα (x, πα0 ); esto es, πα0 ∈ Fθxα , luego πα0 es una
polı́tica α-óptima para el problema descontado con restricciones. En este caso
Vα∗ (x, rα0 ) = Vα∗ (x, r) es el valor α-óptimo para el problema descontado con res-
tricciones y coincide con Vα (x, πα0 , r). Además se tiene

Vα∗ (x, rα0 ) = ı́nf Vα∗ (x, rαλ ). (2.79)

λ≤0

El inciso a) del teorema anterior establece que si existe una polı́tica tal que el costo
que genera es igual a su restricción total y su ganancia generalizada, para cierto paráme-
tro Λ es la óptima, entonces, esta misma polı́tica que se ha encontrado también es ópti-
ma para el problema descontado con restricciones, y las ganancias óptimas coinciden
y de hecho, será el mı́nimo de todas las ganancias generalizadas posibles, variando al
parámetro λ.

En el inciso b), si encontramos un punto crı́tico de la función de ganancias generali-

zadas, o en otras palabras, si la derivada de la función de ganancias generalizadas es
cero, para cierto parámetro, se cumple que las polı́ticas asociadas a ese parámetro tam-
bién serán óptimas para el problema descontado con restricciones. En este caso el costo
generalizado igualará a la restricción total y la ganancia generalizada coincidirá con la
mı́nima de todas las posibles ganancias generalizadas.
2 MODELACIÓN ESTOCÁSTICA 88

Finalmente, el inciso d) indica que también es válido el caso cuando el parámetro

λ = 0, es decir, que si los costos no exceden a la restricción total, la polı́tica asociada
al parámetro 0, también cumplirá con ser polı́tica óptima para el problema descontado
con restricciones, y análogamente a los incisos a) y b), se puede calcular la ganancia
generalizada para este parámetro.

Con esto, se ve que el uso de los multiplicadores de Lagrange permite transformar

un problema con restricciones a un problema sin restricciones, y las soluciones que se
dan en un caso satisfacen al otro caso, bajo las observaciones e hipótesis adecuadas,
y no sólo ello, sino la garantı́a de la existencia de polı́ticas que optimicen el problema a
analizar.

2.8. El caso promedio con restricciones

2.8.1. El problema de control esperado con restricciones
Ahora bien, dada una polı́tica π ∈ Π y n = 1, 2, . . ., se define la ganancia por trayecto-
rias en n etapas y la ganancia esperada en n etapas como
n−1
X
Sn (x, π, r) = r(xk , ak ), y Jn (x, π, r) = Exπ [Sn (x, π, r)]. (2.80)
k=0

De manera análoga se definen el costo por trayectorias en n etapas y el costo esperado

en n etapas como
n−1
X
Sn (x, π, c) = c(xk , ak ), y Jn (x, π, c) = Exπ [Sn (x, π, c)]. (2.81)
k=0

Estas funciones están asociadas a los respectivos costos y ganancias que se pre-
sentan en los distintos estados, en forma acumulativa, dado que se realizan las acciones
respectivas. Toda la recopilación de respectiva información genera siempre un costo, pe-
ro a su vez produce una ganancia. Para el caso estocástico, los costos y las ganancias
serán en promedio, ya que no se dispone de información, más que lo concerniente a las
variables aleatorias correspondientes.

Asimismo se definen la ganancia promedio esperada y el costo promedio esperado

como
1
J(x, π, r) = lı́m inf Jn (x, π, r) (2.82)
n→∞ n
y
1
J(x, π, c) = lı́m sup Jn (x, π, c), (2.83)
n→∞ n

de manera respectiva.
2 MODELACIÓN ESTOCÁSTICA 89

Del análisis matemático se conoce que una función puede no tener lı́mite, pero siem-
pre existirá el lı́mite inferior respectivo, es por ello que las ecuaciones anteriores se pre-
sentan bajo estos lı́mites en el infinito. El factor n1 permitirá el cálculo promedio de las
respectivas funciones. Nótese además que para la ganancia se considera un lı́mite in-
ferior, que serı́a uno de los escenarios más desfavorables, el caso donde se obtenga la
mı́nima ganancia. Mientras que para el costo, se considera el lı́mite superior, en otras
palabras, el costo más elevado que se pueda presentar. Ası́, se garantiza que los resul-
tados siempre se encuentren acotados por las cuestiones menos apropiadas.

La siguiente condición será necesaria para evitar que las soluciones que se presen-
ten a las ecuaciones no tengan soluciones, y más aún, en términos matemáticos, sean
soluciones estables.

W -ergodicidad geométrica. Para cada polı́tica estacionaria aleatorizada ϕ ∈ Φ existe

una medida invariante de probabilidad µϕ la cual es única en el espacio de estados X tal
que se cumple
Z 
u(y)Qϕ (dy|x) − µϕ (u) ≤ kukW Rρt W (x),
t
(2.84)
 

X
para cada t = 0, 1, . . ., y u función acotada, con R > 0, 0 < ρ < 1 constantes ya dadas
para cada problema en particular, e independientes de la polı́tica ϕ.

En el presente caso, las funciones u de la ergodicidad serán las funciones de cos-

to o bien las funciones de ganancia, las cuales se han establecido en hipótesis previas
que son funciones acotadas. De esta forma, las integrales estocásticas con respecto a
los kérneles de transicion Q también definidos anteriormente, se corresponderán con las
medidas de probabilidad µϕ , donde las medidas de probabilidad también fueron definidas
en la sección 2.1 de Nociones de probabilidad. La ergodicidad nos da condiciones para
poder establecer promedios a través de las medidas y los kernels, y además la existencia
de dichas medidas, y no sólo esto, sino su unicidad con respecto a las polı́ticas aleatori-
zadas en el conjunto Φ.

En este sentido, las funciones J(x, ϕ, r) y J(x, ϕ, c) son constantes, pues no dependen
del estado inicial x, con lo cual verifican que
n−1
1 ϕX
J(x, ϕ, r) = lı́m Ex r(xk , ak ) = µϕ (rϕ ). (2.85)
n→∞ n
k=0

Además, se denotará como g(ϕ, r) a la medida µϕ (rϕ ). Es decir, que la ganancia pro-
medio esperada es igual a la medida única establecida por la condición de ergodicidad
geométrica. Análogamente, para el costo se tiene que
n−1
1 ϕX
J(x, ϕ, c) = lı́m Ex c(xk , ak ) = µϕ (cϕ )., (2.86)
n→∞ n
k=0

que también se denotará como g(ϕ, c).

2 MODELACIÓN ESTOCÁSTICA 90

Dado lo anterior, se definen los siguientes parámetros, que dependerán de la medida

invariante µϕ ([Guo, Quanxin, 2006])
Z
θmı́n = mı́n cϕ (y)µϕ (dy) (2.87)
ϕ∈Φ X

y Z
θmáx = máx cϕ (y)µϕ (dy), (2.88)
ϕ∈Φ X

donde se puede notar que dadas las condiciones particulares, dichos parámetros son
finitos. Para evitar situaciones triviales, se supondrá una restricción a la constante θ de
tal forma que
θmı́n < θ < θmáx . (2.89)
Más adelante estas restricciones estaŕan representadas por coeficientes de pena-
lización en caso de cumplirse, a partir de los diversos criterios multiobjetivos que se
mencionaron en la sección de métodos de optimización.

2.8.2. El problema esperado con restricciones

Dentro de los problemas de optimización se debe definir la función objetivo y las res-
tricciones que se deben cumplir de manera especı́fica. Sea θ una constante que cumple
lo anterior. Se define el problema esperado con restricciones como

Maximizar J(x, π, r) (2.90)

sujeto a
π ∈ Π y J(x, π, c) ≤ θ para cada x ∈ X. (2.91)
Véase que la función a maximizar, es la ganancia promedio, donde las restricciones
son como siempre la polı́tica de control, el estado inicial x y la constante θ para el costo c.

Con este nuevo problema planteado, se deben definir las nuevas condiciones que
llevarán a resolverlo. En primer lugar, dada una polı́tica π ∈ Π, esta se dice ser admisi-
ble para el problema esperado con restricciones si esta satisface que J(x, π, c) ≤ θ. Al
conjunto de polı́ticas admisibles para el problema esperado con restricciones como

Fθ = {π ∈ Π : J(x, π, c) ≤ θ para cada x ∈ X}. (2.92)

Más aún, una polı́tica admisible π ∗ se llama polı́tica óptima para el problema esperado
con restricciones si J(x, π, r) ≤ J(x, π ∗ , r) para todo estado x ∈ X y para cada polı́tica
admisible π ∈ Π. Con esto, se puede definir la función de valor óptimo para el problema
esperado con restricciones como

Vθ∗ (x) = sup J(x, π, r) = J(x, π ∗ , r) para toda x ∈ X. (2.93)

π∈Fθ
2 MODELACIÓN ESTOCÁSTICA 91

Por otro lado, sea θ : X → R una función acotada llamada la tasa de restricción. La
restricción esperada promedio cuando el controlador tiene una polı́tica π ∈ Π, dado el
estado inicial x ∈ X se define como
n−1
1 X
θ(x, π) = lı́m inf Exπ θ(xk ). (2.94)
n→∞ n
k=0

Nuevamente, como cada uno de los estados se representa mediante variables aleato-
rias, se calcula esta función a través de sus esperanzas matemáticas. Además, el lı́mite
se toma inferiormente, al no poderse garantizar que existe el lı́mite de la función. La fun-
ción de restricción esperada promedio se define con propiedades análogas al caso de
las medidas invariantes que se presentan en la propiedad ergódica geométrica, es decir,
aproximarán a las integrales estocásticas con las leyes de transición. En este sentido, si
ϕ ∈ Φ es una polı́tica estacionaria aleatorizada, luego θ(x, ϕ) = µϕ (θ), donde µϕ es la
medida de probabilidad invariante asociada a ϕ descrita anteriormente.

Desafortunadamente, las funciones de restricción no siempre son funciones constan-

tes, sino que en muchas ocasiones dependen tanto de las polı́ticas como de los estados
que se van tomando. Ası́ pues, supóngase que θ es una tasa de restricción en el sentido
descrito con anterioridad. Se define el problema esperado con restricciones generalizado
como
maximizar J(x, π, r) (2.95)
sujeto a
π ∈ Π y J(x, π, c) ≤ θ(x, π) (2.96)
para toda x ∈ X.

En este nuevo problema, se desea en contra el máximo de las funciones promedio

J, pero con la condición que los costos estén acotados por las tasas de restricción, las
cuales son variables que dependen tanto de los estados, como de las polı́ticas.

Bajo esta nueva notación, una polı́tica π ∈ Π se dice ser admisible para el problema
esperado con restricciones generalizado si esta satisface que J(x, π, c) ≤ θ(x, π) para
todo estado x ∈ X. Además, denotamos el conjunto de polı́ticas admisibles para el pro-
blema esperado con restricciones generalizado como

Fθ = {π ∈ Π : J(x, π, c) ≤ θ(x, π)} (2.97)

para toda x ∈ X [Hernández-Lerma, Laserre, 1999].

Siguiendo esta parte, una polı́tica admisible π ∗ se llama óptima para el problema espe-
rado con restricciones generalizado si J(x, π, c) ≤ J(x, π ∗ , r) para toda x ∈ X y para cada
polı́tica admisible π ∈ Π. De aquı́, se define la función de valor óptimo para el problema
esperado con restricciones generalizado como [Guo, Quanxin, 2006]

Vθ∗ (x) = sup J(x, π, r) = J(x, π ∗ , r) para toda x ∈ X. (2.98)

π∈Fθ
2 MODELACIÓN ESTOCÁSTICA 92

Hasta aquı́, se ha expuesto el modelo matemático que fundamenta las ecuaciones

que se plantearán para la optimización de la energı́a generada por una central hidroelétri-
ca. Cada uno de los componentes de un modelo de Control de Markov con restricciones
se describirá posteriormente en el capı́tulo 4, Metodologı́a, ya aplicado al sistema hidro-
elétrico. El siguiente capı́tulo, Datos del lugar de estudio, describe el lugar de estudio en
donde se aplicará el modelo propuesto enfatizando las caracterı́sticas fı́sicas del embalse
que se utilizarán como entradas del modelo.
3 DATOS DEL LUGAR DE ESTUDIO 93

3. Datos del lugar de estudio

3.1. Regiones hidrológicas
3.1.1. Regiones hidrológicas de México
La anterior Secretarı́a de Agricultura y Recursos Hidráulicos (SARH) dividió a México
en 37 regiones hidrológicas en la década de los años setenta, con la finalidad de rea-
lizar estudios hidrológicos pertinentes y monitorear la calidad del agua. Actualmente, la
Comisión Nacional del Agua (CONAGUA), ha dividido a México nuevamente, pero ahora
en 13 regiones, llamadas regiones Hidrológico-Administrativas, las cuales a su vez, se
subdividen en 37 regiones hidrológicas [CFE, 2009].

Para fines de estudio, una región hidrológica es la agrupación de varias cuencas hi-
drológicas con niveles similares de escurrimiento superficial. En las figuras 3.11 y 3.12
se muestran cada una de las regiones hidrológicas administrativas con sus subdivisiones
respectivas.

Figura 3.11: Regiones Hidrológicas de México I-VI [CFE, 2009]

3 DATOS DEL LUGAR DE ESTUDIO 94

Figura 3.12: Regiones Hidrológicas de México VII-XIII [CFE, 2009]

3.1.2. Regiones hidrológicas de Chiapas

La región hidrológica número 30 corresponde al Grijalva-Usumacinta y se denota por
RH30; se puede observar en la figura 3.13 y se localiza al sureste de la República Me-
xicana y comprende la mayor parte del territorio del estado de Chiapas con un 85.53 %
aproximadamente de su superficie; abarca el territorio de Tabasco con un 75.22 % y los
estados de Campeche, Oaxaca y Veracruz con 33.04 %, 1.02 % y 0.10 %, respectivamen-
te, de las superficies estatales (Véase figuras 3.14, 3.15 y 3.16) [CFE, 1985].

En total, la región hidrológica número 30 abarca una extensión de 102,641 km2 . Esta
región es la más húmeda del paı́s, y en ella se localizan los rı́os más caudalosos de
México; ejemplos de ellos son los rı́os Usumacinta y Grijalva, los cuales desembocan en
el Golfo de México.

El estado de Chiapas abarca los rı́os Usumacinta, Chixoy, Grijalva-Villahermosa, Gri-

jalva en Tuxtla Gutiérrez, Grijalva-La Concordia y Lacantún, teniendo como extensión el
6.30 %, 0.77 %, 15.78 %, 22.28 %, 17.58 % y 22.82 %, respectivamente, haciendo un total
de 85.53 %. Para el estado de Tabasco, se localizan los rı́os Usumacinta, laguna de los
Términos y Grijalva-Villahermosa, ocupando el 29.24 %, 4.53 % y 41.45 %, respectiva-
3 DATOS DEL LUGAR DE ESTUDIO 95

Figura 3.13: Mapa de Regiones Hidrológicas de México [CONAGUA, 2009]

Figura 3.14: Superficie por estados de la Región Hidrológica 30 [CONAGUA, 1994]

mente, haciendo un total de 75.22 %, del territorio total estatal. El estado de campeche,
cuenta con los rı́os Usumacinta y Laguna de Términos, los cuales representan el 2.58 %
y 30.46 %, respectivamente, haciendo un total del 33.04 %. Finalmente, los estados de
Oaxaca y Veracruz cuentan con el Rı́o Grijalva-Tuxtla Gutiérrez, abarcando el 1.02 % y
3 DATOS DEL LUGAR DE ESTUDIO 96

0.10 %, respectivamente de cada estado [INE, 2005].

Figura 3.15: Superficie por estados de la Región Hidrológica 30 [INEGI, 2007]

Figura 3.16: Región Hidrológica 30 [INEGI, 2009]

3.2. Cuenca del Rı́o Grijalva

3.2.1. Orografı́a
El Rı́o Grijalva nace en las cercanı́as del volcán Tacaná en la República de Guatema-
la recorriendo la depresión central de Chiapas. En la región de los Altos Cuchumatanes
del paı́s de Guatemala tiene el surgimiento el Rı́o Grijalva. La dirección del cauce es
del sureste hasta el noroeste, pasando por la depresión central del estado de Chiapas.
3 DATOS DEL LUGAR DE ESTUDIO 97

Desemboca en el Golfo de México incorporándose antes al Rı́o Usumacinta. En su tra-

yecto, atraviesa la Meseta Central del Cañón del Sumidero, la Sierra Norte de Chiapas
y la Llanura de Tabasco. El Rı́o Grijalva, que se localiza dentro de la cuenca del mismo
nombre, está ubicado entre los meridianos 91o 300 y 94o 300 de longitud Oeste y los parale-
los 14o 300 y 19o de latitud Norte [Comisión del Grijalva, 1964].

El Rı́o Grijalva, luego de atravesar la depresión central de Chiapas llega a la presa

La Angostura; aguas abajo de dicha presa el Rı́o Grijalva recorre la ciudad de Tuxtla
Gutiérrez, Capital del Estado de Chiapas; aguas abajo de la capital se ubica la presa
Chicoasén; siguiendo su paso el Rı́o Grijalva cuenta con las aportaciones por margen
izquierda del Rı́o La Venta y por la margen derecha de los Rı́os Chicoasén y Yamonho,
cerca donde se ubica la presa Malpaso [CFE, 1976].

Posteriormente, aguas abajo de la presa Peñitas recibe las aportaciones de los rı́os
Platanar y Camoapa, que dan origen al rı́o Mezcalapa; después se bifurca en los rı́os Sa-
maria por su margen izquierda y el rı́o Carrizal por su margen derecha; éste último cruza
la Ciudad de Villahermosa, capital del estado de Tabasco, donde recibe las aportaciones
del rı́o Pichucalco y La Sierra, que nacen en las montañas del bajo Grijalva. Después de
Villahermosa, continúa el rı́o Grijalva hasta confluir con el rı́o Usumacinta para finalmente
desembocar al Golfo de México [CFE, 1988].

La cuenca del rı́o Grijalva-Usumacinta, es una cuenca que divide fronteras; nace en
la república de Guatemala, cruza los estados de Chiapas y Tabasco, y una menor parte
recorre el estado de Campeche, para finalmente atravesar los estados de Oaxaca y Ve-
racruz.

La cuenca respectiva tiene una superficie aproximada de 131,157 km2 , de los cuales
aproximadamente 52,600 km2 corresponden a la cuenca del rı́o Grijalva y 78,757 km2
a la cuenca del rı́o Usumacinta. Además, comprende cuatro porciones geográficas bien
definidas que se conocen con los nombres de Alto Grijalva, Medio Grijalva, Bajo Grijalva
(Sierra) y Bajo Grijalva (Planicie) [CFE, 1976].

El Alto y Medio Grijalva se ubican en la Depresión Central de Chiapas. Cuenta con

una extensa zona semiplana bordeada por la Sierra Madre, las Montañas del Norte de
Chiapas y los Altos de Chiapas. Aquı́, es en donde se presentan las mayores elevacio-
nes del estado de Chiapas, tales como las serranı́as localizadas entre la ciudad de San
Cristóbal de las Casas y Comitán de Domı́nguez, las cuales llegan a alcanzar alturas
superiores a los 2,700 msnm; en esta parte también se localiza el Cañon del Sumide-
ro. La máxima elevación se ubica hacia el sureste cercano a la frontera de la República
de Guatemala, y es precisamente el Volcán Tacaná, con aproximadamente 4,000 msnm
[SRH, 1971].

En el Bajo Grijalva (Sierra), se ubica la Sierra del Norte de Chiapas. Esta se compone
de una serie de serranı́as separadas por largos valles que bordean a los Altos y las Mon-
tañas del Oriente. De acuerdo a la Secretarı́a de Energı́a (SE), gracias a la localización
3 DATOS DEL LUGAR DE ESTUDIO 98

de estas montañas es que la humedad se puede interceptar, de tal modo que los vientos
del Golfo, junto con la respectiva orografı́a ocasiona que el clima sea húmedo todo el año
con lluvias en todo su perı́odo [SE, 2009].

El Bajo Grijalva (Planicie) cuenta con diversas planicies ubicadas en la Llanura Coste-
ra del Golfo, la cual está ocupada en su mayorı́a por el estado de Tabasco y está formada
por grandes cantidades de aluvión acarreado por los rı́os más caudalosos del paı́s. Di-
chos rı́os son el Usumacinta, el Grijalva, el Papaloapan y el Coatzacoalcos. Estos rı́os
atraviesan esta planicie, para finalmente desembocar en la parte sur del Golfo de México
[Rubio, Triana, 2006].

3.2.2. Hidrologı́a
Por otro lado, en la parte superior de la cuenca, se ubica una de las zonas de ma-
yor precipitación del paı́s, superando los 4,000 mm anuales. En esta zona se registran
las precipitaciones mayores, y más cuando existen las combinaciones climatológicas de
sistemas tropicales, con la entrada de frentes frı́os o bien, cuando se combinan con co-
rrientes de aire frı́o; lo anterior repercute en severas inundaciones aguas abajo de la
cuenca, principalmente el estado de Tabasco.

En la planicie del Bajo Grijalva, la precipitación oscila entre los 1,700 mm y los 2,300
mm. La influencia de sistemas atmosféricos es similar a la parte alta del Bajo Grijalva,
con la diferencia que la precipitación disminuye, ya que no existen las combinaciones
mencionadas anteriormente, de acuerdo a los estudios realizados [Arellano, 1997].

Un dato importante, es el hecho de que la invación de masas de aire frı́o del norte y
húmedos tropicales del Atlántico, junto con el océano Pacı́fico provocan la mayorı́a de las
precipitaciones anuales de la región. En la temporada de verano, las lluvias se vuelven
intensas. Entre otoño e invierno, los nortes soplan, con lluvias de larga duración y se
presentan los torrenciales. Esto provoca que los rı́os y lagunas alcancen sus máximos
niveles en los meses de septiembre, octubre y noviembre, con lo que la planicie se vuelve
un espejo de agua. En esta época, las inundaciones son frecuentes provocando daños a
diversas actividades agrı́colas, al igual que las poblaciones que tienen sus asentamientos
en la llanura costera del norte [CFE, 2009].

3.3. Sistema Hidroeléctrico de la cuenca del Rı́o Grijalva

En el rı́o Grijalva, entre los estados de Chiapas y Tabasco, existen cuatro presas con
la finalidad de producir energı́a eléctrica y evitar inundaciones aguas abajo. Estas presas
son: La Angostura, Chicoasén, Malpaso y Peñitas. Dicho sistema de presas generan cer-
ca del 44 % del total de la energı́a hidroeléctrica disponible en el paı́s (Véase figura 17)
[CFE, 2009].
3 DATOS DEL LUGAR DE ESTUDIO 99

Figura 3.17: Sistema hidroeléctrico de la cuenca del rı́o Grijalva [CFE, 1985]

En el año de 1937, la Comisión Nacional de Irrigación fue responsable por la insta-

lación de las primeras estaciones hidrométricas el paı́s, con el propósito de conocer el
comportamiento de los rı́os principales de los estados de Chiapas y Tabasco. Para el año
de 1947, la Secretarı́a de Recursos Hidráulicos realizó un reconocimiento del rı́o Grijalva,
desde su nacimiento hasta la desembocadura en el Golfo de México, con el objetivo de
localizar los probables sitios para la construcción de presas reguladoras y de generación
de energı́a eléctrica [CONAGUA, 2009].

Dentro de esta inspección se propusieron las siguientes alternativas:

a) La construcción de la Presa La Angostura, aguas arriba de la ciudad de Chiapa de
Corzo.
b) La construcción de la presa Chicoasén, en las cercanı́as del poblado de Chicoasén.
c) La construcción de la presa Malpaso, a 2.5km del rı́o La Venta.
d) La construcción de la presa Peñitas al final de las montañas del Grijalva, aguas
abajo del rı́o Sayula.
A raı́z de todo esto, en el año de 1951 se crea la Comisión del Grijalva, con el fin de
desarrollar los planes de la cuenca en cuestión. Es ası́, como se forma el Plan Integral
del Grijalva, para los diversos reconocimientos generales, y los estudios topográficos,
hidrológicos, geológicos, agroeconómicos y antropológicos, efectuados por la respectiva
Comisión del Grijalva. En la figura 3.18 se observa el perfil del sistema hidroeléctrico
[CONAGUA, 1994].

El Plan Integral del Grijalva aprobó la construcción de diversas obras en el cauce del
respectivo rı́o Grijalva, dentro de las cuales destacan las siguientes [INE, 2005]:

1. Obras para el control de avenidas, riego, mejoramiento de la navegación y genera-

ción de energı́a eléctrica.
3 DATOS DEL LUGAR DE ESTUDIO 100

Figura 3.18: Perfil del sistema hidroeléctrico Grijalva [Arganis, 2004]

2. Obras de defensa contra posibles inundaciones, las cuales incluyen bordos de pro-
tección, encauzamiento de corrientes y rectificación de cauces en la planicie costera
del Estado de Tabasco y dentro del Estado de Chiapas.

3. Canales de riego y drenaje para los terrenos agrı́colas.

4. Obras de abastecimiento de agua potable y alcantarillado para las diversas pobla-

ciones ubicadas en la cuenca del rı́o Grijalva.

El estudio abarcó aproximadamente 50 años desde su planeación hasta su ejecu-

ción, desde el año 1937 hasta el año 1987. La figura 3.19 contiene los datos de los 4
presas construidas, junto con sus nombres oficiales, la ubicación y la fecha de construc-
ción [INEGI, 2007].

3.3.1. Presa Netzahualcóyotl (Malpaso)

En el año de 1955, bajo la supervisión de la Comisión del Grijalva, de acuerdo a los
datos hidrométricos y gelógicos que se realizaron, se llegó a la conclusión de que la pri-
mera presa que debı́a construirse tenı́a que ubicarse en el sitio denominado Raudales
de Malpaso, ya que esta presentaba mejores condiciones que las otras estudiadas. Esta
presa se llamó Presa Netzahualcóyotl, y fue la primera en construirse del sistema del
Grijalva, comúnmente conocida como Presa Malpaso [Comisión del Grijalva, 1964].
3 DATOS DEL LUGAR DE ESTUDIO 101

Figura 3.19: Sistema hidroeléctrico de la cuenca del rı́o Grijalva [INEGI, 2009]

Los objetivos principales de la construcción [CFE, 1976] de la presa fueron los si-
guientes :

Controlar las avenidas máximas registradas en el rı́o Grijalva, a fin de reducir gas-
tos, para no ocasionar inundaciones severas en los poblados aguas abajo, particu-
larmente en La Chontalpa.

Producir un total de 2,754 millones de kWh anuales de energı́a eléctrica.

Riego de 350,000 Ha en la región de La Chontalpa.

Permitir la navegación de pequeñas embarcaciones.

La región de La Chontalpa se localiza en el Bajo Grijalva, en el estado de Tabasco.

Esta región con anterioridad, de acuerdo con los estudios hidrológicos, se encontraba al
efecto de las crecientes provocadas por el rı́o Grijalva, con lo que se originaban frecuen-
tes inundaciones, trayendo consigo repercusiones económicas y sociales. En época de
inundaciones, esta región, sufrı́a serios problemas de insalubridad y problemas de falta
de alimentos. Las precipitaciones eran extremas, y duraban hasta 8 meses, con perı́odos
de sequı́a de hasta 4 meses. En el sector agrı́cola, las pérdidas eran cuantiosas. Estos
antecedentes, impulsaron el desarrollo del estudio de la Comisión del Grijalva, dando
prioridad a la construcción de la Presa Netzahualcóyotl, en 1964 [CFE, 1988].

Una vez que se definió el lugar de su construcción, en 1958 comenzaron los trabajos
con la construcción del camino de acceso. Al mismo tiempo, se iniciaron los estudios
geológicos de la Boquilla, ası́ como los levantamientos topográficos detallados, y la veri-
ficación por tierra de los levantamientos fotogramétricos del vaso. Terminando el año de
1959, se habı́an definido los diseños generales, y se habı́an concluı́do los estudios de
materiales aprovechables para la construcción de la cortina, ası́ como las obras auxilia-
res. A mediados de 1960, ya se contaba con los planos de la obra de desvı́o, la cortina,
3 DATOS DEL LUGAR DE ESTUDIO 102

las estructuras conexas y los diques [CFE, 1976].

Como se ha mencionado, la Presa Netzahualcóyotl, constituye el primer aprovecha-

miento del sistema del Grijalva. Se construyó entre los años 1960 a 1965, en el municipio
de Tecpatán. Está localizada a 81km aguas abajo de la actual Presa Chicoasén. Las
coordenadas geográficas que la ubican son: 17o 11’58” de latitud norte y 93o 36’17” de
longitud oeste. La cuenca propia de Malpaso comprende un área aproximada de 9,403
km2 ; esta área es situada aguas abajo de la Presa Chicoasén [SRH, 1971].

Cortina. Para la selección del tipo de cortina se estudiaron las siguientes alternativas.
Una posible cortina de tipo arco-bóveda de concreto, una sección de gravedad de con-
creto o una cortina de enrocamiento con corazón impermeable de arcilla. Los estudios
finales, detallaron que se debı́a implementar ésta última. La altura máxima de la cortina
es de 139 m; la elevación de la corona es de 192 msnm; el ancho de la corona es de 10 m;
la longitud de la corona es de 480 m; y el volumen total de la cortina es de 5.08x106 m3 .
Los respectivos niveles del embalse son para el NAME 188.00 msnm, el NAMO 182.50
msnm y NAMINO 144.00 msnm. Para la construcción de dichos elementos, se cerraron
tres depresiones naturales mediante la construcción de diques. Uno de ellos cerca de
la cortina y los otros dos en el parteaguas que divide las cuencas del rı́o La Venta y el
Uxpanapa. Los diques uno y tres se diseñaron con secciones similares a la cortina. El
dique número dos se localiza en una falla geológica regional importante; éste se diseñó
con una sección homogénea de arcilla y enrocamientos de protección en los taludes y
con un drenaje eficiente en la cimentación del talud aguas abajo [SE, 2009].

Obra de desvı́o. Se realizó la excavación de 5 túneles de desvı́o. Dos en la margen iz-

quierda y tres en la margen derecha, de 16 m de diámetro, los cuales se revistieron de
concreto, para quedar finalmente con un diámetro de 14 m, y con una longitud promedio
de 800 m cada uno. Los tres túneles de la margen derecha se utilizaron posteriormente
para las descargas de las turbinas de la planta hidroeléctrica. Al término de la excavación
de los 5 túneles de desvı́o, se procedió a cerrar el cauce del rı́o mediante la construc-
ción de las ataguı́as auxiliares, desviando el cauce por los túneles. Con esto, se permitió
construir las ataguı́as principales, la de aguas arriba con taludes 6.5:1 aguas arriba y 2:1
aguas abajo; la ataguı́a aguas abajo con taludes, 1.5:1 aguas arriba y aguas abajo. Con
las ataguı́as hechas, se logró confinar en forma segura la zona de construcción de la
cortina [Rubio, Triana, 2006].

Obra de control y excedencias. Consta de dos canales vertedores ubicados en la margen

izquierda; un canal de excedencias controlado por cuatro compuertas radiales de 15 m
de ancho y 18.7 0m de altura y un segundo canal de control con tres compuertas radiales
de 15 m de ancho por 15 m de altura. La cresta del vertedor de control se determinó en
163.69 msnm y permite evacuar un gasto máximo total de 21,750 m3 /s [Arellano, 1997].

Planta hidroeléctrica. La planta hidroeléctrica se localiza en la margen derecha. Esta

consta de una obra de toma, una conducción a presión y la casa de máquinas. La casa
de máquinas, se localiza por debajo de la tierra, y está diseñada para alojar 6 grupos,
3 DATOS DEL LUGAR DE ESTUDIO 103

cada uno constituido por una turbina tipo Francis, con capacidad de 180 MW cada una.
En cuanto a la potencia y a la generación, se cuenta con una capacidad instalada de
1080 MW, una generación media anual de 4929 GWh y un factor de planta de 51.95 %
[CFE, 2009].

En resumen las figuras 3.20, 3.21, 3.22 y 3.23 muestran las caracterı́sticas de las presa
La Angostura.

Figura 3.20: Datos de la cortina de la Presa Malpaso

Figura 3.21: Datos del embalse de la Presa Malpaso

Figura 3.22: Datos de la casa de máquinas de la Presa Malpaso

3 DATOS DEL LUGAR DE ESTUDIO 104

Figura 3.23: Datos de la potencia y generación de la Presa Malpaso

3.3.2. Presa Dr. Belisario Domı́nguez (La Angostura)

La Presa Dr. Belisario Domı́nguez, también llamada La Angostura, es el segundo
aprovechamiento del sistema Grijalva. Esta presa se construyó entre los años de 1969 a
1974, y está situada entre los municipios de Venustiano Carranza, Tzimol y Socoltenan-
go al norte; la Concordia y Chicomuselo al sur; la Trinitaria y Comalapa al este; y Chiapa
de Corzo al oeste. Está localizada a 104 km aguas arriba de la presa Chicoasén. Sus
coordenadas geográficas son 16o 24’03” de latitud norte y 92o 46’40” de longitud oeste. La
cuenca de La Angostura comprende un área aproximada de 18,099 km2 , ésta comprende
el área del Grijalva situada aguas arriba de La Presa La Angostura [CFE, 2009].

Cortina. El tipo de cortina que se seleccionó es de tipo enrocamiento con un delgado

núcleo impermeable de arcilla, además tiene un importante volumen de arena y grava
producto de varios depósitos aluviales ubicados a distancia entre 4 y 7 km aguas arriba
del lugar. Los taludes exteriores aguas arriba son de 2:1 y aguas abajo de 1.8:1. La altura
máxima de la cortina es de 145 m; la elevación de la corona es de 543 msnm; el ancho
de la corona es de 10 m; la longitud de la corona 295 m; el volumen total de la cortina
es de 4x106 m2 ; el nivel del NAME es de 539.5 msnm; el NAMO es de 533.0 msnm y el
NAMINO es de 500 msnm [CFE, 1985].

Obra de desvı́o. Para esta obra, el cauce del rı́o fue desviado a través de dos túneles re-
vestidos de concreto de 13 m de diámetro interior. Uno de ellos se localiza a la izquierda
del margen del rı́o y el otro a la derecha; además se cuenta con dos ataguı́as, localizadas
aguas arriba, de 6 0m de altura y 30m, la que se encuentra aguas abajo. Las ataguı́as se
construyeron de arena, grava y arcilla [CONAGUA, 2009].

Obra de excedencias. La obra de excedencias cuenta con dos vertedores que se ubican
en la margen izquierda del cauce. Esta obra, cuenta con dos canales abiertos dotados de
tres compuertas radiales cada uno. La longitud de los canales es de aproximadamente
800 m. El vertedor está diseñado para una descarga máxima de 6,000 m3 /s. La elevación
de la cresta del vertedor es de 519.60 msnm. La estructura terminal, que se localiza en
la salida de cada canal, se constituye por una cubeta de lanzamiento, tipo salto de esquı́
[CONAGUA, 1994].
3 DATOS DEL LUGAR DE ESTUDIO 105

Planta hidroeléctrica. La planta hidroeléctrica de esta presa, está localizada en la mar-

gen izquierda. Consta de una obra de toma a conducción a presión y casa de máquinas.
El diámetro de la tuberı́a a presión es de 8.7 m. Además, la casa de máquinas es sub-
terránea y tiene dimensiones de 22 m de ancho, 100 m de longitud y 40 m de altura,
aproximadamente. Está diseñada para alojar 5 unidades, cada una constituida por una
turbina tipo Francis, con capacidad de 180 MW cada una. En cuanto a la potencia y la
generación de la casa de máquinas, tiene una capacidad instalada de 900 MW, para una
generación media anual de 3667 GWh, con un factor de planta de 46.38 % [INE, 2005].

En resumen, las figuras 3.24, 3.25, 3.26 y 3.27 muestran la información anterior.

Figura 3.24: Datos de la cortina de la Presa La Angostura

Figura 3.25: Datos del embalse de la Presa La Angostura

Figura 3.26: Datos de la casa de máquinas de la Presa La Angostura

3 DATOS DEL LUGAR DE ESTUDIO 106

Figura 3.27: Datos de la potencia y generación de la Presa La Angostura

La presa Belisario Domı́nguez también conocida como la presa La Angostura se lo-

caliza en el Municipio de Venustiano Carranza, a 55 km de la capital del estado, Tuxtla
Gutiérrez. La cuenca tiene un área de 18,099 km2 y un gasto medio anual de de 318
m3 . Además tiene un volumen medio anual de 10,028 millones de m3 . La precipitación
promedio anual es de 1379 mm. La evaporación media anual neta en el vaso es de 55
millones de m3 , a una altura del vaso de 523 msnm. La temperatura máxima registrada
en la zona es de 28.8o C y 20.6o C la temperatura mı́nima [INEGI, 2007].

La capacidad total de almacenamiento del embalse es de 19,736 millones de m3 y

una capacidad útil de 13,169 millones de m3 . El nivel de aguas máximas extraordinarias
(NAME) se encuentra a 539.5 msnm, el nivel de aguas máximas ordinario (NAMO) se
encuentra a 533 msnm y el nivel de aguas mı́nimo de operación (NAMINO) se encuentra
a 500 msnm. La compuerta se localiza a 539.6 msnm [INEGI, 2009].

La cortina tiene una altura de 146.7m a partir del punto más bajo de la cimentación.
La elevación de la corona es de 543 msnm, el ancho de la corona es de 10 m y la longitud
de la corona es de 323.5 m. La corona tiene un bordo libre además de 3.50 m. La corona
fue construida a base de enrocamientos que se obtuvieron al momento de realizar las ex-
cavaciones de las obras a cielo abierto, ası́ como los canales de vertedores, además de
las excavaciones de obras subterráneas. La cortina también está compuesta por grava y
arena de los aluviones del rı́o, aguas abajo de la obra. El núcleo central de la cortina, es
impermeable y está formado por arcilla compactada. La cortina tiene un volumen total de
4.2 millones de m3 [Comisión del Grijalva, 1964].

La presa La Angostura cuenta con dos obras de toma, consistentes en estructuras de

rejillas de 12 x 27 m. Aquı́ se capta el agua del embalse y se conduce a las turbinas a
través de un tunel de 8.7m de diámetro y una longitud de 320 m. Las obras de toma se
controlan a partir de compuertas rodantes de acero, que tienen un sistema de seguridad
de cerrado que se accionan en 20 segundos. Aguas abajo de la compuerta, se localizan
los ductos de presión de 6.5 m de diámetro revestidas de placas de acero, con un es-
pesor entre 29 y 44 m. Estos ductos de presión alimentan a las turbinas hidráulicas tipo
Francis [CFE, 1976].

Finalmente, la presa cuenta con dos casas de máquinas subterráneas localizadas a

la parte derecha del cañon dividas por etapas. En la primera etapa, se localiza una casa
de máquinas con longitud de 114 m, mientras que en la segunda etapa, la longitud de la
3 DATOS DEL LUGAR DE ESTUDIO 107

casa de máquinas es de 90 m. Las dos casas de máquinas tienen 46 m de altura y un

ancho de 19 m. Dentro de las casas de máquinas se localizan 5 turbinas con 184 mil kV
de potencia, y cuentan con un generador de 191 mil kVA [CFE, 1988].

3.3.3. Presa Ing. Manuel Moreno Torres (Chicoasén)

La Presa Ing. Manuel Moreno Torres, también conocida como Chicoasén, fue cons-
truida de 1974 a 1980, en el municipio de Chicoasén. Está localizada a 104 km aguas
abajo de la Presa La Angostura. Sus coordenadas geográficas son: 16o 56’29” de latitud
norte y 93o 06’03” de longitud oeste. La cuenca propia de Chicoasén comprende un área
aproximada de 7,194 km2 . Esta área está comprendida aguas abajo de la Presa La An-
gostura hasta la Presa Chicoasén [CFE, 1976].

Dentro del Plan Integral del Rı́o Grijalva, la Presa Chicoasén fue la tercera presa
en construirse. Dadas sus condiciones hidrológicas, y sus caracterı́sticas topográficas,
económicas y geológicas, permiten que en este sitio, la central hidroeléctrica sea la que
genera mayor energı́a eléctrica anual en el paı́s.

En la cuenca propia de Chicoasén, el régimen pluviométrico establece dos perı́odos

bien definidos. El primer perı́odo se presenta con precipitaciones máximas en los me-
ses de julio a noviembre. Dichas precipitaciones se presentan por las perturbaciones
ciclónicas que se generan en el Mar Caribe y el Golfo de México, ocasionalmente siendo
modificadas por las del Océano Pacı́fico. El segundo perı́odo, está comprendido en los
meses de diciembre a julio, y corresponde a la temporada de estiaje [SRH, 1971].

Cortina. Para el diseño definitivo de la cortina, se propusieron dos alternativas a seguir.

En la primera, se propuso una presa de concreto tipo arco-bóveda, mientras que para la
segunda propuesta, se propuso un terraplén de materiales graudados. Debido a la pre-
sencia de una falla geológica cercana a la cortina de Chicoasén, la llamada falla de Chi-
coasén, se seleccionó por razones de seguridad y diseño la segunda cortina. La sección
de la cortina se construyó con materiales de enrocamiento; su núcleo es impermeable,
flexible por el centro, y está protegida por filtros, transiciones y respaldos amplios. Los
taludes exteriores son 2:1 aguas abajo y 2.1:1, aguas arriba [SE, 2009].

El centro de la cortina está constituido por un corazón impermeable de arcilla y su

volumen es de 2.07x106 m3 . La parte que protege al corazón, se construyó a base de
grava-arena provenientes de los depósitos del rı́o, y tiene un volumen total de 0.73x106
m3 . El material de transición, antes del enrocamiento, fue obtenido de la rezaga de las ex-
cavaciones de las obras que contenı́an roca-grava-arena, y su volumen es de 2.71x106
m3 . Los respaldos de enrocamiento compactado, se formaron de fragmentos de caliza
que provinieron de las excavaciones de la obra de excedencia, de la obra de toma y la
casa de máquinas [Rubio, Triana, 2006].

La altura máxima de la cortina es de 250 m; la elevación de la corona es de 405 msnm;

el ancho de la corona es de 25 m; la longitud de la corona es de 584 m y el volumen total
3 DATOS DEL LUGAR DE ESTUDIO 108

de la cortina es de 14.51x106 m3 . El nivel del NAME es de 395 msnm; el NAMO es de

388 msnm y el NAMINO tiene un nivel de 380 msnm ([Arellano, 1997]).

Obra de desvı́o. Para realizar la obra de desvı́o, el proceso constructivo no presentó di-
ficultades, ya que las condiciones geológicas permitieron la construcción de un túnel
auxiliar de 343 m de longitud de sección sin revestimiento, para poder desviar el cauce.
Esto ya que el caudal del rı́o se volvı́a reducido, y con ello se pudo construir la ataguı́a
aguas arriba, por la desviación previa. El túnel auxiliar tiene un ancho de 7 m y una altura
de 6 m, y se sitúa en la margen izquierda del cauce [CFE, 2009].

Además, la obra de desvı́o consta de dos túneles excavados en la margen derecha.

Estos tienen una sección portal sin revestimiento de 13 m de ancho y 13 m de altura. Las
ataguı́as de materiales graduados forman parte de la cortina, la de aguas arriba con 61
m de altura y la de aguas abajo de 6 m de alto [CFE, 2009].

Obra de excedencias. La obra de excedencias se conforma por tres vertedores en túnel

alojados en la margen izquierda del cauce. Estos vertedores se controlan mediante com-
puertas radiales. El acceso del agua a los vertedores mediante un canal excavado a cielo
abierto, cuyo ancho es variable. Cada uno de los vertedores tiene tres compuertas radia-
les de 8.40 m de ancho por 19m de alto. La cresta del cimacio, es de tipo Creager, y
tiene una elevación de 373 m. Este permite poder evacuar un gasto de 15,000 m3 /s, es
decir, 5,000 m3 por cada túnel, bajo una carga máxima de 22 m. Los túneles de descarga
se excavaron a 17 m de diámetro y están revestidos de concreto para quedar con un
diámetro final de 15 m. La longitud de cada túnel es de 900 m y tienen una pendiente
de 0.0322. La estructura terminal, se localiza en el portal de salida de cada túnel, y está
constituida por una cubeta de lanzamiento, tipo salto de equı́ [CFE, 1985].

Planta hidroeléctrica. La planta hidroeléctrica está localizada sobre la margen derecha.

Esta consta de una obra de toma, la conducción a presión y la respectiva casa de máqui-
nas. La obra de toma consiste en un canal de acceso y 8 tomas independientes. Cada
una de estas 8 estructuras de toma, está diseñada para un generador. Las tomas tienen
rejillas y compuertas automáticas de accionamiento hidráulico rápido. Las compuertas
tienen dimensiones de 6.70x6.70 m. La casa de máquinas es subterránea, y tiene di-
mensiones de 199 m de longitud, 20.5 m de ancho y 43 m de alto. Cada grupo generador
activo, está constituido por una turbina tipo Francis, con capacidad de 306 MW, cada una.
En cuanto a la potencia y generación, se cuenta con una capacidad instalada de 2400
MW, una generación media anual de 7653 GWh y con un factor de planta de 36.30 %
[CONAGUA, 2009].
3 DATOS DEL LUGAR DE ESTUDIO 109

Las figuras 3.28, 3.29, 3.30 y 3.31 resumen la información anterior.

Figura 3.28: Datos de la cortina de la Presa Chicoasén

Figura 3.29: Datos del embalse de la Presa Chicoasén

Figura 3.30: Datos de la casa de máquinas de la Presa Chicoasén

Figura 3.31: Datos de la potencia y generación de la Presa Chicoasén

La presa hidroeléctrica Chicoasén tiene un gasto medio anual de 377 m3 /s. El embal-
se tiene una capacidad total de 1443 millones de m3 . El labio superior de la compuerta
se localiza a 394 msnm y la cresta del vertedor a 373 msnm con una longitud de 76 m,
3 DATOS DEL LUGAR DE ESTUDIO 110

cuya capacidad máxima de descarga es de 15,000 m3 /s. El núcleo central de la cortina

es simétrica. La obra de toma se encuentra a 182 m aguas arriba de la casa de máquinas
y a 112 m del eje de la cortina. Ésta, tiene un canal de acceso y ocho tomas indepen-
dientes con un gasto máximo de 189 m3 /s por toma [CONAGUA, 1994].

La casa de máquinas tiene una longitud de 199 m, un ancho de 20.50 m y una altura
de 43 m. Para su acceso se cuenta con un túnel de 800 m de longitud aproximadamen-
te y una sección portal de 8.45x9.40 m. La obra civil se construyó en dos etapas para
poder alojar hasta ocho grupos de turbina generador; en la primera se instalaron 5 tur-
bogeneradoras tipo Francis de 300 MW cada una, y en la segunda se instalaron 3 más,
de igual capacidad. Actualmente, Chicoasén tiene una capacidad efectiva instalada de
generación de 2400 MW, pero está diseñada para 3324.87 GW [INE, 2005].

3.3.4. Presa Ángel Albino Corzo (Peñitas)

La Presa Ángel Albino Corzo, también llamada Peñitas constituye el cuarto aprove-
chamiento hidráulico del sistema del Grijalva. Esta presa se construyó entre los años de
1979 a 1987 en el municipio de Ostuacán, localizado a 72 km aguas abajo de la Pre-
sa Malpaso. Sus coordenadas geográficas son 17o 23’4” de latitud norte y 93o 27’28” de
longitud oeste. La cuenca propia de Peñitas comprende un área aproximada de 1,402
km2 , la cual comprende desde aguas abajo de la Presa Malpaso hasta la presa Peñitas
[INEGI, 2007].

Cortina. La cortina se construyó a partir de materiales graduados en el año de 1980. Se

aprovechó la amplitud de la boquilla en esta zona y la existencia de una isla que dividı́a
el cauce en dos brazos. A partir de ello, se pudo utilizar el brazo derecho para continuar
su cauce, mientras que a través del brazo izquierdo se rellenó para poder comenzar con
los primeros trabajos. En esta primera parte, se compactaron los depósitos aluviales y se
desplantó la cortina directamente sobre el aluvión [INEGI, 2009].

La cortina tiene una altura máxima de 53 msnm, una elevación de corona de 98 msnm,
un ancho de corona de 8m, una longitud de corona de 560 m y un volumen total de
3.24x106 m3 [Comisión del Grijalva, 1964]. El nivel del NAME es de 93.50 msnm y el NA-
MO es de 87.40 msnm.

Obra de desvı́o. Ya que el brazo izquierdo se bloqueó, el cauce del rı́o fluı́a en dirección
del brazo derecho. Con esto, se pudo avanzar con la cortina por la margen izquierda. En
dirección paralela al avance de la cortina, se excavó un canal de desvı́o a cielo abierto
de 35 m de ancho por la margen izquierda, con esto se permitió concluir con la cortina
[CFE, 1976].

Obra de excedencias. Consta de dos vertedores alojados en la margen derecha, contro-

lados por compuertas de ripo radial. Cada uno de los vertedores tiene cuatro compuertas
radiales de 14.5 m de ancho por 15 m de altura. La cresta del vertedor se fijó a una ele-
vación de 76.50 m. La longitud total de la cresta es de 116 m y permite evacuar un gasto
3 DATOS DEL LUGAR DE ESTUDIO 111

de 18.7 m3 , siendo 9.350 m3 por cada uno de los vertedores [CFE, 1988].

Planta hidroeléctrica. La planta hidroeléctrica se localiza en la margen izquierda, y cuen-

ta con una obra de toma, la conducción a presión y la casa de máquinas. La obra de
toma consiste en un canal de llamada y 4 tomas independientes. Ésta, está diseñada
con 8 rejillas semicirculares. La conducción a presión consta de 8 conductos de 9x12 m
y longitud de 40 m, con una inclinación de 45o . La casa de máquinas es de tipo exterior.
Esta tiene dimensiones de 165 m de longitud, 23.7 m de ancho y 60 m de altura. Está
diseñada para alojar 4 unidades, cada una constituida por una turbina tipo Kaplan de eje
vertical, con capacidad de 105 MW cada una. En cuanto a la potencia y generación, se
cuenta con una capacidad instalada de 420 MW, una generación media anual de 2137
GWh y un factor de planta de 57.93 % [CFE, 1976].

Las figuras 3.32, 3.33, 3.34 y 3.35 resumen la información anterior.

Figura 3.32: Datos de la cortina de la Presa Peñitas

Figura 3.33: Datos del embalse de la Presa Peñitas

3 DATOS DEL LUGAR DE ESTUDIO 112

Figura 3.34: Datos de la casa de máquinas de la Presa Peñitas

Figura 3.35: Datos de la potencia y generación de la Presa Peñitas

Peñitas se localiza a una distancia de 72 km sobre los ejes de cortina aguas abajo de
Malpaso. Es la presa más pequeña en longitud, cuya área de cuenca está en los 1358
km2 . El labio superior de la compuerta está a 91.13 msnm. El aprovechamiento tiene una
capacidad total aproximada de 1630 millones de m3 , una capacidad útil de generación de
130 millones de m2 y una capacidad para control de avenidas de 961 millones de m3 . La
cresta del vertedor está a 76.50 msnm. Su aprovechamiento tiene una capacidad efectiva
instalada de generación de 420 MW, y su generación neta de diseño es de 1219.04 GWh
[SRH, 1971].

Figura 3.36: Hidrologı́a de todas las presas [Arellano, 1997]

3 DATOS DEL LUGAR DE ESTUDIO 113

La figura 3.36 muestra los datos hidrológicos de todas las presas. Se observa que
en orden de tamaño de las cuencas, Peñitas es la mayor, seguida por Malpaso, luego
La Angostura y finalmente Chicoasén. Dadas además, las condiciones geográficas y la
topografı́a de la región, las adecuaciones técnicas permiten que Malpaso tenga el mayor
gasto medio anual, seguido de Chicoasén, luego La Angostura y finalmente Peñitas. No
obstante, este orden no se presenta para los gastos máximos, ya que existen avenidas
extraordinarias y dependen también de la ubicación de las cuencas, y de quién se en-
cuentre aguas abajo o aguas arriba; es por ello, que Malpaso presenta el mayor gasto
máximo registrado, seguido de Chicoasén, luego Peñitas y finalmente La Angostura. Las
precipitaciones medias anuales son iguales para todas las presas y los niveles de eva-
poración son mayores en La Angostura, seguido de Malpaso, luego Peñitas y finalmente
Chicoasén [SE, 2009]. Asimismo la figura 3.37 muestra los datos del embalse de todas
las presas.

Figura 3.37: Datos del embalse de todas las presas [Arellano, 1997]

Las condiciones topográficas de la cuenca del Grijalva, permitieron poder construir

en cascada cada una de las presas que comprenden el sistema completo, siendo La
Angostura la que se encuentra en la parte más alta, seguida de Chicoasén, después
Malpaso y finalmente Peñitas. Se observa que La Angostura y Malpaso presentan los
mayores volúmenes del embalse, ası́ como las mayores capacidades, es por ello, que
el sistema en cascada se modelará posteriormente como únicamente estas dos presas,
ya que Chicoasén y Peñitas estarán ligadas a los efectos de las dos presas mayores
[Rubio, Triana, 2006].
3 DATOS DEL LUGAR DE ESTUDIO 114

Figura 3.38: Datos de la obra de toma de todas las presas [Arellano, 1997]

Se observa en la figura 3.38 los datos de la planta hidroeléctrica de todas las presas.
Malpaso cuenta actualmente con el mayor número de turbinas en función. Los estudios
hechos de manera previa, consideran que algunas de las presas puedan permitir el fun-
cionamiento de turbinas adicionales para una mayor generación de energı́a. En la figura
3.39 se observan los datos de la cortina de cada una de las presas.

Figura 3.39: Datos de la cortina de todas las presas [Arellano, 1997]

Chicoasén es la presa con la mayor caı́da de agua, permitiendo una gran generación
hidroeléctrica, pese a que el embalse no sea tan grande como las otras presas hidro-
eléctricas. Los máximos volúmenes turbinables permitirán establecer las restricciones
fı́sicas en cuanto a la cantidad máxima de agua permitida, y por lo tanto, afectará a la
generación de energı́a.
3 DATOS DEL LUGAR DE ESTUDIO 115

Figura 3.40: Datos del vertedor de todas las presas [Arellano, 1997]

La presa Chicoasén es la que tiene la mayor altura, mientras que La Angostura tiene
la mayor elevación de la corona dado su situación topográfica. Chicoasén es además, el
embalse con el mayor bordo libre, ası́ como la que mayor cantidad de material se utilizó
para la cortina impermeable, la zona de transición y el enrocamiento, ası́ como el material
para el filtro. Finalmente, Chicoasén es también quien presenta las mayores dimensiones
de los vertedores como obra de excedencia, mientras que Malpaso no tiene vertedores
para este fin.

3.4. Fenómenos hidroclimatológicos de la región

3.4.1. Impacto económico
Los fenómenos hidroclimatológicos en el sureste del paı́s han traı́do grandes afec-
taciones en lo que a las presas hidroeléctricas se refiere. Estas afectaciones han sido
directas en la zona, o bien indirectas en regiones alternas, que al final de cuentas causan
grandes impactos. En los últimos años se tienen registros de los daños ocasionados por
pérdidas debido a las inundaciones, precipitaciones extremas, rachas de vientos fuertes,
entre otros, como se observa en la figura 3.41.

Del año 2000 al 2013, el impacto promedio anual de los desastres de origen hidrome-
teorológico en Chiapas fue de 2,905 millones de pesos, mientras que en el perı́odo de
1928 a 1999, fue de 572 millones de pesos. En términos del PIB estatal, en las décadas
de los años 80 y 90, los impactos de los desastres naturales representaban el 0.20 % del
PIB, mientras que a partir del año 2000 hasta el 2013, el porcentaje promedio se elevó a
1.12 % del PIB estatal [CENAPRED, 2014].

Los fenómenos hidrometeorológicos han incrementado su frecuencia y fuerza des-

tructiva. En el estado de Chiapas, una parte importante de la población con altos ı́ndices
3 DATOS DEL LUGAR DE ESTUDIO 116

Figura 3.41: Impacto de los desastres naturales en el PIB estatal de Chiapas

[INEGI, 2007]

de marginación, sufren recurrentemente el impacto de los desastres naturales.

Para poder reducir la vulnerabilidad de la población de Chiapas, ante los desastres

naturales, se deben adaptar y reducir las capacidades locales, y los impactos de los
desastres, a fin de realizar prácticas alternas para los usos de los recursos naturales.
El cambio del uso de suelo, es un ejemplo de todas las variantes que correlacionan los
impactos por efectos erosivos, deslizamientos de tierras e inundaciones. Es importante
que se atiendan estos problemas socioeconómicos de la manera correcta.

Para el año 2013, el impacto de los desastres naturales representó el 0.37 % del PIB
nacional. Desde 1997, exceptuando el 2010, el año 2013 registró la cifra más elevada
de impactos provocados. El impacto socioeconómico de los desastres toma relevancia
porque el monto llega hasta los 61,009 millones de pesos a nivel nacional, lo que sig-
nifica 203 veces el presupuesto del Fondo para la prevención de desastres naturales y
fideicomiso preventivo. Desde hace 15 años, 9 de cada 10 desastres naturales son de
origen hidrometeorológico, con ello, el 92 % de los impactos socioeconómicos fueron de
este tipo. Un ejemplo en concreto, fue el huracán Stan, el cual alcanzó el 8.87 % del PIB
estatal del 2005 [OCDE, 2013].

3.4.2. Principales eventos extremos

En las figuras 3.42, 3.43 y 3.44 se resumen los eventos extremos que han afectado
a la región desde 1995 hasta el 2010 principalmente [OMM, 2018],[Samuelson, 2006].
Estos fenómenos se explicarán con mayor detalle en el siguiente capı́tulo.
3 DATOS DEL LUGAR DE ESTUDIO 117

Figura 3.42: Eventos extremos hidrometeorológicos de 1995 a 1999

Figura 3.43: Eventos extremos hidrometeorológicos de 2005 a 2010

3 DATOS DEL LUGAR DE ESTUDIO 118

Figura 3.44: Eventos extremos hidrometeorológicos de 2010 a 2015

3.5. Estudios previos del sistema

3.5.1. Polı́ticas óptimas iniciales
Las presas La Angostura y Malpaso, son las presas con mayor capacidad de regu-
lación. Las capacidades útiles de estos embalses son de 13,169 y 9600 millones de m3
respectivamente. Constantemente se han buscado polı́ticas de operación óptimas para el
sistema Grijalva. A fin de evitar inundaciones en la zona de Tabasco, y producir la mayor
generación de energı́a eléctrica, la continua búsqueda de polı́ticas se ha desarrollado en
distintos años por la CFE, CONAGUA y el Instituto de Ingenierı́a de la UNAM.

Se recuerda que una polı́tica de operación, también llamada una extracción, es una
regla que indica la cantidad de volumen de agua que debe extraerse en un futuro próxi-
mo, al tomar en cuenta el estado presente del sistema. Dicho estado, es definido en
términos de variables fı́sicamente medibles, como es el volumen almacenado en la presa
en diferentes épocas del año.

A lo largo de los años se ha tratado de determinar estas polı́ticas por diversos modelos
matemáticos, y distintas técnicas de investigación, como la investigación de operaciones,
la programación lineal, y actualmente la programación dinámica estocástica. Es ya co-
nocido el hecho, que el principio de optimización de Bellman establece que no importa
3 DATOS DEL LUGAR DE ESTUDIO 119

cual sea el estado inicial o la etapa inicial de un proceso secuencial de decisiones. Con
esto, las decisiones que restan deben corresponder a una polı́tica óptima con respecto
al estado que resulta de la primer decisión tomada [Bellman, 1957].

Una técnica complementaria a la modelación matemática es el proceso de simulación.

Esto permite representar las operaciones de los procesos y sistemas reales de forma
numérica para un análisis detallado y completo estudio. Estas simulaciones se pueden
realizar a partir de extrapolación de datos, generalmente con métodos llamados sintéti-
cos, donde las caracterı́sticas estadı́sticas permitirán junto con los registros históricos,
poder reunir la información necesaria, para emplearla en la simulación, y lograr predic-
ciones confiables del comportamiento del sistema a largo plazo.

3.5.2. Función objetivo

Los aspectos principales que se analizan en las presas hidroeléctricas son los niveles
del embalse, y el uso de las obras de excedencias. En 1993, el Instituto de Ingenierı́a de
la UNAM, planteó las primeras propuestas. Dichos estudios, procuraban evitar alcanzar
el nivel de aguas máximo extraordinario, para disminuir los gastos máximos de descarga
aguas abajo [Domı́nguez, 1998].

Para este año, se decidió tomar en cuenta evitar los derrames y posibles déficits, ası́
como tomar en cuenta la generación de energı́a a largo plazo. Es por ello, que la función
objetivo se modeló en forma mensual, a fin de determinar las polı́ticas de operación del
sistema de presas [Domı́nguez, Mendoza y Contrera, 1998]. Se propuso una función
objetivo de la forma
B = b − Cdef ∗ DEF − Cderr ∗ DERR, (3.1)
donde:

B es el beneficio que se obtiene en un mes cualquiera.

b = 100 + α[ EEdem
ge
− 1] si la energı́a generada (Egen ) es menor que la energı́a deman-
dada (Edem ); en caso contrario, se hace b = 100 + β[ E−genEdem
− 1], donde experimen-
talmente se determinaron los valores de α = 20 y β = 150.

Cdef y Cderr son coeficientes constantes que se consideran para penalizar el bene-
ficio B debido a la ocurrencia de un déficit o de un derrame.

DEF es la magnitud del déficit.

DERR es la magnitud del derrame.

Para el análisis completo en cascada, únicamente se emplearon los valores de las

presas La Angostura y Malpaso, como se ha venido mencionado anteriormente, ya que
el volumen útil de Chicoasén y Peñitas es muy pequeño comparado con las otras presas,
y por otro lado, el intervalo de análisis para la operación al plazo de un mes, implica el
3 DATOS DEL LUGAR DE ESTUDIO 120

manejo de volúmenes de ingreso de las presas y de extracción por las turbinas signifi-
cativamente mayores que su volumen útil. En este sentido, La Angostura funciona como
almacenamiento de Chicoasén y Malpaso, como almacenamiento de Peñitas. Ası́ pues,
la polı́tica de operación de las presas menores, están sujetas a tratar de turbinar volúme-
nes de ingreso sin modificar el nivel del agua en el vaso y se toman en cuenta el manejo
de las compuertas del vertedor [Domı́nguez y Mendoza, 2000].

Otra de las consideraciones previas, fue definir una polı́tica de operación inicial para
La Angostura. Esta polı́tica fue determinada, tomando en cuenta el volumen de almace-
namiento disponible en cada presa, y la ubicación en el sistema Grijalva. Luego, los ingre-
sos de la presa Malpaso se determinaron adicionando las aportaciones por cuenca propia
y las descargas obtenidas al simular la operación de La Angostura. Se realizó un análisis
por separado y luego en cascada, combinándose ambas presas [Domı́nguez, 1989].

Los datos iniciales para la determinación de las primeras polı́ticas óptimas son las
caracterı́sticas previamente mencionadas de las presas, las cuales se han detallado para
cada uno de los elementos que conforman el aprovechamiento del Grijalva. Tales ca-
racterı́sticas son la elevación inicial del vaso, la potencia instalada de cada una de las
turbinas, el gasto de diseño, el volumen de almacenamiento inicial, el máximo volumen
mensual turbinable, la carga de diseño, las curvas de elevaciones-capacidades, los nive-
les del NAMO, NAMINO, NAME, detalles de la lámina de evaporación neta, los niveles
de desfogue, las curvas de elevación-volumen, las curvas elevación-área, principalmente.

Los registros históricos hasta la década de los años 90’s, sirvieron para agrupar
meses con caracterı́sticas estadı́sticas homogéneas, según la media y la desviación
estándar. Estos modelos probabilı́sticos sirvieron de pauta para las distribuciones de pro-
babilidad, ya que los ingresos son aleatorios. Además, se discretizó el problema a partir
de incrementos de volumen de ingreso, denotados por ∆V , de acuerdo al volumen útil
de la presa, creándose intervalos desde 1 hasta un máximo llamado N S [Arzate, 2000].

3.5.3. Elaboración de histogramas

Para cada grupo de meses se elaboraron los distintos histogramas de distribuciones
probabilı́sticas. Se apoyó el cálculo de las extracciones por medio del software ANU. Este
programa determinaba los volúmenes de agua que debı́an extraerse por mes, en función
del almacenamiento que se tenı́a al inicio de mes, de tal suerte que se obtuviera el máxi-
mo beneficio a largo plazo, cumpliendo con las restricciones de capacidad de la presa
y del gasto mı́nimo turbinable. Para este cálculo, se consideró un coeficiente de déficit
y derrame de 1000 unidades, y una demanda mensual de energı́a de 190 GWh para el
caso de La Angostura y de 300 GWh para el caso de Malpaso. Para el caso de Mal-
paso, los coeficientes de penalización también se determinaban de manera respectiva
[Domı́nguez, 1998].

Los mismos cálculos que se realizaron para La Angostura se realizaron en Malpaso,

para tener el trabajo en cascada de ambas presas. Además, a través de la Gerencia
3 DATOS DEL LUGAR DE ESTUDIO 121

Estatal de Tabasco, la CONAGUA y el Instituto de Ingenierı́a de la UNAM, se analizó la

época de estiaje de la región, limitando las descargas de las últimas presas, a fin de evi-
tar inundaciones. Estos resultados establecieron los volúmenes de extracción, ası́ como
volúmenes máximos y mı́nimos recomendados para cada presa. Estas primeras simula-
ciones castigaron a la energı́a generada, y de igual manera, al resitringir las descargas
de las obras de toma originaba pérdidas por derrames en los vertedores, y con lo cual
posibles inundaciones aguas abajo [CNA, 1997].

Se estudiaron los niveles del Grijalva en Tabasco, por efecto de descargas de la obra
de toma, los cuales no fueron afectados en forma significativa para gastos inferiores a
1000 m3 /s. Se realizó además un estudio del efecto de los niveles de Malpaso por des-
cargas de La Angostura. Esto llevó a la determinación de factores de ajuste en las des-
cargas de La Angostura, dependiendo si el volumen útil en Malpaso excedı́a a la media al
inicio de cada mes. Con estos nuevos cálculos, los derrames originales de 4474 millones
de m3 disminuyeron a 772 millones de m3 [Calva, 1993].

Para el año de 1998, ya se tenı́a una tabla de polı́ticas de operación para el siste-
ma trabajando en conjunto, que se desprendı́an de las originales de 1993. Sin embargo,
las avenidas extraordinarias de 1999, obligaron a replantear el problema, puesto que
los almacenamientos llegaron a 3050 millones de m3 y 356 millones de m3 para Malpa-
so y La Angostura respectivamente. Cabe mencionar, que hasta esta fecha, todos los
estudios y simulaciones eran teóricas, y aún no se ponı́an en marcha en las presas
[Fuentes, Sánchez, 1993].

3.5.4. Curvas de elevación-capacidad

Para el año 2000, se establece la función objetivo propuesta para cada uno de los
almacenamientos ([Domı́nguez, Mendoza, Contrera, 1998]) a partir de las elevaciones de
las presas. A partir de los datos de las curvas elevaciones-capacidades de cada presa,
se propuso la siguiente expresión:
h = c1 (∆V1 )c2 (3.2)
donde

c1 = 0.0214 y c2 = 0.7763 para La Angostura,

c1 = 0.0107 y c2 = 0.8982 para Malpaso.
De esta forma, la altura respectiva se puede determinar de la siguiente manera:
h i1 −j1
i0.7763
H = 0.0214 ∆V ( 2 ) + A + B para La Angostura (3.3)
h i1 −j1
i0.8982
H = 0.0107 ∆V ( 2 ) + A + B para Malpaso (3.4)
donde
3 DATOS DEL LUGAR DE ESTUDIO 122

A es la diferencia entre la carga del NAMINO y la carga el nivel medio de desfogue

(m).
B es la es la diferencia entre la carga del NAMO y la carga el nivel medio de desfo-
gue (m).
i1 , j1 estados inicial y final.
Además, si el estado final es mayor que el lı́mite de la presa, se presentará un de-
rrame, esto es, j1 > N S, y el otro caso extremo, es cuando el estado final, quede por
debajo del nivel medio de desfogue, en cuyo caso j1 < 1. Con estas consideraciones, se
planteó la función objetivo considerando la ecuación de continuidad y la aleatoriedad de
los ingresos, quedando de la siguiente manera.

F O = f ac ∗ k ∗ V ∗ H ∗ ef ic − def ∗ kdef − derr ∗ kderr (3.5)

donde
F O es la función objetivo que corresponde al beneficio por etapas, y por presa, de
pasar de un estado i1 a un estado j1 .
f ac es un factor de conversión de unidades igual a 9.81/3600.
k es la extracción en unidades discretizadas.
∆V es el incremento de volumen (106 m3 ).
ef ic es la eficiencia respectiva.
def y derr representan el déficit y el derrame, respectivamente.
kdef y kderr representan los coeficientes de penalización por déficit y por derrame.
El cálculo de la energı́a generada, una vez encontradas las polı́ticas de operación
óptima se obtuvieron con la siguiente expresión.
  
ei + ef
E = f ac ∗ vt ∗ − nmd + carg (3.6)
2
donde
E es la energı́a generada por presa (GWh).
f ac es el factor de conversión anterior.
vt es el volumen turbinado (106 m3 ).
nmd es el nivel medio de desfogue (msnm).
ei es la elevación del almacenamiento inicial de la presa.
ef es la elevación del almacenamiento final de la presa.
carg es la diferencia de elevaciones entre el NAMO y el nivel medio de desfogue.
3 DATOS DEL LUGAR DE ESTUDIO 123

3.5.5. Penalizaciones por derrame

Para las simulaciones, se realizaron combinaciones de costos de penalización por de-
rrame, de los niveles que excedı́an al NAMO. Estas simulaciones se daban en polı́ticas
de extracción mensual, y luego se veı́a el comportamiento de cada presa. Esto se obser-
va en la figura 3.45.

Figura 3.45: Simulaciones del funcionamiento de los vasos de La Angostura y Malpaso

[Domı́nguez, Mendoza y Arganis, 2001]

Se observó que a partir de los valores propuestos de 10,000 para los costos de de-
rrames, éstos ya no disminuı́an significativamente, lo que representaba que la energı́a
no tenı́a un aumento considerable. Esto se debió a las autocorrelaciones no tomadas
en cuenta entre los meses y los ingresos. Por ello, se construyeron histogramas de pro-
babilidades desfasados, para tomar en cuenta correlaciones cruzadas en cada uno de
los meses, principalmente, cuando las lluvias aumentaban, esto es, a partir de agosto.
El problema de las autocorrelaciones también afectaba en los meses de transición entre
el estiaje y la época de grandes avenidas; puesto que se contaban con niveles bajos y
extracciones mı́nimas durante todo un mes, para luego pasar a extracciones máximas
con niveles aumentando. Esto condujo a reducir los intervalos de tiempo de un mes a tan
sólo 15 dı́as en las simulaciones [Domı́nguez y Mendoza, 2000].

Las corridas para este año se efectuaron por perı́odos de registros históricos de 1959
a 1999, y de 1977 a 1999, interpolando algunos valores desconocidos, y otros que no se
tenı́an los detalles. También se efectuaron corrimientos hacia la derecha de los histogra-
mas de probabilidades para los efectos de las autocorrelaciones. En total, se realizaron
13 corridas con los ajustes anteriores [Domı́nguez y Mendoza, 2000].
3 DATOS DEL LUGAR DE ESTUDIO 124

Figura 3.46: Corridas efectuadas por perı́odo [Domı́nguez, Mendoza y Arganis, 2001]

Se observa en la figura 46, que conforme se aumentan los costos por derrames, la
probabilidad por derrame disminuye. De manera concreta, con penalizaciones bajas de
10 unidades, los derrames son excesivos, y al aumentarse a 1000 unidades, estos se
disminuyen por la mitad. Cuando se tienen penalizaciones de 10 000 unidades, los de-
rrames disminuyen en forma considerable, y la energı́a eléctrica no se ve afectada en
forma significativa.

Luego de esto se incorporaron condiciones de energı́a mı́nima que se deben satis-

facer por operación en la CFE para cada mes, ası́ como modificaciones al valor relativo
de la energı́a llamada “de pico”. Además, que se tomó en cuenta la eficiencia de genera-
ción especı́fica de cada presa, de acuerdo con la carga media en la quincena simulada.
Para ello, se realizaron los programas de optimización OPTIDIN.FOR Y CALFITB.FOR,
ası́ como el SIMULQF.FOR, por el Instituto de Ingenierı́a. Estos programas leı́an valo-
res de extracción máxima y mı́nima, ya que los originales únicamente leı́an extracciones
máximas y las extracciones mı́nimas que ya estaban predefinidas. Por otro parte, se in-
cluyeron términos que permitieron dar distintos valores al beneficio de extracción, para
que se pudiera comparar la extracción óptima con la máxima. Esto se complementó con
un programa llamado MAPO.FOR, donde se elabora una matriz de polı́ticas de extrac-
ción quincenal para cada estado en que se encuentren las presas y para cada etapa del
año [Domı́nguez, Mendoza, 2000].

También se definió una polı́tica de operación inicial, de tal manera que no se presen-
taran derrames en el sistema, esta polı́tica servı́a para tener una base para los valores
máximos de energı́a generada. Para ello, se trazó una curva de volúmenes acumula-
dos en función del tiempo. Sobre esta curva se graficaron las capacidades posibles de
generación como funciones lineales. Las pendientes de estas rectas de capacidades
no debı́an ser excedidas, pues fı́sicamente representaba que los niveles sobrepasaban
al NAMO, y se presentaban derrames. A fin de evitar tales situaciones, se proyectaron
3 DATOS DEL LUGAR DE ESTUDIO 125

rectas tangentes sobre los ingresos quincenales a partir de las rectas de generaciones
máximas. Esto permitió que los niveles no excedieran al NAMO y en forma natural los
ingresos siempre quedaran por debajo de las extracciones, manteniendo el nivel de las
presas sin presentar derrames [Arganis, 2004].

Este proceso se hizo para el perı́odo 1990 al 2001. Con estas consideraciones, se
llegó a la conclusión de mantener extracciones iguales a los ingresos para las primeras
14 quincenas. A partir de la quincena 15, las extracciones serán mayores a los ingresos
durante 3 quincenas, para nuevamente tomar extracciones iguales a los ingresos. Esto
permitió que los niveles entre NAMO, NAMINO y NAME se mantuvieran en las elevacio-
nes de acuerdo con la CONAGUA, y cumpliendo con las demandas mı́nimas de energı́a.
Una vez tenidas las extracciones, se hicieron los cálculos de las simulaciones de las
energı́as obtenidas para cada una de las presas [Arganis, 2004].

Las simulaciones de estos perı́odos tuvieron las siguientes posibilidades: sin consi-
derar la energı́a de pico y de base, sin considerar restricciones en extracciones mı́nimas,
considerando la energı́a pico y de base, y considerando las restricciones en las extrac-
ciones mı́nimas. Como resultado, cuando no se consideran restricciones en extracciones
mı́nimas, no es necesario tomar en cuenta los picos, pero entonces sı́ existen derra-
mes. Al considerar extracciones mı́nimas, La Angostura permaneció prácticamente igual,
mientras que la energı́a de Malpaso disminuyó. Al retringir a Malpaso, ocurre lo contrario,
aumenta la energı́a de Malpaso, disminuyendo la de La Angostura, pero los derrames de
Malpaso aumentan. Si ambas presas no se restringı́an, y se consideraban los picos, se
mejoraba la situación de evitar derrames en ambas presas. Cada una de estas simulacio-
nes trajo en consecuencia, buscar el equilibrio entre mantener las demandas energéticas
de CFE cumplidas, y evitar las posibles inundaciones aguas abajo en Tabasco.

Cada uno de estos ensayos fueron modificaciones de las polı́ticas obtenidas en el

2001. Se realizaron ajustes en coeficientes de penalización. Los derrames ocasionados
en algunas posibilidades ocurrı́an en septiembre y octubre, que son los meses de mayo-
res ingresos y escurrimientos. Se realizaron curvas elevación-tiempo, para comparar los
datos históricos de CFE contra los datos simulados por el Instituto de Ingenierı́a, de lo
que hubiera ocurrido de seguir las polı́ticas propuestas. Se analizaron a partir de 1991
hasta el 2001. La comparativa expuso un aumento en la generación de energı́a ası́ como
una disminución en los niveles, permitiendo la posibilidad de evitar los derrames y con
ello penalizaciones de costos por energı́a tirada o daños por excedencias.

De igual forman, se graficaron las curvas de energı́a media anual en el transcurso

del tiempo generada entre 1991 y 2001, para las polı́ticas propuestas, en comparación
con los datos de la CFE, revelando un incremento para cada uno de los coeficientes de
derrame propuestos. Esto representó que aunque la generación de energı́a quedaba por
debajo, el costo por penalizaciones se evitaba, logrando un balance entre las ganancias
y las pérdidas.
3 DATOS DEL LUGAR DE ESTUDIO 126

3.6. Curvas guı́a

Existen dos cobjetivos encontrados en el proceso de la elección de una polı́tica ópti-
ma. Por un lado se desea generar la mayor energı́a eléctrica posible y por el otro proteger
aguas abajo a los poblados cercanos a los embalses. Esto lleva a mantener el mayor nivel
de almacenamiento en las presas, obteniendo una mayor carga, mientras que opuesta-
mente también se desea mantener el menor nivel de almacenamiento. Los organismos
encargados por decidir ambos casos son la Comisión Federal de Electricidad (CFE) y la
Comisión Nacional del Agua (CONAGUA) [CFE, 2009].

La curva guı́a también llamada curva ı́ndice es la curva de seguridad que sirve de
referencia para saber si una presa está en riesgo o no, y son establecidas por el Comité
Técnico de Operación de Obras Hidráulicas. La CONAGUA solicita no exceder los niveles
de almacenamiento que se establecen en esta curva. Los diferentes algoritmos de optimi-
zación empleados hasta la fecha toman en cuentan los efectos de la curva guı́a a través
de coeficientes de penalización cuando se rebase alguno de estos niveles [CNA, 1997].

En caso de que se rebase la curva guı́a en cada uno de los embalses, se agrega
al algoritmo de optimización la lectura de un coeficiente de penalización, para tomar
en cuenta a la curva guı́a expresada generalmente en forma discreta y por etapa. Si
el almacenamiento final de la presa es menor o igual a la curva guı́a, el beneficio por
generación se expresa de la siguiente manera:

B = GEpresa − C1 DERRpresa − C2 DEFpresa , (3.7)

donde B es el beneficio, GEpresa es la generación de la presa, C1 es el coeficiente de

penalización por derrame en la presa, DERRpresa es el volumen derramado por la presa,
C2 es el coeficiente de penalización por déficit en la presa y DEFpresa es el volumen de
déficit de la presa. Si por otro lado, se impone además una penalización por exceder la
curva guı́a, entonces el beneficio de generación se calcula como

B = GEpresa − C1 DERRpresa − C2 DEFpresa − CCGpresa , (3.8)

donde se tienen los mismos parámetros que la ecuación anterior, además de que CGGpresa
es la penalización por exceder la curva guı́a [Domı́nguez, 1998].

Históricamente, la CFE ha ensayado distintas curvas guı́a conforme pasan los años
de registros hidrológicos, ası́ como las afectaciones de avenidas extraordinarias. En el
año 2008, CFE propuso la curva guı́a llamada POL CG2008 utilizando los registros de
1959-2007. Esta curva guı́a permite una generación de 513.06 GWh/quincena, y se ob-
tiene un derrame total de 19.4 millones de m3 para la presa Malpaso. Este derrame se
distribuyen como 7.22 millones de m3 en la primera quicena de octubre de 1970 y 12.18
millones de m3 en la primera quincena de 2003 [CONAGUA, 2009].

En 2010, se propuso la curva guı́a POL XIV. Con esta polı́tica se obtiene una gene-
ración de 486.82 GWh/quincena, y no existen ni derrames ni déficits en las presas. Cabe
3 DATOS DEL LUGAR DE ESTUDIO 127

mencionar que se consideraron en esta polı́tica las láminas de evaporación que se regis-
traron entre el 22 de octubre de 2009 y el 22 de octubre de 2010. Con esto, la energı́a
disminuyó 14.71 GWh/quincena en La Angostura y 11.53 GWh/quincena en Malpaso.
Los almacenamientos aumentaron a 1294.18 y 618.53 millones de m3 en La Angostu-
ra y Malpaso, respectivamente. Para esta polı́tica se tomaron en cuenta los registros de
1959-2008. En esta polı́tica hay mejorı́as respecto a la polı́tica POL CG 2008, sin embar-
go, los niveles quedan por arriba del NAME, representando riesgos importantes en caso
de avenidas extraordinarias [Alegrı́a, 2010].

En el 2009, la CONAGUA estableció la curva guı́a POL CONAGUA 2009. En esta

polı́tica, se obtiene una generación de 475.62 GWh/quincena, la cual es menor que la
polı́tica anterior. Además, el almacenamiento mı́nimo para La Angostura es bastante ba-
jo, de 562.64 millones de m3 , tomando en cuenta que su capacidad es de 7,000 millones
de m3 . En cuanto a Malpaso, el almacenamiento es de 3022.42 millones de m3 , el cual
también es un nivel muy inferior. Esta polı́tica bastante conservadora reduce niveles de
energı́a a futuro [CFE, 2009].

La polı́tica POL XIV sirvió de base para modificar y mejorar los resultados. A partir del
análisis de los volúmenes históricos de ingreso por cuenca propia a las presas La An-
gostura y Malpaso, se observó que existe una relación entre el incremento de volumen
del almacenamiento en las presas durante la época de avenidas y la desviación estándar
de los volúmenes de ingresos. Por esto, en las polı́ticas posteriores se consideró es-
te parámetro estadı́stico, para poder definir las curvas guı́a mediante un procedimiento
sistemático. Para este fin se realizó un análisis de las elevaciones alcanzadas en forma
histórica, de las cuales se tenı́a registro y se buscó las tendencias del Sistema Hidro-
eléctrico Grijalva. Este registro se tomó desde 1998 hasta el 2008 [CONAGUA, 2009].

Con las simulaciones hechas de la polı́tica XIV y las ecuaciones de elevación-volumen,

se obtuvieron las elevaciones de ambas presas para el perı́odo de 1998 hasta el 2008.
Con esto se observó variaciones cuasi-lineales desde las primeras quincenas de año
hasta la elevación mı́nima de cada año. En el caso de La Angostura, esta elevación se
presenta al principio de la primera quincena de julio y a finales de la segunda quincena de
octubre se presenta la elevación máxima. Mientras, que en el caso de Malpaso, el mı́ni-
mo se presenta en la segunda quincena de agosto y el máximo en la primera quincena
de noviembre. Estos perı́odos son de gran importancia, por existir los mayores escurri-
mientos posibles, llevando a presentar condiciones más desfavorables [Alegrı́a, 2010].
4 METODOLOGÍA 128

4. Metodologı́a
En este capı́tulo se describe la metodologı́a planteada para encontrar las polı́ticas
óptimas de operación de un sistema de embalses en serie como se observa en las figuras
4.47, 4.48, 4.49 y 4.50.

Figura 4.47: Esquema de la metodologı́a (Parte 1)

4 METODOLOGÍA 129

Figura 4.48: Esquema de la metodologı́a (Parte 2)

4 METODOLOGÍA 130

Figura 4.49: Esquema de la metodologı́a (Parte 3)

4 METODOLOGÍA 131

Figura 4.50: Esquema de la metodologı́a (Parte 4)

4 METODOLOGÍA 132

4.1. Cálculo de probabilidades

4.1.1. Registros históricos
En primer lugar, se obtuvo la información de los registros históricos de escurrimientos
de la cuenca del rı́o Grijalva. Para ello se recopilaron los datos desde 1952 hasta el año
de 2017 para la presa La Angostura y para la presa Malpaso. La información se organizó
en forma quincenal, presentando los escurrimientos en millones de metros cúbicos.

La información se presentó en tablas y también en gráficos de lı́neas de tiempo, para

una mejor visualización, tanto por perı́odos cortos de tiempo, como gráficos completos,
como se observa en la figura 4.51. Además, se realizó un análisis de los eventos con es-
currimientos máximos, y se estudiaron los fenómenos climatológicos que hayan interve-
nido en las zonas cercanas en forma directa, o bien, en otras partes del paı́s, provocando
afectaciones indirectas.

Figura 4.51: Parte de una tabla de escurrimientos de acuerdo al año y quincena

4.1.2. Histogramas
Posteriormente, se dividió el año en 6 etapas, tal como lo realiza la CONAGUA, de
acuerdo con los registros históricos. Para cada mes, se realizó un análisis de frecuen-
cias con distintas distribuciones continuas de probabilidad y se eligió la que menor error
hubiera presentado. Por cada etapa, se calculan los ingresos totales por año y se orde-
naron cronológicamente. Se obtuvo la frecuencia, el porcentaje acumulado, la frecuencia
relativa y se elaboran los histogramas, con la respectiva curva de ajuste de la distribución
obtenida.

Resumen del cálculo de probabilidades

1. Recopilación de registros históricos por quicenas y años.
2. Elaboración de tablas y gráficos en lı́nea de tiempo por cada presa.
3. Divisón del año por etapas.
4. Suma de registros quincenales.
5. Análisis de frecuencias totales y relativas por mes.
4 METODOLOGÍA 133

6. Análisis de distribuciones y cálculo de errores promedio.

7. Elaboración de histograma de cada etapa, frecuencia acumulada y relativa.

4.2. Cálculo de extracciones máximas y restricciones

4.2.1. Extracciones máximas
Luego de esto, se calcularon los lı́mites superiores e inferiores que intervendrán en las
afectaciones de la energı́a pico que ha dictaminado la CFE junto con la CONAGUA. Para
ello se respetaron los valores de los coeficientes actuales para cada presa. Se utilizaron
las extracciones máximas mensuales permitidas por la CFE y las etapas previamente
seleccionadas para el cálculo de los lı́mites. Las ecuaciones utilizadas por la CONAGUA
vienen dadas de la siguiente forma:

Xlinf = EXT M P ∗ F ELIN ∗ N M SET. (4.1)

Xsup = EXT M P ∗ F ELSU ∗ N M SET. (4.2)

donde EXTMP, es la extracción máxima mensual, FELIN y FELSU son los factores de
lı́mite inferior y superior para la energı́a pico y NMESET es la cantidad de meses por
etapa. Con estos datos, se calcularon los lı́mites máximos de estracciones por cada una
de las etapas y para cada una de las presas.

4.2.2. Restricciones
Se añadieron las restricciones de los niveles de desfogue de cada presa para ser con-
siderado en el modelo de restricción estocástico. Además, para cada etapa y para cada
una de las presas, se calcularon los lı́mites máximos de las extracciones.

Por otro lado, se recopiló la información de las curvas guı́a dadas por la CONAGUA
presentada por quincenas en el año. La información se presentó tanto en unidades de
volumen, como en unidades de elevaciones para cada una de las presas. Se elabora-
ron los gráficos de las curvas guı́as en ambas unidades descritas con aterioridad. Cada
curva guı́a se modeló analı́ticamente, y se realizaron interpolaciones a fin de tener un
conjunto de ecuaciones polinomiales para cada una de las curvas presentadas.

Resumen de las extracciones máximas y restricciones

1. Cálculo de los lı́mites superior e inferior con los coeficientes de CFE.

2. Cálculo de las extracciones máximas dadas por la CONAGUA.

3. Análisis de las curvas guı́a de la CONAGUA.

4. Cálculo de las ecuaciones analı́ticas de la CONAGUA.

5. Interpolación polinomial de las curvas de CONAGUA.

4 METODOLOGÍA 134

4.3. Modelo de Markov

Se recuerda que el Modelo de Markov es un sexteto que está formado por los siguien-
tes elementos:
{X, A, A(x), Q, r, c}, (4.3)
donde X es el espacio de estados, A es el espacio de acciones, A(x) es el espacio de
acciones admisibles, Q es la ley o kernel de transición, r es la función de ganancia y c es
la función de costo.

4.3.1. Espacio de estados

Se calcularon los espacios de estados, que son los posibles volúmenes que presente
el embalse, para cada una de las presas como intervalos a partir de sus volúmenes úti-
les, que es el nivel entre el NAME y el NAMINO. Se presentaron también las ecuaciones
de elevación-capacidad para cada una de las presas, para realizar las conversiones ade-
cuadas. Con estas ecuaciones, se plantearon los espacios de estado tanto en volumen
como en elevaciones.

4.3.2. Espacio de acciones

Análogamente se calculó el espacio de acciones, el cual es la cantidad de volumen
que se puede extraer para cada una de las presas. Dichos espacios se determinaron a
través de los lı́mites máximos de extracción por cada una de las etapas, y se presentaron
en intervalos cerrados también de números reales.

4.3.3. Espacio de acciones admisibles

Se calcularon los espacios de acciones admisibles, que son las extracciones fı́sica-
mente permitidas de acuerdo al nivel en que se encuentre la presa al momento de la
toma de decisión. Los estados también son intervalos cerrados de la forma

An (x) = [0, lı́mite máximo de extracción − x] (4.4)

con n, representando la etapa y An (x) la extracción que se realizará. Esto se hizo para
ambas presas.

4.3.4. Kernel de transición

Posteriormente se calculó el kernel de trasición, el cual representa la ley de transición
entre ambos estados de una presa. La ley está dada por la ecuación de continuidad x2 =
x1 +m−a, donde x2 es el estado siguiente, x1 es el estado actual, m es el ingreso y a es la
extracción, en unidades hm3 . El kernel dependió de los ingresos que están relacionados
con los respectivos registros históricos dados por las distribuciones de probabilidad. Ası́
4 METODOLOGÍA 135

pues, el kernel depende de la etapa en cuestión, a través de una función f (x1 , a), donde
x1 es el estado y a la extracción. La ley de transición está dada por la ecuación

fk (x1 , a) = x1 + m − a, (4.5)

donde a ∈ Ai , Bj , con i, j las diferentes etapas, Ai , Bj los estados admisibles y k la presa

respectiva.

Además, las mi son variables aleatorias distribuidas en forma normal, de acuerdo con
un análisis de diferentes distribuciones posibles, buscando la que minimizara el error.
Para cada una de ellas se obtuvo su respectiva desviación estándar, ası́ como su estan-
darización
X −µ
Z= , (4.6)
σ
donde N (µ, σ 2 ) representa la distribución de la variable aleatoria X con distribución ori-
ginal N (0, 1).

4.3.5. Funciones de ganancia y costo

Para complementar el modelo de Markov, se propuso una función de ganancia y una
función de costo. Si x1 es un estado inicial arbitrario de la presa, se calcularon los derra-
mes y los déficits en función de los estados y acciones admisibles. Los estados depen-
dieron de los niveles NAME, NAMINO, NAMO, desfogue. En cuyo caso

a) Si x2 − extracción < 0, se consideró que no existieron derrames.

b) Si x2 − extracción ≥ 0 se considerı́ un derrame equivalente a x2 − extracción

c) Si x2 < 0, se consideró un déficit de x2 .

d) Si x2 ≥ 0, se consideró que no existieron déficits.

Las primeras condiciones representan los derrames de ambas presas, y las segundas
condiciones los déficits de ambas presas, también.

El estado final x2 quedó determinado como


0
 si x2 < 0,
x2 = x2 si 0 ≤ x2 ≤ extracción, (4.7)

extracción si x2 > extracción.


Resumen del modelo de Markov

1. Cálculo del espacio de estados.

2. Cálculo del espacio de acciones.

3. Cálculo del espacio de acciones admisibles.

4 METODOLOGÍA 136

4. Cálculo del kernel de transición.

5. Cálculo de la función de ganancia.

6. Cálculo de la función de costo.

4.4. Cálculo de beneficios

4.4.1. Déficits y derrames
De acuerdo a estudios previos, se consideró un factor de conversión de unidades
dado por 0.002725, el cual dependió del incremento o reducción de energı́a, la energı́a
potencial y el tiempo. Por otro lado el Instituto de Ingenierı́a propone los coeficientes de
derrame y déficit para cada presa. En caso de existir derrames, éste se calculó como

d2 = x2 − lı́mite máximo, (4.8)

donde d2 es el derrame, x2 el estado final y el lı́mite máximo está dado por el espacio de
estados. Análogamente, para el caso de déficits, se calcularon mediante la expresión

d1 = |x2 |, (4.9)

si x2 < 0, con d1 el déficit y x2 el estado final. Además la extracción que pasa por las
turbinas se calculó como
ET = a − d1 , (4.10)
con a la extracción y d1 el déficit. Cuando existieron los derrames, estos formaron parte
de las extracciones de la presa Malpaso; además, el volumen turbinado se añadió a estos
derrames, y formó parte de las extracciones.

4.4.2. Extracción de salida

El cálculo de la extracción de salida se calculó como

a1 = d2 + ET, (4.11)

con a1 la extracción, d2 el derrame y ET la extracción turbinada. Las salidas se com-

pararon con las restricciones dadas por la CFE, las cuales corresponden al espacio de
acciones admisibles. Las restricciones fueron las extracciones máximas, ası́ como los
lı́mites superior e inferior para cada etapa. La nueva extracción de salida se denotó por
a2 .

4.4.3. Beneficio parcial

Para el beneficio se utilizó la expresión
 
−3 x1 + x2
B = 2.725 × 10 ∗ a2 ∗ , (4.12)
2
4 METODOLOGÍA 137

donde B es el beneficio medido en kWh, 2.2725x10−3 es un factor de conversión que

equivale al producto de la aceleración 9.81m/s2 y 3, 600s, a2 es el volumen turbinado y x1
y x2 los niveles inicial y final de la presa antes y después de que suceda la extracción, los
cuales se calcularon con las ecuaciones de elevación-capacidad, para ambas presas.

El nivel de salida x2 se comparó con los niveles aceptados por las curvas guı́a de la
CONAGUA. En caso de no corresponder, se corrigieron agregando los niveles iniciales y
restando los niveles entre el NAMINO y el nivel medio de desfogue. Si existieron derra-
mes o déficits, se aplicaron las penalizaciones mencionadas anteriormente.

Con esto, se calculó la ganancia del modelo a partir de la siguiente expresión

r(x1 , a2 ) = B ∗ f act, (4.13)

donde r(x1 , a2 ) es el beneficio que se obtuvo de estar en el estado x1 y extraer el volumen

x2 , B es el beneficio calculado y f act es un factor de reducción de beneficios para evitar
números demasiado grandes. Análogamente para el costo

c(x1 , a2 ) = d1 ∗ coef 1 + d2 ∗ coef 2, (4.14)

donde c(x1 , a2 ) es el costo de existir derrames o déficits, d1 es el volumen de déficit, d2 es

el volumen derramado, c1 y c2 son los coeficientes de penalización por déficit y derrame,
respectivamente.

4.4.4. Beneficio esperado

Sabiendo lo anterior, se calculó el beneficio esperado con la siguiente ecuación

BE = [r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m), (4.15)

donde BE es el beneficio esperado, r(x1 , a2 ) − c(x1 , a2 ) es el beneficio total y P (m) es

la probabilidad de que se presente un ingreso de m millones de m3 de agua, la cual se
calculó a partir de los histogramas generados.

Para calcular el beneficio esperado máximo, se realizó la siguiente integral sobre el

espacio de estados, dado por el nivel del NAME de la presa
Z e. m.
BEM = BEdx1 , (4.16)
0

donde e.m. es el estado máximo y se calculó con las ecuaciones de estado iniciales.
Nótese que BEM es una función que depende del estado inicial x1 , de la extracción a2 y
del ingreso aleatorio m.

Resumen del cálculo de beneficios

1. Cálculo de déficits y derrames.
4 METODOLOGÍA 138

2. Cálculo del volumen turbinable.

3. Cálculo de la extracción de salida.

4. Cálculo del beneficio parcial.

5. Comparación de extracciones con las curvas guı́a.

6. Cálculo de la ganancia y el costo.

7. Cálculo del beneficio esperado.

4.5. Funciones de restricción

4.5.1. Polinomios de curvas guı́a
Las funciones de restricción estuvieron dadas por las extracciones mı́nimas y máxi-
mas de acuerdo a la CFE y por los niveles máximos del embalse, dados por la CONA-
GUA. Las primeras se obtuvieron de la sección de extracciones máximas y las segundas,
de las curvas guı́as graficadas. La curva guı́a se aproximó mediante polinomios por inter-
polación. En caso de existir coeficientes que tiendan a cero, los polinomios se redujeron
y se homogenizaron. Cada beneficio obtenido se comparó con cada una de estas restric-
ciones.

Resumen del cálculo de las funciones de restricción

1. Cálculo de las funciones de restricción por extracciones mı́nimas.

2. Cálculo de las funciones de restricción por extracciones máximas.

3. Cálculo de las funciones de restricción por curvas guı́a.

4.6. Beneficios
La función de beneficio esperado se derivó con respecto a la extracción m, mante-
niendo constante los demás valores, es decir si
Z 6567
BEM = [r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m)dx1 , (4.17)
0

entonces
d
BEM (x1 , a2 , m) = 0, (4.18)
da2
luego Z 6567
d
[r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m)dx1 = 0. (4.19)
da2 0
4 METODOLOGÍA 139

La continuidad de las funciones de ganancia y costo r y c, permitieron derivar por dentro

de la integral, con lo cual
Z 6567    
−3 x1 + x2
2.725 × 10 ∗ − (d1 ∗ coef 1 + d2 ∗ coef 2) ∗ P (m)dx1 = 0. (4.20)
0 2

Para cada extracción a2 se obtuvo el beneficio esperado máximo para la presa 1.

Para la presa 2, las ecuaciones son similares, con la condición de que el ingreso tuvo
los volúmenes de cuenca propia, mas el volumen de la presa 1, que se extrajo, es decir

m = m2 + a2 , (4.21)

con m el ingreso para la presa 2, m2 el ingreso probabilı́stico por escurrimientos propios

y a2 el volumen turbinado por la presa 1.

El beneficio esperado máximo para ambas presas fue

BET = BEM1 + BEM2 , (4.22)

con BEM1 y BEM2 los beneficios esperados de la presa 1 y 2, respectivamente.

Al variar las extracciones en cada una de las presas, a partir de las ecuaciones ante-
riores se calcularon los beneficios esperados para un horizonte de vida útil de 50 años.
Estos beneficios se presentaron en unidades de GWhr y las extracciones en unidades de
hm3 .

Resumen del cálculo de beneficios

1. Derivar el beneficio esperado máximo para la presa 1.

2. Igualar a cero la derivada y despejar la extracción a2 .

3. Repetir el proceso para la presa 2.

4. Calcular el beneficio esperado máximo.

4.7. Polı́ticas óptimas

Las polı́ticas de operación fueron funciones de dos variables, que son los estados de
la presa 1 y los estados de la presa 2. Los resultados de cada función son dos variables,
la extracción de la presa 1 y la extracción de la presa 2. Manteniendo fijo los estados
de una presa, se graficaron las extracciones de cada una de las presas, para diferentes
estados.
4 METODOLOGÍA 140

4.8. Simulación de energı́a

Con las polı́ticas óptimas calculadas, se determinó el beneficio total de cada presa pa-
ra diferentes estados y extracciones, obteniendo la energı́a generada total. Esta energı́a
se calculó a partir de la ecuación
 
Hj + Hj−1 V η
E = 9.81 , (4.23)
2 3600

donde E es la energı́a en KWh, Hj es el nivel final en m, Hj−1 es el nivel inicial en m, V

es el volumen en m3 y η es la eficiencia.

Cada uno de los pasos detallados de la metodologı́a anterior se aplicó al Sistema

Hidroeléctrico Grijalva descrito en el capı́tulo Lugar de Estudio. Los resultados obtenidos
se presentan a continuación en el siguiente capı́tulo.
5 RESULTADOS 141

5. Resultados
5.1. Registros históricos de escurrimientos
Uno de los factores que distingue el análisis determinista de un análisis estocástico
es la incertidumbre de las mediciones. El segundo de ellos generalmente se modela a
través de distribuciones de probabilidad. Como se mencionó en los capı́tulos anterio-
res, las ecuaciones diferenciales ordinarias tienen limitantes cuando las variables que
intervienen son desconocidas y más aún, son de carácter aleatorio, dando lugar a las
ecuaciones diferenciales estocásticas.

En el presente estudio, el ruido o la aleatoriedad, se expresó por la cantidad de agua

que ingresó de manera natural al embalse de las presas. Aquı́, intervienen los escurri-
mientos y las posibles evaporaciones a lo largo del tiempo de estudio. En el presente
trabajo, se consideraron los ingresos netos proporcionados tanto por la Comisión Fede-
ral de Electricidad como por la Comisión Nacional del Agua, teniéndose los cáculos de
evaporaciones ya previamente efectuados.

A continuación en las figuras 5.52 a 5.75 se presentan los registros históricos de

ingresos netos de agua en millones de metros cúbicos presentados en forma quincenal
desde el año 1952 hasta el año 2017 tanto de la Presa La Angostura como de la Presa
Malpaso.

5.1.1. Registros históricos de La Angostura

Figura 5.52: Registro de ingresos quincenales de La Angostura de 1952 a 1971 (hm3 ),

los meses de enero a abril.
5 RESULTADOS 142

Figura 5.53: Registro de ingresos quincenales de La Angostura de 1952 a 1971 (hm3 ),

los meses de mayo a agosto.

Figura 5.54: Registro de ingresos quincenales de La Angostura de 1952 a 1971 (hm3 ),

los meses de septiembre a diciembre.
5 RESULTADOS 143

Figura 5.55: Registro de ingresos quincenales de La Angostura de 1972 a 1991 (hm3 ),

los meses de enero a abril.

Figura 5.56: Registro de ingresos quincenales de La Angostura de 1972 a 1991 (hm3 ),

los meses de mayo a agosto.
5 RESULTADOS 144

Figura 5.57: Registro de ingresos quincenales de La Angostura de 1972 a 1991 (hm3 ),

los meses de septiembre a diciembre.

Figura 5.58: Registro de ingresos quincenales de La Angostura de 1992 a 2011 (hm3 ),

los meses de enero a abril.
5 RESULTADOS 145

Figura 5.59: Registro de ingresos quincenales de La Angostura de 1992 a 2011 (hm3 ),

los meses de mayo a agosto.

Figura 5.60: Registro de ingresos quincenales de La Angostura de 1992 a 2011 (hm3 ),

los meses de septiembre a diciembre.
5 RESULTADOS 146

Figura 5.61: Registro de ingresos quincenales de La Angostura de 2012 a 2017 (hm3 ),

los meses de enero a abril.

Figura 5.62: Registro de ingresos quincenales de La Angostura de 2012 a 2017 (hm3 ),

los meses de mayo a agosto.

Figura 5.63: Registro de ingresos quincenales de La Angostura de 2012 a 2017 (hm3 ),

los meses de septiembre a diciembre.
5 RESULTADOS 147

5.1.2. Registros históricos de Malpaso

Figura 5.64: Registro de ingresos quincenales de Malpaso de 1952 a 1971 (hm3 ), los
meses de enero a abril.

Figura 5.65: Registro de ingresos quincenales de Malpaso de 1952 a 1971 (hm3 ), los
meses de mayo a agosto.
5 RESULTADOS 148

Figura 5.66: Registro de ingresos quincenales de Malpaso de 1952 a 1971 (hm3 ), los
meses de septiembre a diciembre.

Figura 5.67: Registro de ingresos quincenales de Malpaso de 1972 a 1991 (hm3 ), los
meses de enero a abril.
5 RESULTADOS 149

Figura 5.68: Registro de ingresos quincenales de Malpaso de 1972 a 1991 (hm3 ), los
meses de mayo a agosto.

Figura 5.69: Registro de ingresos quincenales de Malpaso de 1972 a 1991 (hm3 ), los
meses de septiembre a diciembre.
5 RESULTADOS 150

Figura 5.70: Registro de ingresos quincenales de Malpaso de 1992 a 2011 (hm3 ), los
meses de enero a abril.

Figura 5.71: Registro quincenales de Malpaso de 1992 a 2011 (hm3 ), los meses de mayo
a agosto.
5 RESULTADOS 151

Figura 5.72: Registro de ingresos quincenales de Malpaso de 1992 a 2011 (hm3 ), los
meses de septiembre a diciembre.

Figura 5.73: Registro de ingresos quincenales de Malpaso de 2012 a 2017 (hm3 ), los
meses de enero a abril.

Figura 5.74: Registro de ingresos quincenales de Malpaso de 2012 a 2017 (hm3 ), los
meses de mayo a agosto.
5 RESULTADOS 152

Figura 5.75: Registro de ingresos quincenales de Malpaso de 2012 a 2017 (hm3 ), los
meses de septiembre a diciembre.

Los años de 1952 hasta 1958 se registraron en forma mensual y en forma quincenal
para cada una de las cuencas de cada presa. A partir del año 1959, los registros se
comenzaron a realizar en forma diaria, esto significa, que los datos que aparecen en las
tablas anteriores, fueron obtenidos realizando las sumas parciales por cada una de las
quincenas de cada mes. Los registros mensuales llegan hasta el año de 1999. Durante
la toma de registros, no se cuenta con los años 1975 y 1976. Estos datos fueron incor-
porados interpolando con los registros de datos que ya se contaban.

A partir del año 2000, los registros fueron hechos en forma diaria para cada una de
las presas, es decir, para cada una de las cuencas, tanto para la Presa La Angostura,
como para la Presa Malpaso, a partir de las cuencas propias y los escurrimientos de
Chicoasén, para el caso de Malpaso. Los datos del 2006 al 2017 fueron recopilados di-
rectamente con la Comisión Nacional del Agua, y por la Gerencia de Despacho Eléctrico
de la Comisión Federal de Electricidad, a través de registros diarios de escurrimientos,
evaporaciones e infiltraciones. Los datos que aquı́ se presentan ya son los escurrimientos
netos por cada una de las cuencas de manera individual, presentados en forma quince-
nal.

Para observar mejor las lı́neas de tiempo, se ha dividido la información en 5 gráficas

y una gráfica final de todos los años registrados. Esto se observa en las figuras 5.76 a la
5.89.
5 RESULTADOS 153

Figura 5.76: Registro histórico de La Angostura de 1952 a 1964

Figura 5.77: Registro histórico de La Angostura de 1965 a 1977

Figura 5.78: Registro histórico de La Angostura de 1978 a 1990

5 RESULTADOS 154

Figura 5.79: Registro histórico de La Angostura de 1991 a 2003

Figura 5.80: Registro histórico de La Angostura de 2004 a 2017

Figura 5.81: Registro histórico de La Angostura de 1952 a 2017

5 RESULTADOS 155

Figura 5.82: Registro histórico de Malpaso de 1952 a 1964

Figura 5.83: Registro histórico de Malpaso de 1965 a 1977

Figura 5.84: Registro histórico de Malpaso de 1978 a 1990

5 RESULTADOS 156

Figura 5.85: Registro histórico de Malpaso de 1991 a 2003

Figura 5.86: Registro histórico de Malpaso de 2004 a 2017

Figura 5.87: Registro histórico de Malpaso de 1952 a 2017

5 RESULTADOS 157

Figura 5.88: Registro histórico de La Angostura de 1952 a 2017

Figura 5.89: Registro histórico de Malpaso de 1952 a 2017

En las gráficas anteriores se pueden observar los picos máximos de escurrimentos,

los cuales están relacionados a avenidas máximas. En las figuras 5.88 y 5.89 corres-
ponden a los años 1997 y 2005, donde en las semanas 1151 y 1301 se presentaron
tormentas y huracanes en el sureste de la República Mexicana. La distribución anterior
se ha organizado como se ha mencionado anteriormente, con el propósito de facilitar su
visualización. Este tipo de gráficos permite ver perı́odos de sequı́a o perı́odos de gran-
des avenidas, lo que se conoce como años húmedos o años secos. Tales son los casos
de los años de 1997 y 2005, los cuales registraron avenidas extraordinarias debido a
condiciones atmosféricas particulares de la zona.
5 RESULTADOS 158

5.2. Probabilidades de ingreso

Para resolver el problema de la programación dinámica, se requiere conocer los es-
tados y las etapas respectivas. Las etapas son las diferentes épocas del año en sus
respectivos meses. Debido a las correlaciones entre los distintos meses, las afectacio-
nes climatológicas y las precipitaciones, la Comisión Nacional del Agua ha propuesto
que el estudio del sistema Grijalva, se divida en 6 etapas, agrupadas de acuerdo los
escurrimientos estadı́sticos como se observa en la figura 90.

Figura 5.90: Etapas por meses para el estudio

Para cada una de las etapas presentadas, se requiere el cálculo de las respectivas
distribuciones de probabilidades. Esto se hará mediante las respectivas frecuencias de
cada uno de los registros históricos por los meses que involucren a una etapa.

5.2.1. Etapa 1. La Angostura

La etapa 1 se dividió en los meses de noviembre y diciembre. Se sumaron los ingresos
quincenales de cada mes, y obtuvo un suma total por cada año, tal y como se observa
en las figura 5.91 y 5.92.

Figura 5.91: Ingresos totales para los meses de noviembre y diciembre. Años 1952-1990
5 RESULTADOS 159

Figura 5.92: Ingresos totales para los meses de noviembre y diciembre. Años 1991-2017

Se recuerda que las variables numéricas son discretas si su conjunto de valores po-
sibles es finito o se puede enumerar en una sucesión infinita; mientras que las variables
numéricas son continuas si sus valores posibles abarcan un intervalo completo sobre la
recta real.

Además, dada una variable aleatoria discreta X, la frecuencia de cualquier valor x

particular es el número de veces que ocurre un valor en el conjunto de datos. Y la fre-
cuencia relativa de un valor es la fracción o proporción de veces que ocurre el valor.
Matemáticamente
Número de veces que ocurre un valor
Frecuencia relativa de un valor = .
Número de observaciones en el conjunto de datos

A partir de estos datos se calcularon las frecuencias relativas para la etapa 1 como se
observa en la figura 5.93.
5 RESULTADOS 160

Figura 5.93: Tabla de frecuencias de la Etapa 1

Además, se graficó el respectivo histograma para la etapa 1. Este se puede ver en la

figura 94.

Figura 5.94: Histograma de la Etapa 1

Los datos anteriores fueron modelados con diferentes distribuciones de probabilidad.

Las distribuciones que se trataron fueron la distribución Lognormal, la distribución Gum-
bel, la distribución exponencial, la distribución Gamma y la distribución Doble Gumbel.
5 RESULTADOS 161

Donde una distribución lognormal, tiene una función de densidad de la forma

1 1 − 12 ( x−α 2
β ) .
f (x) = √ e (5.1)
2π xβ
En este tipo de función, los logaritmos naturales de la variable aleatoria son los que
se distribuyen en forma normal. α y β son parámetros de la distribución. Además, se
observa que α y β son la media y la desviación estándar de los logaritmos de la variable
aleatoria.

Las distribuciones de este tipo no son necesariamente simétricas. Además, los paráme-
tros se pueden establecer de la siguiente manera:
n
" n #1/2
X ln xi X (ln xi − α)2
α= , β= . (5.2)
i=1
n i=1
n

De esta forma, la función de distribución de probabilidad es

Z x
1 1 − 12 ( x−α 2
β ) dx.
F (x) = √ e (5.3)
0 2π xβ
Con
ln x − α
z=
β
se puede obtener aproximaciones mediante tablas.

En el caso de la distribución de probabilidad, se optó por una distribución normal conti-

nua, dado que fue la que menor error estándar de ajuste proporcionó. Para ello, mediante
el software libre R, se realizó un ajuste para diferentes distribuciones de probabilidades.
La figura 5.95 presenta los errores obtenidos para cada distribución simulada.

Figura 5.95: Tabla de errores cuadráticos de las distribuciones

De acuerdo con los respectivos registros históricos se realizó una distribución normal,
ya que es la que mejor ajuste presentó, obteniendo la respectiva tabla de probabilidades
de la etapa que se muestra en la figura 5.96.
5 RESULTADOS 162

Figura 5.96: Tabla de probabilidades de la Etapa 1

5.2.2. Etapa 2. La Angostura

El procedimiento realizado para la etapa 1 se repitió para cada una de las etapas.
La Figura 5.97 muestra los escurrimientos para el mes de octubre, que corresponde a la
etapa 2.

Figura 5.97: Ingresos totales para el mes de octubre. Años 1952-2017

5 RESULTADOS 163

Las figuras 5.98 y 5.99 presentan la respectiva tabla de frecuencias y el histograma

correspondiente para la etapa 2.

Figura 5.98: Tabla de frecuencias de la Etapa 2

Figura 5.99: Histograma de la Etapa 2

Se observa en la figura 5.97 un ingreso de 4734.20 hm3 en el registro del año 2005,
el cual fue ocasionado por el Huracán Stan a finales del mes de octubre. Este dato se
5 RESULTADOS 164

observa también en la figuras 5.98 con frecuencia relativa de 0.0154 y en la figura 5.99,
como un dato aislado sobre el histograma. Este hecho se ve reflejado en la figura 5.100,
donde existe cierta asimetrı́a hacia la derecha, en la tabla de probabilidades, la cual se
ve en la figura 100.

Figura 5.100: Tabla de probabilidades de la Etapa 2

5.2.3. Etapa 3. La Angostura

La etapa 3 corresponde al mes de septiembre. Históricamente, corresponde a los
meses que presentan mayor escurrimiento. La figura 5.101 presentan los ingresos totales
de esta etapa.
5 RESULTADOS 165

Figura 5.101: Ingresos totales para el mes de septiembre. Años 1952-2017

La figura 5.102 presenta la tabla de frecuencias respectiva.

Figura 5.102: Tabla de frecuencias de la Etapa 3

5 RESULTADOS 166

La figura 5.103 presenta el histograma correspondiente y la figura 104 la respectiva tabla

de probabilidades.

Figura 5.103: Histograma de la Etapa 3

Figura 5.104: Tabla de probabilidades de la Etapa 3

5 RESULTADOS 167

5.2.4. Etapa 4. La Angostura

La figura 5.105 presenta los escurrimientos para la etapa 4, correspondientes al mes
de agosto.

Figura 5.105: Ingresos totales para el mes de agosto. Años 1952-2017

En la figura 5.106 se observa la respectiva tabla de frecuencias de la etapa 4.

Figura 5.106: Tabla de frecuencias de la Etapa 4

5 RESULTADOS 168

En la figura 5.107 se presenta el histograma correspondiente y la figura 5.108 presen-

ta la tabla de probabilidades de la etapa 4.

Figura 5.107: Histograma de la Etapa 4

Figura 5.108: Tabla de probabilidades de la Etapa 4

5 RESULTADOS 169

5.2.5. Etapa 5. La Angostura

La figura 5.109 y 5.110 presentan los escurrimientos de la etapa 5, que corresponden
a los meses de junio y julio.

Figura 5.109: Ingresos totales para los meses de Junio y Julio. Años 1952-1990

Figura 5.110: Ingresos totales para los meses de Junio y Julio. Años 1991-2017
5 RESULTADOS 170

En las figuras 5.111 y 5.112 se observa la tabla de frecuencias y el histograma co-

rrespondientes a la etapa 5.

Figura 5.111: Tabla de frecuencias de la Etapa 5

Figura 5.112: Histograma de la Etapa 5

5 RESULTADOS 171

La figura 5.113 presenta la tabla de probabilidades de la etapa 5.

Figura 5.113: Tabla de probabilidades de la Etapa 5

5.2.6. Etapa 6. La Angostura

Las figuras 5.114 a la 5.117 presentan los escurrimientos de la etapa 6, que corres-
ponden a los meses de enero a mayo.

Figura 5.114: Ingresos totales para los meses de Enero a Mayo. Años 1952-1971
5 RESULTADOS 172

Figura 5.115: Ingresos totales para los meses de Enero a Mayo. Años 1972-1990

Figura 5.116: Ingresos totales para los meses de Enero a Mayo. Años 1991-2003
5 RESULTADOS 173

Figura 5.117: Ingresos totales para los meses de Enero a Mayo. Años 2004-2017

La figura 5.118 presenta la tabla de frecuencias de la etapa 6 y la figura 5.119 presenta

el histograma respectivo.

Figura 5.118: Tabla de frecuencias de la Etapa 6

5 RESULTADOS 174

Figura 5.119: Histograma de la Etapa 6

La figura 5.120 presenta la tabla de probabilidades de la etapa 6.

Figura 5.120: Tabla de probabilidades de la Etapa 6

El proceso anterior se repitió para la presa Malpaso. A continuación se presentan las

tablas de escurrimientos, frecuencias relativas, histogramas y tablas de probabilidades
correspondientes a las mismas 6 etapas.
5 RESULTADOS 175

5.2.7. Etapa 1. Malpaso

Las figuras 5.121 y 5.122 presentan los escurrimientos para la etapa 1.

Figura 5.121: Ingresos totales para los meses de noviembre y diciembre. Años 1952-1990

Figura 5.122: Ingresos totales para los meses de noviembre y diciembre. Años 1991-2017
5 RESULTADOS 176

Las figuras 5.123 y 5.124 presentan la tabla de frecuencias y el histograma de la etapa

1.

Figura 5.123: Tabla de frecuencias de la Etapa 1

Figura 5.124: Histograma de la Etapa 1

5 RESULTADOS 177

La figura 5.125 presenta la tabla de probabilidades de la etapa 1.

Figura 5.125: Tabla de probabilidades de la Etapa 1

5.2.8. Etapa 2. Malpaso

La figura 5.126 presenta los escurrimientos de la etapa 2.

Figura 5.126: Ingresos totales para el mes de octubre. Años 1952-2017

5 RESULTADOS 178

Las figuras 5.127 y 5.128 representan la tabla de frecuencias y el histograma para la

etapa 2.

Figura 5.127: Tabla de frecuencias de la Etapa 2

Figura 5.128: Histograma de la Etapa 2

5 RESULTADOS 179

La figura 5.129 muestra la tabla de probabilidades de la etapa 2.

Figura 5.129: Tabla de probabilidades de la Etapa 2

5.2.9. Etapa 3. Malpaso

La figura 5.130 muestra los escurrimientos del mes de septiembre, que corresponden a
la etapa 3.

Figura 5.130: Ingresos totales para el mes de septiembre. Años 1952-2017

5 RESULTADOS 180

Las figuras 5.131 y 5.132 muestran la tabla de frecuencias y el histograma de la etapa 3.

Figura 5.131: Tabla de frecuencias de la Etapa 3

Figura 5.132: Histograma de la Etapa 3

5 RESULTADOS 181

La figura 5.133 muestra la tabla de probabilidades de la etapa 3.

Figura 5.133: Tabla de probabilidades de la Etapa 3

5.2.10. Etapa 4. Malpaso

La figura 5.134 presenta los escurrimientos de la etapa 4, del mes de agosto.

Figura 5.134: Ingresos totales para el mes de agosto. Años 1952-2017

5 RESULTADOS 182

Las figuras 5.135 y 5.136 presentan la tabla de frecuencias y el histograma de la etapa

4.

Figura 5.135: Tabla de frecuencias de la Etapa 4

Figura 5.136: Histograma de la Etapa 4

5 RESULTADOS 183

La figura 5.137 presenta la tabla de probabilidades de la etapa 4.

Figura 5.137: Tabla de probabilidades de la Etapa 4

5.2.11. Etapa 5. Malpaso

Las figuras 5.138 y 5.139 presentan los escurrimientos de la etapa 5, correspondientes
a los meses de junio y julio.

Figura 5.138: Ingresos totales para los meses de Junio y Julio. Años 1952-1990
5 RESULTADOS 184

Figura 5.139: Ingresos totales para los meses de Junio y Julio. Años 1991-2017

Las figuras 5.140 y 5.141 presentan la tabla de frecuencias y el histograma de la etapa

5.

Figura 5.140: Tabla de frecuencias de la Etapa 5

5 RESULTADOS 185

Figura 5.141: Histograma de la Etapa 5

La figura 5.142 presenta la tabla de probabilidades de la etapa 5.

Figura 5.142: Tabla de probabilidades de la Etapa 5

5 RESULTADOS 186

5.2.12. Etapa 6. Malpaso

Las figuras 5.143 a la 5.146 presentan los escurrimientos para la etapa 6, que corres-
ponden a los meses de enero a mayo.

Figura 5.143: Ingresos totales para los meses de Enero a Mayo. Años 1952-1971

Figura 5.144: Ingresos totales para los meses de Enero a Mayo. Años 1972-1990
5 RESULTADOS 187

Figura 5.145: Ingresos totales para los meses de Enero a Mayo. Años 1991-2003

Figura 5.146: Ingresos totales para los meses de Enero a Mayo. Años 2004-2017
5 RESULTADOS 188

Las figuras 5.147 y 5.148 presentan la tabla de frecuencias y el histograma correspon-

diente a la etapa 6.

Figura 5.147: Tabla de frecuencias de la Etapa 6

Figura 5.148: Histograma de la Etapa 6

5 RESULTADOS 189

La figura 5.149 presenta la tabla de probabilidades de la etapa 6.

Figura 5.149: Tabla de probabilidades de la Etapa 6

5.2.13. Eventos extremos

Tanto en los gráficos de escurrimientos, como en los datos numéricos se observan
algunos picos que fueron causados por avenidas extremas en la región, como se ve en
la figura 5.150.

Figura 5.150: Escurrimientos históricos del Grijalva ([CFE, 2009])

5 RESULTADOS 190

Este tipo de anomalı́as climatológicas está muy ligada a los fenómenos de cambio
climático que la Organización Meteorológica Mundial ha venido dando seguimiento. Los
cambios en la temperatura del océano provocan este tipo de manifestaciones hidrológi-
cas, tales como los fenómenos conocidos de El Niño y La Niña.

1995. En el año de 1995, en las fechas del 30 de agosto al 4 de octubre, la República

Mexicana se vio afectada por el huracán Opal, que llegó a ser de categorı́a 4. Uno de
los embalses más afectados, fue la presa hidroeléctrica de Peñitas, puesto que presentó
una precipitación media del 1 al 4 de octubre de hasta 462.2 mm. Este mismo año, del 10
al 24 de octubre, se presentó el huracán Roxanne. La trayectoria puede observarse en la
figura 5.151. Al presentarse un área de baja presión y una onda tropical, se formó este
fenómeno climatológico, combinandose en forma compleja debido a las escalas sinópti-
cas dentro del Caribe occidental. Las avenidas que se ocasionaron alcanzaron niveles
históricos para La Angostura de 535.34 msnm, precisamente en los dı́as 24 y 25 de oc-
tubre de ese año ([OMM, 2018]).

Figura 5.151: Trayectoria del huracán Roxanne ([WU, 2018])

El huracán Opal, se comenzó a formar el 27 de septiembre, y alcanzó vientos hasta

de 150 mph al sur de los Estados Unidos. Alcanzó presiones mı́nimas de 919 mb y oca-
sionó la muerte de 59 personas, con pérdidas por 3,000 millones de dólares. Asimismo,
el huracán Roxanne se formó el 7 de octubre en las costas del Caribe, y alcanzó vientos
de 115 mph en las costas de Quintana Roo. Tuvo presiones de 958 mb, ocasionando el
deceso de 14 personas y pocas pérdidas materiales. El huracán atraveśo la penı́nsula
de Yucatán, para finalmente terminar en las costas de Veracruz ([Samuelson, 2006]). La
trayectoria puede verse en la figura 5.152.
5 RESULTADOS 191

Figura 5.152: Trayectoria del huracán Opal ([WU, 2018])

1998. Del 8 al 13 de septiembre de 1998, se originó la tormenta tropical Frances al no-

roeste del Golfo de México, llegando hasta el estado de Texas, en Estados Unidos. El
sistema se asoció a la zona de convergencia intertropical ocasionando lluvias extraor-
dinarias en el estado de Chiapas, lo que originó inundaciones en el Estado de Chiapas,
como en la zona de Valdivia. Debido a ello, el vertedor de Chicoasén se abrió, descargan-
do un gasto máximo total de 3784.88 m3 /s, generando un volumen derramado de 213.0
millones de m3 ([OCDE, 2013]). Su trayectoria se puede observar en la figura 5.153.

Figura 5.153: Trayectoria de la tormenta Tropical Frances [WU, 2018]

La tormenta tropical Frances se originó el 8 de septiembre y finalizó el 13 de septiem-

bre. Alcanzó vientos de 65 mph, y un descenso en la presión de 990 mb. Sólamente oca-
sionó el fallecimiento de una persona y daños por 500 millones de dólares [USDA, 2013].

1999. Este año ocurrió el Frente Frı́o No. 4 y la entrada de humedad del Golfo y del Cari-
be, lo que originó lluvias extraordinarias en la región sureste los dı́as 1 y 2 de octubre, con
avenidas de 8102.86 m3 /s como gasto pico en el hidrograma de Peñitas. La operación de
5 RESULTADOS 192

las centrales revistieron singular importancia tanto en septiembre como en octubre, por
las intensas precipitaciones y escurrimientos que ocurrieron en la cuenca de influencia
de estos aprovechamientos. Lo mismo ocurrió en la planicie del estado de Tabasco. Los
almacenamientos fueron extraordinarios, como volúmenes no antes almacenados en los
embalses de estas centrales, al igual que la presencia de inundaciones en la zona baja
del rı́o Grijalva [La Jornada, 2012].

Este mismo año del 19 al 21 de octubre, en la zona sureste se presentó el Frente

Frı́o No. 7 y afluencias de humedad de ambos litorales, ocasionando avenidas extraor-
dinarias nuevamente. La Angostura llegó a un nuevo nivel histórico de 538.20 msnm del
27 al 27 de octubre, y Malpaso llegó a una elevación máxima histórico de 184.65 msnm
el 29 de octubre. Por esta razón, Peñitas operó las compuertas del vertedor extrayendo
un gasto total de 1582.92 m3 /s, que equivale a un volumen de 759.75 millones de m3
[La Crónica, 2012].

2005. En el 2005, el 27 de octubre, se comenzó a originar el huracán Stan, debido a la

interacción de la onda tropical No. 40, la zona de convergencia intertropical y la disipación
de una baja presión de 1009 hpa, sobre el mar Caribe. El huracán Stan, fue el ciclón No.
20 de la temporada del 2005, de la región del Atlántico, Golfo de México y Mar Caribe.
Esto originó un nivel en La Angostura de 537.87 msnm y en Chicoasén de 392.67 msnm,
ası́ como de 178.93 msnm en Malpaso y de 86.62 msnm en Peñitas. Con esto, a través
de los vertedores de Chicoasén se liberaron 272.73 millones de m3 [INEGI, 2009].

El huracán Stan, se formó en el Mar Caribe y su trayectoria sobre la República Me-

xicana ocasionó inundaciones severas en la costa chiapaneca, como las ciudades de
Pijijiapan, Motozintla y Arriaga. Los efectos negativos en general fueron desde la inte-
rrupción o falta de los servicios de energı́a eléctrica, agua potable, alimentos, combus-
tibles, servicios administrativos, hasta daños a activos productivos y pérdidas humanas
[CENAPRED, 2014]. La trayectoria se observa en la figura 5.154.

Figura 5.154: Trayectoria del Huracán Stan ([WU, 2018])

5 RESULTADOS 193

2007. El 21 de octubre del 2007 se tuvo la afectación del Frente Frı́o No. 4. Este se exten-
dió desde el oriente de los Estados Unidos hasta el sur del estado de Veracruz, con un
movimiento este-sureste. A partir del 26 de octubre se mantuvo estacionario y se exten-
dió al Atlántico norte, luego a las costas orientales de los Estados Unidos, pasando por el
norte del Mar Caribe, hasta llegar al noreste de la Penı́nsula de Yucatán. Mientras tanto,
al sureste del Mar Caribe, se desarrolló la Depresión Tropical No. 16, hasta convertirse
en tormenta tropical [OMM, 2018].

En los dı́as 28, 29 y 30, el frente frı́o estacionario interactuó con la tormenta tropical,
formando un flujo de humedad hacia el sureste del paı́s, en los estados de Tabasco y
Chiapas. La depresión tropical se intensificó y se convirtió en Tormenta Tropical Noel, del
Atlántico. Peñitas presentó un gasto máximo instantáneo de 5,005.7 m3 /s y un nivel de
91.32 msnm, con lo que las compuertas del vertedor descargaron un volumen total de
233.22 millones de m3 [Samuelson, 2006].

Los efectos de esta tormenta tropical fueron asentamientos geológicos y deslizamien-

tos de cerros en la zona baja de Chiapas. Los cálculos aproximados de volumen desliza-
do de laderas indican un valor del orden de 55 millones de metros cúbicos, de los cuales
16 millones se encuentran dentro del cauce del Grijalva. Estos acumulamientos de tierra
y roca alcanzan alturas de hasta 80m y longitudes de cresta de 800m, formando una
distancia entre las dos márgenes del rı́o de aproximadamente 300m [OCDE, 2013].

2010. En el año 2010 se presentó un fenómeno hidrometeorológico poco común, que los
especialistas definieron como monzón del sureste. Un monzón son vientos estacionales
basados en diferentes capacidades calorı́ficas que cambian de dirección, provenientes
de una baja de presión hacia una alta presión, debido al gradiente de temperatura. Esto
origina lluvias de hasta 3 meses de duración [USDA, 2013].

Precisamente en 2010 se presentaron vientos con bajas temperaturas, lo que introdu-

jo humedad al sureste del Océano Pacf́ico. Al encontrarse con las altas temperaturas del
Golfo de México, se originaron precipitaciones constantes durante los meses de agosto
y septiembre [La Jornada, 2012].

Para el caso de la cuenca de la presa La Angostura, desde el mes de mayo hasta el

mes de septiembre, los escurrimientos fueron del tipo húmedo, aunque los meses de julio
a septiembre incrementó el valor proporcional de humedad. Tras 58 años los meses de
julio y agosto superaron los escurrimientos históricos, con un valor de 4,922.94 millones
de m3 , superando al del año 1999, con un valor de 1,665 millones de m3 . Este valor repre-
sentó 3.5 veces el valor de la media hasta el año 2010, para ese mes [La Crónica, 2012].

En el mes de septiembre, se tuvo un registro de 4,825 millones de m3 , el cual nueva-

mente se superó en 58 años. Esto implicó, que en el perı́odo de junio a septiembre, se
recibieran en la presa alrededor de 13,353 millones de m3 , lo que representó práctica-
mente toda la capacidad útil del embalse [INEGI, 2009].
5 RESULTADOS 194

A partir del 17 de julio y hasta finales de mes, los escurrimientos en La Angostura

excedieron los 1,500 m3 /s, con picos que alcanzaron los 2,120 m3 /s de gasto promedio
diario el dı́a 19. Para el mes de agosto, los escurrimientos se incrementaron. El dı́a 19 de
agosto alcanzaron niveles de 3,436 m3 /s, prolongándose hasta el dı́a 23 del mes. Esto
implicó que del 19 al 30 de agosto, se obtuviera un total de 2,581 millones de m3 , con un
gasto de 2,490 m3 /s para esta presa [CENAPRED, 2014]. Estos datos se pueden obser-
var en la figura 5.155.

Figura 5.155: Niveles históricos de La Angostura ([CFE, 2009])

A finales del mes de septiembre se presentaron también aportaciones extraordinarias,

registrándose gastos de 2,997, 3,223 y 3,466.5 m3 /s, para los dı́as 27, 28 y 29, respecti-
vamente [OMM, 2018].

Por otra parte, el vaso de Chicoasén es más reducido que el vaso de La Angostura
y Malpaso. Las aportaciones de los escurrimientos de junio a septiembre fueron de tipo
húmedo. En los meses de julio y agosto se rebasaron los niveles máximos registrados,
llegando a los 1,239.65 millones de m3 ; nivel que no se excedı́a desde el año de 1973
[Samuelson, 2006].

El dı́a 20 de julio, se presentó un gasto pico del orden de 736 m3 /s, producto de las
precipitaciones generadas por el paso de la onda tropical No. 16. Para el mes de agosto,
a partir del dı́a 17 y hasta final de mes, se presentó un incremento en las aportaciones
medias diarias que en promedio fueron del orden de 588 m3 /s. Ası́ pues, el 19 de agosto,
se presentó un gasto máximo de 840.62 m3 /s [OCDE, 2013]. La figura 5.105 presenta
estos datos.
5 RESULTADOS 195

Figura 5.156: Escurrimientos históricos del rı́o Grijalva [CFE, 2009]

Lo anterior se debió a las precipitaciones generadas por la presencia del monzón

del suroeste, previamente explicado. Para el mes de septiembre, a finales de mes se
presentaron avenidas producto de las precipitaciones generadas por la tormenta tropical
Mathew. Con ello, el 28 de septiembre se presentó un gasto pico de 1,497 m3 /s, única-
mente en la cuenta propia de esa presa [USDA, 2013].

Además, se tienen registros de que México vivió una de las peores sequı́as en 70
años, en el año de 2012. Esto ocasionó pérdidas económicas en la producción agrı́cola
por encima de los 16,000 millones de pesos. Esta afectación se vivió en un 70 % del paı́s,
siendo los estados del norte los principales afectados, entre ellos, Sonora, Chihuahua,
Coahuila, Nuevo León, San Luis Potosı́, Tamaulipas, Durango, Zacatecas y Aguascalien-
tes [La Jornada, 2012].

El INEGI reportó las pérdidas en un 10 % del producto interno bruto nacional, inclu-
yendo 9,000 millones de pesos en cultivos de maı́z y 6,000 millones de pesos en cultivo
de frijol. Además, 48 millones de mexicanos padecieron las consecuencias de la sequı́a
en zonas áridas, semiáridas y subhúmedas secas, afectando también al sureste del paı́s
[La Crónica, 2012].

Dados estos acontecimientos, a principios del 2013, el gobierno federal a través de

la CONAGUA autorizó utilizar 33,827 millones de pesos para atender esta necesidad de
manera inmediata. Con ello, se dio rehabilitacón y reforzamiento a la infraestructura para
el suministro de agua, destinada al consumo humano, y el abastecimiento de alimentos
por pérdidas de cultivos. Dichos recursos fueron canalizados por el Fondo de Desastres
Naturales (FONDEN) [CENAPRED, 2014].
5 RESULTADOS 196

2013. En el año 2013, se presentó el huracán Manuel. Este fue el tercero de los ciclones
de la temporada del Pacı́fico que tocó tierra en México. El dı́a 15 de septiembre, cerca
de las 14.00 horas, la tormenta tropical Manuel, tocó la costa occidental del estado de
Colima, cerca de la ciudad de Manzanillo, con vientos máximos sostenidos de 100 km/h
y rachas de 130 km/h. A las 16.00 horas, ya se habı́a aproximado a 3 km al noroeste de
Lima y a 20 km al norte de Manzanillo. Una vez en tierra, perdió fuerza, y a las 22.00
horas, se habı́a convertido en depresión tropical, en el estado de Jalisco, en la población
de El Limón. En este lugar, los vientos máximos sostenidos fueron de 55km/h, con ra-
chas hasta de 75km/h y un desplazamiento hacia el noroeste de 13km/h [OMM, 2018].
La trayectoria de Manuel se observa en la figura 5.157.

Figura 5.157: Trayectoria del Huracán Manuel [WU, 2018]

Pese a que el ciclón se desplazaba en el estado de Jalisco, la fuerte entrada de hu-

medad originada por las bandas nubosas de Manuel afectaron las costas de Guerrero,
Michoacán y Colima. Además, la humedad se dispersó al sur y occidente de México,
ocasionando precipitaciones torrenciales que causaron inundaciones y deslaves prin-
cipalmente en Acapulco, Guerrero y la población de la Pintada, el 15 de septiembre
[Samuelson, 2006].

Luego de degradarse a una baja de presión, Manuel salió al mar nuevamente, y ge-
neró fuerza, hasta volverse depresión tropical el 17 de septiembre por la tarde. Para el
dı́a 18 de septiembre, por la mañana, se convirtió en tormenta tropical, y por la tarde de
ese dı́a se intensificó a huracán, alcanzando vientos máximos sostenidos de 120km/h
con rachas de 150km/h. Para el dı́a 19 de septiembre, tocó la costa de Sinaloa, ocasio-
nando severos daños, y nuevamente inundaciones al sureste del paı́s, por las fuertes y
duraderas lluvias [OCDE, 2013].

Este mismo año se formó el huracán Ingrid. Fue el cuarto ciclón de la temporada e
impactó en el Océano Atlántico, al mismo tiempo que Manuel, cuando éste se encon-
5 RESULTADOS 197

traba en su etapa de tormenta tropical en el Océano Pacı́fico. En la madrugada del 16

de septiembre, Ingrid se acercó a la costa de Tamaulipas convirtiéndose en huracán con
vientos máximos sostenidos de 120 km/h y rachas de 150 km/h. Con esta fuerza llegó
a las 7:00 horas, originando una entrada de humedad con precipitaciones torrenciales
principalmente en el norte y centro del paı́s, pero con afectaciones hasta el sur de la
república [USDA, 2013]. La trayectoria de Ingrid se observa en la figura 5.158.

Figura 5.158: Trayectoria del Huracán Ingrid [WU, 2018]

Cabe resaltar que desde el año 1958, no se presentaban dos afectaciones climatológi-
cas en ambos océanos al mismo tiempo. Estas dos tormentas tropicales simultáneas tu-
vieron gran impacto en el sur del paı́s ocasionando grandes avenidas e inundaciones.

2014. En el año 2014 tuvo impacto el Huracán Odile. El ojo de este huracán tocó tierra el
dı́a 14 de septiembre a las 23:45 horas, a 10km del Cabo San Lucas, en Baja California
Sur. Alcanzó vientos máximos sostenidos de 205km/h, con rachas hasta de 250km/h.
Tuvo un desplazamiento hacia el noroeste a 28km/h. Este huracán llegó a estar en la
categorı́a 3. El dı́a 17 de septiembre, aproximadamente a las 11.30 horas, volvió a tocar
tierra en su trayectoria, bajando a tormenta tropical en la costa noroeste de Sonora a
75km al sureste de Puerto Peñasco con viento máximos sostenidos de 65km/h, alcanza-
do rachas hasta de 85km/h [WU, 2018]. La trayectoria de Odile se observa en la figura
5.159.

2015. En 2015 tocó tierra el Huracán Patricia a las 18:15 horas, el dı́a 23 de octubre, sien-
do de categorı́a 4. Tuvo vientos máximos sostenidos de 240 km/h y rachas de 295 km/h.
Se aproximó a las costas del paı́s en el estado de Tabasco, afectando directamente a los
municipios de Tenacatita, Cuestecomate y Navidad, y de manera indirecta a Cuixmala, el
Estrecho, La Manzanilla, Melaque, Huerta y Cihuatán. Este fenómeno ocasionó fuertes
lluvias en el centro y sur del paı́s, además de traer consigo bajas de presión y entradas
de humedad [WU, 2018]. La trayectoria de Patricia se observa en la figura 5.160.
5 RESULTADOS 198

Figura 5.159: Trayectoria del Huracán Odile [WU, 2018]

Figura 5.160: Trayectoria del Huracán Patricia [WU, 2018]

5.3. Extracción mensual máxima

Ya que es necesario poner limitantes a la energı́a mı́nima que deba generar las presas
en los distintos meses del año, en función de la capacidad instalada del sistema nacional
y además se debe incluir el valor relativo que la CFE otorga a la energı́a de pico respecto
a la energı́a de base, se incorporó al modelo un análisis de relaciones entre beneficio
y extracción. Esto significó disminuir en el algoritmo de optimalidad las opciones que se
tuvieron que analizar introduciendo para cada etapa un valor mı́nimo de energı́a progra-
mada, denominado Xinf . Esto debido a que al minimizar la extracción programada en
relación con la máxima posible, es más sencillo operativamente ajustar la energı́a produ-
cida en diferentes horas y dı́as de la semana para lograr los picos.

Para llevar a cabo esto se consideraron los mismos porcentajes de la máxima extrac-
cin turbinable de 0.4 y 0.7 de acuerdo a trabajos previos del Instituto de Ingenierı́a de la
5 RESULTADOS 199

UNAM, y se variaron las pendientes de acuerdo con los rangos. Para cada pendiente, se
realizó una simulacin correspondiente, oscilando sus valores entre 1 y 2. A partir de las
expresiones

Xinf = EXT M P ∗ F ELIN ∗ N M ESET (5.4)

Xsup = EXT M P ∗ F ELSU ∗ N M ESET (5.5)
se obtuvieron diferentes polı́ticas a futuro para la CFE, donde EXT M P es la extraccin
máxima mensual, F ELIN y F ELSU son los factores de 0.4 y 0.7 explicados anterior-
mente y N M SET es la cantidad de meses por cada una de las etapas. De esta manera,
se identificaron en la curva de beneficio, a partir de qué valor de la extracción se le daba
un valor de beneficio a la energı́a generada, con diferentes valores de pendiente. Dadas
las caracterı́sticas fı́sicas de las turbinas de cada presa, la extraccin máxima mensual
de La Angostura es de 2384.64hm3 y de 3110.40hm3 para Malpaso. Los resultados se
observan en la siguiente tabla

Figura 5.161: Lı́mite superior e inferior para cada etapa

Con esta información, se calcularon los lı́mites máximos de extracciones por cada
una de las etapas y para cada una de las presas. Estos lı́mites determinaron las restric-
ciones consideradas en el modelo matemático de control estocástico con restricciones,
siendo el caso para restricciones constantes. Estos lı́mites se observan en la figura 5.163.

Figura 5.162: Lı́mites máximos de extracción por etapa

A parte de las caracterı́sticas fı́sicas de la presa, se tuvieron los niveles de desfogue

para cada una de las presas. Para la presa La Angostura es de 269.50 msnm y para la
presa Malpaso es de 93.9 msnm. Estos niveles se anexaron a las restricciones anteriores,
las cuáles fueron respetadas.
5 RESULTADOS 200

5.4. Curvas guı́a

Para completar las restricciones se emplearon las curvas guı́as dadas por la CONA-
GUA. La CONAGUA y el Instituto de Ingenierı́a han ido modificando las distintas curvas
guı́a, a fin de evitar penalizaciones elevadas por poca generación de energı́a y también
penalizaciones en derrames aguas abajo de las presas.

Para este trabajo se utilizarán los datos de la última curva guı́a dada por la CONA-
GUA, mismas que se muestra en la figura 5.164.

Figura 5.163: Curva guı́a de las dos presas

5 RESULTADOS 201

5.4.1. Curva guı́a de La Angostura

La figura 5.165 presenta la gráfica de la curva guı́a de la presa La Angostura, referen-
te a los volúmenes máximos permitidos para cada una de las quincenas.

Figura 5.164: Curva guı́a de la Presa La Angostura en volúmenes

La figura 5.166 representa la curva guı́a, con los niveles máximos permitidos por cada
una de las quincenas, también para la Presa La Angostura.

Figura 5.165: Curva guı́a de la Presa La Angostura en elevaciones

5 RESULTADOS 202

5.4.2. Curva guı́a de Malpaso

Análogamente se presenta los respectivos gráficos de volúmenes y elevaciones para
la Presa Malpaso en las figuras 5.167 y 5.168.

Figura 5.166: Curva guı́a de la Presa Malpaso en volúmenes

Figura 5.167: Curva guı́a de la Presa Malpaso en elevaciones

Con los datos de la curva guı́a se realizaron interpolaciones por el método de La-
grange, a fin de aproximar las curvas guı́as a ecuaciones analı́ticas. Para ello se utilizó
el software libre R. A fin de tener una mejor aproximación a través de distintos ensayos,
se optó por seccionar la curva guı́a por etapas, para después trabajar con una función
general seccionada. Para las primeras 6 quincenas, que corresponden a los meses de
Enero, Febrero y Marzo, se presentan los códigos empleados en el cálculo; donde x es
el tiempo en quincenas y P (x) el volumen almacenado en hm3 .
 5 RESULTADOS 203

5.4.3. Curva guı́a de La Angostura, quincena 1-6

line 1 require(PolynomF)
line 2 x = c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24)
line 3 y = (16157, 16157, 16157, 15943, 15350, 14775, 14200, 13625, 13050, 12475,
11900, 11900, 13992, 14153, 14297, 14482, 14789, 15077, 15407, 15826, 16157,
16157, 16157, 16157)
line 4 datx = x[1:6]; daty = y[1:6]
line 5 polyAjuste = poly.calc(datx,daty)
line 6 polyAjuste
line 7 plot(datx,daty, pch=19, cex=1, col = red”)
line 8 curve(polyAjuste,add=T)

La funcion poliniomial generada es

p1 (x) = 15907 + 676.9333x − 676.4167x2 + 307.2917x3 − 62.08333x4 + 4.275x5 . (5.6)

El gráfico generado para esta sección se obseva en la figura 5.169.

Figura 5.168: Curva guı́a de La Angostura, quincenas 1-6

 5 RESULTADOS 204

5.4.4. Curva guı́a de La Angostura, quincenas 7-12

Para las quincenas 7 a la 12, que corresponden a los meses de Abril, Mayo y Junio,
se ejecutó el siguiente código.

line 1 require(PolynomF)

line 2 x = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24)

line 3 y = c(16157, 16157, 16157, 15943, 15350, 14775, 14200, 13625, 13050, 12475,
11900, 11900, 13992, 14153, 14297, 14482, 14789, 15077, 15407, 15826, 16157,
16157, 16157, 16157)

line 4 datx = x[7:12]; daty = y[7:12]

line 5 polyAjuste = poly.calc(datx,daty)

line 6 polyAjuste

line 7 plot(datx,daty, pch=19, cex=1, col = red”)

line 8 curve(polyAjuste,add=T)

La funcion polinomial generada es

p2 (x) = −247425 + 150812.9x − 34284.38x2 + 3857.292x3 − 215.625x4 + 4.791667x5 . (5.7)

El gráfico generado para esta sección se muestra en la figura 5.170.

Figura 5.169: Curva guı́a de La Angostura, quincenas 7-12

 5 RESULTADOS 205

5.4.5. Curva guı́a de La Angostura, quincenas 13-24

Para las quincenas 13 a la 24, que corresponden a los meses de Julio, Agosto, Sep-
tiembre, Octubre y Noviembre, se ejecutó el siguiente código.

line 1 require(PolynomF)

line 2 x = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24)

line 3 y = c(16157, 16157, 16157, 15943, 15350, 14775, 14200, 13625, 13050, 12475,
11900, 11900, 13992, 14153, 14297, 14482, 14789, 15077, 15407, 15826, 16157,
16157, 16157, 16157)

line 4 datx = x[13:24]; daty = y[13:24]

line 5 polyAjuste = poly.calc(datx,daty)

line 6 polyAjuste

line 7 plot(datx,daty, pch=19, cex=1, col = red”)

line 8 curve(polyAjuste,add=T)

La función polinomial generada es

p3 (x) = 8139555000 − 4964867000x + 1371827000x2 − 226683100x3 +

24894000x4 − 1908027x5 + 104166.7x6 − 4051.257x7 +
110.0146x8 − 1.986876x9 + 0.0214801x10 − 0.0001053191x11 . (5.8)

Corrigiendo los valores, que están afectados en millones de m3 y despreciando algunos

términos cercanos a cero

p3 (x) = 8139.5 − 4964.8x + 1371.8x2 − 226.6x3 + 24.8x4 − 1.908x5 . (5.9)

El gráfico generado para esta sección se muestra en la figura 5.171.

 5 RESULTADOS 206

Figura 5.170: Curva guı́a de La Angostura, quincenas 13-24

Análogamente se realizan interpolaciones por el método de Lagrange para la curva

de elevaciones de la presa Malpaso. Para las primeras 12 quincenas, que corresponden
a los meses de Enero, Febrero, Marzo, Abril, Mayo y Junio se ejecutó el siguiente código.

5.4.6. Curva guı́a de Malpaso, quincenas 1-12

line 1 require(PolynomF)

line 2 x = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24)

line 3 y = c(9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9560,
9270, 8925, 8680, 8418, 8557, 8811, 9106, 9339, 9801, 9801, 9801, 9801)

line 4 datx = x[1:12]; daty = y[1:12]

line 5 polyAjuste = poly.calc(datx,daty)

line 6 polyAjuste

line 7 plot(datx,daty, pch=19, cex=1, col = red”)

line 8 curve(polyAjuste,add=T)
 5 RESULTADOS 207

La función polinomial generada es

p4 (x) = 10042 − 727.7904x + 911.1761x2 − 635.5018x3 +

277.7019x4 − 80.53822x5 + 15.92441x6 − 2.157962x7 +
0.197247x8 − 0.0116223x9 + 0.0003984788x10 − 6.037558 × 10−06 x11 (5.10)

Despreciando algunos términos cercanos a cero

p4 (x) = 10042 − 727.7904x + 911.1761x2 − 635.5018x3 + 277.7019x4 − 80.538x5 . (5.11)

El gráfico generado para esta sección se muestra en la figura 5.172.

Figura 5.171: Curva guı́a de Malpaso, quincenas 1-12

5.4.7. Curva guı́a de Malpaso, quicenas 13-20

Para las quincenas 13 a la 20, que corresponde a los meses de Julio, Agosto, Sep-
tiembre, Octubre se ejecutó el siguiente código.

line 1 require(PolynomF)

line 2 x = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24)
 5 RESULTADOS 208

line 3 y = c(9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9560,
9270, 8925, 8680, 8418, 8557, 8811, 9106, 9339, 9801, 9801, 9801, 9801)

line 4 datx = x[13:20]; daty = y[13:20]

line 5 polyAjuste = poly.calc(datx,daty)

line 6 polyAjuste

line 7 plot(datx,daty, pch=19, cex=1, col = red”)

line 8 curve(polyAjuste,add=T)

La función polinomial generada es

p5 (x) = 215607200 − 92725330x + 17023830x2 − 1729592x3 +

105028.7x4 − 3812.279x5 + 76.59306x6 − 0.6571429x7 . (5.12)

Despreciando términos cercanos a cero

p5 (x) = 215607200 − 92725330x + 17023830x2 − 1729592x3 +

105028.7x4 − 3812.279x5 . (5.13)

El gráfico generado para esta sección se observa en la figura 5.173.

Figura 5.172: Curva guı́a de Malpaso, quincenas 13-20

 5 RESULTADOS 209

5.4.8. Curva guı́a de Malpaso, quincenas 21-24

Finalmente, para las quincenas 21 a la 24, que corresponde a los meses de Noviem-
bre y Diciembre, se ejecutó el siguiente código.

line 1 require(PolynomF)

line 2 x = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24)

line 3 y = c(9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9801, 9560,
9270, 8925, 8680, 8418, 8557, 8811, 9106, 9339, 9801, 9801, 9801, 9801)

line 4 datx = x[21:24]; daty = y[21:24]

line 5 polyAjuste = poly.calc(datx,daty)

line 6 polyAjuste

line 7 plot(datx,daty, pch=19, cex=1, col = red”)

line 8 curve(polyAjuste,add=T)

La función polinomial generada es simplement la función constante

p6 (x) = 9801 (5.14)

El gráfico generado para esta sección se observa en la figura 5.174.

Figura 5.173: Curva guı́a de Malpaso, quincenas 21-24

5 RESULTADOS 210

En resumen, se tienen las siguientes aproximaciones polinómicas; los polinomios

p1 , p2 y p3 corresponden a La Angostura y los polinomios p4 , p5 y p6 corresponden a Mal-
paso.

p1 (x) = 15907 + 676.9333x − 676.4167x2 + 307.2917x3 − 62.08333x4 + 4.275x5 . (5.15)

p2 (x) = −247425 + 150812.9x − 34284.38x2 + 3857.292x3 − 215.625x4 + 4.791x5 . (5.16)

p3 (x) = 8139.5 − 4964.8x + 1371.8x2 − 226.6x3 + 24.89x4 − 1.908x5 . (5.17)

p4 (x) = 10042 − 727.7904x + 911.1761x2 − 635.5018x3 +

277.7019x4 − 80.53822x5 . (5.18)

p5 (x) = 215607200 − 92725330x + 17023830x2 − 1729592x3 +

105028.7x4 − 3812.279x5 . (5.19)

p6 (x) = 9801. (5.20)

5.5. Polı́ticas de control

Recordando de la sección anterior, un modelo de control de Markov está compuesto
por 6 elementos, a saber: un espacio de estados, un espacio de acciones, un espacio de
acciones admisibles, una ley de transición entre estados y las funciones de ganancia y
costo.

5.5.1. Espacio de estados

En el presente trabajo, el espacio de estados está representado por los distintos
volúmenes que puede tomar la presa hidroeléctrica a nivel del embalse. La figura 5.175
presenta el NAME, NAMINO, NAMO y capacidad útil de las 4 presas del Sistema Grijalva.

Figura 5.174: Capacidad, NAME, NAMO y NAMINO de cada una de las presas
5 RESULTADOS 211

Ya que La Angostura y Malpaso tienen una capacidad de almacenamiento superior en

comparación con Chicoasén y Peñitas, se propone trabajar con un sistema equivalente
formado por dos presas, en este caso La Angostura y Malpaso, considerando las cargas
de las presas restantes. Es decir, la forma en que opera Chicoasén y Peñitas consiste en
extraer lo que es descargado por La Angostura y Malpaso más los escurrimientos produ-
cidos en sus cuencas, procurando mantener ciertos niveles que dependen de la época
del año.

Además, la CONAGUA y la CFE han planteado las respectivas ecuaciones de ele-

vación en relación al volumen del almacenamiento, de acuerdo con las caracterı́sticas
topográficas de cada una de las cuencas. Para tal efecto la CONAGUA emplea capaci-
dades totales, mientras que la CFE utiliza capacidades útiles. El Instituto de Ingenierı́a
propone las siguientes ecuaciones.
ElevLaAng = 0.0214V 0.7763 + 500 (5.21)
y
ElevM alp = 0.010V 0.8982 + 144 (5.22)
donde Elev representa las elevaciones de La Angostura y Malpaso respectivamente, en
msnm y V el volumen acumulado, en hm3 [Arganis, 2004]. Las figuras 5.176 y 5.177
muestran las respectivas curvas elevación-capacidad para cada presa.

Figura 5.175: Curva elevación-volumen de La Angostura

5 RESULTADOS 212

Figura 5.176: Curva elevación-volumen de Malpaso

Matemáticamente, el espacio de estados de La Angostura es el intervalo cerrado

[0, 6567], el cuál representa los hm3 dentro de la altura [500, 539.50] en metros. Para el
caso de Malpaso el espacio de estados es el intervalo cerrado [0, 3400] hm3 , donde sus
respectivas alturas forman el intervalo [144, 188] también en metros. El intervalo de las
alturas para ambos casos está dado por las alturas del NAMINO y el NAME, mientras
que el intervalo de los volúmenes está dado por 0 y la diferencia entre la capacidad total
y la capacidad útil.

Dichos intervalos son espacios de Borel con su respectiva σ-álgebra de Borel, con lo
cual se cumple el primer requisito para formar parte del sexteto de los modelos de control
de Markov.

5.5.2. Espacio de acciones

El espacio de acciones está representado por la cantidad de volumen que se pue-
de extraer de cada una de las presas. Dicho volumen está en función de los volúmenes
máximos turbinables fı́sicamente. Se recuerda que ya se tenı́an los lı́mites máximos de
extracción por cada una de las etapa, de acuerdo a la figura 5.178.
5 RESULTADOS 213

Figura 5.177: Máximas extracciones por etapa

Con lo cual, los espacios de acciones para la Presa La Angostura son los intervalos
cerrados [0, 4769.28], [0, 2384.64], [0, 2384.64], [0, 2384.64], [0, 4769.28] y [0, 11923.20], para
las etapas 1, 2, 3, 4, 5 y 6, respectivamente. De igual manera, para la Presa Malpaso,
los espacios de acciones son los intervalos cerrados [0, 6220.80], [0, 3110.40], [0, 3110.40],
[0, 3110.40], [0, 6220.80] y [0, 15552.0], para las etapas 1, 2, 3, 4, 5 y 6, respectivamente;
todos en unidades de metros.

Análogamente a los espacios de estados, estos espacios de acciones también son

espacios de Borel, y trabajarán con la σ-álgebra de los borelianos.

5.5.3. Espacio de acciones admisibles

El espacio de acciones admisibles es parte del espacio de acciones, pero éste de-
penderá del estado en el que se encuentre el sistema. En otras palabras, dado un estado
x ∈ X (que no es más que el volumen actual), la acción que se ejecute (el volumen que
se extraiga) no podrá exceder el NAME, con lo que cada intervalo de acciones admisibles
tendrá la forma [0, x], donde x representa el estado actual.

En este sentido, el espacio de acciones admisibles para la Presa La Angostura es

A1 (x) = [0, 4769.28 − x],

A2 (x) = [0, 2384.64 − x],

A3 (x) = [0, 2384.64 − x],
A4 (x) = [0, 2384.64 − x],
A5 (x) = [0, 4769.28 − x]
y
A6 (x) = [0, 11923.20 − x],
para las etapas 1, 2, 3, 4, 5 y 6, respectivamente. De igual manera, para la Presa Malpaso,
los espacios de acciones son los intervalos cerrados

B1 (x) = [0, 6220.80 − x],

B2 (x) = [0, 3110.40 − x],

5 RESULTADOS 214

B3 (x) = [0, 3110.40 − x],

B4 (x) = [0, 3110.40 − x],
B5 (x) = [0, 6220.80 − x]
y
B6 (x) = [0, 15552.0 − x],
para las etapas 1, 2, 3, 4, 5 y 6, respectivamente.

Por ser subconjuntos de los espacios de acciones anteriores, también son conjuntos
borelianos, mismos que trabajarán con la σ-álgebra de Borel.

5.5.4. Kernel de transición

Recordando que los estados son los distintos volúmenes en los que se encuentra la
presa, que vienen dados por los niveles del embalse, la ley de transición se consideró
como la ecuación de continuidad x2 = x1 + m − a, donde x2 es el estado siguiente, x1 es
el estado actual, m es el ingreso y a es la extracción, todo medido en hm3 .

Este kernel dependió de los ingresos que estuvieron relacionados con los registros
históricos dados por distribuciones de probabilidad, con lo cual, el kernel se estable-
ció en términos de la etapa en cuestión. Esta dependencia se indicó como una función
f (x1 , a), donde x1 es el estado y a la acción.

Luego, la función de transición entre estados se expresó como

fk (x1 , a) = x1 + m − a. (5.23)

donde a ∈ Ai , Bj con i = 1, 2, 3, 4, 5, 6 y j = 1, 2, 3, 4, 5, 6, donde Ai y Bj representan los

estados admisibles, y k = 1, 2 representa la presa en cuestión.

Para cada etapa y para cada presa, se plantearon un total de 12 funciones de transición,
a saber:

f1 (x1 , a1 ) = x1 + m1 − a1 , a1 ≤ 4769.28 − x1 (5.24)

f2 (x1 , a2 ) = x1 + m2 − a2 , a2 ≤ 2384.64 − x1 (5.25)
f3 (x1 , a3 ) = x1 + m3 − a3 , a3 ≤ 2384.64 − x1 (5.26)
f4 (x1 , a4 ) = x1 + m4 − a4 , a4 ≤ 2384.64 − x1 (5.27)
f5 (x1 , a5 ) = x1 + m5 − a5 , a5 ≤ 4769.28 − x1 (5.28)
f6 (x1 , a6 ) = x1 + m6 − a6 , a6 ≤ 11923.20 − x1 (5.29)
5 RESULTADOS 215

Y para la presa 2:

f1 (x1 , a1 ) = x1 + m1 − a1 , a1 ≤ 6220.80 − x1 (5.30)

f2 (x1 , a2 ) = x1 + m2 − a2 , a2 ≤ 3110.40 − x1 (5.31)
f3 (x1 , a3 ) = x1 + m3 − a3 , a3 ≤ 3110.40 − x1 (5.32)
f4 (x1 , a4 ) = x1 + m4 − a4 , a4 ≤ 3110.40 − x1 (5.33)
f5 (x1 , a5 ) = x1 + m5 − a5 , a5 ≤ 6220.80 − x1 (5.34)
f6 (x1 , a6 ) = x1 + m6 − a6 , a6 ≤ 15552.20 − x1 (5.35)

En las ecuaciones anteriores, se debe recordar que mi son variables aleatorias idénti-
camente distribuidas, más aún, todas presentan una distribución normal, donde para ca-
da etapa se tuvieron las siguientes medias, que se observan en la figura 5.179.

Figura 5.178: Medias por etapas en hm3

Las desviaciones estándar son finitas, y se presentan en la figura 5.180.

Figura 5.179: Desviación estándar por etapas en millones de m3

Ya que X tiene una distribución N (µ, σ 2 ), se pudo estandarizar de la manera conven-

cional
X −µ
Z=
σ
la cual tuvo ahora una distribución N (0, 1).

Las respectivas estandarizaciones quedaron de la siguiente manera.

5 RESULTADOS 216

X − 1176.41 X − 1101.30
Z11 = , Z12 =
392.92 355.30
X − 1962.51 X − 1292.44
Z21 = , Z22 =
752.51 715.18
X − 2319.75 X − 1516.70
Z31 = , Z32 =
860.14 819.90
X − 1447.56 X − 810.05
Z41 = , Z42 =
738.05 432.26
X − 1955.92 X − 1290.15
Z51 = , Z52 =
762.23 644.13
X − 1107.45 X − 1332.31
Z61 = , Z62 =
252.59 444.10

5.5.5. Función de ganancia y función de costo

Se consideró un estado x1 arbitrario de la presa, el cual estuvo determinado por el
espacio de estados descrito anteriormente. La ecuación de continuidad establecida antes
fue x2 = x1 + m − a, con sus respectivas descripciones ya hechas. Las condiciones para
un derrame o un déficit se determinaron de la siguiente manera.
Para La Angostura:

Si x2 − 6567 < 0, se consideró un derrame de 0 hm3 .

Si x2 − 6567 ≥ 0 se consideró un derrame equivalente a x2 − 6567 hm3 .

Para Malpaso:

Si x2 − 3400 < 0, se consideró un derrame de 0 hm3 .

Si x2 − 3400 ≥ 0 se consideró un derrame equivalente a x2 − 3400 hm3 .

Y para el caso del déficit.

Para La Angostura:

Si x2 < 0, se consideró un déficit de x2 hm3 .

Si x2 ≥ 0 se consideró un déficit equivalente a 0 hm3 .

Para Malpaso:

Si x2 < 0, se consideró un déficit de x2 hm3 .

Si x2 ≥ 0 se consideró un déficit equivalente a 0 hm3 .

5 RESULTADOS 217

Con estas consideraciones el estado x2 final se determinó de acuerdo a las restriccio-

nes anteriores de posibles derrames o déficits, tanto para La Angostura como Malpaso,
de la siguiente manera: 
0
 si x2 < 0,
x2 = x2 si 0 ≤ x2 ≤ 6557, (5.36)

6567 si x2 > 6557.


0
 si x2 < 0,
x2 = x2 si 0 ≤ x2 ≤ 3400, (5.37)

3400 si x2 > 3400.


Para el cálculo de los beneficios esperados, en primer lugar se consideró un factor de

afectación dado por la CONAGUA. Este factor es de 0.002725, el cual depende de un
factor de reducción o incremento en el rango de energı́a, y las conversiones de unidades
de la energı́a potencial y el tiempo de horas a segundos. El Instituto de Ingenierı́a propo-
ne de acuerdo a estudios previos, los coeficientes de derrame y de déficit, afectados por
la reducción de energı́a dados en la figura 5.181.

Figura 5.180: Coeficientes de derrame y déficit para cada presa

En caso de existir un posible derrame, éste estuvo dado por d2 = x2 − 6567 para La
Angostura y x2 − 3400 para Malpaso. Y en caso de existir déficits, estuvieron dados por
d1 = |x2 | cuando x2 < 0. La extracción que pasa por las turbinas fue además

ET = a − d1 , (5.38)

con a la extracción y d1 el déficit. En caso de existir derrames, esto pasaron a ser parte
de las extracciones de la presa de Malpaso, y el volumen turbinado se añadió a estos
derrames, los cuales fueron parte de las extracciones.

Posteriormente, el cálculo para la extracción de salida se determinó como a1 = d2 +

ET , con a1 la extracción de salida, d2 el derrame y ET la extracción turbinada. Estas
salidas se compararon con las restricciones dadas por la CFE, que se discutieron en el
espacio de acciones, las cuales son las extracciones máximas por etapas, ası́ como los
lı́mites superior e inferior para cada etapa, analizados en la sección de las extracciones
mensuales máximas. La nueva extracción de salida corregida se denotó por a2 .
5 RESULTADOS 218

El beneficio se calculó con la ecuación de la energı́a

 
−3 x 1 + x2
B = 2.725 × 10 ∗ a2 ∗ , (5.39)
2

donde B es el beneficio en kilowatt-hora, 2.2725×10−3 es un factor de conversión equi-

valente a 9.81 m/s2 ∗ 3600s, a2 es el volumen turbinado y x1 y x2 son los niveles inicial y
final de la presa antes y después de la extracción. Estos niveles se calcularon a partir del
volumen con las ecuaciones de elevación-capacidad.

El nivel x2 se comparó con los niveles de las curvas guı́a dadas por la CONAGUA, y
en caso de cumplir lo requisitos, se corrigieron los niveles del embalse agregando los ni-
veles iniciales de 500 y 144 m, respecitvamente para La Angostura y Malpaso, y quitando
los niveles entre el NAMINO y el nivel medio de desfogue, de 269.5 y 93.9m, respecti-
vamente para cada embalse. En caso de existir déficit o derrame, se penalizó con los
coeficientes dados por el Instituto de Ingenierı́a para cada presa.

La ecuación de ganancia y costo quedó de la siguiente manera

r(x1 , a2 ) = B ∗ 0.01, (5.40)

c(x1 , a2 ) = d1 ∗ coef 1 + d2 ∗ coef 2, (5.41)

donde r(x1 , a2 ) es el beneficio que se obtiene de estar en el estado x1 y extraer el volu-
men a2 , B es el beneficio calculado anteriormente y 0.01 es un factor de reducción de los
beneficios para evitar números demasiado grandes tanto de La Angostura como Malpa-
so, c(x1 , a2 ) es el costo de existir déficits y/o derrames, d1 es el volumen de déficit, d2 es el
volumen derramado, c1 y c2 son los coeficientes de penalización por déficits y derrames,
calculados por el Instituto de Ingenierı́a.

Dado un estado en el que se encuentre el embalse, existe la probabilidad de ingre-

so de volúmenes. Esta función que corresponde a una distribución normal se multiplicó
por el beneficio, para obtener el beneficio esperado dado ese estado, y esa extracción
turbinable. La expresión del beneficio esperado quedó de la siguiente manera:

BE = [r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m), (5.42)

donde BE es el beneficio esperado, r(x1 , a2 ) − c(x1 , a2 ) es el beneficio total y P (m) es

la probabilidad de que se presente un ingreso de m hm3 de agua. Esta probabilidad se
obtuvo de la sección del cálculo de probabilidades.

El cálculo del beneficio esperado máximo se realizó integrando sobre todo el espacio
de estados [0, 6567] de la presa La Angostura los beneficios esperados para cada uno de
los estados, junto con su distribución de probabilidades
Z 6567
BEM = BEdx1 . (5.43)
0
5 RESULTADOS 219

Z 6567
BEM = [r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m)dx1 , (5.44)
0

El beneficio esperado máximo dependió del estado actual del sistema, de la extracción
y del ingreso. En este caso, se pudo considerar como una función BEM (x1 , a2 , m), con
x1 , a2 y m como se han definido anteriormente.

5.5.6. Funciones de restricción

Las funciones de restricción son de dos tipos ya que existen dos dependencias gu-
bernamentales que han impuesto cada una de ellas las condiciones de operación. Por
un lado CFE ha impuesto lı́mites energéticos que deben de cumplirse, mientras que CO-
NAGUA ha impuesto las curvas guı́a las cuales no deben excederse.

De acuerdo con la CFE, los lı́mites superiores e inferiores que en cada etapa se deben
mantener se observan en la figura 5.182.

Figura 5.181: Lı́mite superior e inferior para cada etapa en millones de m3

Mientras, que para la CONAGUA, se tienen las siguientes expresiones polinomiales

que se calcularon anteriormente para las curvas guı́a

p1 (x) = 15907 + 676.9333x − 676.4167x2 + 307.2917x3 − 62.08333x4 + 4.275x5 . (5.45)

p2 (x) = −247425 + 150812.9x − 34284.38x2 + 3857.292x3 − 215.625x4 + 4.791x5 . (5.46)

p3 (x) = 8139.5 − 4964.8x + 1371.8x2 − 226.6x3 + 24.89x4 − 1.908x5 . (5.47)

p4 (x) = 10042 − 727.7904x + 911.1761x2 − 635.5018x3 +

277.7019x4 − 80.53822x5 . (5.48)

p5 (x) = 215607200 − 92725330x + 17023830x2 − 1729592x3 +

105028.7x4 − 3812.279x5 . (5.49)

p6 (x) = 9801. (5.50)

5 RESULTADOS 220

En este caso, x representa el tiempo medido en quincenas de acuerdo con las etapas
establecidas por el Instituto de Ingenierı́a. Ya que en principio, estas restricciones no
dependen del estado, sino del tiempo, las funciones se consideraron después del cálculo
respectivo de los beneficios, como una cota de comparación para cada estado que se
analizó.

5.5.7. Beneficios
Ya que se deseó conocer la extracción que presentara el mayor beneficio, la función
de beneficio esperado se derivó con respecto a la extracción m, manteniendo los demás
valores constantes, y se igualó a cero.

Si Z 6567
BEM = [r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m)dx1 , (5.51)
0

donde
r(x1 , a2 ) = B ∗ 0.01, (5.52)
c(x1 , a2 ) = d1 ∗ coef 1 + d2 ∗ coef 2, (5.53)
y  
−3 e1 + e2
B = 2.725 × 10 ∗ a2 ∗ , (5.54)
2
luego
d
BEM (x1 , a2 , m) = 0 (5.55)
da2
Z 6567
d
[r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m)dx1 = 0 (5.56)
da2 0

Ya que r(x1 , a2 ) y c(x1 , a2 ) se han supuesto funciones continuas, en forma aproximada,

se puede pasar la derivada dentro del signo de integral, luego
Z 6567
d
[r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m)dx1 = 0 (5.57)
0 da2
Z 6567    
−3 e1 + e2
2.725 × 10 ∗ − (d1 ∗ coef 1 + d2 ∗ coef 2) ∗ P (m)dx1 = 0 (5.58)
0 2
Con esto se obtuvo el beneficio esperado máximo para esta extracción a2 para la presa
1, sobre toda la distribución de probabilidades. Para la presa 2, se plantearon ecuaciones
similares.

En este caso, para el ingreso m ahora se consideró el volumen turbinado por la presa
2, es decir, se contaron ingresos por cuenca propia más los ingresos provenientes aguas
arriba del cauce. Con lo cual
m = m2 + a2 (5.59)
5 RESULTADOS 221

donde m es el ingreso, m2 es el ingreso probabilı́stico por escurrimientos y a2 el volumen

turbinado por la pesa 1.
Z 3400
d
[r(x1 , a2 ) − c(x1 , a2 )] ∗ P (m2 )dx1 = 0 (5.60)
0 da2
Z 3400    
−3 e1 + e2
2.725 × 10 ∗ − (d1 ∗ coef 1 + d2 ∗ coef 2) ∗ P (m2 )dx1 = 0 (5.61)
0 2
El beneficio esperado máximo para ambas presas fue

BET = BEM1 + BEM2 (5.62)

donde BET es el beneficio total, BEM1 y BEM2 son los beneficios esperados de la pre-
sa 1 y la presa 2, respectivamente.

Resolviendo la ecuación (5.62), se calcularon los beneficios esperados máximos va-

riando las extracciones en cada una de las presas, tanto para La Angostura como para
Malpaso, considerando un beneficio de 0, para un horizonte de 50 años. Los datos pa-
ra estas ecuaciones fueron las caracterı́sticas fı́sicas de cada uno de los embalses, los
histogramas probabilı́sticos, junto con las distribuciones de probabilidad, y los beneficios
individuales de cada una de las presas. Dichos beneficios están en unidades de GWhr, y
las extracciones se representaron en unidades de volumen, en este caso hm3 . Para cada
beneficio, se contó con una extracción para cada una de las presas que funcionaron en
cascada, dichas extracciones son las extracciones deseadas para garantizar las condi-
ciones. En el siguiente apartado se presentan los resultados.
5 RESULTADOS 222

5.5.8. Beneficio esperado máximo Etapa 1

Las siguientes tablas describen el beneficio esperado máximo que se obtuvo en la
Etapa 1.

Figura 5.182: Beneficio esperado máximo para la etapa 1 en el año 1

Figura 5.183: Beneficio esperado máximo para la etapa 1 en el año 2

5 RESULTADOS 223

Figura 5.184: Beneficio esperado máximo para la etapa 1 en el año 3

Figura 5.185: Beneficio esperado máximo para la etapa 1 en el año 4

5 RESULTADOS 224

Figura 5.186: Beneficio esperado máximo para la etapa 1 en el año 5

Figura 5.187: Beneficio esperado máximo para la etapa 1 en el año 6

5 RESULTADOS 225

5.5.9. Beneficio esperado máximo Etapa 2

Las siguientes tablas describen el beneficio esperado máximo que se obtuvo en la
Etapa 2.

Figura 5.188: Beneficio esperado máximo para la etapa 2 en el año 1

Figura 5.189: Beneficio esperado máximo para la etapa 2 en el año 2

5 RESULTADOS 226

Figura 5.190: Beneficio esperado máximo para la etapa 2 en el año 3

Figura 5.191: Beneficio esperado máximo para la etapa 2 en el año 4

5 RESULTADOS 227

Figura 5.192: Beneficio esperado máximo para la etapa 2 en el año 5

Figura 5.193: Beneficio esperado máximo para la etapa 2 en el año 6

5 RESULTADOS 228

5.5.10. Beneficio esperado máximo Etapa 3

Las siguientes tablas describen el beneficio esperado máximo que se obtuvo en la
Etapa 3.

Figura 5.194: Beneficio esperado máximo para la etapa 3 en el año 1

Figura 5.195: Beneficio esperado máximo para la etapa 3 en el año 2

5 RESULTADOS 229

Figura 5.196: Beneficio esperado máximo para la etapa 3 en el año 3

Figura 5.197: Beneficio esperado máximo para la etapa 3 en el año 4

5 RESULTADOS 230

Figura 5.198: Beneficio esperado máximo para la etapa 3 en el año 5

Figura 5.199: Beneficio esperado máximo para la etapa 3 en el año 6

5 RESULTADOS 231

5.5.11. Beneficio esperado máximo Etapa 4

Las siguientes tablas describen el beneficio esperado máximo que se obtuvo en la
Etapa 4.

Figura 5.200: Beneficio esperado máximo para la etapa 4 en el año 1

Figura 5.201: Beneficio esperado máximo para la etapa 4 en el año 2

5 RESULTADOS 232

Figura 5.202: Beneficio esperado máximo para la etapa 4 en el año 3

Figura 5.203: Beneficio esperado máximo para la etapa 4 en el año 4

5 RESULTADOS 233

Figura 5.204: Beneficio esperado máximo para la etapa 4 en el año 5

Figura 5.205: Beneficio esperado máximo para la etapa 4 en el año 6

5 RESULTADOS 234

5.5.12. Beneficio esperado máximo Etapa 5

Las siguientes tablas describen el beneficio esperado máximo que se obtuvo en la
Etapa 5.

Figura 5.206: Beneficio esperado máximo para la etapa 5 en el año 1

Figura 5.207: Beneficio esperado máximo para la etapa 5 en el año 2

5 RESULTADOS 235

Figura 5.208: Beneficio esperado máximo para la etapa 5 en el año 3

Figura 5.209: Beneficio esperado máximo para la etapa 5 en el año 4

5 RESULTADOS 236

Figura 5.210: Beneficio esperado máximo para la etapa 5 en el año 5

Figura 5.211: Beneficio esperado máximo para la etapa 5 en el año 6

5 RESULTADOS 237

5.5.13. Beneficio esperado máximo Etapa 6

Las siguientes tablas describen el beneficio esperado máximo que se obtuvo en la
Etapa 6.

Figura 5.212: Beneficio esperado máximo para la etapa 6 en el año 1

Figura 5.213: Beneficio esperado máximo para la etapa 6 en el año 2

5 RESULTADOS 238

Figura 5.214: Beneficio esperado máximo para la etapa 6 en el año 3

Figura 5.215: Beneficio esperado máximo para la etapa 6 en el año 4

5 RESULTADOS 239

Figura 5.216: Beneficio esperado máximo para la etapa 6 en el año 5

Figura 5.217: Beneficio esperado máximo para la etapa 6 en el año 6

5 RESULTADOS 240

Figura 5.218: Beneficio esperado máximo para la etapa 6 en el año 6

A partir de los datos anteriores, las polı́ticas de operación representaron una función
de dos variables (los estados de cada presa) y como resultado nuevamente es una fun-
ción de dos variables (la extracción de cada presa). En este sentido

P ol(x1 , x2 ) = (a1 , a2 ), (5.63)

donde x1 , x2 pertenecen a los respectivos espacios de estados de cada una de las presas
(volúmenes útiles) y a1 , a2 pertenecen a los espacios de acciones admisibles. Matemáti-
camente, la gráfica de estas ecuaciones se representa en un espacio de 4 dimensiones,
las cuales se graficaron únicamente por medio de sus trazas para algunos de los estados
representativos.

Para ello, se consideraron diferentes estados para la presa de Malpaso, y en cada

gráfico para ese estado constante, se variaron los estados en La Angostura, graficando
las extracciones para cada una de las presas en hm3 . Los segundos gráficos representan
las polı́ticas de extracción cuando se consideran constantes los estados de La Angostura
y se varı́an los estados de Malpaso. Nuevamente se generaron a partir de las trazas,
manteniendo fijo uno de los estados y variando el otro, con lo cual la función de 2 varia-
bles, se volvió una función de una variable.

Para el estado de Malpaso de 600 hm3 , la extracción de La Angostura va desde los

500 hasta los 3,500 hm3 , mientras que la extracción de Malpaso es constante con un
valor aproximado de 1200 hm3 .
5 RESULTADOS 241

5.5.14. Polı́ticas de extracción para la etapa 1

Figura 5.219: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 600 hm3

Figura 5.220: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 1200 hm3
5 RESULTADOS 242

Figura 5.221: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 1800 hm3

Figura 5.222: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 2400 hm3
5 RESULTADOS 243

Figura 5.223: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 3000 hm3

Figura 5.224: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 3600 hm3
5 RESULTADOS 244

Figura 5.225: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 4200 hm3

Figura 5.226: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 4800 hm3
5 RESULTADOS 245

Figura 5.227: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 5400 hm3

Figura 5.228: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 6000 hm3
5 RESULTADOS 246

Figura 5.229: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 6600 hm3

Figura 5.230: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 7200 hm3
5 RESULTADOS 247

Figura 5.231: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 7800 hm3

Figura 5.232: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 8400 hm3
5 RESULTADOS 248

Figura 5.233: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 9000 hm3

Figura 5.234: Beneficio esperado máximo para la etapa 1, para una estado de Malpaso
de 9600 hm3
5 RESULTADOS 249

5.5.15. Polı́ticas de extracción para la etapa 2

Figura 5.235: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 600, 1200 y 1800 hm3

Figura 5.236: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 2400 hm3
5 RESULTADOS 250

Figura 5.237: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 3000 hm3

Figura 5.238: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 3600 hm3
5 RESULTADOS 251

Figura 5.239: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 4200 hm3

Figura 5.240: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 4800 hm3
5 RESULTADOS 252

Figura 5.241: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 5400 hm3

Figura 5.242: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 6000 hm3
5 RESULTADOS 253

Figura 5.243: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 6600 hm3

Figura 5.244: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 7200 hm3
5 RESULTADOS 254

Figura 5.245: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 7800, 8400 y 9000 hm3

Figura 5.246: Beneficio esperado máximo para la etapa 2, para una estado de Malpaso
de 9600 hm3
5 RESULTADOS 255

5.5.16. Polı́ticas de extracción para la etapa 3

Figura 5.247: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 600 hm3

Figura 5.248: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 1200 hm3
5 RESULTADOS 256

Figura 5.249: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 1800 hm3

Figura 5.250: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 2400 hm3
5 RESULTADOS 257

Figura 5.251: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 3000 hm3

Figura 5.252: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 3600 hm3
5 RESULTADOS 258

Figura 5.253: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 4200 hm3

Figura 5.254: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 4800 hm3
5 RESULTADOS 259

Figura 5.255: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 5400 hm3

Figura 5.256: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 6000 hm3
5 RESULTADOS 260

Figura 5.257: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 6600 hm3

Figura 5.258: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 7200 y 7800 hm3
5 RESULTADOS 261

Figura 5.259: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 8400 hm3

Figura 5.260: Beneficio esperado máximo para la etapa 3, para una estado de Malpaso
de 9000 y 9600 hm3
5 RESULTADOS 262

5.5.17. Polı́ticas de extracción para la etapa 4

Figura 5.261: Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 600 hm3

Figura 5.262: Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 1200 hm3
5 RESULTADOS 263

Figura 5.263: Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 2400 hm3

Figura 5.264: Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 3600 hm3
5 RESULTADOS 264

Figura 5.265: Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 4800 hm3

Figura 5.266: Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 6000 hm3
5 RESULTADOS 265

Figura 5.267: Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 7200 hm3

Figura 5.268: Beneficio esperado máximo para la etapa 4, para una estado de Malpaso
de 8400 hm3
5 RESULTADOS 266

5.5.18. Polı́ticas de extracción para la etapa 5

Figura 5.269: Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 1200 hm3

Figura 5.270: Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 2400 hm3
5 RESULTADOS 267

Figura 5.271: Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 3600 hm3

Figura 5.272: Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 4800 hm3
5 RESULTADOS 268

Figura 5.273: Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 6000 hm3

Figura 5.274: Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 7200 hm3
5 RESULTADOS 269

Figura 5.275: Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 8400 hm3

Figura 5.276: Beneficio esperado máximo para la etapa 5, para una estado de Malpaso
de 9600 hm3
5 RESULTADOS 270

5.5.19. Polı́ticas de extracción para la etapa 6

Figura 5.277: Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 600 hm3

Figura 5.278: Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 2400 hm3
5 RESULTADOS 271

Figura 5.279: Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 3600 hm3

Figura 5.280: Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 4800 hm3
5 RESULTADOS 272

Figura 5.281: Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 6000 hm3

Figura 5.282: Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 7200 hm3
5 RESULTADOS 273

Figura 5.283: Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 8400 hm3

Figura 5.284: Beneficio esperado máximo para la etapa 6, para una estado de Malpaso
de 9600 hm3
5 RESULTADOS 274

5.5.20. Ecuaciones analı́ticas de las polı́ticas óptimas

El presente trabajo desarrolló un modelo de polı́ticas óptimas basado en estados con-
tinuos. Dichos estados son los volúmenes del embalse. Las siguientes funciones analı́ti-
cas dependen de la etapa del año y los volúmenes actuales de cada uno de los embalses.
Cabe mencionar que las gráficas anteriores se eleaboraron a partir de estas funciones
analı́ticas.

Para cada una de las etapas, los estados de Malpaso recorren desde los 600 hm3
en adelante. Para cada estado de Malpaso, se tienen dos grupos de funciones: para La
Angostura y para Malpaso, que representan las extracciones a realizar, donde la variable
x representa el estado en La Angostura, el cual va desde los 600 hm3 hasta el volumen
máximo de 13,200 hm3 .

Etapa 1.
Estado de Malpaso: 600 hm3 .
Para La Angostura.

600,
 si 600 ≤ x ≤ 2400

x − 1800, si 2400 ≤ x ≤ 3600





1800, si 3600 ≤ x ≤ 6600




7

x − 13600, si 6600 ≤ x ≤ 7200



 3

3600, si 7200 ≤ x ≤ 7800
Extracción = . (5.64)


 34800 − 4x, si 7800 ≤ x ≤ 8400
x − 7200, si 8400 ≤ x ≤ 9000





1800, si 9000 ≤ x ≤ 10800





3x − 30600, si 10800 ≤ x ≤ 11400





3600, si 11400 ≤ x ≤ 13200


Para Malpaso.

Extracción = 1200, si 600 ≤ x ≤ 13200. (5.65)

Estado de Malpaso: 1200 hm3 .
Para La Angostura.
5 RESULTADOS 275



 600, si 600 ≤ x ≤ 2400

x − 1800, si 2400 ≤ x ≤ 3600





1800, si 3600 ≤ x ≤ 6000





3x − 16200, si 6000 ≤ x ≤ 6600





3600, si 6600 ≤ x ≤ 8400.
Extracción = (5.66)


 37200 − 4x, si 8400 ≤ x ≤ 9000.
x − 7800, si 9000 ≤ x ≤ 9600.




1800, si 9600 ≤ x ≤ 10200.





3x − 28800, si 10200 ≤ x ≤ 10800.





3600, si 10800 ≤ x ≤ 13200


Para Malpaso.

Extracción = 1200, si 600 ≤ x ≤ 13200. (5.67)

Estado de Malpaso: 1800 hm3 .
Para La Angostura.



 600, si 600 ≤ x ≤ 2400




 x − 1800, si 2400 ≤ x ≤ 3600
si 3600 ≤ x ≤ 6000



 1800,

3x − 16200, si 6000 ≤ x ≤ 6600



Extracción = 3600, si 6600 ≤ x ≤ 8400 (5.68)

37200 − 4x, si 8400 ≤ x ≤ 9000








 x − 7800, si 9000 ≤ x ≤ 9600




 1800, si 9600 ≤ x ≤ 10200
3x − 28800,

si 10200 ≤ x ≤ 13200
Para Malpaso.
n
Extracción = 1200, si 600 ≤ x ≤ 13200 (5.69)

Estado de Malpaso: 2400 hm3 .

Para La Angostura.
5 RESULTADOS 276




 600, si 600 ≤ x ≤ 2400




 x − 1800, si 2400 ≤ x ≤ 3600
si 3600 ≤ x ≤ 6000



 1800,

3x − 16200, si 6000 ≤ x ≤ 6600



Extracción = 3600, si 6600 ≤ x ≤ 9000 (5.70)

30600 − 3x, si 9000 ≤ x ≤ 9600








 1800, si 9600 ≤ x ≤ 10200




 3x − 28800, si 10200 ≤ x ≤ 10800
si 10800 ≤ x ≤ 13200

3600,

Para Malpaso.
n
Extracción = 1200, si 600 ≤ x ≤ 13200 (5.71)

Estado de Malpaso: 3000 hm3 .

Para La Angostura.


 600, si 600 ≤ x ≤ 2400

x − 1800, si 2400 ≤ x ≤ 3600




1800, si 3600 ≤ x ≤ 6000





3x − 16200, si 6000 ≤ x ≤ 6600
Extracción = (5.72)


 3600, si 6600 ≤ x ≤ 9000
30600 − 3x, si 9000 ≤ x ≤ 9600




3x − 27000, si 9600 ≤ x ≤ 10200





3600, si 10200 ≤ x ≤ 13200


Para Malpaso.
(
1200, si 600 ≤ x ≤ 12600
Extracción = (5.73)
x − 11400, si 12600 ≤ x ≤ 13200
Estado de Malpaso: 3600 hm3 .
Para La Angostura.
5 RESULTADOS 277




 600, si 600 ≤ x ≤ 2400




 x − 1800, si 2400 ≤ x ≤ 3600
si 3600 ≤ x ≤ 5400



 1800,

3x − 14400, si 5400 ≤ x ≤ 6000



Extracción = 3600, si 6000 ≤ x ≤ 8400 (5.74)

28800 − 3x, si 8400 ≤ x ≤ 9000








 1800, si 9000 ≤ x ≤ 9600




 3x − 27000, si 9600 ≤ x ≤ 10200
si 10200 ≤ x ≤ 13200

3600,

Para Malpaso.
(
1200, si 600 ≤ x ≤ 12000
Extracción = (5.75)
x − 10800, si 1200 ≤ x ≤ 13200
Etapa 2.
Estado de Malpaso: 600 hm3 .
Para La Angostura.


 600, si 600 ≤ x ≤ 3600

2x − 2200, si 3600 ≤ x ≤ 4200



Extracción = 1800, si 4200 ≤ x ≤ 11400 (5.76)

x − 9600, si 11400 ≤ x ≤ 12000





2400, si 12000 ≤ x ≤ 13200
Para Malpaso.

Extracción = 1200, si 600 ≤ x ≤ 13200. (5.77)

Estado de Malpaso: 1200 hm3 .
Para La Angostura.


 600, si 600 ≤ x ≤ 3600

2x − 6600, si 3600 ≤ x ≤ 4200



Extracción = 1800, si 4200 ≤ x ≤ 11400 (5.78)

x − 9600, si 11400 ≤ x ≤ 12000





2400, si 12000 ≤ x ≤ 13200
Para Malpaso.
(
1200, si 600 ≤ x ≤ 12600
Extracción = (5.79)
x − 11400, si 12600 ≤ x ≤ 13200
5 RESULTADOS 278

Estado de Malpaso: 2400 hm3 .

Para La Angostura.


 600, si 600 ≤ x ≤ 3600

2x − 6600, si 3600 ≤ x ≤ 4200



Extracción = 1800, si 4200 ≤ x ≤ 11400 (5.80)

x − 9600, si 11400 ≤ x ≤ 12000





2400, si 12000 ≤ x ≤ 13200
Para Malpaso.
(
1200, si 600 ≤ x ≤ 12600
Extracción = (5.81)
x − 11400, si 12600 ≤ x ≤ 13200
Estado de Malpaso: 3000 hm3 .
Para La Angostura.


 1200, si 600 ≤ x ≤ 3600

2x − 6600, si 3600 ≤ x ≤ 4200
Extracción = (5.82)
1800,

 si 4200 ≤ x ≤ 11400
x − 9600, si 11400 ≤ x ≤ 13200


Para Malpaso.
(
1200, si 600 ≤ x ≤ 12000
Extracción = (5.83)
1/19x − 21600/19, si 12000 ≤ x ≤ 13200
Estado de Malpaso: 3600 hm3 .
Para La Angostura.


 600, si 600 ≤ x ≤ 3600

2x − 6600, si 3600 ≤ x ≤ 4200



Extracción = 1800, si 4200 ≤ x ≤ 11400 (5.84)

x − 9600, si 11400 ≤ x ≤ 12000





2400, si 12000 ≤ x ≤ 13200
Para Malpaso.
(
1200, si 600 ≤ x ≤ 11400
Extracción = (5.85)
x − 10200, si 11400 ≤ x ≤ 13200
Estado de Malpaso: 4200 hm3 .
Para La Angostura.
5 RESULTADOS 279



 600, si 600 ≤ x ≤ 3600

2x − 6600, si 3600 ≤ x ≤ 4200





1800, si 4200 ≤ x ≤ 6600





15000 − 2x, si 6600 ≤ x ≤ 7200
Extracción = (5.86)


 2x − 13800, si 7200 ≤ x ≤ 7800
si 7800 ≤ x ≤ 11400



 1800,

x − 9600, si 11400 ≤ x ≤ 12000





2400, si 12000 ≤ x ≤ 13200


Para Malpaso.


 1200, si 600 ≤ x ≤ 10800

2x − 20400, si 10800 ≤ x ≤ 11400



Extracción = 11400, si 11400 ≤ x ≤ 12000 (5.87)

x − 9600, si 12000 ≤ x ≤ 12600





3000, si 12600 ≤ x ≤ 13200
Etapa 3.
Estado de Malpaso: 600 hm3 .
Para La Angostura.


 600, si 600 ≤ x ≤ 2400

2x − 4200, si 2400 ≤ x ≤ 3000
Extracción = (5.88)


 1800, si 3000 ≤ x ≤ 7800
si 7800 ≤ x ≤ 13200

2400,
Para Malpaso.

1200,
 si 600 ≤ x ≤ 10200.
Extracción = x − 9000, si 10200 ≤ x ≤ 12000. (5.89)

3000, si 12000 ≤ x ≤ 13200.


Estado de Malpaso: 1200 hm3 .

Para La Angostura.


 600, si 600 ≤ x ≤ 2400.

2x − 4200, si 2400 ≤ x ≤ 3000.



Extracción = 1800, si 3000 ≤ x ≤ 7800. (5.90)

x − 6000, si 7800 ≤ x ≤ 8400.





2400, si 8400 ≤ x ≤ 13200.
5 RESULTADOS 280

Para Malpaso.

1200,
 si 600 ≤ x ≤ 9600.
Extracción = x − 8400, si 9600 ≤ x ≤ 11400. (5.91)

3000, si 11400 ≤ x ≤ 13200.


Estado de Malpaso: 1800 hm3 .

Para La Angostura.


 600, si 600 ≤ x ≤ 2400.

2x − 4200, si 2400 ≤ x ≤ 3000.



Extracción = 1800, si 3000 ≤ x ≤ 7800. (5.92)

x − 6000, si 7800 ≤ x ≤ 8400.





2400, si 8400 ≤ x ≤ 13200.
Para Malpaso.

1200,
 si 600 ≤ x ≤ 9000.
Extracción = x − 7800, si 9000 ≤ x ≤ 10800. (5.93)

3000, si 10800 ≤ x ≤ 13200.


Estado de Malpaso: 2400 hm3 .

Para La Angostura.


 600, si 600 ≤ x ≤ 2400.

2x − 4200, si 2400 ≤ x ≤ 3000.





1800, si 3000 ≤ x ≤ 4200.





10200 − 2x, si 4200 ≤ x ≤ 4800.
Extracción = (5.94)


 2x − 9000, si 4800 ≤ x ≤ 5400.
si 5400 ≤ x ≤ 7800.



 1800,

x − 6000, si 7800 ≤ x ≤ 8400.





2400, si 8400 ≤ x ≤ 13200.


Para Malpaso.

1200,
 si 600 ≤ x ≤ 8400.
Extracción = x − 7200, si 8400 ≤ x ≤ 10200. (5.95)

3000, si 10200 ≤ x ≤ 13200.


Estado de Malpaso: 3000 hm3 .

Para La Angostura.
5 RESULTADOS 281



 600, si 600 ≤ x ≤ 6600.

2x − 12600, si 6600 ≤ x ≤ 7200.



Extracción = 1800, si 7200 ≤ x ≤ 7800. (5.96)

x − 6000, si 7800 ≤ x ≤ 8400.





2400, si 8400 ≤ x ≤ 13200.
Para Malpaso.


 1200, si 600 ≤ x ≤ 7800.

x − 6600, si 7800 ≤ x ≤ 8400.



Extracción = 1800, si 8400 ≤ x ≤ 9000. (5.97)

2x − 16200, si 9000 ≤ x ≤ 9600.





3000, si 9600 ≤ x ≤ 13200.
Estado de Malpaso: 3600 hm3 .
Para La Angostura.


 600, si 600 ≤ x ≤ 6600.

2x − 12600, si 6600 ≤ x ≤ 7200.



Extracción = 1800, si 7200 ≤ x ≤ 7800. (5.98)

x − 6000, si 7800 ≤ x ≤ 8400.





2400, si 8400 ≤ x ≤ 13200.
Para Malpaso.

1200,
 si 600 ≤ x ≤ 7800.
Extracción = x − 6600, si 7800 ≤ x ≤ 8400. (5.99)

3000, si 8400 ≤ x ≤ 13200.


Etapa 4.
Estado de Malpaso: 600 hm3 .
Para La Angostura.

600,
 si 600 ≤ x ≤ 4800

2x − 9000, si 4800 ≤ x ≤ 5400.
Extracción = (5.100)


 1800, si 5400 ≤ x ≤ 6600
x − 4800, si 6600 ≤ x ≤ 13200


Para Malpaso.
5 RESULTADOS 282



 1200, si 600 ≤ x ≤ 6600.

x − 5400, si 6600 ≤ x ≤ 7200.





1800, si 7200 ≤ x ≤ 9600.
Extracción = (5.101)


 x − 7800, si 9600 ≤ x ≤ 10200.
si 10200 ≤ x ≤ 10800.



 2400,

x − 8400, si 10800 ≤ x ≤ 13200.


Estado de Malpaso: 1200 hm3 .

Para La Angostura.



 600, si 600 ≤ x ≤ 3600.
2x − 6600, si 3600 ≤ x ≤ 4200.




10200 − 2x, si 4200 ≤ x ≤ 4800.



Extracción = 2x − 9000, si 4800 ≤ x ≤ 5400. (5.102)

1800, si 5400 ≤ x ≤ 6600.





x − 7800,

 si 6600 ≤ x ≤ 7200.


2400, si 7200 ≤ x ≤ 13200.
Para Malpaso.


 1200, si 600 ≤ x ≤ 6600.

2x − 12000, si 6600 ≤ x ≤ 7200.



Extracción = 2400, si 7200 ≤ x ≤ 10200. (5.103)

x − 7800, si 10200 ≤ x ≤ 10800.





3000, si 10800 ≤ x ≤ 13200.
Estado de Malpaso: 2400 hm3 .
Para La Angostura.

600,
 si 600 ≤ x ≤ 4800.

2x − 9000, si 4800 ≤ x ≤ 5400.



Extracción = 1800, si 5400 ≤ x ≤ 6600. (5.104)

x − 4800, si 6600 ≤ x ≤ 7200.





2400, si 7200 ≤ x ≤ 13200.
Para Malpaso.


 1200, si 600 ≤ x ≤ 4800.

x − 3600, si 4800 ≤ x ≤ 6000.



Extracción = 2400, si 6000 ≤ x ≤ 6600. (5.105)

4/3x − 6400, si 6600 ≤ x ≤ 7200.





3000, si 7200 ≤ x ≤ 13200.
5 RESULTADOS 283

Estado de Malpaso: 3600 hm3 .

Para La Angostura.


 600, si 600 ≤ x ≤ 4800.

2x − 9000, si 4800 ≤ x ≤ 5400.



Extracción = 1800, si 5400 ≤ x ≤ 6600. (5.106)

x.4800, si 6600 ≤ x ≤ 7200.





2400, si 7200 ≤ x ≤ 13200.
Para Malpaso.


 1200, si 600 ≤ x ≤ 3600.

x − 2400, si 3600 ≤ x ≤ 4800.



Extracción = 2400, si 4800 ≤ x ≤ 5400. (5.107)

x − 3000, si 5400 ≤ x ≤ 6000.





3000, si 6000 ≤ x ≤ 13200.
Estado de Malpaso: 4800 hm3 .
Para La Angostura.

600,
 si 600 ≤ x ≤ 5400.

x − 4800, si 5400 ≤ x ≤ 6000.



Extracción = 1200, si 6000 ≤ x ≤ 6600. (5.108)

x − 5400, si 6600 ≤ x ≤ 7800.





2400, si 7800 ≤ x ≤ 13200.
Para Malpaso.

2400,
 si 600 ≤ x ≤ 3600.
Extracción = x − 1200, si 3600 ≤ x ≤ 4200. (5.109)

3000, si 4200 ≤ x ≤ 13200.


Estado de Malpaso: 6000 hm3 .

Para La Angostura.
5 RESULTADOS 284




 600, si 600 ≤ x ≤ 6000.




 x − 5400, si 6000 ≤ x ≤ 6600.
si 6600 ≤ x ≤ 8400.



 1200,

x − 7200, si 8400 ≤ x ≤ 9000.



Extracción = 1800, si 9000 ≤ x ≤ 10200. (5.110)

12000 − x, si 10200 ≤ x ≤ 10800.








 1200, si 10800 ≤ x ≤ 12000.




 13200 − x, si 12000 ≤ x ≤ 12600.
si 12600 ≤ x ≤ 13200.

600,

Para Malpaso.
n
Extracción = 3000, si 600 ≤ x ≤ 13200. (5.111)
Etapa 5.
Estado de Malpaso: 1200 hm3 .
Para La Angostura.



 1800 − x, si 600 ≤ x ≤ 1200.




 x − 600, si 1200 ≤ x ≤ 1800.
si 1800 ≤ x ≤ 2400.



 1200,

x − 1200, si 2400 ≤ x ≤ 3000.



Extracción = 1800, si 3000 ≤ x ≤ 4800. (5.112)

3x − 12600, si 4800 ≤ x ≤ 5400.








 3600, si 5400 ≤ x ≤ 7200.




 x − 3600, si 7200 ≤ x ≤ 7800.
si 7800 ≤ x ≤ 13200.

4200,

Para Malpaso.

1200,
 si 600 ≤ x ≤ 3600.

x − 2400, si 3600 ≤ x ≤ 4800.





2400, si 4800 ≤ x ≤ 5400.





x − 3000, si 5400 ≤ x ≤ 6600.





2x − 9600, si 6600 ≤ x ≤ 7200.
Extracción = (5.113)


 4800, si 7200 ≤ x ≤ 7800.
x − 3000, si 7800 ≤ x ≤ 8400.





5400, si 8400 ≤ x ≤ 9600.





x − 4200, si 9600 ≤ x ≤ 10200.





6000, si 10200 ≤ x ≤ 13200.

5 RESULTADOS 285

Estado de Malpaso: 2400 hm3 .

Para La Angostura.

600,

 si 600 ≤ x ≤ 2400.
x − 1800, si 2400 ≤ x ≤ 3600.





1800, si 3600 ≤ x ≤ 4800.



Extracción = 3x − 12600, si 4800 ≤ x ≤ 5400. (5.114)

3600, si 5400 ≤ x ≤ 7200.








 x − 3600, si 7200 ≤ x ≤ 7800.

4200, si 7800 ≤ x ≤ 13200.
Para Malpaso.


 1200, si 600 ≤ x ≤ 2400.

x − 1200, si 2400 ≤ x ≤ 3600.





2400, si 3600 ≤ x ≤ 4200.





x − 1800, si 4200 ≤ x ≤ 5400.
Extracción = (5.115)


 2x − 7200, si 5400 ≤ x ≤ 6000.
si 6000 ≤ x ≤ 6600.



 4800,

x − 1800, si 6600 ≤ x ≤ 7800.





6000, si 7800 ≤ x ≤ 13200.


Estado de Malpaso: 1200 hm3 .

Para La Angostura.



 1800 − x, si 600 ≤ x ≤ 1200.




 x − 600, si 1200 ≤ x ≤ 1800.
si 1800 ≤ x ≤ 2400.



 1200,

x − 1200, si 2400 ≤ x ≤ 3000.



Extracción = 1800, si 3000 ≤ x ≤ 4800. (5.116)

3x − 12600, si 48000 ≤ x ≤ 5400.








 3600, si 5400 ≤ x ≤ 7200.




 x − 3600, si 7200 ≤ x ≤ 7800.
si 7800 ≤ x ≤ 13200.

4200,

Para Malpaso.
5 RESULTADOS 286




 1200, si 600 ≤ x ≤ 3600.




 x − 2400, si 3600 ≤ x ≤ 4800.
si 4800 ≤ x ≤ 5400.



 2400,

x − 3000, si 5400 ≤ x ≤ 7200.



Extracción = 4800, si 7200 ≤ x ≤ 7800. (5.117)

x − 3000, si 7800 ≤ x ≤ 8400.








 5400, si 8400 ≤ x ≤ 9600.




 x − 4200, si 9600 ≤ x ≤ 10200.
si 10200 ≤ x ≤ 13200.

6000,

Estado de Malpaso: 3600 hm3 .

Para La Angostura.



 600, si 600 ≤ x ≤ 2400.
x − 1800, si 2400 ≤ x ≤ 3600.





1800, si 3600 ≤ x ≤ 4800.



Extracción = 3x − 12600, si 4800 ≤ x ≤ 5400. (5.118)

3600, si 5400 ≤ x ≤ 7800.








 x − 4200, si 7800 ≤ x ≤ 8400.

4200, si 8400 ≤ x ≤ 13200.
Para Malpaso.

6000,

 si 600 ≤ x ≤ 1800.
si 1800 ≤ x ≤ 2400.



 x,

2400, si 2400 ≤ x ≤ 3000.



Extracción = x − 600, si 3000 ≤ x ≤ 4200. (5.119)

4800, si 4200 ≤ x ≤ 6000.








 x − 1200, si 6000 ≤ x ≤ 7200.

6000, si 7200 ≤ x ≤ 13200.
Estado de Malpaso: 4800 hm3 .
Para La Angostura.



 600, si 600 ≤ x ≤ 2400.
x − 1800, si 2400 ≤ x ≤ 3600.





1800, si 3600 ≤ x ≤ 5400.



Extracción = 3x − 14400, si 5400 ≤ x ≤ 6000. (5.120)

3600, si 6000 ≤ x ≤ 8400.








 x − 4800, si 8400 ≤ x ≤ 9000.

4200, si 9000 ≤ x ≤ 13200.
5 RESULTADOS 287

Para Malpaso.


 3000, si 600 ≤ x ≤ 2400.

5400 − x, si 2400 ≤ x ≤ 3000.





4x − 9600, si 3000 ≤ x ≤ 3600.
Extracción = (5.121)


 4800, si 3600 ≤ x ≤ 4800.
si 4800 ≤ x ≤ 6000.

x,



6000, si 6000 ≤ x ≤ 13200.


Estado de Malpaso: 6000 hm3 .

Para La Angostura.



 600, si 600 ≤ x ≤ 1800.
x − 1200, si 1800 ≤ x ≤ 2400.





1200, si 2400 ≤ x ≤ 3000.





x − 1800, si 3000 ≤ x ≤ 3600.





1800, si 3600 ≤ x ≤ 4800.





x − 3000, si 4800 ≤ x ≤ 5400.
Extracción = (5.122)


 2400, si 5400 ≤ x ≤ 6600.
x − 4200, si 6600 ≤ x ≤ 7800.





3600, si 7800 ≤ x ≤ 8400.





x − 4800, si 8400 ≤ x ≤ 9000.





4200, si 9000 ≤ x ≤ 12600.





16800 − x, si 12600 ≤ x ≤ 13200.
Para Malpaso.

4800,
 si 600 ≤ x ≤ 3000.
Extracción = x + 1800, si 3000 ≤ x ≤ 4200. (5.123)

6000, si 4200 ≤ x ≤ 13200.


Etapa 6.
Estado de Malpaso: 600 hm3 .
Para La Angostura.
5 RESULTADOS 288



 600, si 600 ≤ x ≤ 3000.

2x − 3600, si 3000 ≤ x ≤ 3600.





x, si 3600 ≤ x ≤ 4200.





4200, si 4200 ≤ x ≤ 5400.
Extracción = (5.124)


 x − 1200 si 5400 ≤ x ≤ 6000.
si 6000 ≤ x ≤ 7200.



 4800

6x − 38400 si 7200 ≤ x ≤ 7800.





8400 si 7800 ≤ x ≤ 13200.


Para Malpaso.


 3000 si 600 ≤ x ≤ 7200.

2x − 11400 si 7200 ≤ x ≤ 7800.



Extracción = 4200 si 7800 ≤ x ≤ 9000. (5.125)

x − 4800 si 9000 ≤ x ≤ 12600.





7800 si 7200 ≤ x ≤ 13200.
Estado de Malpaso: 2400 hm3 .
Para La Angostura.


 2400 si 600 ≤ x ≤ 3600.

x − 600 si 3600 ≤ x ≤ 5400.



Extracción = 4800 si 5400 ≤ x ≤ 7200. (5.126)

6x − 38400 si 7200 ≤ x ≤ 7800.





8400 si 7800 ≤ x ≤ 13200.
Para Malpaso.


 3000 si 600 ≤ x ≤ 6600.

x − 3600 si 6600 ≤ x ≤ 7200.





4x − 25300 si 7200 ≤ x ≤ 7800.
Extracción = (5.127)


 6000 si 7800 ≤ x ≤ 9000.
x − 3000 si 9000 ≤ x ≤ 12600.





9600 si 12600 ≤ x ≤ 13200.


Estado de Malpaso: 3600 hm3 .

Para La Angostura.
5 RESULTADOS 289



 2400 si 600 ≤ x ≤ 3000.

x − 600 si 3000 ≤ x ≤ 5400.



Extracción = 4800 si 5400 ≤ x ≤ 7800. (5.128)

6x − 42000 si 7800 ≤ x ≤ 8400.





8400 si 8400 ≤ x ≤ 13200.
Para Malpaso.



 3000 si 600 ≤ x ≤ 4800.
x − 1800 si 4800 ≤ x ≤ 6000.





4200 si 6000 ≤ x ≤ 6600.



Extracción = 4x − 24000 si 6600 ≤ x ≤ 8400. (5.129)

7200 si 8400 ≤ x ≤ 9600.





x − 2400

 si 9600 ≤ x ≤ 10800.


5x − 45600 si 10800 ≤ x ≤ 13200.
Estado de Malpaso: 4800 hm3 .
Para La Angostura.


 2400 si 600 ≤ x ≤ 3000.

x − 600 si 3000 ≤ x ≤ 5400.



Extracción = 4800 si 5400 ≤ x ≤ 7800. (5.130)

6x − 42000 si 7800 ≤ x ≤ 8400.





8400 si 8400 ≤ x ≤ 13200.
Para Malpaso.


 x + 3000 si 600 ≤ x ≤ 1200.

6600 − 2x si 1200 ≤ x ≤ 1800.





3000 si 1800 ≤ x ≤ 3600.





x − 600 si 3600 ≤ x ≤ 5400.





5400 si 5400 ≤ x ≤ 6600.
Extracción = (5.131)


 x − 1200 si 6600 ≤ x ≤ 7800.
3x − 16800 si 7800 ≤ x ≤ 8400.





8400 si 8400 ≤ x ≤ 9600.





5x − 39600 si 9600 ≤ x ≤ 10200.





11400 si 10200 ≤ x ≤ 13200.


Estado de Malpaso: 6000 hm3 .

Para La Angostura.
5 RESULTADOS 290



 2400 si 600 ≤ x ≤ 3000.

x − 600 si 3000 ≤ x ≤ 5400.



Extracción = 4800 si 5400 ≤ x ≤ 7200. (5.132)

6x − 38400 si 7200 ≤ x ≤ 7800.





8400 si 7200 ≤ x ≤ 13200.
Para Malpaso.


 x + 2400 si 600 ≤ x ≤ 1200.

3600 si 1200 ≤ x ≤ 3000.





x + 600 si 3000 ≤ x ≤ 5400.





6000 si 5400 ≤ x ≤ 6000.





x si 6000 ≤ x ≤ 7200.
Extracción = (5.133)


 14400 − x si 7200 ≤ x ≤ 7800.
8x − 55800 si 7800 ≤ x ≤ 8400.





11400 si 8400 ≤ x ≤ 11400.





x si 11400 ≤ x ≤ 12600.





12600 si 12600 ≤ x ≤ 13200.


Las ecuaciones anteriores conforman cada una de las polı́ticas de extracción depen-
diendo de la etapa y dependiendo del nivel de cada una de las presas. La manera de
interpretar estas ecuaciones se explica a continuación. Cada bloque de ecuaciones está
agrupado por etapas de la 1 a la 6. Por cada etapa, se tienen distintos estados de la
presa Malpaso que van desde los 600 hm3 hasta los 9600 hm3 . Para cada uno de estos
estados de Malpaso, se cuentan con dos ecuaciones seccionadas, una para La Angos-
tura y otra para Malpaso; estas ecuaciones son las polı́ticas óptimas, donde la variable
x representa el estado ahora de la Presa La Angostura, y dependiendo en dónde se en-
cuentre, se sustituirá en la ecuación adecuada. Ası́, por ejemplo, si se está en el mes de
noviembre, corresponden a la etapa 6. Si además la capacidad de Malpaso es de 600
hm3 y la capacidad de La Angostura es de 7500 hm3 , basta con sustituir x = 7500, en las
ecuaciones respectivas para La Angostura y Malpaso, y se obtienen las extracciones de
cada una de las presas en millones de m3 .
Para la Angostura:
6(7500) − 38400 = 6600. (5.134)
Para Malpaso:
2(7500) − 11400 = 3600. (5.135)
De esta manera, el operador puede calcular en forma sencilla el volumen de extrac-
ción para cada etapa del año y para cada estado de las presas, identificando la ecuación
y sustituyendo los respectivos estados.
5 RESULTADOS 291

Figura 5.285: Ejemplo de cálculo de las polı́ticas óptimas

5.5.21. Simulación del sistema hidroeléctrico

Finalmente, se realizó la simulación de la operación conjunta de las presas en cas-
cada. Se recuerda que Un análisis de optimización necesita tanto el modelo como la
simulación.

Para la simulación del sistema se utilizaron los registros históricos de escurrimientos

de cada una de las presas, ası́ como las caracterı́sticas ténicas de ambos vasos, tales co-
mo NAMINO, nivel medio de desfogue, volumen mı́nimo, volumen turbinado, entre otros.
En la figura 5.287 se observan los distintos ensayos de simulación.

Figura 5.286: Resultados obtenidos con distintas polı́ticas de operación

Para cada año de registro se calculó a partir de las polı́ticas óptimas, los volúmenes
de extracción, y con ellos se calcularon con las curvas elevación-capacidad, las respec-
tivas alturas del embalse. Posteriormente se hizo un promedio de todos los años y esto
5 RESULTADOS 292

es lo que se presenta en las figuras 5.288, 5.289 y 5.290.

Figura 5.287: Elevación simulada promedio de la presa La Angostura con respecto al

tiempo

Figura 5.288: Almacenamiento simulado promedio de la presa La Angostura con respecto

al tiempo
5 RESULTADOS 293

Figura 5.289: Energı́a simulada promedio de la presa La Angostura con respecto al tiem-
po

A partir de la ecuación de la energı́a, para cada volumen de extracción se cuantificó

el beneficio obtenido por cada uno de los años de registro, y se elaboró un promedio de
generación en Gigawatts-hora.

Además, se realizaron 4 simulaciones obteniendo diferentes registos de los derrames,

los déficits, la energı́a generada y la elevación media mı́nima, a fin seleccionar la que
mejor se adapte al modelo, tal y como se observa en la figura 5.291.

Figura 5.290: Resultados obtenidos con distintas polı́ticas de operación

6 CONCLUSIONES Y RECOMENDACIONES 294

6. Conclusiones y recomendaciones
6.1. Conclusiones
El funcionamiento de una presa hidroeléctrica depende de su operación, que a su vez
está en función de los volúmenes a extraer con base en la etapa del año y el estado
de llenado en que se encuentre el embalse. Para ello se necesitan aplicar técnicas que
permitan alcanzar los objetivos propuestos dadas las restricciones planteadas.

Los modelos de control markovianos han demostrado alta precisión para ajustarse a
la realidad de diferentes sistemas dinámicos y fenómenos que ocurren, ya que precisa-
mente involucran los estados, las etapas, los objetivos y las restricciones de un problema.
La aplicación del correcto modelo y el planteamiento de las funciones adecuadas permi-
tirá que los resultados sean los adecuados.

Los sistemas hidroeléctricos contribuyen a un porcentaje importante en la generación

de energı́a en el paı́s, suficiente como para preocuparse en su desempeño eficiente. En
vista de que las plantas ya están construidas, bien vale la pena garantizar que se estén
aprovechando en forma óptima. Ya que las condiciones topográficas y climatológicas se
encuentran fuera del alcance de su funcionamiento, una vez construidas, es importante
el estudio de las variables que se pueden alterar, como son los estados y las extracciones.

Maximizar la energı́a entonces, dependerá de que el sistema siempre mantenga un

nivel óptimo, en este caso, el máximo nivel permitido, a fin de que la carga genere ma-
yor electricidad al paso de las turbinas. Los requerimientos energéticos se deben cumplir
en las distintas épocas del año, los cuales representan las distintas etapas. Con ello se
podrá cumplir con uno de los objetivos principales de un sistema hidroeléctrico, que es la
maximización de la energı́a media anual producida.

El Sistema Hidroeléctrico Grijalva es uno de los más importantes del paı́s al contribuir
con la aportación de energı́a eléctrica en un porcentaje notable; su ubicación geográfica,
al igual que sus condiciones topográficas, ha permitido aprovechar al máximo el caudal
de rı́o Grijalva en cuanto a generación. Sin embargo, la misma topogafı́a conduce a la
implementación de un sistema en cascada para aprovechamiento eléctrico cuya com-
plejidad de su organización en serie, radica en el hecho de trabajar con escurrimientos
propios y escurrimientos provenientes del sistema aguas arriba, los cuales son las entra-
das del modelo de optimización. Esta complejidad ha podido ser disminuida simplificado
el número de embalses debido a la aportación y volumen de almacenamiento de manera
individual. Además, contar con un monitoreo constante de los niveles de cada embalse,
permite a los operarios conocer la información de llenado o descarga del sistema, para
generación de energı́a eléctrica, a fin de maximiar la producción y a la vez minimizar
posibles pérdidas por derrames o déficits. Este factor es determinante, sobre todo cono-
ciendo la etapa en que se encuentre el modelo (sea temporada de lluvias o de estiaje), y
tener las proyecciones futuras en cuanto a las descargas realizadas.
6 CONCLUSIONES Y RECOMENDACIONES 295

Al considerar un sistema en serie, no se debe perder de vista el último embalse, cuyas

descargas impactarán de manera directa en los poblados aguas abajo; en este caso, la
presa Peñitas, que aporta su caudal a la ciudad de Villahermosa, Tabasco, entre otras
localidades. Todo lo anterior se debe cumplir dentro de las restricciones dadas por los or-
ganismos como la CONAGUA y CFE; siendo el primero, en regular los niveles máximos
permitidos dentro de las curvas guı́a, a fin de evitar daños por excedencia en los niveles
del embalse; y el segundo, el que regula las entregas mı́nimas de energı́a al sistema para
garantizar una energı́a mı́nima promedio al año y satisfacer la energı́a de pico.

Los distintos estudios realizados han demostrado las graves repercusiones que ocu-
rren cuando se presenta una avenida máxima, y los daños ocasionados en poblados
aguas abajo de los cauces o en este caso, de los embalses. Los impactos van desde los
niveles económicos, los niveles sociales, hasta niveles de tipo sanitario. Es por ello que
se deben minimizar las posibilidades de desbordes en los cauces, manteniendo niveles
mı́nimos en los sistemas hidroeléctricos. Los derrames que se lleguen a producir a través
de las obras de excedencia serán responsabilidad de la operación del sistema. Es nece-
sario entonces, mantener un balance entre los niveles máximos energéticos y los niveles
mı́nimos de seguridad.

Más aún, el sistema debe satisfacer una energı́a mı́nima de base en todo el año, y
además garantizar que se cumplan las demandas por energı́as pico. En resumen, son
4 las condiciones que un sistema hidroeléctrico debe cumplir, y todas son consecuencia
de los niveles del embalse, que a su vez dependen directamente de las extracciones que
realice el operador; cumplir demandas máximas, demandas mı́nimas, la demanda base
y no poner en riesgo a la población.

Para cumplir lo anterior, se planteó el estudio del sistema mediante la modelación es-
tocástica. Las diferentes técnicas probabilı́sticas han evolucionado con el paso del tiem-
po, recreando condiciones cada vez más reales de los funcionamientos de un sistema.
La complejidad cada vez más es mayor, pero los resultados obtenidos motivan a estudiar
estos modelos con mayor detalle. La naturaleza aleatoria de los escurrimientos lleva a
pensar, que los modelos estocásticos pueden simular de una mejor manera el funciona-
miento de un embalse.

Asimismo, las herramientas estadı́sticas ayudan a gestionar y manipular adecuada-

mente grandes cantidades de datos. La extrapolación de información es una de las con-
secuencias fundamentales de estas técnicas. Herramientas concretas como los proce-
sos estocásticos y series de tiempo, permiten conocer las tendencias, en este caso, de
los pronósticos de las cantidades de aguas involucradas directa o indirectamente en un
embalse. La programación dinámica, como método flexible, ha logrado mezclar e incluir
diferentes expresiones matemáticas en su algoritmo. Este método permite conectar el
lenguaje técnico de un operador con el lenguaje matemático, ajustándose a las necesi-
dades del sistema.

El planteamiento de un modelo de control Markoviano, ha permitido involucrar todas

6 CONCLUSIONES Y RECOMENDACIONES 296

las variables que se estudian en un sistema hidroeléctrico; con él, se han modelado los
niveles de los embalses, como espacio de estados; las extracciones como espacio de
acciones; las extracciones permitidas como espacio de acciones admisibles; la ecuación
de continuidad como el kernel de transición; la energı́a generada como la función de
ganancia; los penalizaciones por derrames y déficits como la función de costo; y las deli-
mitaciones de la CFE y la CONAGUA como la función de restricción. Ya que los espacios
de estados y acciones, forman conjuntos compactos, existen para la función beneficio, un
máximo posible de alcanzar, sujeto a las restricciones impuestas. Las condiciones ma-
temáticas de las funciones anteriores ha garantizado que exista dentro de las polı́ticas
aleatorizadas un conjunto de polı́ticas deterministas, que puedan optimizar a la función
objetivo.

El presente trabajo ha logrado implementar las ténicas actuales del área de control
estocástico a la simulación de las leyes de transición que modelan un embalse, incor-
porando los conceptos de modelos markovianos, espacios borelianos, continuidad de
funciones, entre otros.

Además, el poder trabajar con funciones continuas sobre espacios de estados com-
pactos, garantizó la existencia de esta clase de polı́ticas en el conjunto dado. Los fun-
damentos matemáticos usados lograron que la función objetivo pudiera ser resuelta para
cada una de las extracciones, ası́ como las restricciones impuestas delimitaron la factibi-
lidad del problema.

Por otro lado, los escurrimientos históricos presentaron un comportamiento con dis-
tribución normal, entre otras posibles distribuciones de probabilidad. El contar con estas
distribuciones permitió que se cuenten con tablas de probabilidades para cualquier es-
currimiento, no únicamente para los casos discretos sino para todos los posibles escurri-
mientos que se presenten dentro de los intervalos de espacios admisibles.

Gracias a la curva de elevación-capacidad, los espacios de estados se pudieron traba-

jar en 2 sistemas de unidades, como unidades de volumen (hm3 ) y unidades de elevación
(m.s.n.m.). Con esto, se pudieron definir los espacios de estados como intervalos com-
pactos (cerrados y acotados) sobre el conjunto de los números reales. De esta forma, el
espacio de acciones y el espacio de acciones admisibles también se dio en términos de
intervalos compactos. Con estos datos, las polı́ticas óptimas, que son las extracciones
de cada una de las presas, también se obtuvieron como funciones continuas sobre inter-
valos compactos.

Ası́ pues, los beneficios se calcularon como soluciones de integrales definidas con
respecto a la medida de probabilidad, de las distribuciones de los escurrimientos. Y los
óptimos fueron alcanzados por los procesos de diferenciación sobre esta clase de espa-
cios.

El haber trabajado con estados continuos permitió que las polı́ticas óptimas también
se expresaran en forma continua. Para las primeras etapas mateniendo los estados de
6 CONCLUSIONES Y RECOMENDACIONES 297

Malpaso fijos, se observó que las extracciones de Malpaso son mayormente constan-
tes, siendo las extracciones de La Angostura las que mayor variabilidad presentan; esto
cuando los niveles de Malpaso son inferiores a los 4,200 hm3 . A partir de este nivel,
las polı́ticas de Malpaso se asemejaron a las polı́ticas de La Angostura hasta niveles de
7,800 hm3 . A partir de estos volúmenes, las polı́ticas formaron curvas bastante simétri-
cas, es decir, salvo una constante, las polı́ticas de extracción son las mismas.

Una de las ventajas de utilizar funciones continuas, fue disponer de la información

para cualquier volumen de la presa, que se traduce a cualquier elevación, y ası́ tener los
datos de una forma más completa. Aunque el tiempo de cálculo de las polı́ticas óptimas
es superior que cuando se trabajan en forma discreta, esto se compensa al momento de
la sustitución de los datos en las fórmulas planteadas anteriormente.

Finalmente, los eventos meteorológicos extremos influyeron en el registro histórico

de los volúmenes de ingreso a los embalses, ocasionando que las polı́ticas sean más
conservadoras, lo contrario a cuando estos fenómenos no se toman en cuenta. Estos
picos máximos que ocurrieron cada cierto tiempo disminuyen los criterios para que se
mantenga un volumen demasiado elevado en la presa.

6.2. Recomendaciones
Pese a que el modelo propuesto en este trabajo realizó la caracterización del sistema
para estados continuos, se recomienda realizar simulaciones para estados discretos a fin
de comprender mejor la forma en la que opera el modelo.

De igual manera, se recomienda la exploración de nuevas técnicas matemáticas res-

pecto a la programación dinámica estocástica, a fin de obtener resultados que se aproxi-
men mejor a la realidad.

Por otro lado, las curvas elevación-capacidad dependen de los estudios batimétricos
de las presas, los cuales no han sido actualizados desde su construcción. Se recomienda
un nuevo estudio a fin de generar nuevas ecuaciones.
Finalmente se recomienda una actualización de las curvas guı́a, sobre todo en la
época de lluvias debido a las afectaciones de cambio climático y los eventos particulares
como el Niño o la Niña, haciendo un estudio de las afectaciones a corto, mediano y largo
plazo.

6.3. Lı́neas futuras de investigación

En el presente trabajo se consideró un modelo de control markoviano para estados
continuos, es decir, los niveles de embalse, traducidos a capacidad y volúmenes se to-
maron sobre intervalos compactos de números reales. Es posible trabajar el modelo de
control markoviano pero ahora para etapas continuas. En este caso, el tiempo no estarı́a
6 CONCLUSIONES Y RECOMENDACIONES 298

discretizado por 6 etapas, sino serı́a para todos los dı́as del año.

Las distribuciones de probabilidad normales se utilizaron para calcular las probabilida-

des del ingreso en forma discreta para cada etapa, es posible que se pueda establecer la
función de densidad de cada distribución de probabilidad e incorporarla al modelo marko-
viano al momento de realizar las integrales estocásticas, para el cálculo de los beneficios.

Es posible también, dadas las condiciones climatológicas de los últimos 5 años, los
cambios climáticos y las recientes sequı́as en la zona, que ocasiona niveles del embalse
bajos, un nuevo estudio sobre las curvas guı́as para incorporarlas al modelo. Adicional-
mente en el funcionamiento del vaso es importante incluir la correlación existente entre
los volúmenes del ingreso de una quicena a otra, o de un mes a otro, mediante com-
paraciones con los volúmenes medios de ingreso, para incluir la posibilidad de hacer
adecuaciones a las polı́ticas. En este mismo sentido, se deben actualizar periódicamente
los datos históricos obteniendo nuevas funciones de distribución de probabilidades del in-
greso, tomando en cuenta el comportamiento estadı́stico ante nuevos eventos extremos.

Por otro lado, se pueden implementar diferentes métodos de optimización para rea-
lizar un contraste entre las variables discretas y las variables continuas; estos métodos
pueden ir desde anális teóricos y variantes de la Programación Dinámica Estocásticas y
el Control Estocástico, hasta los métodos robustos y computación evolutiva desarrollado
en los últimos años.

Finalmente las funciones de restricción, en este caso, los lı́mites máximos y mı́nimos
dados por la CFE, se compararon por fuera de la función objetivo, de hecho como cons-
tantes, más que como funciones. Es posible incorporarlas al modelo, mediante funciones
restrictivas y estudiar su influencia en el cálculo de las polı́ticas.
REFERENCIAS 299

Referencias
[Alegrı́a, 2010] A LEGR ÍA D., A., Polı́tica de operación óptima del sistema de presas del
rı́o Grijalva. Efectos de la curva guı́a., Tesis de Maestrı́a, México, UNAM, 2010.
[Altman, 1999] A LTMAN , E., Constrained Markov Decision Processes, Chapman
Hall/CRC, Boca Raton, FL., 1999.
[Arellano, 1997] A RELLANO M ONTERROSAS , J. L., Manejo de cuencas hidrológicas,
CNA, Simposio 4, IX Congreso Nacional de Irrigación, 1999.
[Arganis, 2004] A RGANIS J., M. L., Operación óptima de un sistema de presas en cas-
cada para generación hidroeléctrica tomando en cuenta condiciones reales de ope-
ración y el uso de muestras sintéticas para el pronóstico. Tesis Doctoral, UNAM,
2004.
[Arzate, 2000] A RZATE , R. S., Localizado en la cuenca del Grijalva el
mayor número de centrales hidroeléctricas, El Nacional en Internet.
www.unam.mx/servhem/nacional/1997/ene97//29ene97//29ec292.html.
[Ash, 2008] A SH , R OBERT B., Basic probability theory. Dover Publications, New York,
2008.
[Asmadi, Ahmed, 2014] A SMADI A HMAD, A HMED E L -S HAFI , S ITI FATIN, Reservoir Opti-
mization in Water Resources: A Review. Water Resources Managemente, Springer,
2014, Vol. 28, No. 11.
[Avilés, 1994] AVIL ÉS H ERRERA , R OBERTO, Optimización en lı́nea de Presas Hidro-
eléctricas. Tesis de Licenciatura. UNAM. 1994
[Bartle, 1964] B ARTLE , R. M., The elements of real analysis, Wiley International, Estados
Unidos, 1964.
[Basu, 2003] B ASU, A. K., Introduction to stochastic processes. Alpha Science Interna-
tional, Ltd, 2003.
[Bellman, 1957] B ELLMAN , R. E., Dynamic Programming. Princeton, NJ, 1957.
[Berezowsky, Domı́nguez, 1983] B EREZOWSKY V., M OIS ÉS , D OM ÍNGUEZ M., R AM ÓN ,
F UENTES . M., Ó SCAR. Manual de diseño de obras civiles. C.F.E. Hidrotecnia. A.2.8.
Planeación de sistemas de aprovechamiento hidroeléctrico. México, 1983.
[Bertsekas, 1995] B ERTSEKAS , D. P., Dynamic Programming and Optimal Control, Athe-
na Scientific, Belmont, Massachusetts, Prentice Hall, 1995.
[Borkar, 1990] B ORKAR , V. S., G HOSH , M. K., Controlled diffusions with constraints, J.
Math. Anal. Appl. 152 (1990), 88-108.
[Borkar, 1994] B ORKAR , V. S., Ergodic control of Markov chains with constraints- the
general case, SIAM, J. Control Optim. 32 (1994), 176-186.
REFERENCIAS 300

[Calva, 1993] C ALVA , S ALAZAR A., Bondad de una polı́tica de operación de una presa
de almacenamiento, VIII Congreso Nacional de Hidráulica. Asociación Mexicana de
Hidráulica, 1993.

[Campbell, 1992] C AMPBELL , J. C., R ADKE , J., G LESS , J.T., An Application of Linear
Programming and Geographic Infomation Systems: Cropland Allocation in Antigua.
Environment and Planning A. Abril, 1992.

[CENAPRED, 2014] CENAPRED, Impacto socioeconómico de los desastres en México

durante 2013, México, 2014, p. 16.

[CFE, 1976] C OMISI ÓN F EDERAL DE E LECTRICIDAD, México construye: Proyectos Hidro-
eléctricos Chicoasén y La Angostura, México, 1976.

[CFE, 1976] C OMISI ÓN F EDERAL DE E LECTRICIDAD, Proyecto Hidroeléctrico Chicoasén,

México, 1976.

[CFE, 1985] C OMISI ÓN F EDERAL DE E LECTRICIDAD. Comportamiento de Presas cons-

truidas en México, Vol. VII. 1985.

[CFE, 1988] C OMISI ÓN F EDERAL DE E LECTRICIDAD, Proyecto Hidroeléctrico Peñitas,

México, 1988.

[CFE, 2009] C OMISI ÓN F EDERAL DE E LECTRICIDAD. http://www.cfe.gob.mx, 2009.

[CFE, 2009] C OMISI ÓN F EDERAL DE E LECTRICIDAD, Subdirección de Generación.

http://h06814.iie.org.mx/cuencas/. 2009.

[CFE-GEIC, 2007] H IDROMETEOROLOG ÍA - M ÉXICO, México, 2007.

[Chang, 2006] C HANG , H. S., A policy improvement method in constrained stochastic

dynamic programming, IEEE Trans. Automat. Control 51 (2006), No. 9, 1523-1526.

[Chen, 2007] C HEN , R. C., F EINBERG , E. A., Nonradomized policies for constrained
Markov decision processes, Maths. Methods Oper. Res. 66 (2007), No. 1, 165-179.

[CNA, 1997] CNA, SEMARNAP, Presas de México, 1982-1994, Volumen II, México,
1997.

[Cohn, 1980] C OHN , D ONALD, Measure Theory, Birkhauser Advanced, Second Edition,
1984. USA.

[Cohon, Marks, 1975] 17. C OHON , J. L., M ARKS , D. H., A review and Evaluation of Mul-
tiobjective Programming Tecniques. Water Resources Research 11(2), pp. 208-220,
1975.

[Comisión del Grijalva, 1964] C OMISI ÓN DEL G RIJALVA, Presa Netzahualcóyotl, Chiapas,
Secretarı́a de Recursos Hidráulicos, 1964.
REFERENCIAS 301

[CONAGUA, 1994] C OMISI ÓN N ACIONAL DEL AGUA, Presas de México, Vols. Secretarı́a
del Medio Ambiente y Recursos Naturales, 1994.

[CONAGUA, 2009] C OMISI ÓN N ACIONAL DEL AGUA, http://www.cna.gob.mx, 2009.

[Conant, 1948] C ONANT L, J. U., Use of storage water in hydroelectric system. Tesis
Doctoral. M.I.T., 1948.

[Connolly, 2005] C ONNOLLY, J.A.D. Computation of phase equilibria by linear program-

ming: A tool for geodynamic modeling and its application to subductions zone decar-
bonation. Earth and Planetary Science Letters, Volume 236, Issues 1-2, July 2005,
pag. 524-541.

[Costa, 2012] C OSTA , O. L. V., D UFOUR , F., Average control of Markov decision proces-
ses with Feller transition probabilities and general action spaces, J. Math. Anal. Appl.
396 (2012) 5869.

[Crichigno, Talavera, 2011] C RICHIGNO, J., TALAVERA , F., P RIETO, J., Enrutamiento
Multicast Utilizando Optimizacin Multiobjetivo. Ciencias y Tecnologa. Universidad
Catlica Nuestra Seora de Asuncin. Centro Nacional de Computacin. Universidad Na-
cional de Asuncin. 2012.

[Deepti, Maria 2010] D EEPTI , R., M ARIA , M. M.. Simulation-Optimization Modeling: A

Survey and potential application in reservoir systems operation. Water Resources
Management, Springer, Abril 2010, Vol. 24, No. 6, 1107-1138.

[Domı́nguez, 1989] D OM ÍNGUEZ , M.R., Metodologı́a de selección de una Polı́tica de

Operación Conjunta de una Presa y su Vertedor. Tesis Doctoral, UNAM, 1989.

[Domı́nguez, 1998] D OM ÍNGUEZ , M. R., M ENDOZA R. R., Operación Integral del Siste-
ma Hidroeléctrico del Rı́o Grijalva, elaborado por la CFE por el Instituto de Ingenierı́a,
UNAM, México, 1998.

[Domı́nguez, 2000] D OM ÍNGUEZ , M., R. Aprovechamientos hidráulicos. Apuntes de cla-

se. Instituto de Ingenierı́a. UNAM, 2000.

[Domı́nguez, Mendoza, 2000] D OM ÍNGUEZ , M. R., M ENDOZA , R. R. F UNCIONAMIENTO

DE LAS P RESAS A NGOSTURA , C HICOAS ÉN , M ALPASO Y P E ÑITAS SOBRE EL R ÍO
G RIJALVA, elaborado para la CNA por el Instituto de Ingenierı́a, UNAM, México, 2000.

[Domı́nguez, Mendoza, Arganis, 2001] D OM ÍNGUEZ , M. R., M ENDOZA , R. R., A RGANIS ,

J. M. L., R EVISI ÓN DE LAS POL ÍTICAS DE OPERACI ÓN DE LAS PRESAS A NGOSTURA
Y M ALPASO EN EL R ÍO G RIJALVA , CFE, Informe final, noviembre, 2001.

[Domı́nguez, Mendoza, Contrera, 1998] D OM ÍNGUEZ , M. R., M ENDOZA , R. R., C ON -

TRERAS , C. C., Estudios hidrológicos de la segunda etapa del análisis Integral de
la zona baja del rı́o Grijalva. Polı́tica de operación del sistema de presas. Informe
preliminar. Instituto de Ingenierı́a, UNAM, México, 1998.
REFERENCIAS 302

[Dufour, Stockbridge, 2010] D UFOUR , F., S TOCKBRIDGE , R. H., Existence of strict opti-
mal controls for discounted stochastic control problems, in Modern Trends in Con-
trolled Stochastic Processes: Theory and Applications, edite by A. B. Piunovskiy,
Luniver Press, Frome, U. ;., 2010, 12-22.

[Dutta, 1991] D UTTA , P. K., What do discounted optima converge to? A theory of discount
rate asymptotics in economic models, J. Econom. Theory 55 (1991) 6494.

[Feinberg, Kasyanov, Zadoianchuk, 2012] F EINBERG , E. A., K ASYANOV, P. O., Z A -

DOIANCHUK , N. V., Average cost Markov decision processes with weakly continuous
transition probabilities, Math. Oper. Res 37 (4) (2012), 591-607.

[Feinberg, Shwartz, 1996] F EINBERG , E. A., S HWARTZ , A., Constrained discounted dy-
namic programming, Math. Oper. Res. 21 (1996), 922-945.

[Fuentes, Sánchez, 1993] F UENTES , M. O, S ÁNCHEZ , B. J. L., Estrategia óptima para

la operación de una presa hidroeléctrica y regulación de avenidas. VIII Congreso
Nacional de Hidráulica, Asociación Mexicana de Hidráulica, 1993.

[Garcia, 1992] G ARC ÍA , V ILLEGAS H., Aprovechamientos hidroeléctricos y de bombeo.

Trillas. México, Facultad de Ingenierı́a, 1992.

[Goicochea, Duckeistein, 1982] G OICOCHEA , A., D UCKEISTEIN , L., F OGEL , M. M., Mul-
tiobjective Decision Analysis with Engineering and Business Application. John Wiley
and Son, N. Y., USA, 1982.

[Gordienko, Hernandez, 1995] G ORDIENKO, E., H ERNANDEZ -L ERMA , O., Average cost
Markov control processes with weigthed norms: existence of canonical policies, Appl.
Math (Warsaw) 23 (1995), 199-218.

[Guerrero, 2009] G UERRERO S ALAS , H UMBERTO., Programación lineal aplicada, Ecoe

Ediciones, Bogotá, Colombia., 2009.

[Guo, Hernandez, 2009] G UO, X. P., H ERNANDEZ -L ERMA , O., Continuous-Time Markov
Decision Processes, Sprinver-Verlag, Berlin, Heidelberg, 2009.

[Guo, Huang, Song, 2012] G UO, X. P., H UANG , Y., S ONG , X., Linear programming and
constrained average optimality for general continuous-time Markov decision proces-
ses in history-depent policies, SIAM J. Control Optim. 50 (2012), 23-47.

[Guo, Quanxin, 2006] G UO X. P., Q UANXIN Z., Average optimality for Markov decision
processes in Borel spaces: a new condition and approach, J. Appl. Probab 43, 2006.

[Haviv, 1996] H AVIV M., On constrained Markov decision processes, Oper. Res. Lett. 10,
1996, pp. 25-28.

[Hernández, Laserre, 1991] H ERN ÁNDEZ -L ERMA , O, L ASERRE , J. B., 1991, Discrete-
Time Markov Control Processes. Basic Optimality Criteria, Springer, Scien-
te+Business Media New York, 1991.
REFERENCIAS 303

[Hernández, Laserre, 1991] H ERN ÁNDEZ -L ERMA , O, L ASERRE , J. B., 1991, Further To-
pics on Discrete-Time Markov Control Processes, Springer, Sciente+Business Media
New York, 1991.

[Hernández-Lerma, González-Hernández, 2000] H ERN ÁNDEZ -L ERMA O., G ONZ ÁLEZ -

H ERN ÁNDEZ , J., Constrained Markov control processes in Borel space: The discoun-
ted case, Math. Methods Oper. Res 52, 2000, pp. 271.285.

[Hernández-Lerma, González-Hernández, López-Martı́nez, 2003] H ERN ÁNDEZ -L ERMA

O., G ONZ ÁLEZ -H ERN ÁNDEZ J., L ÓPEZ -M ART ÍNEZ , R. R., Constrained average cost
Markov control processes in Borel spaces, SIAM J. Control Optim. 42, 2003, pp.
442-468.

[Hernández-Lerma, Laserre, 1999] H ERN ÁNDEZ -L ERMA O, L ASERRE J. B., Discrete-

Time Markov Control Processes: Basic Optimality Criteria, Sprinver-Verlag, New
York, 1999.

[INE, 2005] I NSTITUTO N ACIONAL DE E COLOG ÍA, La cuenca de los rı́os Grijalva y Usu-
macinta, http://www.ine.gob.mx/uejaei/publicaciones/libros/402/cuencas.html, 2005.

[INEGI, 2007] I NSTITUTO N ACIONAL DE E STAD ÍSTICA Y G EOGRAF ÍA, Anuario Estadı́stico
de Chiapas, 2007, http://www.inegi.gob.mx.

[INEGI, 2009] I NSTITUTO N ACIONAL DE E STAD ÍSTICA Y G EOGRAF ÍA,

http://www.inegi.gob.mx, 2009.

[Irribaren, 1984] I RRIBAREN , L. I GNACIO, Topologı́a de espacios métricos. Limusa, 1984.

[Karloff, 2009] K ARLOFF , H., Linear Programming, Modern Birkhausser Classic, Atlanta,
2009.

[Karterakis, 2007] K ARTERAKIS , S TEFANOS M., K ARATZAS G. P., N IKOLOS I. K., Appli-
cation of linear programming and differential evolutionary optimization methodologies
for the solution o coastal subsurface water management problems subject to envi-
ronmental criteria. Journal of Hydrology. Volumen 342. Issues 3-4, Septiembre 2007,
Pag. 270-280.

[Ko, Fontane, 1992] KO, S. K., F ONTANE , D. G., L ABADIE , J. W., Multiobjective Optimi-
zacion of Reservoir System Operation. Water Resources Bulletin. AWRA., Vol. 28,
No. 1, February, 1992.

[La Crónica, 2012] L A C R ÓNICA, México, junio, 2012.

[La Jornada, 2012] L A J ORNADA, México, abril, 2012.

[Labadie, 2000] L ABADIE , J. W., Reservoir System Optimization Models. Colorado State
University, Water Resources Update, University Council of Water Resources, 108.
Summer, 1997.
REFERENCIAS 304

[Loeve, 1977] P ROBABILITY T HEORY I, Loeve, M., Springer-Verlag, New York, 1977.

[Loganathan, 2002] L OGANATHAN , G.V., PARK , S., AND S HERALI , H.D., A Threshold
Break Rate for Pipeline Replacement in Water Distribution Systems, J. of Water Re-
sou. Plan. and Mgmt., ASCE, vol. 128, no. 4, July 2002, pp. 271279.

[Lopez, 2013] L OPEZ , J.,Optimización multi-objetivo: Aplicaciones a problemas del mun-

do real. Tesis doctoral. Universidad Nacional de la Plata. 2013.

[Lund, Guzmán, 1999] L UND, J AY R., G UZM ÁN , J OEL, Derived operating rules for reser-
voirs in series or in parallel. Journal of waters resources planning and management.
Vol. 125, No. 3, Junio, 1999.

[Maidment, 1993] M AIDMENT, D. R., Handbook of Hydrology, Editor in Chief, USA, 2013.

[Marglin, 1967] M ARGLIN , S. A., Public Investment Criteria. The M.I.T. Press, Camgridge,
Massachusetts, USA. 1967.

[Marsden, 1974] M ARSDEN , J. E., Elementary Classical Analysis, Editorial W. II. Free-
man and Company, San Francisco, 1974.

[Merwade, 2001] M ERWADE , V., M C K INNEY, D., Stochastic Optimization in Reservoir

Planning and Design-A Literature Review, Course Notes, CE 385D, Spring, 2001.

[Mocholi, Sala, 1993] M OCHOLI , A., M., S ALA G., M., Programación Lineal. Metodologı́a
y problemas, Editorial Tebar Flores, Albacete, 1993.

[Naghettini, 2017] N AGHETTINI , M. Fundamentals of Statistical Hydrology Springer,

USA, 2017.

[OCDE, 2013] OCDE, Estudio de la OCDE sobre el sistema nacional de Protección Civil
en México, México, 2013, p. 242.

[OMM, 2018] O RGANIZACI ÓN M ETEOROL ÓGICA M UNDIAL, www.wmo.int.

[Peñuela, Granada, 2007] P EUELA M., C. A., G RANADA E., M., Optimizacin multiobjeti-
vo usando un algoritmo gentico y un operador elitista basado en un ordenamiento
no dominado (nsga-ii). Revista UTP. Universidad Tecnolgica de Pereira, Vol 1, Nmero
35, 2007.

[Rincón, 2007] R INC ÓN , L. Curso intermedio de probabilidad. Facultad de Ciencias,

UNAM. México, D.F., 2007.

[Rincón, 2012] R INC ÓN , L. Introducción a los procesos estocásticos. Facultad de Cien-
cias, UNAM. México, D.F., 2012.

[Rincón, 2014] R INC ÓN , L. Introducción a la probabilidad. Facultad de Ciencias, UNAM.

México, D.F., 2014.
REFERENCIAS 305

[Rubio, Triana, 2006] RUBIO, G. H., T RIANA R. C., Gestión integrada de crecientes ca-
so de estudio México: Rı́o Grijalva, Programa Asociada de Gestión de Crecientes,
Organización Meteorológica Mundial (OMM), Global Water Partnership (GWP), sep-
tiembre, 2006, pp. 1-14.

[Salas, 2013] S ALAS M., J., Cadenas de Markov desde un punto de vista de Aplicacio-
nes, Tesis Licenciatura, Universidad Veracruzana, 2013.

[Samuelson, 2006] S AMUELSON , R. J., The Washington Post, Julio, 2006, USA.

[SE, 2009] S ECRETAR ÍA DE E NERG ÍA, http://www.sener.gob.mx.

[SJSU, 2001] SJSU, Pontryagins Maximum Principle. Notas San Jose University. www-
sjsu.edu/faculty/watkins7pontryag.html. Julio, 2001.

[SRGHG, 2007] S UBGERENCIA R EGIONAL DE G ENERACI ÓN H IDROEL ÉCTRICA DE G RI -

JALVA , División Hidrométrica Sureste, Chiapas, México, 2007.

[SRH, 1971] S ECRETAR ÍA DE R ECURSOS H IDR ÁULICOS, Región Hidrológica No. 30
Grijalva-Usumacinta, México, 1971.

[Torres, Sandoval, 2015] TORRES , A., S ANDOVAL , A., Avances en hidrologı́a urbana,
Editorial Pontificia Universidad Javeriana, Colombia, 2015.

[Tucker, 1967] A GRADUATE COURSE IN PROBABILITY , Tucker, Howard G., Academic

Press Inc, New York, 1967.

[USDA, 2013] D EPARTAMENTO DE AGRICULTURA DE LOS E STADOS U NIDOS, Abril, 2013.

[Vanderbei, 2007] VANDERBEI , R. J., Linear Programming.Foundations and Extensions.

Tercera edición. Operation Research Managemente Science, Springer, USA, 2008.

[Viejandra, Yadab, 2018] V IJENDRA K UMAR , S.M.YADAB , 2018 Optimization of reservoir

oepration with with a new approach in evolutionary computation using TLBO and
Jaya Algorithm. Water Resources Management, Springer, Julio, 2018.

[WU, 2018] W EATHER U NDERGROUND, www.wunderground.com.

[Zadeh, 1963] Z ADEH , L. A., Optimality and Non-Scalar-Valued Performance Criteria.

IEEE Transactions on Automatic Control AC8(1), pp. 59-60. 1963.