# ----------------------------
# 1. CARGA DE PAQUETES
# ----------------------------
if (!require(readxl)) install.packages("readxl")
## Cargando paquete requerido: readxl
if (!require(dplyr)) install.packages("dplyr")
## Cargando paquete requerido: dplyr
##
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
if (!require(ggplot2)) install.packages("ggplot2")
## Cargando paquete requerido: ggplot2
if (!require(psych)) install.packages("psych")
## Cargando paquete requerido: psych
##
## Adjuntando el paquete: 'psych'
## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha
if (!require(summarytools)) install.packages("summarytools")
## Cargando paquete requerido: summarytools
if (!require(lubridate)) install.packages("lubridate")
## Cargando paquete requerido: lubridate
##
## Adjuntando el paquete: 'lubridate'
## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, union
if (!require(lmtest)) install.packages("lmtest")
## Cargando paquete requerido: lmtest
## Cargando paquete requerido: zoo
##
## Adjuntando el paquete: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
if (!require(knitr)) install.packages("knitr")
## Cargando paquete requerido: knitr
if (!require(car)) install.packages("car")
## Cargando paquete requerido: car
## Cargando paquete requerido: carData
##
## Adjuntando el paquete: 'car'
## The following object is masked from 'package:psych':
##
## logit
## The following object is masked from 'package:dplyr':
##
## recode
library(readxl)
library(dplyr)
library(ggplot2)
library(psych)
library(summarytools)
library(lubridate)
library(lmtest)
library(knitr)
library(car)
# ----------------------------
# 2. CARGA Y LIMPIEZA DE DATOS
# ----------------------------
# Leer archivo Excel
ruta <- "Copia de ITUANGO Y RIOS(1).xlsx"
datos <- read_excel(ruta, sheet = "ITUANGO")
# Renombrar columnas según necesidad (ajusta si tus nombres difieren)
names(datos)[names(datos) == "PROMEDIO DE PRECIPITACION"] <- "Precipitacion"
names(datos)[names(datos) == "Aportes Energía kWh"] <- "Aportes_energia_kWh"
names(datos)[names(datos) == "TEMPERATURA A 2 METROS"] <- "Temperatura"
names(datos)[names(datos) == "Aportes Caudal m3/s"] <- "Caudal"
datos$Precipitacion <- as.numeric(datos$Precipitacion)
datos$Temperatura <- as.numeric(datos$Temperatura)
datos$Aportes_energia_kWh <- as.numeric(datos$Aportes_energia_kWh)
# Convertir columnas a formato adecuado
datos <- datos %>%
mutate(
AÑO = as.numeric(AÑO),
MES = as.numeric(MES),
MES = sprintf("%02d", MES),
Fecha = as.Date(paste(AÑO, MES, "01", sep = "-"), format = "%Y-%m-%d")
)
# Filtrar años de interés
datos <- datos %>%
filter(year(Fecha) >= 2015 & year(Fecha) <= 2023)
# Convertir Mes a factor ordenado
datos$Mes_nombre <- month.name[as.numeric(datos$MES)]
datos$Mes_nombre <- factor(datos$Mes_nombre, levels = month.name)
# ----------------------------
# 3. ANÁLISIS DESCRIPTIVO
# ----------------------------
# Estadísticas descriptivas
descriptivas <- describe(datos[, c("Precipitacion", "Temperatura",
"Aportes_energia_kWh")], skew = FALSE, ranges = FALSE)
print(descriptivas)
## vars n mean sd se
## Precipitacion 1 108 4.99 2.62 0.25
## Temperatura 2 108 18.09 0.53 0.05
## Aportes_energia_kWh 3 108 105508855.56 79264085.46 7627190.18
# Resumen más detallado
dfSummary(datos[, c("Precipitacion", "Temperatura", "Aportes_energia_kWh")])
## Data Frame Summary
## datos
## Dimensions: 108 x 3
## Duplicates: 0
##
## ------------------------------------------------------------------------------------------------------------------------------
## No Variable Stats / Values Freqs (% of Valid) Graph Valid Missing
## ---- --------------------- ---------------------------------- --------------------- --------------------- ---------- ---------
## 1 Precipitacion Mean (sd) : 5 (2.6) 99 distinct values : : 108 0
## [numeric] min < med < max: : : . (100.0%) (0.0%)
## 0.5 < 4.8 < 12.1 . : : :
## IQR (CV) : 3.9 (0.5) : : : : :
## : : : : : .
##
## 2 Temperatura Mean (sd) : 18.1 (0.5) 87 distinct values . : 108 0
## [numeric] min < med < max: : : (100.0%) (0.0%)
## 16.9 < 18 < 19.5 . : : .
## IQR (CV) : 0.7 (0) : : : :
## : : : : .
##
## 3 Aportes_energia_kWh Mean (sd) : 105508856 (79264086) 108 distinct values : . 108 0
## [numeric] min < med < max: : : (100.0%) (0.0%)
## 14622300 < 83778750 < 462823100 : : . .
## IQR (CV) : 79749375 (0.8) : : : :
## : : : : . .
## ------------------------------------------------------------------------------------------------------------------------------
# Histograma de precipitación
ggplot(datos, aes(x = Precipitacion)) +
geom_histogram(bins = 20, fill = "skyblue", color = "black") +
labs(title = "Distribución del Promedio de Precipitación",
x = "Precipitación (mm)", y = "Frecuencia") +
theme_minimal()
# Serie temporal de precipitación
ggplot(datos, aes(x = Fecha, y = Precipitacion)) +
geom_line(color = "blue") +
labs(title = "Serie Temporal de Precipitación (2015–2023)",
x = "Fecha", y = "Precipitación (mm)") +
theme_minimal()
# Serie temporal de generación de energía
ggplot(datos, aes(x = Fecha, y = Aportes_energia_kWh)) +
geom_line(color = "darkgreen") +
labs(title = "Serie Temporal de Generación de Energía (2015–2023)",
x = "Fecha", y = "Generación (kWh)") +
theme_minimal()
#serie temporal del caudal
ggplot(datos, aes(x = Fecha, y = Caudal)) +
geom_line(color = "purple") +
labs(title = "Serie Temporal del Caudal (2015–2023)",
x = "Fecha", y = "Caudal (m³/s)") +
theme_minimal()
# ----------------------------
# 4. ANÁLISIS CORRELACIONAL
# ----------------------------
# Matriz de correlación de variables principales
matriz_cor <- cor(datos[, c("Precipitacion", "Temperatura", "Aportes_energia_kWh")],
use = "complete.obs")
print(matriz_cor)
## Precipitacion Temperatura Aportes_energia_kWh
## Precipitacion 1.00000000 -0.3250073 0.07027517
## Temperatura -0.32500734 1.0000000 -0.26330621
## Aportes_energia_kWh 0.07027517 -0.2633062 1.00000000
# ----------------------------
# 5. MODELADO ESTADÍSTICO
# ----------------------------
# Modelos de regresión simple
modelo_precip <- lm(Aportes_energia_kWh ~ Precipitacion, data = datos)
modelo_temp <- lm(Aportes_energia_kWh ~ Temperatura, data = datos)
# Modelo de regresión múltiple
modelo_multiple <- lm(Aportes_energia_kWh ~ Precipitacion + Temperatura, data = datos)
# Resúmenes
summary(modelo_precip)
##
## Call:
## lm(formula = Aportes_energia_kWh ~ Precipitacion, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -89366399 -50100606 -21099286 30469251 348859151
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 94885487 16521239 5.743 8.96e-08 ***
## Precipitacion 2126919 2932385 0.725 0.47
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 79440000 on 106 degrees of freedom
## Multiple R-squared: 0.004939, Adjusted R-squared: -0.004449
## F-statistic: 0.5261 on 1 and 106 DF, p-value: 0.4699
summary(modelo_temp)
##
## Call:
## lm(formula = Aportes_energia_kWh ~ Temperatura, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -96032543 -49167931 -14667746 24776417 341419745
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 823849765 255738387 3.221 0.00169 **
## Temperatura -39708672 14130878 -2.810 0.00590 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 76830000 on 106 degrees of freedom
## Multiple R-squared: 0.06933, Adjusted R-squared: 0.06055
## F-statistic: 7.896 on 1 and 106 DF, p-value: 0.0059
summary(modelo_multiple)
##
## Call:
## lm(formula = Aportes_energia_kWh ~ Precipitacion + Temperatura,
## data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -95248072 -49516459 -14111217 25817298 343142480
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 841605585 276907877 3.039 0.00299 **
## Precipitacion -517797 3012538 -0.172 0.86386
## Temperatura -40547220 15010933 -2.701 0.00806 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 77180000 on 105 degrees of freedom
## Multiple R-squared: 0.06959, Adjusted R-squared: 0.05187
## F-statistic: 3.927 on 2 and 105 DF, p-value: 0.02267
# ----------------------------
# 6. GRÁFICOS DE REGRESIÓN
# ----------------------------
# Energía vs Precipitación
ggplot(datos, aes(x = Precipitacion, y = Aportes_energia_kWh)) +
geom_point(color = "blue") +
geom_smooth(method = "lm", color = "red") +
labs(title = "Generación de Energía vs Precipitación",
x = "Precipitación (mm)", y = "Generación de Energía (kWh)") +
theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'
# Energía vs Temperatura
ggplot(datos, aes(x = Temperatura, y = Aportes_energia_kWh)) +
geom_point(color = "green") +
geom_smooth(method = "lm", color = "orange") +
labs(title = "Generación de Energía vs Temperatura",
x = "Temperatura (°C)", y = "Generación de Energía (kWh)") +
theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'
# ----------------------------
# 7. VALIDACIÓN DE SUPUESTOS DEL MODELO
# ----------------------------
par(mfrow = c(1, 2))
plot(modelo_multiple$fitted.values, modelo_multiple$residuals,
main = "Residuos vs Valores Ajustados",
xlab = "Valores Ajustados", ylab = "Residuos", pch = 19, col = "purple")
abline(h = 0, col = "black", lty = 2)
qqnorm(modelo_multiple$residuals)
qqline(modelo_multiple$residuals, col = "blue")
# Normalidad de residuos para modelo múltiple
shapiro.test(modelo_multiple$residuals)
##
## Shapiro-Wilk normality test
##
## data: modelo_multiple$residuals
## W = 0.82265, p-value = 4.607e-10
# Verificar multicolinealidad
car::vif(modelo_multiple)
## Precipitacion Temperatura
## 1.118105 1.118105
# ----------------------------
# 8. MODELO LOGÍSTICO (opcional)
# ----------------------------
# Crear variable binaria: generación alta (mayor que la mediana)
umbral <- median(datos$Aportes_energia_kWh, na.rm = TRUE)
datos$Generacion_alta <- ifelse(datos$Aportes_energia_kWh >= umbral, 1, 0)
modelo_logistico <- glm(Generacion_alta ~ Precipitacion + Temperatura,
data = datos, family = "binomial")
summary(modelo_logistico)
##
## Call:
## glm(formula = Generacion_alta ~ Precipitacion + Temperatura,
## family = "binomial", data = datos)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 14.15879 7.62540 1.857 0.0633 .
## Precipitacion 0.08679 0.08079 1.074 0.2827
## Temperatura -0.80683 0.41470 -1.946 0.0517 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 149.72 on 107 degrees of freedom
## Residual deviance: 142.48 on 105 degrees of freedom
## AIC: 148.48
##
## Number of Fisher Scoring iterations: 4
# ----------------------------
# 9. EXPORTAR RESULTADOS (opcional)
# ----------------------------
write.csv(summary(modelo_multiple)$coefficients, "resultados_modelo_multiple.csv")
# ----------------------------
# 10. LIMITACIONES Y REVISIÓN DE DATOS
# ----------------------------
# Valores faltantes
cat("Total de valores faltantes en la base:", sum(is.na(datos)), "\n")
## Total de valores faltantes en la base: 0
##############################################################
# 1. Carga de paquetes
if (!require(readxl)) install.packages("readxl")
if (!require(dplyr)) install.packages("dplyr")
if (!require(ggplot2)) install.packages("ggplot2")
if (!require(effects)) install.packages("effects")
## Cargando paquete requerido: effects
## lattice theme set by effectsTheme()
## See ?effectsTheme for details.
library(readxl)
library(dplyr)
library(ggplot2)
library(effects)
# 2. Cargar la base y revisar nombres
datos <- read_excel("Copia de ITUANGO Y RIOS(1).xlsx")
cat("Nombres originales:\n")
## Nombres originales:
print(names(datos))
## [1] "MES"
## [2] "AÑO"
## [3] "PROMEDIO DE PRECIPITACION"
## [4] "PROMEDIO DE LA SUMA DE PRECIPITACIONES"
## [5] "HUMEDAD RELATIVA A 2 METROS"
## [6] "TEMPERATURA A 2 METROS"
## [7] "TEMPERATURA MAXIMA A 2 METROS"
## [8] "TEMPERATURA MINIMA A 2 METROS"
## [9] "Region Hidrologica"
## [10] "Nombre Río"
## [11] "Aportes Energía kWh"
## [12] "Aportes Caudal m3/s"
## [13] "Aportes Media Histórica Energía kWh"
## [14] "Aportes Media Histórica Caudal m3/s"
## [15] "Aportes 95 PSS Energía kWh"
## [16] "Aportes 95 PSS Caudal m3/s"
# 3. Renombrar columnas claves (ajustar si los nombres cambian)
names(datos)[names(datos) == "Aportes Caudal m3/s"] <- "Caudal"
names(datos)[names(datos) == "PROMEDIO DE PRECIPITACION"] <- "Precipitacion"
names(datos)[names(datos) == "TEMPERATURA A 2 METROS"] <- "Temperatura"
names(datos)[names(datos) == "Aportes Energía kWh"] <- "Aportes_Energia_kWh"
# 4. Convertir a formato válido en R y asegurarse que sean numéricas
names(datos) <- make.names(names(datos))
datos$Caudal <- as.numeric(datos$Caudal)
datos$Precipitacion <- as.numeric(datos$Precipitacion)
datos$Temperatura <- as.numeric(datos$Temperatura)
datos$Aportes_Energia_kWh <- as.numeric(datos$Aportes_Energia_kWh)
# 5. Confirmar cambios de nombres
cat("\nNombres después de make.names:\n")
##
## Nombres después de make.names:
print(names(datos))
## [1] "MES"
## [2] "AÑO"
## [3] "Precipitacion"
## [4] "PROMEDIO.DE.LA.SUMA.DE.PRECIPITACIONES"
## [5] "HUMEDAD.RELATIVA.A.2.METROS"
## [6] "Temperatura"
## [7] "TEMPERATURA.MAXIMA.A.2.METROS"
## [8] "TEMPERATURA.MINIMA.A.2.METROS"
## [9] "Region.Hidrologica"
## [10] "Nombre.Río"
## [11] "Aportes_Energia_kWh"
## [12] "Caudal"
## [13] "Aportes.Media.Histórica.Energía.kWh"
## [14] "Aportes.Media.Histórica.Caudal.m3.s"
## [15] "Aportes.95.PSS.Energía.kWh"
## [16] "Aportes.95.PSS.Caudal.m3.s"
# 6. Revisar coincidencias para caudal
cat("\nCoincidencias para 'caudal':\n")
##
## Coincidencias para 'caudal':
print(grep("caudal", names(datos), ignore.case = TRUE, value = TRUE))
## [1] "Caudal" "Aportes.Media.Histórica.Caudal.m3.s"
## [3] "Aportes.95.PSS.Caudal.m3.s"
# 7. Modelo Caudal ~ Precipitación + Temperatura
modelo_caudal <- lm(Caudal ~ Precipitacion + Temperatura, data = datos)
summary(modelo_caudal)
##
## Call:
## lm(formula = Caudal ~ Precipitacion + Temperatura, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -112.99 -50.00 -6.53 47.91 169.43
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1012.8021 233.5718 4.336 3.34e-05 ***
## Precipitacion 0.7967 2.5411 0.314 0.754503
## Temperatura -49.0629 12.6617 -3.875 0.000186 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 65.1 on 105 degrees of freedom
## Multiple R-squared: 0.1448, Adjusted R-squared: 0.1285
## F-statistic: 8.891 on 2 and 105 DF, p-value: 0.000271
# Gráfico de efectos
plot(allEffects(modelo_caudal))
# 8. Modelo extendido que incluye generación de energía
modelo_completo <- lm(Caudal ~ Precipitacion + Temperatura + Aportes_Energia_kWh, data = datos)
summary(modelo_completo)
##
## Call:
## lm(formula = Caudal ~ Precipitacion + Temperatura + Aportes_Energia_kWh,
## data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -117.115 -35.408 -3.867 30.990 124.298
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.555e+02 1.872e+02 2.967 0.00373 **
## Precipitacion 1.078e+00 1.953e+00 0.552 0.58217
## Temperatura -2.703e+01 1.006e+01 -2.686 0.00842 **
## Aportes_Energia_kWh 5.434e-07 6.326e-08 8.589 9.35e-14 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 50.03 on 104 degrees of freedom
## Multiple R-squared: 0.4997, Adjusted R-squared: 0.4853
## F-statistic: 34.63 on 3 and 104 DF, p-value: 1.339e-15
# 9. Comparación de modelos (¿aporta algo la energía generada?)
anova(modelo_caudal, modelo_completo)
## Analysis of Variance Table
##
## Model 1: Caudal ~ Precipitacion + Temperatura
## Model 2: Caudal ~ Precipitacion + Temperatura + Aportes_Energia_kWh
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 105 445021
## 2 104 260346 1 184675 73.772 9.346e-14 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# 10. Clasificación de régimen hídrico
datos$Regimen_hidrico <- dplyr::case_when(
datos$Precipitacion > quantile(datos$Precipitacion, 0.75, na.rm = TRUE) ~ "Húmedo",
datos$Precipitacion < quantile(datos$Precipitacion, 0.25, na.rm = TRUE) ~ "Seco",
TRUE ~ "Normal"
)
# 11. Gráfico resumen por régimen hídrico
datos %>%
group_by(Regimen_hidrico) %>%
summarise(
Caudal_medio = mean(Caudal, na.rm = TRUE),
Generacion_media = mean(Aportes_Energia_kWh, na.rm = TRUE),
Frecuencia = n()
) %>%
ggplot(aes(x = Regimen_hidrico, y = Generacion_media, size = Caudal_medio, color = Regimen_hidrico)) +
geom_point() +
scale_color_manual(values = c("Húmedo" = "blue", "Seco" = "red", "Normal" = "green")) +
labs(title = "Generación Energética por Régimen Hídrico",
x = "Régimen Hídrico",
y = "Generación Media (kWh)",
size = "Caudal Medio (m3/s)") +
theme_minimal()
# 12. (Opcional) Guardar tabla resumen
tabla_resumen <- datos %>%
group_by(Regimen_hidrico) %>%
summarise(
Caudal_medio = mean(Caudal, na.rm = TRUE),
Generacion_media = mean(Aportes_Energia_kWh, na.rm = TRUE),
Frecuencia = n()
)
write.csv(tabla_resumen, "resumen_regimen_hidrico.csv", row.names = FALSE)
# 13. (Opcional) Explora la relación caudal-generación según régimen
ggplot(datos, aes(x = Caudal, y = Aportes_Energia_kWh, color = Regimen_hidrico)) +
geom_point(alpha = 0.7) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = "Generación vs Caudal por Régimen Hídrico",
x = "Caudal (m3/s)", y = "Generación (kWh)") +
theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'
# --- Fin del bloque principal ---
#############################################################################
library(readxl)
library(ggplot2)
library(scales)
##
## Adjuntando el paquete: 'scales'
## The following objects are masked from 'package:psych':
##
## alpha, rescale
library(dplyr)
library(tidyr)
# Leer los datos
datos_hidrologicos <- read_excel("Copia de ITUANGO Y RIOS(1).xlsx")
datos_hidrologicos <- datos_hidrologicos %>%
rename(
Mes = MES,
Caudal_actual = `Aportes Caudal m3/s`,
Media_historica = `Aportes Media Histórica Caudal m3/s`,
PSS_95 = `Aportes 95 PSS Caudal m3/s`,
Aporte_energia = `Aportes Energía kWh`,
Precipitacion = `PROMEDIO DE PRECIPITACION`,
Temperatura = `TEMPERATURA A 2 METROS`
)
# Estadísticas descriptivas para todas las variables clave
library(psych)
describe(datos_hidrologicos[, c("Caudal_actual", "Media_historica", "PSS_95",
"Aporte_energia", "Precipitacion", "Temperatura")])
## vars n mean sd median trimmed
## Caudal_actual 1 108 129.22 69.74 113.57 124.50
## Media_historica 2 108 135.10 43.47 141.11 134.93
## PSS_95 3 108 69.80 21.50 67.12 70.04
## Aporte_energia 4 108 105508855.56 79264085.46 83778750.00 93685575.00
## Precipitacion 5 108 4.99 2.62 4.77 4.83
## Temperatura 6 108 18.09 0.53 18.03 18.07
## mad min max range skew
## Caudal_actual 71.44 20.45 307.82 287.38 0.58
## Media_historica 43.60 59.33 215.26 155.93 -0.05
## PSS_95 24.49 31.62 113.34 81.72 0.04
## Aporte_energia 54683402.97 14622300.00 462823100.00 448200800.00 2.24
## Precipitacion 3.01 0.50 12.07 11.57 0.47
## Temperatura 0.53 16.88 19.51 2.63 0.27
## kurtosis se
## Caudal_actual -0.62 6.71
## Media_historica -0.74 4.18
## PSS_95 -1.06 2.07
## Aporte_energia 6.47 7627190.18
## Precipitacion -0.51 0.25
## Temperatura -0.35 0.05
# Matriz de correlación
correlaciones <- cor(datos_hidrologicos[, c("Caudal_actual", "Media_historica", "PSS_95",
"Aporte_energia", "Precipitacion", "Temperatura")],
use = "complete.obs")
print(round(correlaciones, 2))
## Caudal_actual Media_historica PSS_95 Aporte_energia
## Caudal_actual 1.00 0.54 0.48 0.67
## Media_historica 0.54 1.00 0.87 0.42
## PSS_95 0.48 0.87 1.00 0.36
## Aporte_energia 0.67 0.42 0.36 1.00
## Precipitacion 0.15 -0.20 -0.04 0.07
## Temperatura -0.38 -0.19 -0.07 -0.26
## Precipitacion Temperatura
## Caudal_actual 0.15 -0.38
## Media_historica -0.20 -0.19
## PSS_95 -0.04 -0.07
## Aporte_energia 0.07 -0.26
## Precipitacion 1.00 -0.33
## Temperatura -0.33 1.00
# Gráfico combinado de caudales
library(ggplot2)
library(tidyr)
datos_largos <- datos_hidrologicos %>%
select(Mes, Caudal_actual, Media_historica, PSS_95) %>%
pivot_longer(-Mes, names_to = "Tipo_Caudal", values_to = "Valor")
ggplot(datos_largos, aes(x = Mes, y = Valor, fill = Tipo_Caudal)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Comparativo de Caudales por Mes", y = "Caudal (m³/s)") +
theme_minimal()
# Caudal vs Precipitación
ggplot(datos_hidrologicos, aes(x = Precipitacion, y = Caudal_actual)) +
geom_point() +
geom_smooth(method = "lm") +
labs(title = "Relación Precipitación vs Caudal Actual", x = "Precipitación (mm)", y = "Caudal (m³/s)")
## `geom_smooth()` using formula = 'y ~ x'
# Caudal vs Generación de Energía
ggplot(datos_hidrologicos, aes(x = Caudal_actual, y = Aporte_energia)) +
geom_point() +
geom_smooth(method = "lm") +
labs(title = "Generación de Energía vs Caudal", x = "Caudal (m³/s)", y = "Energía (kWh)")
## `geom_smooth()` using formula = 'y ~ x'
#correlacion de pearson con todas las variables
matriz_cor <- cor(datos[, c("Caudal", "Precipitacion", "Temperatura", "Aportes_Energia_kWh")],
use = "complete.obs")
print(round(matriz_cor, 2))
## Caudal Precipitacion Temperatura Aportes_Energia_kWh
## Caudal 1.00 0.15 -0.38 0.67
## Precipitacion 0.15 1.00 -0.33 0.07
## Temperatura -0.38 -0.33 1.00 -0.26
## Aportes_Energia_kWh 0.67 0.07 -0.26 1.00
print(names(datos))
## [1] "MES"
## [2] "AÑO"
## [3] "Precipitacion"
## [4] "PROMEDIO.DE.LA.SUMA.DE.PRECIPITACIONES"
## [5] "HUMEDAD.RELATIVA.A.2.METROS"
## [6] "Temperatura"
## [7] "TEMPERATURA.MAXIMA.A.2.METROS"
## [8] "TEMPERATURA.MINIMA.A.2.METROS"
## [9] "Region.Hidrologica"
## [10] "Nombre.Río"
## [11] "Aportes_Energia_kWh"
## [12] "Caudal"
## [13] "Aportes.Media.Histórica.Energía.kWh"
## [14] "Aportes.Media.Histórica.Caudal.m3.s"
## [15] "Aportes.95.PSS.Energía.kWh"
## [16] "Aportes.95.PSS.Caudal.m3.s"
## [17] "Regimen_hidrico"
#############################################
# Correlación Pearson
correlacion <- cor(datos %>% select(Temperatura, Precipitacion, Caudal, Aportes_Energia_kWh), use = "complete.obs")
print(round(correlacion, 2))
## Temperatura Precipitacion Caudal Aportes_Energia_kWh
## Temperatura 1.00 -0.33 -0.38 -0.26
## Precipitacion -0.33 1.00 0.15 0.07
## Caudal -0.38 0.15 1.00 0.67
## Aportes_Energia_kWh -0.26 0.07 0.67 1.00
# Matriz de correlación visual
pairs.panels(datos %>% select(Temperatura, Precipitacion, Caudal, Aportes_Energia_kWh))
#########
##
set.seed(42)
n_meses <- 120 # Para 20 años; usa 360 para 30 años
media_precip <- mean(datos$Precipitacion, na.rm = TRUE)
sd_precip <- sd(datos$Precipitacion, na.rm = TRUE)
media_temp <- mean(datos$Temperatura, na.rm = TRUE)
sd_temp <- sd(datos$Temperatura, na.rm = TRUE)
precip_sim <- rnorm(n_meses, mean = media_precip, sd = sd_precip)
temp_sim <- rnorm(n_meses, mean = media_temp, sd = sd_temp)
##
nueva_simulacion <- data.frame(
Precipitacion = precip_sim,
Temperatura = temp_sim
)
nueva_simulacion$Aportes_energia_kWh <- predict(modelo_multiple, newdata = nueva_simulacion)
##
nueva_simulacion$Fecha <- seq.Date(
from = as.Date("2024-01-01"),
by = "month",
length.out = n_meses
)
##
head(nueva_simulacion)
## Precipitacion Temperatura Aportes_energia_kWh Fecha
## 1 8.585196 17.30523 135481055 2024-01-01
## 2 3.515805 17.31742 137611772 2024-02-01
## 3 5.945738 18.15582 102358832 2024-03-01
## 4 6.652159 17.56645 125890478 2024-04-01
## 5 6.053481 18.08932 104999476 2024-05-01
## 6 4.716787 17.86519 114779593 2024-06-01
write.csv(nueva_simulacion, "simulacion_energia_20anios.csv", row.names = FALSE)
#####
#genera una serie de eventos del fenomeno el niño, neutral, la niña
set.seed(123)
n_meses <- 120 # 10 años
eventos_ENSO <- sample(c("Nino", "Nina", "Neutral"), n_meses, replace = TRUE, prob = c(0.25, 0.25, 0.5))
##
#ajusta la precipitacion y temperatura segun el evento
media_precip <- mean(datos$Precipitacion, na.rm = TRUE)
sd_precip <- sd(datos$Precipitacion, na.rm = TRUE)
media_temp <- mean(datos$Temperatura, na.rm = TRUE)
sd_temp <- sd(datos$Temperatura, na.rm = TRUE)
precip_sim <- rnorm(n_meses, mean = media_precip, sd = sd_precip)
temp_sim <- rnorm(n_meses, mean = media_temp, sd = sd_temp)
# Ajuste por ENSO
for(i in 1:n_meses){
if(eventos_ENSO[i] == "Nino"){
precip_sim[i] <- precip_sim[i] * 0.7
temp_sim[i] <- temp_sim[i] + 1
} else if(eventos_ENSO[i] == "Nina"){
precip_sim[i] <- precip_sim[i] * 1.25
temp_sim[i] <- temp_sim[i] - 0.5
}
}
##
nueva_simulacion <- data.frame(
Precipitacion = precip_sim,
Temperatura = temp_sim
)
nueva_simulacion$Aportes_energia_kWh <- predict(modelo_multiple, newdata = nueva_simulacion)
nueva_simulacion$ENSO <- eventos_ENSO
nueva_simulacion$Fecha <- seq.Date(from = as.Date("2024-01-01"), by = "month", length.out = n_meses)
##
library(dplyr)
nueva_simulacion %>%
group_by(ENSO) %>%
summarise(
Energia_promedio = mean(Aportes_energia_kWh, na.rm = TRUE),
Precip_promedio = mean(Precipitacion, na.rm = TRUE),
Temp_promedio = mean(Temperatura, na.rm = TRUE)
)
## # A tibble: 3 × 4
## ENSO Energia_promedio Precip_promedio Temp_promedio
## <chr> <dbl> <dbl> <dbl>
## 1 Neutral 103202497. 4.29 18.2
## 2 Nina 122763230. 6.88 17.6
## 3 Nino 65994945. 3.99 19.1
###
# ----------------------------
# 1. Carga de paquetes
# ----------------------------
if (!require(dplyr)) install.packages("dplyr")
if (!require(ggplot2)) install.packages("ggplot2")
if (!require(psych)) install.packages("psych")
library(dplyr)
library(ggplot2)
library(psych)
# ----------------------------
# 2. Datos históricos resumen (ajusta con tus datos reales)
# ----------------------------
# Reemplaza estos valores con las medias y desviaciones reales de tu dataset
media_precip <- 150 # media histórica de precipitación (mm)
sd_precip <- 50 # desviación estándar
media_temp <- 22 # media histórica de temperatura (°C)
sd_temp <- 2 # desviación estándar
# Modelo de regresión múltiple ajustado (ejemplo coeficientes)
intercepto <- 50
coef_precip <- 2
coef_temp <- 3
# ----------------------------
# 3. Simulación ENSO para 30 años (360 meses)
# ----------------------------
set.seed(123)
n_meses <- 120
# Generar eventos ENSO aleatorios con probabilidades
eventos_ENSO <- sample(c("Nino", "Nina", "Neutral"), n_meses, replace = TRUE, prob = c(0.25, 0.25, 0.5))
# Simular precipitación y temperatura base
precip_sim <- rnorm(n_meses, mean = media_precip, sd = sd_precip)
temp_sim <- rnorm(n_meses, mean = media_temp, sd = sd_temp)
# Ajustar según ENSO
for(i in 1:n_meses){
if(eventos_ENSO[i] == "Nino"){
precip_sim[i] <- precip_sim[i] * 0.7 # -30% precipitación
temp_sim[i] <- temp_sim[i] + 1 # +1°C temperatura
} else if(eventos_ENSO[i] == "Nina"){
precip_sim[i] <- precip_sim[i] * 1.25 # +25% precipitación
temp_sim[i] <- temp_sim[i] - 0.5 # -0.5°C temperatura
}
}
# ----------------------------
# 4. Crear dataframe simulación
# ----------------------------
simulacion <- data.frame(
Fecha = seq.Date(from = as.Date("2024-01-01"), by = "month", length.out = n_meses),
ENSO = eventos_ENSO,
Precipitacion = precip_sim,
Temperatura = temp_sim
)
# ----------------------------
# 5. Predecir generación de energía con modelo múltiple
# ----------------------------
simulacion <- simulacion %>%
mutate(
Aportes_energia_kWh = intercepto + coef_precip * Precipitacion + coef_temp * Temperatura
)
# ----------------------------
# 6. Análisis de correlación de Pearson
# ----------------------------
correlacion <- cor(simulacion %>% select(Precipitacion, Temperatura, Aportes_energia_kWh))
print(round(correlacion, 3))
## Precipitacion Temperatura Aportes_energia_kWh
## Precipitacion 1.000 -0.226 0.998
## Temperatura -0.226 1.000 -0.172
## Aportes_energia_kWh 0.998 -0.172 1.000
# ----------------------------
# 7. Visualizaciones
# ----------------------------
# Serie temporal de Precipitación
ggplot(simulacion, aes(x = Fecha, y = Precipitacion, color = ENSO)) +
geom_line() +
labs(title = "Serie Temporal Simulada de Precipitación con ENSO",
y = "Precipitación (mm)", x = "Fecha") +
theme_minimal()
# Serie temporal de Temperatura
ggplot(simulacion, aes(x = Fecha, y = Temperatura, color = ENSO)) +
geom_line() +
labs(title = "Serie Temporal Simulada de Temperatura con ENSO",
y = "Temperatura (°C)", x = "Fecha") +
theme_minimal()
# Serie temporal de Generación de Energía
ggplot(simulacion, aes(x = Fecha, y = Aportes_energia_kWh, color = ENSO)) +
geom_line() +
labs(title = "Serie Temporal Simulada de Generación de Energía",
y = "Generación (kWh)", x = "Fecha") +
theme_minimal()
# Scatter plot: Generación vs Precipitación
ggplot(simulacion, aes(x = Precipitacion, y = Aportes_energia_kWh, color = ENSO)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE, color = "black") +
labs(title = "Generación de Energía vs Precipitación",
x = "Precipitación (mm)", y = "Generación (kWh)") +
theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'
# Scatter plot: Generación vs Temperatura
ggplot(simulacion, aes(x = Temperatura, y = Aportes_energia_kWh, color = ENSO)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE, color = "black") +
labs(title = "Generación de Energía vs Temperatura",
x = "Temperatura (°C)", y = "Generación (kWh)") +
theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'
# ----------------------------
# 8. Resumen por evento ENSO
# ----------------------------
resumen_ENSO <- simulacion %>%
group_by(ENSO) %>%
summarise(
Media_Precipitacion = mean(Precipitacion),
Media_Temperatura = mean(Temperatura),
Media_Generacion = mean(Aportes_energia_kWh)
)
print(resumen_ENSO)
## # A tibble: 3 × 4
## ENSO Media_Precipitacion Media_Temperatura Media_Generacion
## <chr> <dbl> <dbl> <dbl>
## 1 Neutral 137. 22.3 390.
## 2 Nina 200. 21.7 514.
## 3 Nino 114. 23.0 348.
# ----------------------------
# FIN
# ----------------------------