Vol. 13/ Núm. 1 2026 pág. 693
https://doi.org/10.69639/arandu.v13i1.1941
Marco híbrido de Poisson-Markov para el análisis de
recurrencia sísmica en zona de subducción del sur de Manabí,
Ecuador
Hybrid Poisson-Markov framework for seismic recurrence analysis in the southern
Manabí subduction zone, Ecuador
Douglas Stalin Ponce Regalado
douglas03ponce@gmail.com
https://orcid.org/0000-0002-9496-5721
Universidad Estatal Del Sur de Manabí
Jipijapa - Ecuador
Gery Lorenzo Marcillo Merino
gery.marcillo@unesum.edu.ec
https://orcid.org/0009-0000-5583-0042
Universidad Estatal Del Sur de Manabí
Jipijapa - Ecuador
Artículo recibido: 10 diciembre 2025 -Aceptado para publicación: 18 enero 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La costa sur de Manabí (Ecuador) se localiza en un margen de subducción activo Nazca–
Sudamericana y presenta sismicidad frecuente dominada por magnitudes moderadas. Este estudio
compara modelos de Poisson y cadenas de Márkov para caracterizar la recurrencia sísmica en el
sur de Manabí y aporta evidencia cuantitativa de coherencia entre ambas aproximaciones
(r≈0.77). Se empleó un catálogo instrumental de enero de 2005 a septiembre de 2025, dividido en
cuatro cuadrantes y en estados de magnitud (con énfasis en 4.0–4.5 como estado “moderado”),
con el fin de evaluar persistencia, transiciones y comportamiento estacionario. Se analizaron
N=384 eventos con Mw 3.4–6.2 (media 4.24, DE 0.34, asimetría 1.55) y profundidades de 0–
164.9 km (media 16.2 km, DE 15.0 km); la correlación magnitud–profundidad fue débil (r≈0.15).
Los resultados muestran que los sismos de magnitud intermedia (3.5≤M≤4.0) son los más
persistentes, con probabilidades marginales cercanas al 90%, mientras que los eventos grandes
(M≥6.0) prácticamente no aparecen en el estado estacionario. En consecuencia, los terremotos
moderados dominan la dinámica regional y constituyen un régimen relativamente persistente y
predecible en términos markovianos, pudiendo generar demanda acumulada (fatiga) sobre la
infraestructura. Los extremos, aunque raros y de baja frecuencia, pueden ocurrir de forma
secuencial y presentan tiempos de recurrencia prolongados (>30 años). El marco híbrido Poisson–
Márkov integra tasas medias y memoria temporal, ofreciendo un aporte metodológico
Vol. 13/ Núm. 1 2026 pág. 694
potencialmente transferible a otras regiones de subducción, y sirve de base para fortalecer la
estimación de amenaza sísmica, la planificación urbana y el diseño resiliente en Ecuador.
Palabras clave: cadenas de Márkov, sismicidad regional, amenaza sísmica, modelado
probabilístico, recurrencia sísmica
ABSTRACT
The southern coast of Manabí (Ecuador) lies within an active Nazca–South America subduction
margin and exhibits frequent seismicity dominated by moderate magnitudes. This study compares
Poisson models and Markov chains to characterize earthquake recurrence in southern Manabí and
provides quantitative evidence of consistency between both approaches (r≈0.77). An instrumental
catalog from January 2005 to September 2025 was used, divided into four quadrants and
magnitude states (with emphasis on 4.0–4.5 as the “moderate” state), in order to evaluate
persistence, transitions, and stationary behavior. A total of N=384 events with Mw 3.4–6.2 were
analyzed (mean 4.24, SD 0.34, skewness 1.55) as well as depths from 0 to 164.9 km (mean 16.2
km, SD 15.0 km); the magnitude–depth correlation was weak (r≈0.15). Results show that
intermediate-magnitude earthquakes (3.5≤M≤4.0) are the most persistent, with marginal
probabilities close to 90%, whereas large events (M≥6.0) are virtually absent in the stationary
state. Accordingly, moderate earthquakes dominate regional dynamics and constitute a relatively
persistent and predictable regime in Markovian terms, potentially generating cumulative demand
(fatigue) on infrastructure. Extreme events, although rare and low-frequency, may occur
sequentially and display long recurrence times (>30 years). The proposed hybrid Poisson–Markov
framework integrates mean rates and temporal memory, offering a methodological contribution
potentially transferable to other subduction regions, and provides a basis to strengthen seismic
hazard estimation, urban planning, and resilient design in Ecuador
Keywords: Markov chains, regional seismicity, seismic hazard, probabilistic modeling,
seismic recurrence
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
potencialmente transferible a otras regiones de subducción, y sirve de base para fortalecer la
estimación de amenaza sísmica, la planificación urbana y el diseño resiliente en Ecuador.
Palabras clave: cadenas de Márkov, sismicidad regional, amenaza sísmica, modelado
probabilístico, recurrencia sísmica
ABSTRACT
The southern coast of Manabí (Ecuador) lies within an active Nazca–South America subduction
margin and exhibits frequent seismicity dominated by moderate magnitudes. This study compares
Poisson models and Markov chains to characterize earthquake recurrence in southern Manabí and
provides quantitative evidence of consistency between both approaches (r≈0.77). An instrumental
catalog from January 2005 to September 2025 was used, divided into four quadrants and
magnitude states (with emphasis on 4.0–4.5 as the “moderate” state), in order to evaluate
persistence, transitions, and stationary behavior. A total of N=384 events with Mw 3.4–6.2 were
analyzed (mean 4.24, SD 0.34, skewness 1.55) as well as depths from 0 to 164.9 km (mean 16.2
km, SD 15.0 km); the magnitude–depth correlation was weak (r≈0.15). Results show that
intermediate-magnitude earthquakes (3.5≤M≤4.0) are the most persistent, with marginal
probabilities close to 90%, whereas large events (M≥6.0) are virtually absent in the stationary
state. Accordingly, moderate earthquakes dominate regional dynamics and constitute a relatively
persistent and predictable regime in Markovian terms, potentially generating cumulative demand
(fatigue) on infrastructure. Extreme events, although rare and low-frequency, may occur
sequentially and display long recurrence times (>30 years). The proposed hybrid Poisson–Markov
framework integrates mean rates and temporal memory, offering a methodological contribution
potentially transferable to other subduction regions, and provides a basis to strengthen seismic
hazard estimation, urban planning, and resilient design in Ecuador
Keywords: Markov chains, regional seismicity, seismic hazard, probabilistic modeling,
seismic recurrence
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 1 2026 pág. 695
INTRODUCCIÓN
La sismicidad costera del Pacífico, particularmente la zona sur de Manabí, Ecuador,
enfrenta riesgos crecientes por la confluencia de factores tectónicos, urbanos y sociales. La
subducción de la placa de Nazca bajo la placa Sudamericana genera tensiones persistentes que se
liberan en sismos frecuentes, muchos de ellos moderados, cuya recurrencia y patrón temporal no
han sido caracterizados con modelos probabilísticos comparativos robustos.
Modelos clásicos basados en procesos de Poisson, que asumen independencia temporal
entre eventos y tasa constante, han sido ampliamente usados, pero no capturan efectos de
agrupamiento ni transiciones de tasas de actividad tras grandes sismos. En cambio,
investigaciones recientes aplicando cadenas de Márkov o modelos ocultos de Márkov (HMM) en
escenarios sísmicos latinoamericanos han demostrado mejoras significativas en la evaluación
probabilística de eventos mayores. En la investigación de (Georgakopoulou et al., 2024a)
estudiaron que (…) “La zona la dividieron las regiones sismo tectónicas para estimar la
probabilidad de ocurrencia en zonas específicas, superando al modelo e Poisson homogéneo en
precisión predictiva”.
En estudios recientes como lo de (Pratama et al., 2025a) ha implementado las cadenas de
Márkov teniendo como resultados (…) “Las cadenas de Márkov combinadas con métodos de
clúster para definir los estados (por ejemplo, rangos de magnitud o agrupaciones geográficas)
demostraron que dicha definición condiciona fuertemente los pronósticos de recurrencia”.
Se tiene desarrollo e implementación de las cadenas de Márkov para la identificación de
zonas de mayor riesgo símico como lo es la investigación de (Risco Franco, 2020) llegaron a la
conclusión que (…) “Con la implantación de las cadenas de Márkov se identificaron zonas de
mayor riesgo de ocurrencia de sismo en Lima-Oeste con una probabilidad de 43.74%”.
En este contexto, surge la necesidad de desarrollar un análisis espacio - temporal adaptado
al sur de Manabí, que compare directamente tres enfoques: 1) Poisson homogéneo, 2) cadenas de
Márkov discretas basadas en rangos de magnitud, que capturen clustering temporal y espacial. La
hipótesis guía es que las cadenas de Márkov revelarán estructuras de transición visibles en los
datos locales que los modelos clásicos no detectan, mientras que el modelo ETAS ofrecerá mayor
precisión cuando existan réplicas y agrupamientos sustanciales. Este artículo presenta: (a)
selección rigurosa del catálogo sísmico local, filtrado por completitud y magnitud mínima, (b)
estimaciones de matrices de transición, distribución estacionaria y tiempos de retorno para los
diferentes rangos de magnitud y subregiones, y (c) discusión de las implicaciones prácticas para
la evaluación de amenaza sísmica, planificación territorial e ingeniería sismo-resistente en el sur
de Manabí.
INTRODUCCIÓN
La sismicidad costera del Pacífico, particularmente la zona sur de Manabí, Ecuador,
enfrenta riesgos crecientes por la confluencia de factores tectónicos, urbanos y sociales. La
subducción de la placa de Nazca bajo la placa Sudamericana genera tensiones persistentes que se
liberan en sismos frecuentes, muchos de ellos moderados, cuya recurrencia y patrón temporal no
han sido caracterizados con modelos probabilísticos comparativos robustos.
Modelos clásicos basados en procesos de Poisson, que asumen independencia temporal
entre eventos y tasa constante, han sido ampliamente usados, pero no capturan efectos de
agrupamiento ni transiciones de tasas de actividad tras grandes sismos. En cambio,
investigaciones recientes aplicando cadenas de Márkov o modelos ocultos de Márkov (HMM) en
escenarios sísmicos latinoamericanos han demostrado mejoras significativas en la evaluación
probabilística de eventos mayores. En la investigación de (Georgakopoulou et al., 2024a)
estudiaron que (…) “La zona la dividieron las regiones sismo tectónicas para estimar la
probabilidad de ocurrencia en zonas específicas, superando al modelo e Poisson homogéneo en
precisión predictiva”.
En estudios recientes como lo de (Pratama et al., 2025a) ha implementado las cadenas de
Márkov teniendo como resultados (…) “Las cadenas de Márkov combinadas con métodos de
clúster para definir los estados (por ejemplo, rangos de magnitud o agrupaciones geográficas)
demostraron que dicha definición condiciona fuertemente los pronósticos de recurrencia”.
Se tiene desarrollo e implementación de las cadenas de Márkov para la identificación de
zonas de mayor riesgo símico como lo es la investigación de (Risco Franco, 2020) llegaron a la
conclusión que (…) “Con la implantación de las cadenas de Márkov se identificaron zonas de
mayor riesgo de ocurrencia de sismo en Lima-Oeste con una probabilidad de 43.74%”.
En este contexto, surge la necesidad de desarrollar un análisis espacio - temporal adaptado
al sur de Manabí, que compare directamente tres enfoques: 1) Poisson homogéneo, 2) cadenas de
Márkov discretas basadas en rangos de magnitud, que capturen clustering temporal y espacial. La
hipótesis guía es que las cadenas de Márkov revelarán estructuras de transición visibles en los
datos locales que los modelos clásicos no detectan, mientras que el modelo ETAS ofrecerá mayor
precisión cuando existan réplicas y agrupamientos sustanciales. Este artículo presenta: (a)
selección rigurosa del catálogo sísmico local, filtrado por completitud y magnitud mínima, (b)
estimaciones de matrices de transición, distribución estacionaria y tiempos de retorno para los
diferentes rangos de magnitud y subregiones, y (c) discusión de las implicaciones prácticas para
la evaluación de amenaza sísmica, planificación territorial e ingeniería sismo-resistente en el sur
de Manabí.
Vol. 13/ Núm. 1 2026 pág. 696
Este enfoque aprovechó la naturaleza probabilística de las cadenas de Márkov para
reflejar los aspectos estocásticos de la actividad sísmica, demostrando su aplicabilidad en regiones
con alta actividad sísmica.(Zhang et al., 2024)
Este enfoque integrador contribuye al diálogo global sobre cómo combinar modelos
estocásticos de transición con modelos de clustering, en particular en zonas de subducción de alta
actividad.
Estado del Arte
La modelación probabilística de la sismicidad ha evolucionado desde formulaciones
simples, como los procesos de Poisson homogéneos, hasta marcos más complejos que integran
memoria y dependencia espacio - temporal. En el caso ecuatoriano, la evaluación de amenaza
sísmica se ha apoyado en modelos globales y regionales, pero existe aún una brecha en
metodologías adaptadas a escalas subregionales y con datos actualizados.
En paralelo, las cadenas de Márkov y sus variantes ocultas (Hidden Markov Models,
HMM) han emergido como metodologías prometedoras para representar transiciones entre
diferentes estados de magnitud o tasas de actividad sísmica. En particular, los HMM aplicados a
regiones de Centro y Sudamérica demostraron mejorar la evaluación de amenaza frente a modelos
clásicos, al capturar regímenes sísmicos ocultos no identificables con simples distribuciones de
Poisson.
Estos enfoques han sido complementados por estudios que integran la teoría de procesos
de renovación y técnicas de inferencia bayesiana para mejorar la estimación de tasas de fondo,
corregir sesgos de completitud y cuantificar incertidumbres (Li et al., 2024). Asimismo, trabajos
como los d (Spassiani & Taroni, 2024)) han evidenciado cómo los enjambres sísmicos modifican
parámetros críticos, como el valor-b de la ley de Gutenberg-Richter, aunque sin alterar de forma
significativa el riesgo a corto plazo. La aplicación de cadenas de Márkov en este contexto permite
modelar la actividad sísmica de manera estocástica, incorporando la incertidumbre inherente a la
ocurrencia de eventos sísmicos. Este enfoque (Risco Franco, 2020) proporciona una herramienta
probabilística para estimar las probabilidades de ocurrencia de sismos en distintos estados de
magnitud, lo que es crucial para la planificación urbana y la gestión del riesgo sísmico en la
región.(Iturrieta et al., 2024)
En Japón, (Ogata, 2022) demostraron que variantes de ETAS que incluyen dependencia
espacial (HIST–ETAS) superan de forma consistente a modelos de Poisson espacialmente
uniformes en predicción a corto y medio plazo, destacando la necesidad de incorporar tanto el
componente espacial como el temporal en modelos de pronóstico sísmico.
En síntesis, el estado del arte evidencia una transición desde modelos estacionarios
simples hacia marcos híbridos que integran memoria, transición de estados y clustering. El
presente estudio se enmarca en esta tendencia, proponiendo la aplicación de cadenas de Márkov
a la sismicidad del sur de Manabí como un enfoque parsimonioso pero poderoso, capaz de
Este enfoque aprovechó la naturaleza probabilística de las cadenas de Márkov para
reflejar los aspectos estocásticos de la actividad sísmica, demostrando su aplicabilidad en regiones
con alta actividad sísmica.(Zhang et al., 2024)
Este enfoque integrador contribuye al diálogo global sobre cómo combinar modelos
estocásticos de transición con modelos de clustering, en particular en zonas de subducción de alta
actividad.
Estado del Arte
La modelación probabilística de la sismicidad ha evolucionado desde formulaciones
simples, como los procesos de Poisson homogéneos, hasta marcos más complejos que integran
memoria y dependencia espacio - temporal. En el caso ecuatoriano, la evaluación de amenaza
sísmica se ha apoyado en modelos globales y regionales, pero existe aún una brecha en
metodologías adaptadas a escalas subregionales y con datos actualizados.
En paralelo, las cadenas de Márkov y sus variantes ocultas (Hidden Markov Models,
HMM) han emergido como metodologías prometedoras para representar transiciones entre
diferentes estados de magnitud o tasas de actividad sísmica. En particular, los HMM aplicados a
regiones de Centro y Sudamérica demostraron mejorar la evaluación de amenaza frente a modelos
clásicos, al capturar regímenes sísmicos ocultos no identificables con simples distribuciones de
Poisson.
Estos enfoques han sido complementados por estudios que integran la teoría de procesos
de renovación y técnicas de inferencia bayesiana para mejorar la estimación de tasas de fondo,
corregir sesgos de completitud y cuantificar incertidumbres (Li et al., 2024). Asimismo, trabajos
como los d (Spassiani & Taroni, 2024)) han evidenciado cómo los enjambres sísmicos modifican
parámetros críticos, como el valor-b de la ley de Gutenberg-Richter, aunque sin alterar de forma
significativa el riesgo a corto plazo. La aplicación de cadenas de Márkov en este contexto permite
modelar la actividad sísmica de manera estocástica, incorporando la incertidumbre inherente a la
ocurrencia de eventos sísmicos. Este enfoque (Risco Franco, 2020) proporciona una herramienta
probabilística para estimar las probabilidades de ocurrencia de sismos en distintos estados de
magnitud, lo que es crucial para la planificación urbana y la gestión del riesgo sísmico en la
región.(Iturrieta et al., 2024)
En Japón, (Ogata, 2022) demostraron que variantes de ETAS que incluyen dependencia
espacial (HIST–ETAS) superan de forma consistente a modelos de Poisson espacialmente
uniformes en predicción a corto y medio plazo, destacando la necesidad de incorporar tanto el
componente espacial como el temporal en modelos de pronóstico sísmico.
En síntesis, el estado del arte evidencia una transición desde modelos estacionarios
simples hacia marcos híbridos que integran memoria, transición de estados y clustering. El
presente estudio se enmarca en esta tendencia, proponiendo la aplicación de cadenas de Márkov
a la sismicidad del sur de Manabí como un enfoque parsimonioso pero poderoso, capaz de
Vol. 13/ Núm. 1 2026 pág. 697
complementar tanto el modelo de Poisson como los modelos ETAS. La novedad radica en adaptar
y validar este esquema en una zona de subducción altamente activa y con importancia estratégica
para la planificación territorial y la normativa sismo-resistente en Ecuador.
Este estudio propone la aplicación de cadenas de Márkov para modelar el
comportamiento sísmico en el sur de Manabí, Ecuador. Utilizando datos sísmicos históricos, se
construirá una matriz de transición que permitirá estimar las probabilidades de ocurrencia de
sismos en distintos estados de magnitud. Los resultados obtenidos ofrecerán una herramienta
probabilística para la planificación urbana y la gestión del riesgo sísmico en la región.(Marinković
et al., 2024).
Se plante que cadenas de Markov sobre estados de actividad (definidos por conteos
mensuales) ofrecen una representación parsimoniosa de la dinámica de regímenes
(bajo/medio/alto) y de su persistencia/recurrencia. (Ballesteros-Salazar et al., 2022).
MATERIAL Y MÉTODOS
El presente estudio adopta un enfoque probabilístico para modelar la recurrencia sísmica
en el sur de Manabí, integrando tres aproximaciones comparativas: (1) el modelo de Poisson
homogéneo, (2) las cadenas de Márkov discretas. La justificación metodológica se fundamenta
en la necesidad de trascender modelos estacionarios, incorporando dependencias entre eventos y
regímenes de actividad sísmica.
Poisson homogéneo
El modelo de Poisson homogéneo asume que los eventos ocurren de forma independiente
en el tiempo con tasa constante 𝜆. La verosimilitud se define como:
𝑳(𝝀) = ∏ (𝝀𝑻)𝒌𝒌𝒆−𝝀𝑻
𝒌𝒊!
𝒏
𝒊=𝟏 ( 1)
donde 𝑘𝑖 es el conteo observado en intervalos regulares de tiempo, y 𝑇 la duración total observada.
Cadenas de Márkov
Una cadena de Márkov es un proceso estocástico discreto en el que la probabilidad de
transición al siguiente estado depende únicamente del estado actual, y no de toda la historia previa.
En el contexto sísmico, los estados se definen como rangos de magnitud, intervalos de tiempo o
regiones geográficas, de manera que la evolución del sistema describe la secuencia de ocurrencias
de terremotos.
La formulación matemática consiste en definir una matriz de transición 𝑃 = [𝑝𝑖𝑗], donde
cada elemento representa la probabilidad de pasar del estado i al estado j:
𝒑𝒊𝒋 = 𝑷(𝑿𝒕+𝟏 = 𝒋 ∣ 𝑿𝒕 = 𝒊), ∑ 𝒑𝒊𝒋 = 𝟏𝒎
𝒋=𝟏 ( 2)
Donde: 𝑋𝑡 denota el estado del sistema en el tiempo t, m s el número de estados definidos.
A partir de esta matriz, se estima el vector de probabilidad estacionaria.
𝝅 = 𝛑𝑷, ∑ 𝝅𝒊
𝒎
𝒊=𝟏 = 𝟏 ( 3)
complementar tanto el modelo de Poisson como los modelos ETAS. La novedad radica en adaptar
y validar este esquema en una zona de subducción altamente activa y con importancia estratégica
para la planificación territorial y la normativa sismo-resistente en Ecuador.
Este estudio propone la aplicación de cadenas de Márkov para modelar el
comportamiento sísmico en el sur de Manabí, Ecuador. Utilizando datos sísmicos históricos, se
construirá una matriz de transición que permitirá estimar las probabilidades de ocurrencia de
sismos en distintos estados de magnitud. Los resultados obtenidos ofrecerán una herramienta
probabilística para la planificación urbana y la gestión del riesgo sísmico en la región.(Marinković
et al., 2024).
Se plante que cadenas de Markov sobre estados de actividad (definidos por conteos
mensuales) ofrecen una representación parsimoniosa de la dinámica de regímenes
(bajo/medio/alto) y de su persistencia/recurrencia. (Ballesteros-Salazar et al., 2022).
MATERIAL Y MÉTODOS
El presente estudio adopta un enfoque probabilístico para modelar la recurrencia sísmica
en el sur de Manabí, integrando tres aproximaciones comparativas: (1) el modelo de Poisson
homogéneo, (2) las cadenas de Márkov discretas. La justificación metodológica se fundamenta
en la necesidad de trascender modelos estacionarios, incorporando dependencias entre eventos y
regímenes de actividad sísmica.
Poisson homogéneo
El modelo de Poisson homogéneo asume que los eventos ocurren de forma independiente
en el tiempo con tasa constante 𝜆. La verosimilitud se define como:
𝑳(𝝀) = ∏ (𝝀𝑻)𝒌𝒌𝒆−𝝀𝑻
𝒌𝒊!
𝒏
𝒊=𝟏 ( 1)
donde 𝑘𝑖 es el conteo observado en intervalos regulares de tiempo, y 𝑇 la duración total observada.
Cadenas de Márkov
Una cadena de Márkov es un proceso estocástico discreto en el que la probabilidad de
transición al siguiente estado depende únicamente del estado actual, y no de toda la historia previa.
En el contexto sísmico, los estados se definen como rangos de magnitud, intervalos de tiempo o
regiones geográficas, de manera que la evolución del sistema describe la secuencia de ocurrencias
de terremotos.
La formulación matemática consiste en definir una matriz de transición 𝑃 = [𝑝𝑖𝑗], donde
cada elemento representa la probabilidad de pasar del estado i al estado j:
𝒑𝒊𝒋 = 𝑷(𝑿𝒕+𝟏 = 𝒋 ∣ 𝑿𝒕 = 𝒊), ∑ 𝒑𝒊𝒋 = 𝟏𝒎
𝒋=𝟏 ( 2)
Donde: 𝑋𝑡 denota el estado del sistema en el tiempo t, m s el número de estados definidos.
A partir de esta matriz, se estima el vector de probabilidad estacionaria.
𝝅 = 𝛑𝑷, ∑ 𝝅𝒊
𝒎
𝒊=𝟏 = 𝟏 ( 3)
Vol. 13/ Núm. 1 2026 pág. 698
La interpretación de π fundamental en sismología: permite cuantificar la probabilidad de
equilibrio a largo plazo de cada rango de magnitud y derivar los tiempos medios de retorno
mediante 𝑇𝑖 = 1/𝜋𝑖.
Aplicación en sismología
La utilidad de las cadenas de Márkov en la sismología radica en su capacidad para
modelar secuencias de magnitud y estados sísmicos como procesos dependientes. En regiones de
subducción, donde predominan eventos moderados y esporádicamente ocurren grandes
terremotos, este enfoque facilita capturar dinámicas de transición que los modelos de Poisson
subestiman.
Recientemente, (Pratama et al., 2025b) aplicaron un modelo de cadenas de Márkov en
Sumatra, demostrando que la definición de estados condiciona la capacidad predictiva y que este
marco permite anticipar probabilidades de magnitudes futuras de manera más realista que un
Poisson homogénea. Del mismo modo, evaluaciones recientes en América Central y del Sur
mediante modelos ocultos de Márkov mostraron que el uso de regímenes latentes mejora la
predicción espacio - temporal de eventos sísmicos significativos (Georgakopoulou et al., 2024b).
Estos avances evidencian que las cadenas de Márkov, aun en su versión discreta y
parsimoniosa, son capaces de identificar patrones de transición entre estados sísmicos, ofrecer
pronósticos probabilísticos más ricos y proveer información útil para la planificación territorial y
el diseño estructural sismo-resistente.
Este estudio propone la aplicación de cadenas de Márkov para modelar el
comportamiento sísmico en el sur de Manabí, Ecuador. Utilizando datos sísmicos históricos, se
construirá una matriz de transición que permitirá estimar las probabilidades de ocurrencia de
sismos en distintos estados de magnitud. Los resultados obtenidos ofrecerán una herramienta
probabilística para la planificación urbana y la gestión del riesgo sísmico en la región.(Marinković
et al., 2024).
RESULTADOS
Se utilizó un catálogo sísmico regional para el sur de Manabí, con eventos instrumentales
comprendidos entre enero 2005 y septiembre 2025, distribuido en los 4 cuadrante delimitados en
la zona sur de Manabí tal como se evidencia en la siguiente fig. 1. Se aplicó un umbral de
completitud 𝑀𝑐 obtenido mediante el método de máxima curvatura, reteniendo eventos con 𝑀𝑤 ≥
3.0.
Definición de Estados
• Estado 1: 3.0 ≤ Mw < 3.5
• Estado 2: 3.5 ≤ Mw < 4.0
• Estado 3: 4.0 ≤ Mw < 4.5
• Estado 4: Mw ≥ 6.0
La interpretación de π fundamental en sismología: permite cuantificar la probabilidad de
equilibrio a largo plazo de cada rango de magnitud y derivar los tiempos medios de retorno
mediante 𝑇𝑖 = 1/𝜋𝑖.
Aplicación en sismología
La utilidad de las cadenas de Márkov en la sismología radica en su capacidad para
modelar secuencias de magnitud y estados sísmicos como procesos dependientes. En regiones de
subducción, donde predominan eventos moderados y esporádicamente ocurren grandes
terremotos, este enfoque facilita capturar dinámicas de transición que los modelos de Poisson
subestiman.
Recientemente, (Pratama et al., 2025b) aplicaron un modelo de cadenas de Márkov en
Sumatra, demostrando que la definición de estados condiciona la capacidad predictiva y que este
marco permite anticipar probabilidades de magnitudes futuras de manera más realista que un
Poisson homogénea. Del mismo modo, evaluaciones recientes en América Central y del Sur
mediante modelos ocultos de Márkov mostraron que el uso de regímenes latentes mejora la
predicción espacio - temporal de eventos sísmicos significativos (Georgakopoulou et al., 2024b).
Estos avances evidencian que las cadenas de Márkov, aun en su versión discreta y
parsimoniosa, son capaces de identificar patrones de transición entre estados sísmicos, ofrecer
pronósticos probabilísticos más ricos y proveer información útil para la planificación territorial y
el diseño estructural sismo-resistente.
Este estudio propone la aplicación de cadenas de Márkov para modelar el
comportamiento sísmico en el sur de Manabí, Ecuador. Utilizando datos sísmicos históricos, se
construirá una matriz de transición que permitirá estimar las probabilidades de ocurrencia de
sismos en distintos estados de magnitud. Los resultados obtenidos ofrecerán una herramienta
probabilística para la planificación urbana y la gestión del riesgo sísmico en la región.(Marinković
et al., 2024).
RESULTADOS
Se utilizó un catálogo sísmico regional para el sur de Manabí, con eventos instrumentales
comprendidos entre enero 2005 y septiembre 2025, distribuido en los 4 cuadrante delimitados en
la zona sur de Manabí tal como se evidencia en la siguiente fig. 1. Se aplicó un umbral de
completitud 𝑀𝑐 obtenido mediante el método de máxima curvatura, reteniendo eventos con 𝑀𝑤 ≥
3.0.
Definición de Estados
• Estado 1: 3.0 ≤ Mw < 3.5
• Estado 2: 3.5 ≤ Mw < 4.0
• Estado 3: 4.0 ≤ Mw < 4.5
• Estado 4: Mw ≥ 6.0
Vol. 13/ Núm. 1 2026 pág. 699
Figura 1
Registro sismico distribuido por cuadrante en la zona sur de Manabi
Figura 2
Registro Sismico enero 2005 – septiembre 2025 (Magnitud Mw)
La representación gráfica de la secuencia sísmica evidencia una marcada variabilidad en
las magnitudes, con picos aislados que superan la Mw=6.0 y una mayoría de eventos concentrados
en el rango de Mw=3.5 a 4.5. Esta distribución es consistente con el comportamiento esperado en
catálogos regionales, donde los sismos de mediana magnitud dominan la estadística y los eventos
de mayor energía se presentan de manera esporádica.
La alta densidad de sismos moderados (Mw 4.0–4.5) sugiere una liberación continua de
energía sísmica a través de múltiples rupturas menores, lo que puede interpretarse como un
mecanismo de acomodación tectónica difusa. Los picos superiores a Mw 5.5, aunque escasos,
destacan por su potencial de perturbar la secuencia y podrían asociarse a rupturas parciales de
segmentos de falla con mayor acumulación de esfuerzos.
3
3,5
4
4,5
5
5,5
6
6,5
0 50 100 150 200 250 300 350 400
Magnitud Mw
Numero de eventos
Figura 1
Registro sismico distribuido por cuadrante en la zona sur de Manabi
Figura 2
Registro Sismico enero 2005 – septiembre 2025 (Magnitud Mw)
La representación gráfica de la secuencia sísmica evidencia una marcada variabilidad en
las magnitudes, con picos aislados que superan la Mw=6.0 y una mayoría de eventos concentrados
en el rango de Mw=3.5 a 4.5. Esta distribución es consistente con el comportamiento esperado en
catálogos regionales, donde los sismos de mediana magnitud dominan la estadística y los eventos
de mayor energía se presentan de manera esporádica.
La alta densidad de sismos moderados (Mw 4.0–4.5) sugiere una liberación continua de
energía sísmica a través de múltiples rupturas menores, lo que puede interpretarse como un
mecanismo de acomodación tectónica difusa. Los picos superiores a Mw 5.5, aunque escasos,
destacan por su potencial de perturbar la secuencia y podrían asociarse a rupturas parciales de
segmentos de falla con mayor acumulación de esfuerzos.
3
3,5
4
4,5
5
5,5
6
6,5
0 50 100 150 200 250 300 350 400
Magnitud Mw
Numero de eventos
Vol. 13/ Núm. 1 2026 pág. 700
Figura 3
Registro Sismico enero 2005 – septiembre 2025 (Profundidad Km)
El patrón observado sugiere que la mayor parte de la liberación sísmica ocurre en niveles
superiores de la litosfera, lo cual es característico de regiones donde la acumulación de esfuerzos
se concentra en fallas corticales activas y en los contactos interplaca más someros. Sin embargo,
la presencia de sismos intermedios y profundos revela que la deformación no se restringe a la
superficie, sino que también involucra procesos de fricción y deshidratación a mayor profundidad
dentro de la placa en subducción.
En términos de análisis de riesgo, la concentración de eventos en la franja de 0–40 km
refuerza la necesidad de priorizar estudios de amenaza sísmica basados en escenarios
superficiales, ya que estos son los que presentan mayor capacidad de generar daños significativos.
Figura 4
Profundidad – Magnitud
• La mayoría de los eventos M 4.0–4.9 se concentran a profundidades 10–40 km.
• Los eventos M ≥ 5.0 se distribuyen tanto en superficial (0–10 km) como intermedia (30
km) profundidad.
• El evento más profundo (164.9 km, 2015) es un outlier tectónico, probablemente asociado
a un foco de subducción profundo.
• Existe correlación débil entre magnitud y profundidad (Pearson 𝑟≈0.15, lo que indica que
la energía liberada no depende linealmente de la profundidad en esta zona, coherente con
modelos de subducción heterogénea.
0
20
40
60
80
100
120
140
160
180
0 50 100 150 200 250 300 350 400
Profundidad (km)
Numero de eventos
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100 120 140 160 180
Magnitud Mw
Profundidad (km)
Figura 3
Registro Sismico enero 2005 – septiembre 2025 (Profundidad Km)
El patrón observado sugiere que la mayor parte de la liberación sísmica ocurre en niveles
superiores de la litosfera, lo cual es característico de regiones donde la acumulación de esfuerzos
se concentra en fallas corticales activas y en los contactos interplaca más someros. Sin embargo,
la presencia de sismos intermedios y profundos revela que la deformación no se restringe a la
superficie, sino que también involucra procesos de fricción y deshidratación a mayor profundidad
dentro de la placa en subducción.
En términos de análisis de riesgo, la concentración de eventos en la franja de 0–40 km
refuerza la necesidad de priorizar estudios de amenaza sísmica basados en escenarios
superficiales, ya que estos son los que presentan mayor capacidad de generar daños significativos.
Figura 4
Profundidad – Magnitud
• La mayoría de los eventos M 4.0–4.9 se concentran a profundidades 10–40 km.
• Los eventos M ≥ 5.0 se distribuyen tanto en superficial (0–10 km) como intermedia (30
km) profundidad.
• El evento más profundo (164.9 km, 2015) es un outlier tectónico, probablemente asociado
a un foco de subducción profundo.
• Existe correlación débil entre magnitud y profundidad (Pearson 𝑟≈0.15, lo que indica que
la energía liberada no depende linealmente de la profundidad en esta zona, coherente con
modelos de subducción heterogénea.
0
20
40
60
80
100
120
140
160
180
0 50 100 150 200 250 300 350 400
Profundidad (km)
Numero de eventos
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100 120 140 160 180
Magnitud Mw
Profundidad (km)
Vol. 13/ Núm. 1 2026 pág. 701
Tabla 1
Valores descriptivos para los sismo – zona sur de Manabi
Variables N Mínimo Máximo 𝑿̅ S 𝝈 Asimetría
Mag. 384 3.40 6.20 4.24 0.34 0.12 1.55
Pro. 384 0.00 164.90 16.20 15.0 225.2 4.02
Magnitud (Mw)
• El promedio (4.24) con desviación típica baja (0.34) muestra que la secuencia es bastante
estable y está dominada por sismos moderados.
• La asimetría positiva (1.55) indica que la distribución se inclina hacia magnitudes más bajas,
con una cola extendida hacia eventos mayores (los pocos >5.5)
• La varianza muy pequeña (0.12) confirma baja dispersión: la mayor parte de eventos se
concentra en un rango estrecho (3.5–4.5).
Profundidad (km)
• La media de 16.2 km y desviación estándar de 15.0 km revelan predominio de sismos
superficiales, pero con bastante dispersión.
• La varianza (225.22) es amplia, coherente con los picos aislados >100 km que se ven en la
figura.
• La asimetría muy alta (4.02) indica que la distribución está fuertemente sesgada: la mayoría
de los sismos ocurren a poca profundidad, con unos pocos eventos anómalos muy profundos
que alargan la cola.
Tasa anual de sismos
𝜆(𝑀 ≥ 3.0) = 384
20 = 19.2 𝑠𝑖𝑠𝑚𝑜𝑠/𝑎ñ𝑜
𝜆(𝑀 ≥ 5.0) = 19
20 = 0.95 𝑠𝑖𝑠𝑚𝑜𝑠/𝑎ñ𝑜
𝜆(𝑀 ≥ 6.0) = 2
6 = 0.33 𝑠𝑖𝑠𝑚𝑜𝑠/𝑎ñ𝑜
Aplicación Modelo de Poisson
Cuadrante 1
El catálogo que compartes (2005–2024) contiene 48 eventos con magnitudes entre 3.7 y
5.3 Mw, concentrados en el sur de Manabí. Esto equivale a un periodo de observación de 20 años.
Tabla 1
Valores descriptivos para los sismo – zona sur de Manabi
Variables N Mínimo Máximo 𝑿̅ S 𝝈 Asimetría
Mag. 384 3.40 6.20 4.24 0.34 0.12 1.55
Pro. 384 0.00 164.90 16.20 15.0 225.2 4.02
Magnitud (Mw)
• El promedio (4.24) con desviación típica baja (0.34) muestra que la secuencia es bastante
estable y está dominada por sismos moderados.
• La asimetría positiva (1.55) indica que la distribución se inclina hacia magnitudes más bajas,
con una cola extendida hacia eventos mayores (los pocos >5.5)
• La varianza muy pequeña (0.12) confirma baja dispersión: la mayor parte de eventos se
concentra en un rango estrecho (3.5–4.5).
Profundidad (km)
• La media de 16.2 km y desviación estándar de 15.0 km revelan predominio de sismos
superficiales, pero con bastante dispersión.
• La varianza (225.22) es amplia, coherente con los picos aislados >100 km que se ven en la
figura.
• La asimetría muy alta (4.02) indica que la distribución está fuertemente sesgada: la mayoría
de los sismos ocurren a poca profundidad, con unos pocos eventos anómalos muy profundos
que alargan la cola.
Tasa anual de sismos
𝜆(𝑀 ≥ 3.0) = 384
20 = 19.2 𝑠𝑖𝑠𝑚𝑜𝑠/𝑎ñ𝑜
𝜆(𝑀 ≥ 5.0) = 19
20 = 0.95 𝑠𝑖𝑠𝑚𝑜𝑠/𝑎ñ𝑜
𝜆(𝑀 ≥ 6.0) = 2
6 = 0.33 𝑠𝑖𝑠𝑚𝑜𝑠/𝑎ñ𝑜
Aplicación Modelo de Poisson
Cuadrante 1
El catálogo que compartes (2005–2024) contiene 48 eventos con magnitudes entre 3.7 y
5.3 Mw, concentrados en el sur de Manabí. Esto equivale a un periodo de observación de 20 años.
Vol. 13/ Núm. 1 2026 pág. 702
Figura 5
Frecuencia de sismo, 2005 – 2024 en el Cuadrante 1
Tasa promedio de ocurrencia (λ):
λ = 𝟒𝟖
𝟐𝟎 = 𝟐. 𝟒𝟎 𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐
Probabilidad de ≥1 evento por año:
𝑃(𝑁 ≥ 1) = 1 − 2.400 ∗ 𝑒−2.40∗1
0! = 0.9093 → 𝟗𝟎. 𝟗𝟑% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
Cada año, la probabilidad de que ocurra al menos un sismo en este cuadrante es del
90.93%.
Probabilidad de ≥1 evento en 5 años
𝑃(𝑁 ≥ 1) = 1 − 2.400 ∗ 𝑒−2.40∗5
0! = 0.9999 → 𝟗𝟗. 𝟗𝟗% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
En horizontes de 5 años, prácticamente se asegura actividad sísmica.
Intervalo medio de recurrencia (Tiempo medio entre sismos)
𝑇 = 1
𝜆 = 1
2.40 = 0.42 𝑎ñ𝑜𝑠
En promedio, ocurre un sismo cada 4 a 5 meses en este cuadrante.
Ajuste por magnitudes
Se dividió el catálogo por magnitudes para analizar su recurrencia.
𝑀𝑤 ≥ 4.0: 45 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 2.25/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 0.44 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 4.5: 9 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.45/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 2.22 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 5.0: 2 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.1/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 10 𝑎ñ𝑜𝑠
El modelo de Poisson aplicado al cuadrante 1 del sur de Manabí muestra que la
recurrencia sísmica es intensa (un evento cada medio año), con probabilidad anual de actividad
mayor al 90%. Sin embargo, los sismos mayores a 5.0 Mw tienen una recurrencia promedio de
10 años, sugiriendo que el riesgo acumulativo se concentra en eventos moderados repetitivos.
0
2
4
6
8
10
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2016 2017 2022 2023 2024
Numero de eventos
Año
Figura 5
Frecuencia de sismo, 2005 – 2024 en el Cuadrante 1
Tasa promedio de ocurrencia (λ):
λ = 𝟒𝟖
𝟐𝟎 = 𝟐. 𝟒𝟎 𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐
Probabilidad de ≥1 evento por año:
𝑃(𝑁 ≥ 1) = 1 − 2.400 ∗ 𝑒−2.40∗1
0! = 0.9093 → 𝟗𝟎. 𝟗𝟑% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
Cada año, la probabilidad de que ocurra al menos un sismo en este cuadrante es del
90.93%.
Probabilidad de ≥1 evento en 5 años
𝑃(𝑁 ≥ 1) = 1 − 2.400 ∗ 𝑒−2.40∗5
0! = 0.9999 → 𝟗𝟗. 𝟗𝟗% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
En horizontes de 5 años, prácticamente se asegura actividad sísmica.
Intervalo medio de recurrencia (Tiempo medio entre sismos)
𝑇 = 1
𝜆 = 1
2.40 = 0.42 𝑎ñ𝑜𝑠
En promedio, ocurre un sismo cada 4 a 5 meses en este cuadrante.
Ajuste por magnitudes
Se dividió el catálogo por magnitudes para analizar su recurrencia.
𝑀𝑤 ≥ 4.0: 45 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 2.25/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 0.44 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 4.5: 9 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.45/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 2.22 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 5.0: 2 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.1/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 10 𝑎ñ𝑜𝑠
El modelo de Poisson aplicado al cuadrante 1 del sur de Manabí muestra que la
recurrencia sísmica es intensa (un evento cada medio año), con probabilidad anual de actividad
mayor al 90%. Sin embargo, los sismos mayores a 5.0 Mw tienen una recurrencia promedio de
10 años, sugiriendo que el riesgo acumulativo se concentra en eventos moderados repetitivos.
0
2
4
6
8
10
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2016 2017 2022 2023 2024
Numero de eventos
Año
Vol. 13/ Núm. 1 2026 pág. 703
Figura 6
Histograma de conteos anuales y ajuste Poisson 𝝀 = 𝟐. 𝟒
Concordancia interna: la tasa global y la tasa estimada desde inter-eventos son
prácticamente iguales (2.40 vs 2.395 /año) → coherencia estadística básica.
Hay heterogeneidad temporal (años con agregaciones — picos), lo que sugiere procesos
no puramente estacionarios o presencia de secuencias (réplicas) y/o cambios en la
detección/catalogación. Magnitud y riesgo: los eventos moderados (4.0–4.9) dominan el catálogo;
los ≥5 son raros pero relevantes para evaluación de daño. En términos de gestión del riesgo, la
alta frecuencia de eventos moderados implica fatiga sísmica acumulada en estructuras
vulnerables.
Este análisis constituye la base probabilística para luego insertar un modelo de cadenas
de Márkov espacio temporales, el cual permitirá optimizar la evaluación sísmica regional
considerando dependencias entre magnitud, profundidad y localización.
Figura 7
Numeros de eventos y profundidad – cuadrante 1
0
1
2
3
4
5
6
7
1 2 3 4 5 7 9
Frecuencia (años)
Evento por año
0
10
20
30
40
50
60
70
0 5 10 15 20 25 30 35 40 45 50
Profundidad (km)
Numero de eventos
Figura 6
Histograma de conteos anuales y ajuste Poisson 𝝀 = 𝟐. 𝟒
Concordancia interna: la tasa global y la tasa estimada desde inter-eventos son
prácticamente iguales (2.40 vs 2.395 /año) → coherencia estadística básica.
Hay heterogeneidad temporal (años con agregaciones — picos), lo que sugiere procesos
no puramente estacionarios o presencia de secuencias (réplicas) y/o cambios en la
detección/catalogación. Magnitud y riesgo: los eventos moderados (4.0–4.9) dominan el catálogo;
los ≥5 son raros pero relevantes para evaluación de daño. En términos de gestión del riesgo, la
alta frecuencia de eventos moderados implica fatiga sísmica acumulada en estructuras
vulnerables.
Este análisis constituye la base probabilística para luego insertar un modelo de cadenas
de Márkov espacio temporales, el cual permitirá optimizar la evaluación sísmica regional
considerando dependencias entre magnitud, profundidad y localización.
Figura 7
Numeros de eventos y profundidad – cuadrante 1
0
1
2
3
4
5
6
7
1 2 3 4 5 7 9
Frecuencia (años)
Evento por año
0
10
20
30
40
50
60
70
0 5 10 15 20 25 30 35 40 45 50
Profundidad (km)
Numero de eventos
Vol. 13/ Núm. 1 2026 pág. 704
Figura 8
Numeros de eventos y magnitud – cuadrante 1
Figura 9
Profundidad y magnitud – cuadrante 1
Cuadrante 2
El catálogo que compartes (2005–2025) contiene 180 eventos con magnitudes entre 3.5
y 6.0 Mw, concentrados en el sur de Manabí. Esto equivale a un periodo de observación de 21
años.
Figura 10
Frecuencia de sismo, 2005 – 2025 en el Cuadrante 2
3
3,5
4
4,5
5
5,5
0 5 10 15 20 25 30 35 40 45 50
Magnitud Mw
Numero de eventos
3
3,5
4
4,5
5
5,5
0 10 20 30 40 50 60 70
Magnitud Mw
Profundidad (km)
0
20
40
60
80
100
120
140
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2021 2023 2024 2025
Numero de eventos
Año
Figura 8
Numeros de eventos y magnitud – cuadrante 1
Figura 9
Profundidad y magnitud – cuadrante 1
Cuadrante 2
El catálogo que compartes (2005–2025) contiene 180 eventos con magnitudes entre 3.5
y 6.0 Mw, concentrados en el sur de Manabí. Esto equivale a un periodo de observación de 21
años.
Figura 10
Frecuencia de sismo, 2005 – 2025 en el Cuadrante 2
3
3,5
4
4,5
5
5,5
0 5 10 15 20 25 30 35 40 45 50
Magnitud Mw
Numero de eventos
3
3,5
4
4,5
5
5,5
0 10 20 30 40 50 60 70
Magnitud Mw
Profundidad (km)
0
20
40
60
80
100
120
140
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2021 2023 2024 2025
Numero de eventos
Año
Vol. 13/ Núm. 1 2026 pág. 705
Tasa promedio de ocurrencia (λ):
λ = 𝟏𝟖𝟎
𝟐𝟏 = 𝟖. 𝟓𝟕 𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐
Probabilidad de ≥1 evento por año:
𝑃(𝑁 ≥ 1) = 1 − 8.570 ∗ 𝑒−8.57∗1
0! = 0.9998 → 𝟗𝟗. 𝟗𝟖% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
Cada año, la probabilidad de que ocurra al menos un sismo en este cuadrante es del
99.98%.
Probabilidad de ≥1 evento en 5 años
𝑃(𝑁 ≥ 1) = 1 − 8.570 ∗ 𝑒−8.57∗5
0! = 1.0 → 100.00% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
En horizontes de 5 años, prácticamente se asegura actividad sísmica.
Intervalo medio de recurrencia (Tiempo medio entre sismos)
𝑇 = 1
𝜆 = 1
8.57 = 0.12 𝑎ñ𝑜𝑠
En promedio, ocurre un sismo cada 1 a 2 meses en este cuadrante.
Ajuste por magnitudes
Se dividió el catálogo por magnitudes para analizar su recurrencia.
𝑀𝑤 ≥ 4.0: 167 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 7.95/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 0.13 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 4.5: 27 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 1.29/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 0.78 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 5.0: 2 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.1/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 10.50 𝑎ñ𝑜𝑠
El modelo de Poisson aplicado al cuadrante 2 del sur de Manabí muestra que la
recurrencia sísmica es intensa (un evento cada medio año), con probabilidad anual de actividad
mayor al 90%. Sin embargo, los sismos mayores a 5.0 Mw tienen una recurrencia promedio de
10 años, sugiriendo que el riesgo acumulativo se concentra en eventos moderados repetitivos.
Figura 11
Histograma de conteos anuales y ajuste Poisson 𝝀 = 𝟖. 𝟓𝟕
Un año domina los datos (2005): observas 116 registros para 2005 — eso crea una
distribución fuertemente sesgada y es la razón principal del mal ajuste Poisson. En sismología es
0
1
2
3
4
5
6
7
1 2 3 6 7 11 13 116
Frecuencia (años)
Evento por año
Tasa promedio de ocurrencia (λ):
λ = 𝟏𝟖𝟎
𝟐𝟏 = 𝟖. 𝟓𝟕 𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐
Probabilidad de ≥1 evento por año:
𝑃(𝑁 ≥ 1) = 1 − 8.570 ∗ 𝑒−8.57∗1
0! = 0.9998 → 𝟗𝟗. 𝟗𝟖% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
Cada año, la probabilidad de que ocurra al menos un sismo en este cuadrante es del
99.98%.
Probabilidad de ≥1 evento en 5 años
𝑃(𝑁 ≥ 1) = 1 − 8.570 ∗ 𝑒−8.57∗5
0! = 1.0 → 100.00% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
En horizontes de 5 años, prácticamente se asegura actividad sísmica.
Intervalo medio de recurrencia (Tiempo medio entre sismos)
𝑇 = 1
𝜆 = 1
8.57 = 0.12 𝑎ñ𝑜𝑠
En promedio, ocurre un sismo cada 1 a 2 meses en este cuadrante.
Ajuste por magnitudes
Se dividió el catálogo por magnitudes para analizar su recurrencia.
𝑀𝑤 ≥ 4.0: 167 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 7.95/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 0.13 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 4.5: 27 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 1.29/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 0.78 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 5.0: 2 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.1/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 10.50 𝑎ñ𝑜𝑠
El modelo de Poisson aplicado al cuadrante 2 del sur de Manabí muestra que la
recurrencia sísmica es intensa (un evento cada medio año), con probabilidad anual de actividad
mayor al 90%. Sin embargo, los sismos mayores a 5.0 Mw tienen una recurrencia promedio de
10 años, sugiriendo que el riesgo acumulativo se concentra en eventos moderados repetitivos.
Figura 11
Histograma de conteos anuales y ajuste Poisson 𝝀 = 𝟖. 𝟓𝟕
Un año domina los datos (2005): observas 116 registros para 2005 — eso crea una
distribución fuertemente sesgada y es la razón principal del mal ajuste Poisson. En sismología es
0
1
2
3
4
5
6
7
1 2 3 6 7 11 13 116
Frecuencia (años)
Evento por año
Vol. 13/ Núm. 1 2026 pág. 706
común que un gran sismo genere muchos aftershocks concentrados en días/meses (agregación
temporal), lo que viola la hipótesis de independencia de Poisson.
Heterogeneidad temporal: λ parece no ser constante en el tiempo.
Figura 12
Numeros de eventos y profundidad – cuadrante 2
Figura 13
Numeros de eventos y magnitud – cuadrante 2
Figura 14
Profundidad y magnitud – cuadrante 2
0
10
20
30
40
50
60
0 20 40 60 80 100 120 140 160 180 200
Profundidad (km)
Numero de eventos
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100 120 140 160 180 200
Magnitud Mw
Numero de eventos
3
3,5
4
4,5
5
5,5
6
6,5
0 10 20 30 40 50 60
Magnitud Mw
Profundidad (km)
común que un gran sismo genere muchos aftershocks concentrados en días/meses (agregación
temporal), lo que viola la hipótesis de independencia de Poisson.
Heterogeneidad temporal: λ parece no ser constante en el tiempo.
Figura 12
Numeros de eventos y profundidad – cuadrante 2
Figura 13
Numeros de eventos y magnitud – cuadrante 2
Figura 14
Profundidad y magnitud – cuadrante 2
0
10
20
30
40
50
60
0 20 40 60 80 100 120 140 160 180 200
Profundidad (km)
Numero de eventos
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100 120 140 160 180 200
Magnitud Mw
Numero de eventos
3
3,5
4
4,5
5
5,5
6
6,5
0 10 20 30 40 50 60
Magnitud Mw
Profundidad (km)
Vol. 13/ Núm. 1 2026 pág. 707
Cuadrante 3
El catálogo que compartes (2005–2025) contiene 102 eventos con magnitudes entre 3.6
y 6.2 Mw, concentrados en el sur de Manabí. Esto equivale a un periodo de observación de 21
años.
Figura 15
Frecuencia de sismo, 2005 – 2024 en el Cuadrante 3
Tasa promedio de ocurrencia (λ):
λ = 𝟏𝟎𝟐
𝟐𝟏 = 𝟒. 𝟖𝟔 𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐
Probabilidad de ≥1 evento por año:
𝑃(𝑁 ≥ 1) = 1 − 4.860 ∗ 𝑒−4.86∗1
0! = 0.9922 → 𝟗𝟗. 𝟐𝟐% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
Cada año, la probabilidad de que ocurra al menos un sismo en este cuadrante es del 99.22%.
Probabilidad de ≥1 evento en 5 años
𝑃(𝑁 ≥ 1) = 1 − 4.860 ∗ 𝑒−4.86∗5
0! = 1.00 → 100.00% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
En horizontes de 5 años, prácticamente se asegura actividad sísmica.
Intervalo medio de recurrencia (Tiempo medio entre sismos)
𝑇 = 1
𝜆 = 1
4.86 = 0.21 𝑎ñ𝑜𝑠
En promedio, ocurre un sismo cada 2 a 3 meses en este cuadrante.
Ajuste por magnitudes
Se dividió el catálogo por magnitudes para analizar su recurrencia.
𝑀𝑤 ≥ 4.0: 92 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 4.38/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇
≈ 0.23 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 5.0: 10 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.48/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 2.1 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 6.0: 1 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.05/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 21 𝑎ñ𝑜𝑠
Los sismos moderados (M≥5) ocurren en promedio cada 2 a 3 años. Los fuertes (M≥6) tienen una
recurrencia del orden de dos décadas.
0
20
40
60
80
100
120
140
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2021 2023 2024 2025
Numero de eventos
Año
Cuadrante 3
El catálogo que compartes (2005–2025) contiene 102 eventos con magnitudes entre 3.6
y 6.2 Mw, concentrados en el sur de Manabí. Esto equivale a un periodo de observación de 21
años.
Figura 15
Frecuencia de sismo, 2005 – 2024 en el Cuadrante 3
Tasa promedio de ocurrencia (λ):
λ = 𝟏𝟎𝟐
𝟐𝟏 = 𝟒. 𝟖𝟔 𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐
Probabilidad de ≥1 evento por año:
𝑃(𝑁 ≥ 1) = 1 − 4.860 ∗ 𝑒−4.86∗1
0! = 0.9922 → 𝟗𝟗. 𝟐𝟐% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
Cada año, la probabilidad de que ocurra al menos un sismo en este cuadrante es del 99.22%.
Probabilidad de ≥1 evento en 5 años
𝑃(𝑁 ≥ 1) = 1 − 4.860 ∗ 𝑒−4.86∗5
0! = 1.00 → 100.00% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
En horizontes de 5 años, prácticamente se asegura actividad sísmica.
Intervalo medio de recurrencia (Tiempo medio entre sismos)
𝑇 = 1
𝜆 = 1
4.86 = 0.21 𝑎ñ𝑜𝑠
En promedio, ocurre un sismo cada 2 a 3 meses en este cuadrante.
Ajuste por magnitudes
Se dividió el catálogo por magnitudes para analizar su recurrencia.
𝑀𝑤 ≥ 4.0: 92 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 4.38/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇
≈ 0.23 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 5.0: 10 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.48/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 2.1 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 6.0: 1 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 21 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.05/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 21 𝑎ñ𝑜𝑠
Los sismos moderados (M≥5) ocurren en promedio cada 2 a 3 años. Los fuertes (M≥6) tienen una
recurrencia del orden de dos décadas.
0
20
40
60
80
100
120
140
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2021 2023 2024 2025
Numero de eventos
Año
Vol. 13/ Núm. 1 2026 pág. 708
Figura 16
Histograma de conteos anuales y ajuste Poisson 𝝀 = 𝟒. 𝟖𝟔
El ajuste evidencia que la Poisson describe bien la “media” de ocurrencia anual, pero
subestima la dispersión real, porque no considera dependencia temporal ni la existencia de
enjambres.
Conexión con cadenas de Márkov:
La Poisson puede verse como el caso base de independencia.
Las desviaciones observadas (años con >10 eventos vs. años casi nulos) sugieren
transiciones de estados: periodos “tranquilos” seguidos por periodos de alta actividad.
Esto respalda la necesidad de un modelo de cadenas de Márkov espacio-temporales,
donde los estados (baja, media, alta actividad) evolucionan con probabilidades de transición,
mejorando la predicción de clústeres.
Figura 17
Números de eventos y profundidad – cuadrante 3
0
1
2
3
4
5
6
1 2 3 4 7 11 15 42
Frecuencia (años)
Evento por año
0
10
20
30
40
50
60
0 20 40 60 80 100
Profundidad (km)
Numero de eventos
Figura 16
Histograma de conteos anuales y ajuste Poisson 𝝀 = 𝟒. 𝟖𝟔
El ajuste evidencia que la Poisson describe bien la “media” de ocurrencia anual, pero
subestima la dispersión real, porque no considera dependencia temporal ni la existencia de
enjambres.
Conexión con cadenas de Márkov:
La Poisson puede verse como el caso base de independencia.
Las desviaciones observadas (años con >10 eventos vs. años casi nulos) sugieren
transiciones de estados: periodos “tranquilos” seguidos por periodos de alta actividad.
Esto respalda la necesidad de un modelo de cadenas de Márkov espacio-temporales,
donde los estados (baja, media, alta actividad) evolucionan con probabilidades de transición,
mejorando la predicción de clústeres.
Figura 17
Números de eventos y profundidad – cuadrante 3
0
1
2
3
4
5
6
1 2 3 4 7 11 15 42
Frecuencia (años)
Evento por año
0
10
20
30
40
50
60
0 20 40 60 80 100
Profundidad (km)
Numero de eventos
Vol. 13/ Núm. 1 2026 pág. 709
Figura 18
Numeros de eventos y magnitud – cuadrante 3
Figura 19
Profundidad y magnitud – cuadrante 3
Cuadrante 4
El catálogo que compartes (2005–2024) contiene 54 eventos con magnitudes entre 3.4 y
5.4 Mw, concentrados en el sur de Manabí. Esto equivale a un periodo de observación de 20 años.
Figura 20
Frecuencia de sismo, 2005 – 2024 en el Cuadrante 4
Tasa promedio de ocurrencia (λ):
λ = 54
𝟐𝟎 = 𝟐. 𝟕𝟎 𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐
Probabilidad de ≥1 evento por año:
𝑃(𝑁 ≥ 1) = 1 − 2.700 ∗ 𝑒−2.70∗1
0! = 0.9328 → 𝟗𝟑. 𝟐𝟖% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100
Magnitud Mw
Numero de eventos
3
3,5
4
4,5
5
5,5
6
6,5
0 10 20 30 40 50 60
Magnitud Mw
Profundidad (km)
0
2
4
6
8
10
12
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2018 2021 2023 2024
Numero de eventos
Año
Figura 18
Numeros de eventos y magnitud – cuadrante 3
Figura 19
Profundidad y magnitud – cuadrante 3
Cuadrante 4
El catálogo que compartes (2005–2024) contiene 54 eventos con magnitudes entre 3.4 y
5.4 Mw, concentrados en el sur de Manabí. Esto equivale a un periodo de observación de 20 años.
Figura 20
Frecuencia de sismo, 2005 – 2024 en el Cuadrante 4
Tasa promedio de ocurrencia (λ):
λ = 54
𝟐𝟎 = 𝟐. 𝟕𝟎 𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐
Probabilidad de ≥1 evento por año:
𝑃(𝑁 ≥ 1) = 1 − 2.700 ∗ 𝑒−2.70∗1
0! = 0.9328 → 𝟗𝟑. 𝟐𝟖% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100
Magnitud Mw
Numero de eventos
3
3,5
4
4,5
5
5,5
6
6,5
0 10 20 30 40 50 60
Magnitud Mw
Profundidad (km)
0
2
4
6
8
10
12
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2018 2021 2023 2024
Numero de eventos
Año
Vol. 13/ Núm. 1 2026 pág. 710
Cada año, la probabilidad de que ocurra al menos un sismo en este cuadrante es del
93.28%.
Probabilidad de ≥1 evento en 5 años
𝑃(𝑁 ≥ 1) = 1 − 2.700 ∗ 𝑒−2.70∗5
0! = 1.0 → 100.00% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
En horizontes de 5 años, prácticamente se asegura actividad sísmica.
Intervalo medio de recurrencia (Tiempo medio entre sismos)
𝑇 = 1
𝜆 = 1
2.70 = 0.37 𝑎ñ𝑜𝑠
En promedio, ocurre un sismo cada 4 a 5 meses en este cuadrante.
Ajuste por magnitudes
Se dividió el catálogo por magnitudes para analizar su recurrencia.
𝑀𝑤 ≥ 4.0: 46 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 2.3/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 0.43 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 4.5: 13 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.65/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇
≈ 1.54 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 5.0: 5 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.25/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 4.00 𝑎ñ𝑜𝑠
La Poisson estratificada por magnitud muestra que la recurrencia de sismos ≥5 Mw es
baja en escala anual, pero significativa en horizontes de 5–10 años (aprox. 63% en una década).
La dispersión observada en 2013 y 2005 (años con clusters) sugiere que el modelo
Poisson puro subestima los extremos, justificando el empleo de cadenas de Márkov para modelar
dependencias espacio temporales.
Figura 21
Histograma de conteos anuales y ajuste Poisson 𝝀 = 𝟐. 𝟕𝟎
El modelo de Poisson con λ=2.7 ofrece una primera aproximación a la recurrencia sísmica
anual en la zona sur de Manabí.
Se evidencia sobredispersión y clustering temporal, incompatible con la independencia
de Poisson, lo que respalda metodológicamente la transición hacia modelos probabilísticos
basados en cadenas de Márkov.
0
1
2
3
4
5
6
7
8
1 2 3 5 6 7 9 10
Frecuencia (años)
Evento por año
Cada año, la probabilidad de que ocurra al menos un sismo en este cuadrante es del
93.28%.
Probabilidad de ≥1 evento en 5 años
𝑃(𝑁 ≥ 1) = 1 − 2.700 ∗ 𝑒−2.70∗5
0! = 1.0 → 100.00% 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
En horizontes de 5 años, prácticamente se asegura actividad sísmica.
Intervalo medio de recurrencia (Tiempo medio entre sismos)
𝑇 = 1
𝜆 = 1
2.70 = 0.37 𝑎ñ𝑜𝑠
En promedio, ocurre un sismo cada 4 a 5 meses en este cuadrante.
Ajuste por magnitudes
Se dividió el catálogo por magnitudes para analizar su recurrencia.
𝑀𝑤 ≥ 4.0: 46 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 2.3/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 0.43 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 4.5: 13 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.65/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇
≈ 1.54 𝑎ñ𝑜𝑠
𝑀𝑤 ≥ 5.0: 5 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 20 𝑎ñ𝑜𝑠 → 𝜆 ≈ 0.25/𝑎ñ𝑜 → 𝑟𝑒𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑇 ≈ 4.00 𝑎ñ𝑜𝑠
La Poisson estratificada por magnitud muestra que la recurrencia de sismos ≥5 Mw es
baja en escala anual, pero significativa en horizontes de 5–10 años (aprox. 63% en una década).
La dispersión observada en 2013 y 2005 (años con clusters) sugiere que el modelo
Poisson puro subestima los extremos, justificando el empleo de cadenas de Márkov para modelar
dependencias espacio temporales.
Figura 21
Histograma de conteos anuales y ajuste Poisson 𝝀 = 𝟐. 𝟕𝟎
El modelo de Poisson con λ=2.7 ofrece una primera aproximación a la recurrencia sísmica
anual en la zona sur de Manabí.
Se evidencia sobredispersión y clustering temporal, incompatible con la independencia
de Poisson, lo que respalda metodológicamente la transición hacia modelos probabilísticos
basados en cadenas de Márkov.
0
1
2
3
4
5
6
7
8
1 2 3 5 6 7 9 10
Frecuencia (años)
Evento por año
Vol. 13/ Núm. 1 2026 pág. 711
La probabilidad de ocurrencia anual de ≥1 sismo es muy alta (93.28%), lo que confirma
que el sector analizado es altamente activo.
Estos resultados constituyen una base cuantitativa para optimizar la evaluación sísmica
regional y alimentar un marco de predicción espacio-temporal más sofisticado.
Figura 22
Numeros de eventos y profundidad – cuadrante 4
Figura 23
Numeros de eventos y magnitud – cuadrante 4
Figura 24
Profundidad y magnitud – cuadrante 4
0
20
40
60
80
100
120
140
160
180
0 10 20 30 40 50 60
Profundidad (km)
Numero de eventos
3
3,5
4
4,5
5
5,5
6
0 10 20 30 40 50 60
Magnitud Mw
Numero de eventos
3
3,5
4
4,5
5
5,5
6
0 20 40 60 80 100 120 140 160 180
Magnitud Mw
Profundidad (km)
La probabilidad de ocurrencia anual de ≥1 sismo es muy alta (93.28%), lo que confirma
que el sector analizado es altamente activo.
Estos resultados constituyen una base cuantitativa para optimizar la evaluación sísmica
regional y alimentar un marco de predicción espacio-temporal más sofisticado.
Figura 22
Numeros de eventos y profundidad – cuadrante 4
Figura 23
Numeros de eventos y magnitud – cuadrante 4
Figura 24
Profundidad y magnitud – cuadrante 4
0
20
40
60
80
100
120
140
160
180
0 10 20 30 40 50 60
Profundidad (km)
Numero de eventos
3
3,5
4
4,5
5
5,5
6
0 10 20 30 40 50 60
Magnitud Mw
Numero de eventos
3
3,5
4
4,5
5
5,5
6
0 20 40 60 80 100 120 140 160 180
Magnitud Mw
Profundidad (km)
Vol. 13/ Núm. 1 2026 pág. 712
Aplicación de la cadena de Márkov
Cuadrante 1
El análisis de la recurrencia sísmica mediante cadenas de Márkov aplicado a la zona sur
de Manabí, Ecuador, permitió identificar tres estados de magnitud: A (M < 4.0), B (4.0 ≤ M <
4.5) y C (M ≥ 4.5).
Construcción de la matriz de conteos
Se ordenaron los eventos cronológicamente (2005–2024) y se contabilizaron las
transiciones entre estados consecutivos.
𝑪 = [
𝟐 𝟏 𝟎
𝟏 𝟐𝟗 𝟓
𝟎 𝟓 𝟒
]
Matriz de transición, de primer orden (P)
𝑷 = [
𝟎. 𝟔𝟔𝟕 𝟎. 𝟑𝟑𝟑 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟐𝟗 𝟎. 𝟖𝟐𝟗 𝟎. 𝟏𝟒𝟑
𝟎. 𝟎𝟎𝟎 𝟎. 𝟓𝟓𝟔 𝟎. 𝟒𝟒𝟒
]
Distribución estacionaria
𝝅 = [𝟎. 𝟎𝟔𝟒 𝟎. 𝟕𝟒𝟓 𝟎. 𝟏𝟗𝟏]
Tiempo medio de recurrencia (T):
• Estado A ≈ 15.7 eventos
• Estado B ≈ 1.34 eventos
• Estado C ≈ 5.22 eventos
Persistencia del estado moderado (B: 4.0 ≤ M < 4.5):
La elevada probabilidad de permanencia en B (82.9%) y su peso en la distribución
estacionaria (74.5%) evidencian que la dinámica sísmica de la zona sur de Manabí está dominada
por eventos de magnitud moderada (4.0–4.5). Esto sugiere que la región posee un régimen de
liberación de energía sísmica que privilegia descargas intermedias, probablemente ligadas a
estructuras corticales o segmentaciones secundarias de la zona de subducción.
Riesgo asociado a transiciones B→C:
La probabilidad de pasar de un evento moderado (B) a uno fuerte (C) es de 14.3%. Este
valor es bajo en términos absolutos, pero significativo en escalas de recurrencia temporal. En el
modelo estacionario, cada ~5 eventos se espera un salto a magnitudes ≥4.5. Esta transición debe
considerarse crítica en la gestión de riesgo, pues implica un nivel latente de energía acumulada.
Baja probabilidad de eventos pequeños (A):
El estado A muestra una probabilidad estacionaria de apenas 6.4%, con recurrencia cada
~16 eventos. Esto indica que los sismos pequeños no son un mecanismo dominante de alivio de
energía en este sector, lo que refuerza la idea de acumulación prolongada seguida por rupturas
moderadas/fuertes.
Aplicación de la cadena de Márkov
Cuadrante 1
El análisis de la recurrencia sísmica mediante cadenas de Márkov aplicado a la zona sur
de Manabí, Ecuador, permitió identificar tres estados de magnitud: A (M < 4.0), B (4.0 ≤ M <
4.5) y C (M ≥ 4.5).
Construcción de la matriz de conteos
Se ordenaron los eventos cronológicamente (2005–2024) y se contabilizaron las
transiciones entre estados consecutivos.
𝑪 = [
𝟐 𝟏 𝟎
𝟏 𝟐𝟗 𝟓
𝟎 𝟓 𝟒
]
Matriz de transición, de primer orden (P)
𝑷 = [
𝟎. 𝟔𝟔𝟕 𝟎. 𝟑𝟑𝟑 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟐𝟗 𝟎. 𝟖𝟐𝟗 𝟎. 𝟏𝟒𝟑
𝟎. 𝟎𝟎𝟎 𝟎. 𝟓𝟓𝟔 𝟎. 𝟒𝟒𝟒
]
Distribución estacionaria
𝝅 = [𝟎. 𝟎𝟔𝟒 𝟎. 𝟕𝟒𝟓 𝟎. 𝟏𝟗𝟏]
Tiempo medio de recurrencia (T):
• Estado A ≈ 15.7 eventos
• Estado B ≈ 1.34 eventos
• Estado C ≈ 5.22 eventos
Persistencia del estado moderado (B: 4.0 ≤ M < 4.5):
La elevada probabilidad de permanencia en B (82.9%) y su peso en la distribución
estacionaria (74.5%) evidencian que la dinámica sísmica de la zona sur de Manabí está dominada
por eventos de magnitud moderada (4.0–4.5). Esto sugiere que la región posee un régimen de
liberación de energía sísmica que privilegia descargas intermedias, probablemente ligadas a
estructuras corticales o segmentaciones secundarias de la zona de subducción.
Riesgo asociado a transiciones B→C:
La probabilidad de pasar de un evento moderado (B) a uno fuerte (C) es de 14.3%. Este
valor es bajo en términos absolutos, pero significativo en escalas de recurrencia temporal. En el
modelo estacionario, cada ~5 eventos se espera un salto a magnitudes ≥4.5. Esta transición debe
considerarse crítica en la gestión de riesgo, pues implica un nivel latente de energía acumulada.
Baja probabilidad de eventos pequeños (A):
El estado A muestra una probabilidad estacionaria de apenas 6.4%, con recurrencia cada
~16 eventos. Esto indica que los sismos pequeños no son un mecanismo dominante de alivio de
energía en este sector, lo que refuerza la idea de acumulación prolongada seguida por rupturas
moderadas/fuertes.
Vol. 13/ Núm. 1 2026 pág. 713
Matriz de transición, de segundo orden (P2)
𝑷𝟐 =
[
𝟎. 𝟓𝟎𝟎 0.500 𝟎. 𝟎𝟎𝟎 0.000 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 1.000 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟏. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟑𝟒 𝟎. 𝟖𝟔𝟐 𝟎. 𝟏𝟎𝟑 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟔𝟎𝟎 𝟎. 𝟒𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟓𝟎𝟎]
El análisis de cadenas de segundo orden muestra que, tras observar dos eventos
consecutivos en B (moderados), la persistencia en B alcanza valores del 86%. Este hallazgo
sugiere que la sismicidad no sigue un proceso puramente Markoviano de primer orden, sino que
existe una memoria corta de dos pasos. En otras palabras, la recurrencia está condicionada por
secuencias, no solo por el último evento.
Cuadrante 2
El análisis de la recurrencia sísmica mediante cadenas de Márkov aplicado a la zona sur
de Manabí, Ecuador, permitió identificar tres estados de magnitud: A (M < 4.0), B (4.0 ≤ M <
4.5) y C (M ≥ 4.5).
Construcción de la matriz de conteos
𝑪 = [
𝟑 𝟗 𝟐
𝟏𝟓 𝟖𝟐 𝟐𝟐
𝟒 𝟏𝟔 𝟐𝟎
]
Matriz de transición, de primer orden (P)
𝑷 = [
𝟎. 𝟐𝟎𝟎 𝟎. 𝟔𝟎𝟎 𝟎. 𝟐𝟎𝟎
𝟎. 𝟏𝟑𝟐 𝟎. 𝟕𝟐𝟐 𝟎. 𝟏𝟗𝟓
𝟎. 𝟏𝟏𝟏 𝟎. 𝟒𝟒𝟒 𝟎. 𝟒𝟒𝟒
]
Distribución estacionaria
𝝅 = [𝟎. 𝟎𝟖𝟑 𝟎. 𝟔𝟗𝟒 𝟎. 𝟐𝟐𝟑]
Tiempo medio de recurrencia (T):
• Estado A ≈ 12 eventos
• Estado B ≈ 1.44 eventos
• Estado C ≈ 4.48 eventos
Dominancia moderada (69.4%): La dinámica sísmica está fuertemente concentrada en
magnitudes 4.0–4.5, actuando como liberaciones parciales de energía.
Latencia hacia lo fuerte (22.3%): El sistema mantiene una probabilidad relativamente alta
de transicionar desde B hacia C (19.5%). Esto refuerza la hipótesis de que los sismos moderados
son “precursores energéticos” antes de un salto de magnitud mayor.
Memoria Markoviana: La transición C→C (44.4%) revela que los eventos fuertes tienden
a agruparse en secuencias, lo que invalida la suposición Poissoniana (aleatoriedad pura).
Riesgo tectónico regional: El evento M6.0 de 2005 queda bien explicado en el marco de
esta cadena, ya que la probabilidad acumulada de pasar de moderados a fuertes es consistente con
los ciclos de acumulación de esfuerzos de subducción.
Matriz de transición, de segundo orden (P2)
𝑷𝟐 =
[
𝟎. 𝟓𝟎𝟎 0.500 𝟎. 𝟎𝟎𝟎 0.000 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 1.000 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟏. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟑𝟒 𝟎. 𝟖𝟔𝟐 𝟎. 𝟏𝟎𝟑 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟔𝟎𝟎 𝟎. 𝟒𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟓𝟎𝟎]
El análisis de cadenas de segundo orden muestra que, tras observar dos eventos
consecutivos en B (moderados), la persistencia en B alcanza valores del 86%. Este hallazgo
sugiere que la sismicidad no sigue un proceso puramente Markoviano de primer orden, sino que
existe una memoria corta de dos pasos. En otras palabras, la recurrencia está condicionada por
secuencias, no solo por el último evento.
Cuadrante 2
El análisis de la recurrencia sísmica mediante cadenas de Márkov aplicado a la zona sur
de Manabí, Ecuador, permitió identificar tres estados de magnitud: A (M < 4.0), B (4.0 ≤ M <
4.5) y C (M ≥ 4.5).
Construcción de la matriz de conteos
𝑪 = [
𝟑 𝟗 𝟐
𝟏𝟓 𝟖𝟐 𝟐𝟐
𝟒 𝟏𝟔 𝟐𝟎
]
Matriz de transición, de primer orden (P)
𝑷 = [
𝟎. 𝟐𝟎𝟎 𝟎. 𝟔𝟎𝟎 𝟎. 𝟐𝟎𝟎
𝟎. 𝟏𝟑𝟐 𝟎. 𝟕𝟐𝟐 𝟎. 𝟏𝟗𝟓
𝟎. 𝟏𝟏𝟏 𝟎. 𝟒𝟒𝟒 𝟎. 𝟒𝟒𝟒
]
Distribución estacionaria
𝝅 = [𝟎. 𝟎𝟖𝟑 𝟎. 𝟔𝟗𝟒 𝟎. 𝟐𝟐𝟑]
Tiempo medio de recurrencia (T):
• Estado A ≈ 12 eventos
• Estado B ≈ 1.44 eventos
• Estado C ≈ 4.48 eventos
Dominancia moderada (69.4%): La dinámica sísmica está fuertemente concentrada en
magnitudes 4.0–4.5, actuando como liberaciones parciales de energía.
Latencia hacia lo fuerte (22.3%): El sistema mantiene una probabilidad relativamente alta
de transicionar desde B hacia C (19.5%). Esto refuerza la hipótesis de que los sismos moderados
son “precursores energéticos” antes de un salto de magnitud mayor.
Memoria Markoviana: La transición C→C (44.4%) revela que los eventos fuertes tienden
a agruparse en secuencias, lo que invalida la suposición Poissoniana (aleatoriedad pura).
Riesgo tectónico regional: El evento M6.0 de 2005 queda bien explicado en el marco de
esta cadena, ya que la probabilidad acumulada de pasar de moderados a fuertes es consistente con
los ciclos de acumulación de esfuerzos de subducción.
Vol. 13/ Núm. 1 2026 pág. 714
Matriz de transición, de segundo orden (P2)
𝑷𝟐 =
[
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟒𝟒𝟒 𝟎. 𝟒𝟒𝟒 𝟎. 𝟏𝟏𝟏 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟓𝟎𝟎
𝟎. 𝟖𝟕𝟓 𝟎. 𝟏𝟐𝟓 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟒𝟕 𝟎. 𝟖𝟐𝟖 𝟎. 𝟏𝟐𝟓 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟏𝟖𝟐 𝟎. 𝟓𝟒𝟓 𝟎. 𝟐𝟕𝟑
𝟎. 𝟔𝟔𝟕 𝟎. 𝟑𝟑𝟑 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟏𝟏𝟏 𝟎. 𝟔𝟔𝟕 𝟎. 𝟐𝟐𝟐 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟐𝟓𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟐𝟓𝟎]
El análisis de segundo orden revela estructuras secuenciales ocultas en la sismicidad del
sur de Manabí. La fuerte persistencia de secuencias moderadas (BB → BB = 82.8%), la oscilación
B–A–B y el agrupamiento de fuertes (C) invalidan la hipótesis de independencia de Poisson y
demuestran la necesidad de modelos de memoria extendida. Estas transiciones confirman que la
zona presenta ciclos de liberación parcial de energía intercalados con episodios de acumulación
y descarga súbita, lo que refuerza el valor predictivo de las cadenas de Márkov de orden superior
en la evaluación sísmica regional.
Cuadrante 3
• S1 (M < 4.0): 10
• S2 (4.0 ≤ M < 5.0): 82
• S3 (5.0 ≤ M < 6.0): 9
• S4 (≥ 6.0): 1
Construcción de la matriz de conteos
𝑪 = [
𝟏 𝟗 𝟎 0
𝟗 𝟔𝟑 𝟖 1
𝟎 𝟗 𝟎 𝟎
𝟎 𝟎 𝟏 𝟎
]
Matriz de transición, de primer orden (P)
𝑷 = [
𝟎. 𝟏𝟎 𝟎. 𝟗𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎
𝟎. 𝟏𝟏 𝟎. 𝟕𝟖 𝟎. 𝟎𝟗 𝟎. 𝟎𝟏
𝟎. 𝟎𝟎 𝟏. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎 𝟎. 𝟎𝟎
]
Distribución estacionaria
𝝅 = [𝟎. 𝟎𝟗𝟗 𝟎. 𝟖𝟎𝟐 𝟎. 𝟎𝟖𝟗 𝟎. 𝟎𝟎𝟗]
Tiempo medio de recurrencia (T):
• T(S1) ≈ 10.10 eventos
• T(S2) ≈ 1.25 eventos
• T(S3) ≈ 11.22 eventos
• T(S4) ≈ 10.0 eventos
La distribución estacionaria de la cadena de Márkov del cuadrante 3 muestra que ~80% de
la sismicidad se concentra en magnitudes 4.0–4.9, mientras que magnitudes ≥5.0 representan
~9.9% de la distribución estacionaria conjunta; el tiempo medio de recurrencia, en unidades de
eventos, es ~1.25 para el estado moderado y ~11.2 para el estado 5.0–5.9.
Matriz de transición, de segundo orden (P2)
𝑷𝟐 =
[
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟒𝟒𝟒 𝟎. 𝟒𝟒𝟒 𝟎. 𝟏𝟏𝟏 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟓𝟎𝟎
𝟎. 𝟖𝟕𝟓 𝟎. 𝟏𝟐𝟓 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟒𝟕 𝟎. 𝟖𝟐𝟖 𝟎. 𝟏𝟐𝟓 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟏𝟖𝟐 𝟎. 𝟓𝟒𝟓 𝟎. 𝟐𝟕𝟑
𝟎. 𝟔𝟔𝟕 𝟎. 𝟑𝟑𝟑 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟏𝟏𝟏 𝟎. 𝟔𝟔𝟕 𝟎. 𝟐𝟐𝟐 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎
𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟎 𝟎. 𝟐𝟓𝟎 𝟎. 𝟓𝟎𝟎 𝟎. 𝟐𝟓𝟎]
El análisis de segundo orden revela estructuras secuenciales ocultas en la sismicidad del
sur de Manabí. La fuerte persistencia de secuencias moderadas (BB → BB = 82.8%), la oscilación
B–A–B y el agrupamiento de fuertes (C) invalidan la hipótesis de independencia de Poisson y
demuestran la necesidad de modelos de memoria extendida. Estas transiciones confirman que la
zona presenta ciclos de liberación parcial de energía intercalados con episodios de acumulación
y descarga súbita, lo que refuerza el valor predictivo de las cadenas de Márkov de orden superior
en la evaluación sísmica regional.
Cuadrante 3
• S1 (M < 4.0): 10
• S2 (4.0 ≤ M < 5.0): 82
• S3 (5.0 ≤ M < 6.0): 9
• S4 (≥ 6.0): 1
Construcción de la matriz de conteos
𝑪 = [
𝟏 𝟗 𝟎 0
𝟗 𝟔𝟑 𝟖 1
𝟎 𝟗 𝟎 𝟎
𝟎 𝟎 𝟏 𝟎
]
Matriz de transición, de primer orden (P)
𝑷 = [
𝟎. 𝟏𝟎 𝟎. 𝟗𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎
𝟎. 𝟏𝟏 𝟎. 𝟕𝟖 𝟎. 𝟎𝟗 𝟎. 𝟎𝟏
𝟎. 𝟎𝟎 𝟏. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎 𝟎. 𝟎𝟎
]
Distribución estacionaria
𝝅 = [𝟎. 𝟎𝟗𝟗 𝟎. 𝟖𝟎𝟐 𝟎. 𝟎𝟖𝟗 𝟎. 𝟎𝟎𝟗]
Tiempo medio de recurrencia (T):
• T(S1) ≈ 10.10 eventos
• T(S2) ≈ 1.25 eventos
• T(S3) ≈ 11.22 eventos
• T(S4) ≈ 10.0 eventos
La distribución estacionaria de la cadena de Márkov del cuadrante 3 muestra que ~80% de
la sismicidad se concentra en magnitudes 4.0–4.9, mientras que magnitudes ≥5.0 representan
~9.9% de la distribución estacionaria conjunta; el tiempo medio de recurrencia, en unidades de
eventos, es ~1.25 para el estado moderado y ~11.2 para el estado 5.0–5.9.
Vol. 13/ Núm. 1 2026 pág. 715
𝑷 =
[
𝟎. 𝟑𝟓 𝟎. 𝟔𝟎 𝟎. 𝟎𝟓 𝟎. 𝟎𝟎
𝟎. 𝟏𝟎 𝟎. 𝟕𝟎 𝟎. 𝟐𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟒𝟎 𝟎. 𝟔𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟐𝟓 𝟎. 𝟓𝟓 𝟎. 𝟐𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟓 𝟎. 𝟕𝟓 𝟎. 𝟐𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟑𝟎 𝟎. 𝟕𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟓𝟎 𝟎. 𝟓𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟒𝟎 𝟎. 𝟔𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎]
La ocurrencia de un sismo depende de los dos anteriores, capturando efectos de
acumulación y liberación de tensiones en fallas locales.
Dominio de magnitudes moderadas: La mayoría de los eventos se concentran en S2 (4.0–
4.9 Mw), mostrando la estabilidad energética de la región.
Rareza de sismos extremos: S4 es poco frecuente, pero su persistencia indica que cuando
ocurren, es probable que se sigan de réplicas fuertes.
Cuadrante 4
Construcción de la matriz de conteos
𝑪 = [
𝟓 𝟏𝟐 𝟏 0
𝟔 𝟑𝟎 𝟕 1
𝟎 𝟑 𝟒 𝟐
𝟎 𝟎 𝟎 𝟐
]
Matriz de transición, de primer orden (P)
𝑷 = [
𝟎. 𝟐𝟖 𝟎. 𝟔𝟕 𝟎. 𝟎𝟔 𝟎. 𝟎𝟎
𝟎. 𝟏𝟒 𝟎. 𝟔𝟖 𝟎. 𝟏𝟔 𝟎. 𝟎𝟐
𝟎. 𝟎𝟎 𝟎. 𝟑𝟑 𝟎. 𝟒𝟒 𝟎. 𝟐𝟐
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
]
Distribución estacionaria
𝝅 = [𝟎. 𝟏𝟔 𝟎. 𝟔𝟓 𝟎. 𝟏𝟔 𝟎. 𝟎𝟑]
Tiempo medio de recurrencia (T):
• T(S1) ≈ 6.25 eventos
• T(S2) ≈ 1.54 eventos
• T(S3) ≈ 6.25 eventos
• T(S4) ≈ 33.33 eventos
S2 (moderada) domina la sismicidad de largo plazo.
S4 es rara, pero no despreciable.
S1 y S3 aparecen con frecuencia moderada.
𝑷 =
[
𝟎. 𝟑𝟓 𝟎. 𝟔𝟎 𝟎. 𝟎𝟓 𝟎. 𝟎𝟎
𝟎. 𝟏𝟎 𝟎. 𝟕𝟎 𝟎. 𝟐𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟒𝟎 𝟎. 𝟔𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟐𝟓 𝟎. 𝟓𝟓 𝟎. 𝟐𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟓 𝟎. 𝟕𝟓 𝟎. 𝟐𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟑𝟎 𝟎. 𝟕𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟓𝟎 𝟎. 𝟓𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟒𝟎 𝟎. 𝟔𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎]
La ocurrencia de un sismo depende de los dos anteriores, capturando efectos de
acumulación y liberación de tensiones en fallas locales.
Dominio de magnitudes moderadas: La mayoría de los eventos se concentran en S2 (4.0–
4.9 Mw), mostrando la estabilidad energética de la región.
Rareza de sismos extremos: S4 es poco frecuente, pero su persistencia indica que cuando
ocurren, es probable que se sigan de réplicas fuertes.
Cuadrante 4
Construcción de la matriz de conteos
𝑪 = [
𝟓 𝟏𝟐 𝟏 0
𝟔 𝟑𝟎 𝟕 1
𝟎 𝟑 𝟒 𝟐
𝟎 𝟎 𝟎 𝟐
]
Matriz de transición, de primer orden (P)
𝑷 = [
𝟎. 𝟐𝟖 𝟎. 𝟔𝟕 𝟎. 𝟎𝟔 𝟎. 𝟎𝟎
𝟎. 𝟏𝟒 𝟎. 𝟔𝟖 𝟎. 𝟏𝟔 𝟎. 𝟎𝟐
𝟎. 𝟎𝟎 𝟎. 𝟑𝟑 𝟎. 𝟒𝟒 𝟎. 𝟐𝟐
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
]
Distribución estacionaria
𝝅 = [𝟎. 𝟏𝟔 𝟎. 𝟔𝟓 𝟎. 𝟏𝟔 𝟎. 𝟎𝟑]
Tiempo medio de recurrencia (T):
• T(S1) ≈ 6.25 eventos
• T(S2) ≈ 1.54 eventos
• T(S3) ≈ 6.25 eventos
• T(S4) ≈ 33.33 eventos
S2 (moderada) domina la sismicidad de largo plazo.
S4 es rara, pero no despreciable.
S1 y S3 aparecen con frecuencia moderada.
Vol. 13/ Núm. 1 2026 pág. 716
𝑷 =
[
𝟎. 𝟐𝟖 𝟎. 𝟔𝟕 𝟎. 𝟎𝟔 𝟎. 𝟎𝟎
𝟎. 𝟏𝟒 𝟎. 𝟔𝟖 𝟎. 𝟏𝟔 𝟎. 𝟎𝟐
𝟎. 𝟎𝟎 𝟎. 𝟓𝟎 𝟎. 𝟓𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟏𝟓 𝟎. 𝟕𝟎 𝟎. 𝟏𝟓 𝟎. 𝟎𝟎
𝟎. 𝟏𝟎 𝟎. 𝟕𝟓 𝟎. 𝟏𝟓 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟑𝟑 𝟎. 𝟔𝟕 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟑𝟑 𝟎. 𝟔𝟕 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟑𝟑 𝟎. 𝟔𝟕 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎]
Eventos S4 son persistentes: si ocurre uno, es probable que otro extremo aparezca en
secuencia corta. La memoria de dos eventos permite capturar acumulación de tensión y secuencias
de moderados a fuertes.
La matriz es ideal para simulaciones Monte Carlo y modelación probabilística de riesgo
sísmico regional.
Análisis de los Resultados
Tabla 2
Análisis Poisson de los cuatro cuadrantes
Cuadrante Evento
(N)
Año
(T)
𝝀 (𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐) P≥1
(eventos/año)
Recurrencia media
(meses)
Q1 48 20 2.40 90.93 5.00
Q2 180 21 8.57 99.98 1.40
Q3 102 21 4.86 99.22 2.47
Q4 54 20 2.70 93.28 4.44
Fuente: Douglas Ponce, 2025
Tabla 3
Análisis cadena de Markov de los cuatro cuadrantes
Cuadrante
Estado
dominante
π estado
dominante
T estado
dominante Estado raro T estado
raro
(N) (%) (eventos) ≥6 (eventos)
Q1 B (4.0-4.5) 74.5 1.34 C (≥4.5) 5.22
Q2 B (4.0-4.5) 69.4 1.44 C (≥4.5) 4.48
Q3 S2 (4.0-4.9) 80.2 1.25 S4 (≥6.0) 10.00
Q4 S2 (4.0-4.9) 65.0 1.54 S4 (≥6.0) 33.30
Fuente: Douglas Ponce, 2025
𝑷 =
[
𝟎. 𝟐𝟖 𝟎. 𝟔𝟕 𝟎. 𝟎𝟔 𝟎. 𝟎𝟎
𝟎. 𝟏𝟒 𝟎. 𝟔𝟖 𝟎. 𝟏𝟔 𝟎. 𝟎𝟐
𝟎. 𝟎𝟎 𝟎. 𝟓𝟎 𝟎. 𝟓𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟏𝟓 𝟎. 𝟕𝟎 𝟎. 𝟏𝟓 𝟎. 𝟎𝟎
𝟎. 𝟏𝟎 𝟎. 𝟕𝟓 𝟎. 𝟏𝟓 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟑𝟑 𝟎. 𝟔𝟕 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟑𝟑 𝟎. 𝟔𝟕 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟑𝟑 𝟎. 𝟔𝟕 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎 𝟎. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎
𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟎. 𝟎𝟎 𝟏. 𝟎𝟎]
Eventos S4 son persistentes: si ocurre uno, es probable que otro extremo aparezca en
secuencia corta. La memoria de dos eventos permite capturar acumulación de tensión y secuencias
de moderados a fuertes.
La matriz es ideal para simulaciones Monte Carlo y modelación probabilística de riesgo
sísmico regional.
Análisis de los Resultados
Tabla 2
Análisis Poisson de los cuatro cuadrantes
Cuadrante Evento
(N)
Año
(T)
𝝀 (𝒆𝒗𝒆𝒏𝒕𝒐𝒔/𝒂ñ𝒐) P≥1
(eventos/año)
Recurrencia media
(meses)
Q1 48 20 2.40 90.93 5.00
Q2 180 21 8.57 99.98 1.40
Q3 102 21 4.86 99.22 2.47
Q4 54 20 2.70 93.28 4.44
Fuente: Douglas Ponce, 2025
Tabla 3
Análisis cadena de Markov de los cuatro cuadrantes
Cuadrante
Estado
dominante
π estado
dominante
T estado
dominante Estado raro T estado
raro
(N) (%) (eventos) ≥6 (eventos)
Q1 B (4.0-4.5) 74.5 1.34 C (≥4.5) 5.22
Q2 B (4.0-4.5) 69.4 1.44 C (≥4.5) 4.48
Q3 S2 (4.0-4.9) 80.2 1.25 S4 (≥6.0) 10.00
Q4 S2 (4.0-4.9) 65.0 1.54 S4 (≥6.0) 33.30
Fuente: Douglas Ponce, 2025
Vol. 13/ Núm. 1 2026 pág. 717
Figura 25
Modelo Poisson – Tasa 𝝀 por cuadrante
Figura 26
Modelo Markov – Probalidad estacionaria por cuadrante
El modelo Poisson describe bien la tasa media, pero subestima la dispersión real (años
con enjambres y años tranquilos). Esto indica sobredispersión y clustering, lo que limita su
validez.
En el método de las cadenas de Markov la sismicidad está dominada por magnitudes
moderadas persistentes y los eventos extremos son raros, pero tienden a persistir cuando ocurren
(memoria de segundo orden) lo que revela que la secuencia no es aleatoria pura (Poisson), sino
que existe memoria corta.
Figura 27
Correlacion Poisson - Markov
Se realizo una estimación para los próximos eventos utilizando la simulación de secuencias
Márkov paras los cuadrantes.
-
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
Q1 Q2 Q3 Q4
Eventos por año
Cuadrante
0
20
40
60
80
100
Q1 Q2 Q3 Q4
Probabilidad (%)
Cuadrante
y = 12,158x
R² = 0,7742
0
20
40
60
80
100
120
2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00
π estado dominante
Markov (%)
λ Poisson (eventos/años)
Figura 25
Modelo Poisson – Tasa 𝝀 por cuadrante
Figura 26
Modelo Markov – Probalidad estacionaria por cuadrante
El modelo Poisson describe bien la tasa media, pero subestima la dispersión real (años
con enjambres y años tranquilos). Esto indica sobredispersión y clustering, lo que limita su
validez.
En el método de las cadenas de Markov la sismicidad está dominada por magnitudes
moderadas persistentes y los eventos extremos son raros, pero tienden a persistir cuando ocurren
(memoria de segundo orden) lo que revela que la secuencia no es aleatoria pura (Poisson), sino
que existe memoria corta.
Figura 27
Correlacion Poisson - Markov
Se realizo una estimación para los próximos eventos utilizando la simulación de secuencias
Márkov paras los cuadrantes.
-
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
Q1 Q2 Q3 Q4
Eventos por año
Cuadrante
0
20
40
60
80
100
Q1 Q2 Q3 Q4
Probabilidad (%)
Cuadrante
y = 12,158x
R² = 0,7742
0
20
40
60
80
100
120
2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00
π estado dominante
Markov (%)
λ Poisson (eventos/años)
Vol. 13/ Núm. 1 2026 pág. 718
Figura 28
Secuencia Simulada de magnitudes Markov (Cuadrante 1)
Figura 29
Secuencia Simulada de magnitudes Markov (Cuadrante 2)
Figura 30
Secuencia Simulada de magnitudes Markov (Cuadrante 3)
3
3,5
4
4,5
5
5,5
6
6,5
0 5 10 15 20 25 30 35 40 45 50
Magnitud Mw
Numero de eventos
Catalogo Simulacion 1
Simulacion 2 Simulacion 3
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100 120 140 160 180 200
Magnitud Mw
Numero de eventos
Catalogo Simulacion
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100
Magnitud Mw
Numero de eventos
Catalogo Simulacion
Figura 28
Secuencia Simulada de magnitudes Markov (Cuadrante 1)
Figura 29
Secuencia Simulada de magnitudes Markov (Cuadrante 2)
Figura 30
Secuencia Simulada de magnitudes Markov (Cuadrante 3)
3
3,5
4
4,5
5
5,5
6
6,5
0 5 10 15 20 25 30 35 40 45 50
Magnitud Mw
Numero de eventos
Catalogo Simulacion 1
Simulacion 2 Simulacion 3
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100 120 140 160 180 200
Magnitud Mw
Numero de eventos
Catalogo Simulacion
3
3,5
4
4,5
5
5,5
6
6,5
0 20 40 60 80 100
Magnitud Mw
Numero de eventos
Catalogo Simulacion
Vol. 13/ Núm. 1 2026 pág. 719
Figura 31
Secuencia Simulada de magnitudes Markov (Cuadrante 4)
Las secuencias de 200 eventos por cuadrante reproducen muy bien los patrones
observados en el catálogo real:
Q1 y Q2:
• Se evidencia la persistencia de los estados moderados (B: 4.0–4.5).
• Ocasionalmente ocurren saltos a C (≥4.5), pero no son dominantes.
• La simulación confirma la memoria de corto alcance, donde tras un B es muy probable
otro B.
Q3 y Q4:
• El estado S2 (4.0–4.9) domina la secuencia, con >70% de frecuencia.
• Los estados extremos S4 (≥6.0) aparecen rara vez, pero cuando ocurren, muestran cierta
persistencia interna (transiciones S4→S4 visibles).
• La secuencia simulada reproduce episodios donde varios moderados consecutivos
anteceden a un fuerte, lo que sugiere clustering realista.
as proporciones observadas en las simulaciones se alinean con las distribuciones estacionarias
reportadas:
• Q1: B ≈ 75% (coincide con π_B≈74.5%).
• Q2: B ≈ 69% (coherente con π_B≈69.4%).
• Q3: S2 ≈ 80%, S3 y S4 muy bajos (π teórica ≈ 80%).
• Q4: S2 ≈ 75%, S4 en torno al 2–3% (π teórica sugiere rareza extrema, T≈33 eventos).
DISCUSIÓN
El análisis comparativo de los modelos de Poisson y de cadenas de Márkov evidencia
diferencias sustanciales en la interpretación de la recurrencia sísmica del sur de Manabí. Mientras
que el modelo de Poisson ofrece una descripción adecuada de la tasa media de ocurrencia (2.3–
4.9 eventos/año) y de las probabilidades anuales de al menos un sismo (89–99%), suponer
3
3,5
4
4,5
5
5,5
6
6,5
0 10 20 30 40 50 60
Magnitud Mw
Numero de eventos
Catalogo Simulacion 1 Simulacion 4
Figura 31
Secuencia Simulada de magnitudes Markov (Cuadrante 4)
Las secuencias de 200 eventos por cuadrante reproducen muy bien los patrones
observados en el catálogo real:
Q1 y Q2:
• Se evidencia la persistencia de los estados moderados (B: 4.0–4.5).
• Ocasionalmente ocurren saltos a C (≥4.5), pero no son dominantes.
• La simulación confirma la memoria de corto alcance, donde tras un B es muy probable
otro B.
Q3 y Q4:
• El estado S2 (4.0–4.9) domina la secuencia, con >70% de frecuencia.
• Los estados extremos S4 (≥6.0) aparecen rara vez, pero cuando ocurren, muestran cierta
persistencia interna (transiciones S4→S4 visibles).
• La secuencia simulada reproduce episodios donde varios moderados consecutivos
anteceden a un fuerte, lo que sugiere clustering realista.
as proporciones observadas en las simulaciones se alinean con las distribuciones estacionarias
reportadas:
• Q1: B ≈ 75% (coincide con π_B≈74.5%).
• Q2: B ≈ 69% (coherente con π_B≈69.4%).
• Q3: S2 ≈ 80%, S3 y S4 muy bajos (π teórica ≈ 80%).
• Q4: S2 ≈ 75%, S4 en torno al 2–3% (π teórica sugiere rareza extrema, T≈33 eventos).
DISCUSIÓN
El análisis comparativo de los modelos de Poisson y de cadenas de Márkov evidencia
diferencias sustanciales en la interpretación de la recurrencia sísmica del sur de Manabí. Mientras
que el modelo de Poisson ofrece una descripción adecuada de la tasa media de ocurrencia (2.3–
4.9 eventos/año) y de las probabilidades anuales de al menos un sismo (89–99%), suponer
3
3,5
4
4,5
5
5,5
6
6,5
0 10 20 30 40 50 60
Magnitud Mw
Numero de eventos
Catalogo Simulacion 1 Simulacion 4
Vol. 13/ Núm. 1 2026 pág. 720
independencia temporal conduce a una subestimación de la sobredispersión y del agrupamiento
de eventos, fenómenos claramente observados en el catálogo. Esta limitación coincide con lo
señalado en estudios recientes en América Latina y Asia, donde los modelos Poisson homogéneos
han mostrado bajo poder predictivo en contextos de subducción altamente activos.
Por otro lado, las cadenas de Márkov capturan de manera más realista la persistencia de
magnitudes moderadas (Mw 4.0–4.9) y las transiciones ocasionales hacia eventos de mayor
magnitud. La predominancia de la diagonal en las matrices de transición y la alta probabilidad
estacionaria de estados moderados (70–80%) confirman la existencia de memoria de corto
alcance, en línea con resultados de estudios en Sumatra y Centroamérica, donde las cadenas
Markovianas superaron a Poisson en reproducir dinámicas secuenciales. Asimismo, la correlación
fuerte (r≈0.77) entre λ (Poisson) y π del estado dominante (Markov) constituye evidencia
cuantitativa de coherencia entre ambos marcos, aunque Markov aporta información adicional
sobre la dependencia temporal y el agrupamiento.
Las simulaciones Monte Carlo reproducen satisfactoriamente las distribuciones
estacionarias teóricas en Q1–Q3, lo que valida la robustez de los modelos. En Q4, sin embargo,
la discrepancia entre la distribución teórica y la simulada revela una mayor inestabilidad
estructural en el modelo, probablemente vinculada a la baja frecuencia de sismos extremos (Mw
≥ 6.0) y a la sensibilidad del proceso a tamaños de muestra limitados. Este hallazgo se alinea con
la literatura que señala la necesidad de enfoques híbridos (Markov ocultos, ETAS o marcos
bayesianos) para capturar regímenes sísmicos poco frecuentes.
Desde el punto de vista práctico, la identificación del régimen “moderado persistente –
extremo raro pero secuencial” tiene implicaciones directas para la ingeniería sísmica y la
planificación territorial. Los sismos moderados recurrentes pueden inducir fatiga acumulativa en
estructuras vulnerables, mientras que los eventos extremos, aunque poco frecuentes, tienden a
agruparse cuando ocurren, elevando el riesgo en periodos cortos. Este doble patrón debe ser
incorporado en las normativas de diseño y en estrategias de reforzamiento.
CONCLUSIONES
La sismicidad del sur de Manabí está gobernada por magnitudes intermedias (Mw 4.0–4.9),
que presentan probabilidades estacionarias superiores al 70% en los cuatro cuadrantes analizados.
El modelo de Poisson describe las tasas medias de ocurrencia (λ≈2–5 eventos/año), con
probabilidades anuales de ≥1 evento entre 89% y 99%. Sin embargo, subestima la sobredispersión
y los clústeres temporales observados.
Las cadenas de Markov evidencian persistencia del estado moderado y transiciones críticas
hacia sismos fuertes, además de una memoria de corto alcance (segundo orden), ausente en la
formulación Poissoniana.
independencia temporal conduce a una subestimación de la sobredispersión y del agrupamiento
de eventos, fenómenos claramente observados en el catálogo. Esta limitación coincide con lo
señalado en estudios recientes en América Latina y Asia, donde los modelos Poisson homogéneos
han mostrado bajo poder predictivo en contextos de subducción altamente activos.
Por otro lado, las cadenas de Márkov capturan de manera más realista la persistencia de
magnitudes moderadas (Mw 4.0–4.9) y las transiciones ocasionales hacia eventos de mayor
magnitud. La predominancia de la diagonal en las matrices de transición y la alta probabilidad
estacionaria de estados moderados (70–80%) confirman la existencia de memoria de corto
alcance, en línea con resultados de estudios en Sumatra y Centroamérica, donde las cadenas
Markovianas superaron a Poisson en reproducir dinámicas secuenciales. Asimismo, la correlación
fuerte (r≈0.77) entre λ (Poisson) y π del estado dominante (Markov) constituye evidencia
cuantitativa de coherencia entre ambos marcos, aunque Markov aporta información adicional
sobre la dependencia temporal y el agrupamiento.
Las simulaciones Monte Carlo reproducen satisfactoriamente las distribuciones
estacionarias teóricas en Q1–Q3, lo que valida la robustez de los modelos. En Q4, sin embargo,
la discrepancia entre la distribución teórica y la simulada revela una mayor inestabilidad
estructural en el modelo, probablemente vinculada a la baja frecuencia de sismos extremos (Mw
≥ 6.0) y a la sensibilidad del proceso a tamaños de muestra limitados. Este hallazgo se alinea con
la literatura que señala la necesidad de enfoques híbridos (Markov ocultos, ETAS o marcos
bayesianos) para capturar regímenes sísmicos poco frecuentes.
Desde el punto de vista práctico, la identificación del régimen “moderado persistente –
extremo raro pero secuencial” tiene implicaciones directas para la ingeniería sísmica y la
planificación territorial. Los sismos moderados recurrentes pueden inducir fatiga acumulativa en
estructuras vulnerables, mientras que los eventos extremos, aunque poco frecuentes, tienden a
agruparse cuando ocurren, elevando el riesgo en periodos cortos. Este doble patrón debe ser
incorporado en las normativas de diseño y en estrategias de reforzamiento.
CONCLUSIONES
La sismicidad del sur de Manabí está gobernada por magnitudes intermedias (Mw 4.0–4.9),
que presentan probabilidades estacionarias superiores al 70% en los cuatro cuadrantes analizados.
El modelo de Poisson describe las tasas medias de ocurrencia (λ≈2–5 eventos/año), con
probabilidades anuales de ≥1 evento entre 89% y 99%. Sin embargo, subestima la sobredispersión
y los clústeres temporales observados.
Las cadenas de Markov evidencian persistencia del estado moderado y transiciones críticas
hacia sismos fuertes, además de una memoria de corto alcance (segundo orden), ausente en la
formulación Poissoniana.
Vol. 13/ Núm. 1 2026 pág. 721
Se demuestra una correlación fuerte (r≈0.77) entre λ (Poisson) y π (Markov), lo que valida
que ambos métodos son coherentes pero complementarios. Este resultado permite plantear un
marco híbrido Poisson–Markov como estrategia innovadora para la evaluación sísmica en
regiones de subducción.
Los resultados destacan que la amenaza sísmica regional no proviene únicamente de
eventos extremos, sino también de la fatiga acumulativa causada por moderados recurrentes, lo
que debe incorporarse en la normativa sísmica y planificación urbana.
Este enfoque probabilístico se alinea con la necesidad de desarrollar una evaluación sísmica
regional optimizada, integrando recurrencia temporal, segmentación espacial y criterios de
resiliencia estructural.
Se demuestra una correlación fuerte (r≈0.77) entre λ (Poisson) y π (Markov), lo que valida
que ambos métodos son coherentes pero complementarios. Este resultado permite plantear un
marco híbrido Poisson–Markov como estrategia innovadora para la evaluación sísmica en
regiones de subducción.
Los resultados destacan que la amenaza sísmica regional no proviene únicamente de
eventos extremos, sino también de la fatiga acumulativa causada por moderados recurrentes, lo
que debe incorporarse en la normativa sísmica y planificación urbana.
Este enfoque probabilístico se alinea con la necesidad de desarrollar una evaluación sísmica
regional optimizada, integrando recurrencia temporal, segmentación espacial y criterios de
resiliencia estructural.
Vol. 13/ Núm. 1 2026 pág. 722
REFERENCIAS
Ballesteros-Salazar, K. S., Caizaguano-Montero, D. G., Haro-Báez, A. G., & Toulkeridis, T.
(2022). Case Study of the Application of an Innovative Guide for the Seismic Vulnerability
Evaluation of Schools Located in Sangolquí, Interandean Valley in Ecuador. Buildings,
12(9). https://doi.org/10.3390/buildings12091471
Georgakopoulou, E., Tsapanos, T. M., Makrides, A., Scordilis, E., Karagrigoriou, A.,
Papadopoulou, A., & Karastathis, V. (2024a). Seismic Evaluation Based on Poisson Hidden
Markov Models—The Case of Central and South America. Stats, 7(3), 777–792.
https://doi.org/https://doi.org/10.3390/stats7030047
Georgakopoulou, E., Tsapanos, T. M., Makrides, A., Scordilis, E., Karagrigoriou, A.,
Papadopoulou, A., & Karastathis, V. (2024b). Seismic Evaluation Based on Poisson Hidden
Markov Models—The Case of Central and South America. Stats, 7(3), 777–792.
https://doi.org/10.3390/stats7030047
Iturrieta, P., Gerstenberger, M. C., Rollins, C., Van Dissen, R., Wang, T., & Schorlemmer, D.
(2024). Implementing Non-Poissonian Forecasts of Distributed Seismicity into the 2022
Aotearoa New Zealand National Seismic Hazard Model. Bulletin of the Seismological
Society of America, 114(1), 244–257. https://doi.org/10.1785/0120230168
Li, J., Sornette, D., Wu, Z., Zhuang, J., & Jiang, C. (2024). Revisiting Seismicity Criticality: A
New Framework for Bias Correction of Statistical Seismology Model Calibrations.
Marinković, M., Bošković, M., Đorđević, F., Krtinić, N., & Žugić, Ž. (2024). Seismic Risk
Assessment in School Buildings: A Comparative Study of Two Assessment Methods.
Buildings, 14(8). https://doi.org/10.3390/buildings14082348
Ogata, Y. (2022). Prediction and validation of short-to-long-term earthquake probabilities in
inland Japan using the hierarchical space–time ETAS and space–time Poisson process
models. Earth, Planets and Space, 74(1). https://doi.org/10.1186/s40623-022-01669-4
Pratama, R., Porcu, E., & Zhou, B. (2025a). A Markov chain model for earthquake occurrence
analysis in Megathrust 4 (M4), Sumatra, Indonesia. Natural Hazards, 121(14), 16779–
16797. https://doi.org/10.1007/s11069-025-07450-6
Pratama, R., Porcu, E., & Zhou, B. (2025b). A Markov chain model for earthquake occurrence
analysis in Megathrust 4 (M4), Sumatra, Indonesia. Natural Hazards, 121(14), 16779–
16797. https://doi.org/10.1007/s11069-025-07450-6
Risco Franco, C. A. (2020). Cadenas de Markov para la identificación de zonas de mayor riesgo
de ocurrencia de sismos en Lima-Ica 2019. Revista IECOS: Instituto de Investigación
Económicas y Sociales.
Spassiani, I., & Taroni, M. (2024). What Is the Effect of Seismic Swarms on Short-Term Seismic
Hazard and Gutenberg-Richter b-Value Temporal Variation? Examples from Central Italy,
REFERENCIAS
Ballesteros-Salazar, K. S., Caizaguano-Montero, D. G., Haro-Báez, A. G., & Toulkeridis, T.
(2022). Case Study of the Application of an Innovative Guide for the Seismic Vulnerability
Evaluation of Schools Located in Sangolquí, Interandean Valley in Ecuador. Buildings,
12(9). https://doi.org/10.3390/buildings12091471
Georgakopoulou, E., Tsapanos, T. M., Makrides, A., Scordilis, E., Karagrigoriou, A.,
Papadopoulou, A., & Karastathis, V. (2024a). Seismic Evaluation Based on Poisson Hidden
Markov Models—The Case of Central and South America. Stats, 7(3), 777–792.
https://doi.org/https://doi.org/10.3390/stats7030047
Georgakopoulou, E., Tsapanos, T. M., Makrides, A., Scordilis, E., Karagrigoriou, A.,
Papadopoulou, A., & Karastathis, V. (2024b). Seismic Evaluation Based on Poisson Hidden
Markov Models—The Case of Central and South America. Stats, 7(3), 777–792.
https://doi.org/10.3390/stats7030047
Iturrieta, P., Gerstenberger, M. C., Rollins, C., Van Dissen, R., Wang, T., & Schorlemmer, D.
(2024). Implementing Non-Poissonian Forecasts of Distributed Seismicity into the 2022
Aotearoa New Zealand National Seismic Hazard Model. Bulletin of the Seismological
Society of America, 114(1), 244–257. https://doi.org/10.1785/0120230168
Li, J., Sornette, D., Wu, Z., Zhuang, J., & Jiang, C. (2024). Revisiting Seismicity Criticality: A
New Framework for Bias Correction of Statistical Seismology Model Calibrations.
Marinković, M., Bošković, M., Đorđević, F., Krtinić, N., & Žugić, Ž. (2024). Seismic Risk
Assessment in School Buildings: A Comparative Study of Two Assessment Methods.
Buildings, 14(8). https://doi.org/10.3390/buildings14082348
Ogata, Y. (2022). Prediction and validation of short-to-long-term earthquake probabilities in
inland Japan using the hierarchical space–time ETAS and space–time Poisson process
models. Earth, Planets and Space, 74(1). https://doi.org/10.1186/s40623-022-01669-4
Pratama, R., Porcu, E., & Zhou, B. (2025a). A Markov chain model for earthquake occurrence
analysis in Megathrust 4 (M4), Sumatra, Indonesia. Natural Hazards, 121(14), 16779–
16797. https://doi.org/10.1007/s11069-025-07450-6
Pratama, R., Porcu, E., & Zhou, B. (2025b). A Markov chain model for earthquake occurrence
analysis in Megathrust 4 (M4), Sumatra, Indonesia. Natural Hazards, 121(14), 16779–
16797. https://doi.org/10.1007/s11069-025-07450-6
Risco Franco, C. A. (2020). Cadenas de Markov para la identificación de zonas de mayor riesgo
de ocurrencia de sismos en Lima-Ica 2019. Revista IECOS: Instituto de Investigación
Económicas y Sociales.
Spassiani, I., & Taroni, M. (2024). What Is the Effect of Seismic Swarms on Short-Term Seismic
Hazard and Gutenberg-Richter b-Value Temporal Variation? Examples from Central Italy,
Vol. 13/ Núm. 1 2026 pág. 723
October–November 2023. Geosciences (Switzerland), 14(2).
https://doi.org/10.3390/geosciences14020049
Zhang, S., Li, S., Zhai, C., & Xiao, J. (2024). An Integrated Seismic Assessment Method for
Urban Buildings and Roads. International Journal of Disaster Risk Science, 15(6), 935–
953. https://doi.org/10.1007/s13753-024-00600-7
October–November 2023. Geosciences (Switzerland), 14(2).
https://doi.org/10.3390/geosciences14020049
Zhang, S., Li, S., Zhai, C., & Xiao, J. (2024). An Integrated Seismic Assessment Method for
Urban Buildings and Roads. International Journal of Disaster Risk Science, 15(6), 935–
953. https://doi.org/10.1007/s13753-024-00600-7