Escolar Documentos
Profissional Documentos
Cultura Documentos
+
n
i
i
Z
n
Z
1
1
( )
+
n
i
i
f
Z sig
n
Z
1 ) ( 2
1
~
donde
'
<
>
i
i
i
Z si
Z si
Z si
x sig
1
0
1
) (
( ) Z Z
Z Z
U
~
var
~
( ) 889 . 0 3 3 U P
Se debe estar atento a los valores de la variable aleatoria U fuera de ese intervalo.
2. Anlisis De La Tendencia
Los grficos muestran un intento de resumir la posible no estacionariedad de l a
media del proceso a travs del muestreo de media y mediana por filas (latitudes) y
columnas (longitudes).
Se ve una tendencia negativa en ambos grficos
Latitudes
ten[, 1]
t
e
n
[
,
2
]
0.4 0.5 0.6 0.7 0.8 0.9
5
1
0
1
5
Longitudes
teny[, 1]
t
e
n
y
[
,
2
]
0.95 1.00 1.05 1.10 1.15 1.20 1.25
4
6
8
1
0
1
2
1
4
1
6
Luego verificamos que ) (s no es constante, hay una clara tendencia en las dos
direcciones consideradas.
Anlisis de la independencia espacial
Si las variables del proceso resultan independientes, entonces el variograma
) ( 2 h a la distancia h entre dos puntos en el espacio es constante a travs de la regin
considerada.
En efecto:
( ) ) ( 2 2 ) ( ) ( var ) ( 2
2
h c s Z h s Z h +
de donde si las variables del proceso son independientes la funcin de covarianza c es
idnticamente nula, 0 ) ( h c para toda distancia h y el variograma 2 resulta
constantemente igual a
2
2 .
Una herramienta grfica para comprobar la independencia es una banda de
referencia en donde se puede ver que las variables tienen dependencia espacial.
Para analizar la independencia utilizamos un test estadstico (Diblasi Bowman
2000). El estadstico para este test es
( ) ( )
( )
N
i
i i
N
i
N
i
i i i
S S
S S S S
T
1
2
1 1
2 2
~
~
donde
( )
i i i
R E R S
0
, ( ) ) (s r h s r R
i i
+ , ) (s r es el residuo del modelo ajustado por
mnimos cuadrados en la ubicacin espacial s ,
0
E es la esperanza bajo la hiptesis nula
de independencia (variograma constante),
N
j
j ij i
S w S
1
~
donde
N
j
ij
ij
ij
w
w
w
1
*
*
y
2
*
exp
,
_
b
h h
w
j i
ij
N j i ,..., 1 ,
Este estadstico tiene una distribucin que puede ajustarse a una de la forma
2
1 0 c
a a + .
En el problema planteado se obtuvo un p-level menor 0.05.
Esto indica que debemos rechazar la hiptesis de independencia de las variables y
buscar un modelo adecuado para el variograma.
Estimacin de la Tendencia utilizando el Mtodo de Mnimos Cuadrados
Ordinarios para obtener los Residuos
Hemos considerado que el modelo propuesto puede escribirse en la forma:
La estimacin de la tendencia ) (s para cada s requiere el conocimiento de la
estructura de covarianza del proceso, la cual, en general, es desconocida. Por otra parte,
la estimacin del variograma o la funcin de covarianza del proceso en forma directa
puede resultar un problema sin solucin, cuando el proceso no es estacionario. Existen
diversas formas de abordar las estimaciones de la tendencia y el variograma. Uno de
ellos es la eliminacin de la tendencia mediante algn procedimiento adecuado, la
estimacin del variograma a partir de los residuos producidos despus de remover la
tendencia y luego la estimacin de la tendencia. Existen adems diversos criterios para
eliminar la tendencia, en este trabajo se han utilizado dos de ellos: mnimos cuadrados
generalizados y el pulido de medianas
Mtodo De Mnimos Cuadrados
Para estimar y x y x s
2 1 0
) , ( ) ( + + utilizamos en un primer paso
la metodologa de mnimos cuadrados simples.
Para las observaciones ) y , x ( s
i i i
en las localidades, el modelo muestral
es ) s ( ) s ( Z ) s ( Z
i i i i
+ podemos escribirlo en forma matricial como
+ X Z
siendo
1
1
1
]
1
2
1
0
1
1
1
]
1
n n
y x
... ... ...
y x
X
1
1
1 1
1
1
1
]
1
) y , x ( Z
......
) y , x ( Z
Z
n n
1 1
) ( ) ( ) (
i i i i
s s Z s Z +
1
1
1
]
1
) , (
.....
) , (
1 1
n n
y x
y x
Esto nos dio una expresin de la forma: ( ) Z X X X
T T ) (
1
0
El suprandice cero en la expresin anterior indica que es la etapa inicial de un
proceso iterativo para obtener los residuos del modelo utilizando el mtodo de mnimos
cuadrados ordinarios.
La estimacin de la tendencia por este mtodo resulta:
y x ) y , x ( ) s (
2 1 0
) ) )
) )
+ +
Cuyos valores observados en la muestra son:
4340 . 43
0
, 7442 . 28 1
y 6391 . 13
2
.
Con estos resultados se calcularon los residuos del modelo en la etapa inicial de
acuerdo a la expresin:
)
X Z R
) (
0
Z ) X ) X X ( X I ( R
T T ) ( 1 0
Grficamente:
tempe
res
i
5 10 15
-4
-2
0
2
( ) Z X X X X Z R
T T ) (
1
0
Variograma de los Residuos Mnimos Cuadrticos
Para encontrar un modelo adecuado para el variograma hemos a trabajado con el
variograma de los residuos obtenidos anteriormente. En efecto la relacin entre el
variograma de los residuos
R
2 y el variograma del proceso 2 es de la forma:
( ) ( ) ( ) s s Z s R
( ) [ ] ) ( ) ( ) ( ) ( ) , ( 2
j j i i j i R
s s Z s s Z Var s s
( ) ( ) ) (
) (
var 2 ) , ( 2
j i j i j i R
s s s s s s
( ) ( ) ( ) ( )( ) )
cov( 2 )
var( )
var( 2
2 1 2
2
1
2
j i j i j i j i j i
y y x x y y x x s s
El variograma del proceso puede considerarse aproximadamente igual al de los
residuos para distancias pequeas ya que ambos difieren en un trmino del orden del
cuadrado de la distancia entre cada par de puntos.
Estimacin del Variograma
Para estimar el variograma de los residuos utilizamos las propuestas de Matheron
(1962) y de Cressie (1980). La primera propuesta tiene la forma:
donde { }
j i j i
s s h s s h N / ) , ( ) ( es el conjunto de pares de ubicaciones
espaciales distantes por un incremento h y ) (h N es el nmero de pares en el conjunto
N(h). En este trabajo, los datos se han reubicado en una grilla regular, por lo que varios
pares de puntos estn ubicados a una misma distancia.
Mientras que Cressie propone otro estimador robusto del variograma de acuerdo a
la expresin:
Donde
) (
494 . 0
457 . 0
1
h N c
+ es una correccin por sesgo.
Ambos variogramas estimados se muestran en figura
) h ( N ) s , s (
j i
j i
)) s ( R ) s ( R (
) h ( N
) h (
2
1
2
4
2
1
1
2
'
) h ( N ) s , s (
j i
j i
) s ( R ) s ( R
) h ( N
c ) h (
~
Modelo Terico del Variograma
Los estimadores del variograma vistos, de Cressie y Matheron, no pueden
utilizarse directamente para hacer predicciones espaciales (kriging), ya que han sido
calculados para algunos h.
El problema es que los estimadores obtenidos para el variograma no cumple la
propiedad de ser semidefinido negativo en forma condicional, es decir: si
n
a a a ,..., ,
2 1
son constantes con 0
i
i
a , tenemos ( )
j
j i j i
i
s s a a 0 (Cressie, 1993,
pag. 60)
Para cumplir con este propsito consideraremos el ajuste a una familia vlida que
satisfaga la condicin anterior. El camino ms comn es reemplazar el variograma
emprico por alguna forma paramtrica la cual se conozca que cumpla la propiedad antes
mencionada.
Mediante los estimadores del variograma descritos, se obtiene el valor puntual del
variograma a una distancia h dada. Sin embargo, en la mayora de los anlisis se
requiere conocer todos los valores de la funcin ) h ( . Para ello, se procede al ajuste
del estimador del variograma a una funcin analtica que sea definida negativa en forma
condicional.
A esta funcin se le denomina modelo vlido o terico del variograma (Richard L.
Smith).
Hemos estimado el variograma para un conjunto finito de valores de h y deseamos
ajustar un modelo especificado por una funcin paramtrica ( ) , h en trminos del
vector de parmetros . El modelo puede ser cualquiera de las formas isotrpicas
conocidas.
De acuerdo al variograma estimado de los residuos para valores pequeos de
distancia ajustamos el modelo lineal de la forma:
'
< < +
Rango h si
Rango h si h c c
h
s
2
0
0
) , (
Elegir un variograma apropiado es una tarea dificultosa porque uno debe tener
cuidado en usar modelos vlidos y que si es el espacio de parmetros tal que
cualquier da un modelo espacial vlido.
Uno elige la familia en particular de acuerdo a la observacin del variograma
experimental y finalmente ajusta un miembro de la familia con los datos. Las
herramientas para el chequeo del variograma estimado para la eleccin de la familia
adecuada para el ajuste son grficas.
Con el mtodo de mnimos cuadrados generalizados estimamos los parmetros del
modelo lineal.
De acuerdo al mtodo elegimos un que minimice la expresin
. ( ) ( ) ) ( 2 2 ) ( 2 2
* * 1
V
t
Siendo ) 2 var(
)
V , la matriz de varianzas y covarianzas. Como esta expresin
puede resultar complicada para minimizar Cressie propone una expresin asinttica para
) ( V aproximando los trminos de la diagonal por
{ } )) ( ( 2 ))... 1 ( ( 2 ( var
* *
k h h diag
{ } )) ( ( / ) ); ( ( 2 2 )) ( ( 2 var(
2
*
j h N j h j h
de este modo se emplea el mtodo de mnimo cuadrados pesados como una
aproximacin al mtodo de mnimos cuadrados generalizados.
La expresin a minimizar resulta
'
k
j
) ); j ( h (
)) j ( h (
)) j ( h ( N
1
2
1
)
donde es el estimador del variograma obtenido de acuerdo a las propuestas de
Matheron o de Cressie, y es el modelo terico seleccionado.
Los valores obtenidos fueron
21 . 0 48 . 12 20 . 0
0
Rango c c
s
Tcnica del Pulido de Medianas
Supongamos que: ) ( ) ( ) ( s s s Z +
La tendencia puede expresarse: y x y x s
2 1 0
) , ( ) ( + +
Supongamos que la distribucin del error es simtrico { } ) (s
Entonces: )
~
( ) (
) ( ) ( j j
Z E Z E
Donde
) ( j
Z ,
) ( ~ j
Z es el promedio y mediana respectivamente, de las variables
observadas.
A partir de los datos grillados tendremos:
'
+ +
q l p k q l p k
q l p k Z
Y
kl
kl
,..., 1 , 1 ), 1 ( , ,..., 1 0
,... 1 ; ,..., 1
) 0 (
El Algoritmo resulta:
{
1 ,..., 1 }, ,..., 1 , {
1 ,..., 1 , ,..., 1 }, ,..., 1 , {
1 ,..., 1 }, ,..., 1 , {
,..., 1 , 1 ,..., 1 }, ,..., 1 ,
) 1 ( ) 1 (
) 1 (
) 1 (
) 1 (
) 1 ( ) 1 (
) 1 (
) 1 (
) 1 (
) 1 ( ) 1 (
) 1 ( ) 1 ( ) (
+ +
+
+ +
+
+
+
+
+
+ +
q l p k Y med Y Y
q l p k p k Y med Y Y
p k q l Y med Y Y
q l p k q l Y med Y Y
i
kl
i
l p
i
l p
i
kl
i
kl
i
kl
i
q k
i
q k
i
q k
i
kl
i
kl
i
kl
donde ,.... 2 , 1 i hasta que el proceso converge
q l p k Y c r a Z
kl l kl k
,... 1 , ,... 1 ;
~ ~ ~
) (
+ + +
q l p k Y c Y r Y a
l p l q k k q p
,..., 1 , ,..., 1 ;
~
,
~
,
~
) (
) 1 (
) (
) 1 (
) (
) 1 )( 1 (
+
+ +
Los residuos que se obtienen a partir de esta tcnica se observan en el grfico
siguiente:
A partir de estos residuos se estim el variograma experimental y se ajust
nuevamente un modelo lineal al mismo. Dando los siguientes resultados:
27 . 0 43 . 3 33 . 0
0
Rango c c
s
Propuestas de trabajo futuro
Estimar la matriz de varianzas y covarianzas de acuerdo a la expresin
( ) [ ] [ ]
j i j i
s s s Z s Z (
) ( ), ( v o c
2
Y volver a estimar nuevamente
( ) ( )Z X X X
T T 1
1
1
Bibliografa
1. Cressie, N. Statistics for Spatial Data. Ed. John Wiley & Sons, Inc. 1993.
2. Smith, R. Environmental Statistics. Departamento de Estadstica de Universidad de
Carolina del Norte, febrero 1998.
3. Armstrong, M. Basic Linear Geostatistics, Springer, 1998.