Martn A.

Daz Viera

y no depende de la escala espacial. Por este motivo, el modelo propuesto es conocido como
modelo de correlacin intrnseco.
Un modo de verificar la existencia de correlacin intrnseca se basa precisamente en la
propiedad anterior. Para lo cual se calcula y grafica el coeficiente de codispersin el cual se
define como:
ccij ( h ) =

ij ( h )
ii ( h ) jj ( h )

(5.80)

Si el coeficiente de codispersin es constante para todo i j , esto es un indicador de que la

correlacin no depende de la escala espacial y por lo tanto se puede considerar un modelo
de correlacin intrnseca.
El modelo lineal asociado al modelo de correlacin intrnseco se escribe como:
Z ( x ) = AY ( x )

(5.81)

o equivalentemente
p

Z i ( x ) = aijY j ( x )

(5.82)

donde A es la matriz n p de los coeficientes de la transformacin lineal aij ,

Y ( x ) = Y1 ( x ) , Y2 ( x ) ,..., Yp ( x ) es un vector de p funciones aleatorias estacionarias de
T

segundo orden no correlacionadas (independientes entre s), cuya funcin directa de

correlacin ( h ) no depende del ndice j .
Para un modelo de correlacin intrnseco dado existen muchas matrices A que
T

satisfacen V = A A , pero el modo natural para obtener los coeficientes de la transformacin

Ec. (5.82) lo ofrece el Anlisis de Componentes Principales (ACP), el cual est basado en
la descomposicin en valores propios de la matriz de covarianzas V y los factores Y j ( x )
pueden ser interpretados como componentes principales. Estas componentes se obtienen
imponiendo la condicin de que expliquen en una proporcin elevada (usualmente 80% o
ms) la varianza total Z2 del vector de funciones aleatorias Z ( x ) .
El objetivo que persigue el anlisis de componentes principales es transformar el vector de
funciones aleatorias correlacionadas Z ( x ) de dimensin n a un vector de funciones
aleatorias (componentes principales) no correlacionadas Y ( x ) de dimensin p , donde se
espera que p  n .

77