Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 PrediccinEspacial
Sea el campo aleatorio ( ) { }
d
R D s s Z : donde se ha observado el atributo Z
en las ubicaciones
n
s s s , , ,
2 1
y se desear predecir dicho atributo en una
ubicacin no observada, basndose en los valores obtenidos en las muestras
hechas.Lastcnicasdeprediccinespacialsonmodalidadesdeunafamiliade
mtodos llamada Kriging. El nombre se debe al Ingeniero minero D.G. Krige,
quien desarroll en la dcada de los 50, mtodos empricos para predecir
caractersticasdeunaminaenalgunaubicacindeintersdondenoseconocan
datos,usandolascaractersticasconocidasenlugarescercanosdondesihaban
sidotomados.SumtodooriginalesconocidocomoKrigingordinario.
1.1.1 Generalidadessobreelkriging
Elnmerodemuestrastomadas
Lacalidaddelamedicinencadapunto
Las ubicaciones de las muestras en la zona; si las muestras son igualmente
espaciadas se alcanza una mejor cobertura, dando mayor informacin
acerca de la zona que aquella que se obtendra de muestras muy
agrupadas en unos sectores y separadas en otros. Sin embargo, en la
prctica, debido a las caractersticas de las regiones de estudio, muchas
vecesesprecisotomarmuestrasirregularmenteespaciadas.
las distancias entre las muestras; para la prediccin es mas confiable usar
muestras vecinas que muestras distantes, esto es, la precisin mejora
cuando la cercana de las muestras aumenta, y se deteriora cuando esta
disminuye.Laextrapolacinnoesaconsejable.
La continuidad espacial de la variable o atributo en estudio; es ms fcil
estimarelvalorde unavariablebastanteregularenunareginqueuna
quepresentagrandesfluctuaciones.
1.1.2 Introduccinalateoradelkriging
Ejemplo
Supongamos que se tienen las mediciones Z(s1), Z(s2), Z(s3) y Z(s4), en los
puntos s1, s2, s3 y s4 respectivamente, y se requiere predecir el valor Z(s0). El
valorapredecirseubicamascercades2quedecualquierotraubicacindonde
se tenga medicin; por lo tanto, es lgico pensar que Z(s0) es mas parecido a
Z(s2) que a cualquiera de los otros tres valores medidos. De acuerdo a lo
anterior, se puede optar para la prediccin, por una media ponderada de las
cuatromediciones,enlacualZ(s2)tienemayorpesoquecualquierotra,seguida
ensuordenporZ(s4),Z(s3)yporltimoZ(s1).
As,
0 1 1 2 2 3 3 4 4
Donde los
i
, 1,2,3,4 i = son los factores de ponderacin o pesos tales que
2 4 3 1
> > > y
4
1
1
i
i
=
=
*s
1
*s
2
+s
0
*s
3
*s
4
0
1
( ) ( )
n
i i
i
Z s Z s
=
=
Losparmetros
i
sonlosfactoresdeponderacinocoeficientesdeponderacin
ysoncalculadosdeacuerdoalossiguientescriterios:
( ) Z s seainsesgado
0 0
( ( ) ( )) Var Z s Z s seamnima
Noteque
2 2
0 0 0 0 0 0
2
2 2
0 0 0 0 0 0
( ( ) ( )) ( ( ) ( )) ( ( ) ( ))
( ( ) ( )) ( ( ) ( )) ( ( ) ( ))
Var Z s Z s E Z s Z s E Z s Z s
E Z s Z s E Z s Z s E Z s Z s
=
= =
Ahora
[ ]
2 2
0 0 0 0
1 1 1
2
0 0
1 1 1
( ( ) ( )) ( ) ( ) 2 ( ) ( ) ( )
( ) ( ) 2 ( ) ( ) ( )
n n n
i i j j i i
i j i
n n n
i j i j i i
i j i
E Z s Z s E Z s Z s Z s Z s Z s
E Z s Z s E Z s Z s E Z s
= = =
= = =
= +
= +
Sihaestimadoelsemivariogramaobienseconocelafuncindecovarianza,
tambinsetendrnlosvalores
[ ]
2
0 0
( ) ( ) , ( ) ( ) y ( )
i j i
E Z s Z s E Z s Z s E Z s
1.1.3 Clculodelosfactoresdeponderacinparaalgunoscasos
KrigingSimple
Definamoslavariable
( ) ( ) Y s Z s =
donde
eslamediadelavariableenlaregindeestudioyporlotanto
( ) 0 E Y s =
.
Entoncessiahoraencontramoslaprediccinde ( )
0
Y s ,tendremos
( ) ( )
0
1
n
i i
i
Y s Y s
=
=
Y s Y s . Como ( )
0
Y s es desconocido, se minimizar el
errorcuadrticomediodeprediccin;estoes,hayqueminimizar
( ) ( )
( )
2
0 0
E Y s Y s
Quesegnvimosenlaseccinanterior,sepuedeescribircomo
[ ]
[ ]
2 2
0 0 0 0
1 1 1
0
1 1 1
( ( ) ( )) ( ) ( ) 2 ( ) ( ) ( )
2 (0)
n n n
i j i j i i
i j i
n n n
i j i j i i
i j i
E Y s Y s E Y s Z s E Y s Y s E Y s
Cov s s Cov s s Cov
= = =
= = =
= +
= +
( ) ( ) ( )
2
0 0 0
1
2 2 0 i =1 n
n
j i j i
j
i
E Y s Y s Cov s s Cov s s
= =
conlocualquedadefinidounsistemadenecuacionesconnincgnitas.Paraj
( ) 1 j n = arbitrarialaecuacines:
( )
( )
0
1
0
1
2 2 0
n
j i j i
j
n
j i j i
j
Cov s s Cov s s
Cov s s Cov s s
=
=
=
=
Queesunsistemaconnicasolucinenvirtuddelamatrizdecoeficientesla
cualesdefinidapositiva.
AsparapredecirlavariableoriginalZ
( ) ( )
0
1
n
i i
i
Z s Z
=
= +
ylavarianzadelerrordeprediccinqueda
( ) ( )
( )
( ) ( ) ( )
0 0 0
1
n
i i i
i
Var Z s Z s Var Z s Cov s s
=
=
Dedondepodemosconcluirquelavarianzadelerrordeprediccinesmenora
la varianza de la variable en estudio, lo cual es consecuencia del conocimiento
delosparmetrosdelproceso.
KrigingOrdinario
( ) ( )
n
i i
i
Z s Z s
=
=
Alnoconocerlamediaesnecesariogarantizarlapropiedaddeinsesgamiento:
( ) ( ) [ ] ( ) ( )
( ) [ ] ( ) [ ]
1 Cuando
0 1 0 1
0
1
1 1
1 1
0
0
1
0 0
*
=
=
= =
=
=
= =
= =
=
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i i
n
i
i i
s Z E s Z E
s Z s Z E s Z s Z E
( )
E Z Z =
Deestaforma,
( )
1
( )
n
i i
i
E Z s E Z
=
= =
locualesequivalentea
[ ]
1 1
( )
n n
i i i
i i
E Z s
= =
= =
Portanto,esindispensablequesecumplalacondicindeque
1
1
n
i
i
=
=
paraobtenerunestimadorinsesgado.Semantieneiguallasegundacondicin
que es la de mnima varianza; partamos de la expresin ya deducida de la
varianza
[ ]
2 2
0 0 0 0
1 1 1
( ( ) ( )) ( ) ( ) 2 ( ) ( ) ( )
n n n
i j i j i i
i j i
E Z s Z s E Z s Z s E Z s Z s E Z s
= = =
= +
Dondebajolasnuevascondicionessetiene:
( )
2
2 2 2 2
0
( ) ( )
( ) (0)
i j i j
E Z s Z s Cov s s
E Z s Cov
= +
= + = +
Sustituyendoenlavarianzaqueda
( ) ( ) ( )
2 2
0 0
1 1 1 1 1 1
( ( ) ( )) 2 0 2 1
n n n n n n
i j i j i i j i j i
i j i i j i
E Z s Z s Cov s s Cov s s C
= = = = = =
= + + +
pero
2
1 1 1 1
2 1 1 0
n n n n
i j i i
i j i i
= = = =
+ = =
porlapropiedaddeinsesgamiento.
Asquelaexpresinaminimizares
( ) ( ) ( )
1 1 1
2 0
n n n
i j i j i i j
i j i
Cov s s Cov s s C
= = =
+
bajolarestriccin
( )
E Z Z =
SeutilizaparaestoscasoselmtododelosmultiplicadoresdeLagrange:
( )
( ) ( )
1
,
n
i
i i j i j
i
i
Cov s s Cov s s
( )
( ) ( )
1
,
n
i
i i j i j
i
i
Cov s s Cov s s
( ) ( )
1
0
n
i i j i j
i
Cov s s Cov s s
=
=
( ) ( )
1
n
i i j i j
i
Cov s s Cov s s
=
=
( )
1
,
1
n
i
i
i
1
1 0
n
i
i
=
=
1
1
n
i
i
=
=
Dandocomoresultadoelsistemade 1 n + ecuacionesdelkrigingordinario:
( ) ( )
1
n
i i j i j
i
Cov s s Cov s s
=
=
1
1
n
i
i
=
=
Porltimo,lavarianzadelerrordeprediccinparaestecasoes
( ) ( )
( )
( ) ( ) ( )
0 0 0
1
n
i i i
i
Var Z s Z s Var Z s Cov s s
=
= +
que tal como es de esperarse es mayor que la del kriging simple, debido al
desconocimientodelamediadelavariableenestudio.
KrigingOrdinarioparavariablesintrnsecas
( ) ( ) 0 E Z s h Z s + =
( ) ( ) ( )
1
2
h Var Z s h Z s = +
Nuevamente,hayqueimponerlassiguientesrestricciones
Estimacinlineal
0
1
( ) ( )
n
i i
i
Z s Z s
=
=
Insesgamiento
( )
E Z Z =
Mnimavarianza
( ) ( ) ( ) ( )
2
0 0 0 0
Var Z s Z s E Z s Z s
=
esmnima
n
i i
i
Var Z s Z s s s
=
= +
Este es el caso ms general ya que es vlido tanto para variables estacionarias
comoparavariablesintrnsecas.
Engeneral,elkrigingesptimocuandolavariableenestudioprovienedeuna
poblacin con distribucin normal. La alternativa con cual se debe trabajar es
aplicarlealavariableunatransformacinquelalleveaunanormalyapartirde
la nueva variable transformada estimar el semivariograma y aplicarle las
ecuacionesdelkriging.Alfinal,elanlisisrequierellevarlavariableasuescala
original.Uncasoquesurgebastanteencasosprcticoseseldeladistribucin
lognormal.
1. Anlisisdenormalidad
1.1 ANLISISGRFICO
GRFICOSGENERALES
Caractersticasdeladistribucindeprobabilidadnormaltalescomosimetray
apuntamiento, pueden ser ilustradas por los grficos clsicos de la estadstica
descriptiva,comoelhistograma,eldiagramadecajaybigotes,yeldiagramade
tallo y hojas; a continuacin estos grficos para una muestra de una variable
aleatoriacondistribucindeprobabilidadnormal:
5
5
6
0
6
5
7
0
7
5
8
0
8
5
Histogram of x
x
F
r
e
q
u
e
n
c
y
50 55 60 65 70 75 80 85
0
5
0
1
0
0
1
5
0
Grfico1.Diagramadecajaehistogramadeunamuestraaleatoriaprovenientedeuna
distribucindeprobabilidadnormal
Grfico2.DiagramadeTalloyhojasdeunamuestraaleatoriaprovenientedeuna
distribucindeprobabilidadnormal
GRFICOQXQ
Elgrficocuantilcuantil,consisteenlacomparacindeloscuantilesmuestrales
conlospoblacionales,detalformaqueentremassimilaresseanestasdosseries
de datos, mejor ser el ajuste y por lo tanto, se espera que el diagrama de
dispersinentreellosseaproximebastanteaunalnearecta.Lospasosparala
construccindeestegrficosonlossiguientes:
( )
i i
p q
1
=
Grfico3.CuantilCuantilenelcasoenelqueladistribucinnormalajustaadecuadamente
losdatosdelamuestra.
-3 -2 -1 0 1 2 3
2
0
0
0
0
4
0
0
0
0
6
0
0
0
0
8
0
0
0
0
1
0
0
0
0
0
1
2
0
0
0
0
norm quantiles
s
a
l
a
r
i
o
Grfico4.CuantilCuantilenelcasoenelqueladistribucinnormalnorepresentaunbuen
ajusteparalosdatosdelamuestra.
Sibien,elanlisisgrfico,esmuyimportanteeilustrativo,continasiendouna
herramienta de estadstica descriptiva y por tanto no es concluyente. Incluso
cuando se tiene prcticamente la certeza sobre el comportamiento
aproximadamente normal de los datos, es necesaria la aplicacin de inferencia
estadstica, ya que la conclusin es acerca de la distribucin de la variable de
dondeprovienelamuestra.
Acontinuacin,serelacionanvariaspruebasdenormalidad.
1.2 PRUEBASDEHIPTESIS
PRUEBADESHAPIROYWILK
Estapruebasecentraendeterminarlabondaddelajustedeunarectaalgrfico
QQ.Esexclusivaparaprobarnormalidad.
Donde
eslavarianzamuestral,
sonloscoeficientestabuladosparaestapruebay
eseljsimoelementodelamuestraordenada
PRUEBASBASADASENASIMETRAYCURTOSIS
ASIMETRA
Si 50 > n ,elcoeficientedeasimetra,tieneunadistribucindeprobabilidad
asintticamentenormalconparmetros
( ) 0 = As E y ( )
n
As Var
6
=
Porlotanto, ( ) 0,1 N ~
6
n
As
Z =
( ) 0,1 N ~
6
n As
Z =
CURTOSIS
( ) 3 = k E y ( )
n
k Var
24
=
Porlotanto, ( ) 0,1 N ~
24
3
n
k
Z
=
( )
( ) 0,1 N ~
24
3 n k
Z
=
PRUEBADEJARQUEYBERA(JB)
PRUEBADEBONDADDEAJUSTECHICUADRADODEPEARSON
Algoritmo
1. Construirunatabladefrecuencias,lacualenloposiblenotengamenos
de5intervalosyadems,nohayamenosde5datosencadaintervalo.
2. Encontrar las frecuencias esperadas segn , esto es, encontrar
,donde eslaprobabilidaddelintervaloi
3. Calcular el estadstico de prueba y comparar con el cuantil terico
correspondiente
PRUEBADEKOLMOGOROVSMIRNOV
Estapruebacalculaladistanciaentrelafuncindedistribucinmuestral
ylafuncindedistribucintericasupuestaenla ,
Algoritmo
1. Encontrarladistribucindefrecuenciasmuestral
Conbaseenlamuestraordenada
2. Encontrarlacorrespondientedistribucinterica
3. Calcularelestadsticodeprueba
Sudistribucinexactaseencuentratantoenlosprogramasestadsticos
comoenvarioslibrosdeestadsticanoparamtrica.
Nota1
Cuandolosparmetrosdelafuncinsonestimadosdelamuestra,esnecesario
aplicarlacorreccindeLillieforsaladistribucindel .
LaformageneraldelafamiliadetransformacionesBoxCoxeslasiguiente:
Si 0 >
i
y ; i , n i , , 1 = .Sedefinelanuevavariable
( )
y como
=
0 para log
0 para
1
) (
y
y
y
Enelcasoenelcualnosecumpla 0 >
i
y ; i , n i , , 1 = sepuederealizaruna
traslacindelavariabley;enestecasoquedara
( )
( )
( )
= +
+
= +
0 para log
0 para
1
) (
m y
m y
m y
Lajustificacinparaquelatransformacinsea logy 0 para = es el uso de la
regla de Lhospital:
eslaestimacinmximoverosmildelavarianzadelavariable .