Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LIBRO - DE - GEOESTADISTICA-R Giraldo PDF
LIBRO - DE - GEOESTADISTICA-R Giraldo PDF
GEOESTADISTICA
7 30' W
MAR CARIBE
Boca de la
Barra
300
C. Clarn 280
260
240
220
R. Sevilla 200
C. Grande
180
160
R. 140
Ar
ac
at 120
ac 10 45' N
a
R. Fundacion
Teora y Aplicacin
UNIVERSIDAD
NACIONAL
DE COLOMBIA
Sede Bogot
Facultad de Ciencias
Departamento de Estadstica.
INTRODUCCION A LA
GEOESTADISTICA
7 30' W
MAR CARIBE
Boca de la
Barra
300
C. Clarn 280
260
240
220
R. Sevilla 200
C. Grande
180
160
R. 140
Ar
a ca
ta 120
ca 10 45' N
R. Fundacion
Teora y Aplicacin
2
Contenido
Prefacio
Introduccin
3
4. Prediccin Espacial
5. Temas Especiales.
6. Apndice
7. Referencias.
4
Prefacio
1
Proyecto "Anlisis y aplicacin de tcnicas geoestadsticas en la modelacin de procesos estocsticos
relacionados con variables ecolgicas en ambientes estuarinos", cofinanciado por INVEMAR y
COLCIENCIAS.
5
Introduccin
6
En el tercer captulo se describen los procedimientos empleados para identificar de
manera experimental (con base en datos muestrales) la estructura de autocorrelacin
espacial, para algunas distancias dadas, de un conjunto de datos de una variable. Se muestra
tambin como generalizar dicha estructura para cualquier distancia entre los sitios de
observacin. Una vez detectada la autocorrelacin espacial, el siguiente paso es la
prediccin en sitios de la regin de estudio donde no se ha hecho medicin de la variable de
inters. Esto es llevado a cabo por medio de alguno de los procedimientos kriging que son
descritos en el captulo cuatro. Por ltimo, en el captulo cinco, se hace referencia a temas
especiales dentro del anlisis geoestadstico como cokriging, componentes principales
regionalizados, diseo de redes de muestreo y simulacin. En cada seccin del documento,
despus de que han sido expuestos los aspectos tericos esenciales de cada tcnica, se
muestran aplicaciones practicas.
7
Captulo Uno
Datos Espaciales y Anlisis Exploratorio
8
Lattices (enmallados): Las ubicaciones s pertenecen a un conjunto D discreto y son
seleccionadas por el investigador (D fijo). Estas pueden estar regular o irregularmente
espaciadas. Algunos ejemplos de datos en lattices son los siguientes: Tasa de morbilidad
de hepatitis en Colombia medida por departamentos, tasa de accidentalidad en sitios de una
ciudad, produccin de caa de azcar en el departamento del Valle del Cauca segn
municipio, colores de los pixeles en interpretacin de imgenes de satlite. En los ejemplos
anteriores se observa que el conjunto de ubicaciones de inters es discreto y que estas
corresponden a agregaciones espaciales ms que a un conjunto de puntos del espacio. Es
obvio que la interpolacin espacial puede ser carente de sentido con este tipo de datos.
Patrones Espaciales: las ubicaciones pertenecen a un conjunto D que puede ser
discreto o continuo y su seleccin no depende del investigador (D aleatorio). Ejemplos de
datos dentro de esta rea son: Localizacin de nidos de pjaros en una regin dada, puntos
de imperfectos dentro de una placa metlica, ubicacin de los sitios de terremoto en
Colombia o cuadrantes de una regin con presencia de una especie particular. Debe notarse
que en los ejemplos anteriores hay aleatoriedad en la seleccin de los sitios, puesto que la
ubicacin de los nidos de los pjaros, de los imperfectos dentro de la placa metlica, de los
sitios de terremoto o de los cuadrantes con presencia de la especie, no dependen del
criterio del investigador. Una vez se ha hecho la seleccin de sitios es posible hacer
medidas de variables aleatorias en cada uno de ellos. Por ejemplo si en primera instancia se
establece la ubicacin de rboles de pino dentro de un bosque, es posible que sea de inters
medir en cada uno de los rboles el dimetro o la altura. En general el propsito de anlisis
en estos casos es el de determinar si la distribucin de los individuos dentro de la regin es
aleatoria, agregada o uniforme.
1.3. Datos Georrferenciados
Las mediciones de las caractersticas de inters en un estudio regionalizado tienen
implcitamente asociadas las coordenadas de los sitios en donde estas fueron tomadas.
Cuando el rea de estudio es considerablemente grande se usa un geoposicionador para
establecer dichas coordenadas. En otros casos, por ejemplo en diseos experimentales con
parcelas, es suficiente con hacer asignaciones segn planos cartesianos. Un esquema
general de datos georreferenciados es el siguiente:
Sitio Latitud Longitud X1 X2 . . . Xp
Norte Este
1 x11 x12 . . . x1p
2 x21 x22 . . . x2p
3 x31 x32 . . . x3p
4 x41 x42 . . . x4p
. . . . . . .
. . . . . . .
. . . . . . .
n xn1 xn2 . . . xnp
9
pueden estar ms intensamente muestreadas que las otras (xij faltantes). Las coordenadas
pueden ser planas, geogrficas (grados, minutos y segundos) o cartesianas. Sin embargo la
posible utilizacin de unas u otras depende del software empleado para los anlisis.
1.4. Justificacin del Anlisis Exploratorio de Datos Espaciales .
En la aplicacin de la geoestadstica es de suma importancia, al igual que en otros
procedimientos estadsticos (por ejemplo los modelos ARIMA dentro de la teora de series
de tiempo), el anlisis grfico. La identificacin de valores extremos y su ubicacin
geogrfica, la evaluacin de la forma de la distribucin y el clculo de medidas de
localizacin, variabilidad y correlacin es muy importante para establecer si algunos
supuestos necesarios para la aplicacin de la teora geoestadstica son vlidos o para definir
que procedimiento de prediccin es el ms conveniente. Por ejemplo, como se ver en el
captulo cuatro, la decisin de usar kriging ordinario o kriging universal se fundamenta en
identificar si la media es o no constante en la regin. El uso de kriging log-normal se basa
en un criterio emprico relacionado con la forma asimtrica de la distribucin de los datos
muestrales. La decisin de emplear cokriging depende de la deteccin de asociaciones
entre las variables.
1.5. Grficos Exploratorios
Al igual que en un estudio exploratorio clsico, cuando se dispone de informacin
georreferenciada se pueden emplear histogramas, diagramas de tallos y hojas y de caja y
bigotes (Hoaglin et al., 1983) con el propsito de identificar localizacin, variabilidad,
forma y observaciones extremas. Adicionalmente los grficos de dispersin son muy tiles
tanto para la deteccin de relaciones entre las variables como para la identificacin de
tendencias en el valor promedio de la variable en la regin (relacin entre la variable
medida y las coordenadas geogrficas). Un supuesto fundamental en el anlisis
geoestadstico es que el fenmeno es estacionario, para lo cual, entre otros aspectos, el
nivel promedio de la variable debe ser constante en todos los puntos del rea de estudio.
Una deteccin de tendencia en el grfico de dispersin puede ser una muestra de que no se
satisface dicho supuesto. El grfico se construye tomando como eje de las abcisas la
variable que representa la coordenada geogrfica y en el eje de las ordenadas la variable
cuantitativa de estudio. La observacin de la nube de puntos resultante, incluso el ajuste de
una lnea de regresin, permite establecer de manera emprica si existe dicha tendencia. Un
grfico de dispersin entre valores de la variable separados por una distancia espacial dada
(dispersograma rezagado) es til en la deteccin de autocorrelacin espacial. Otro grfico
que tradicionalmente se emplea en la descripcin de datos espaciales es el de datos
clasificados segn puntos de referencia (media, mediana, cuartles). Este permite comparar
zonas del sistema de estudio respecto a las magnitudes de las variables.
10
1.6 Aplicacin: Estudio exploratorio de la distribucin de datos fisicoqumicos y
biolgicos medidos en el estuario Cinaga Grande de Santa Marta en Marzo de 1997.
Figura 1. rea de estudio y cuadrculas en que fue subdividido el sistema Cinaga Grande de Santa Marta
para realizar la toma de muestras. Cada una de las 115 cuadrculas tiene un rea de 4 km2. Los datos fueron
tomados en el centro de cada una de ellas.
11
Tabla 1. Medidas de localizacin y variabilidad de algunas variables medidas en la superficie de la columna
de agua del estuario Cinaga Grande de Santa Marta en Marzo de 1997.
Medida Salinidad Seston (mg/l) Nitritos (umol/l) Silicatos Clorofila a
(umol/l) (ug/l)
Media 17.6 218.28 0.436 244.94 132.44
Mediana 16.9 215 0.350 251.83 137.37
Mnimo 13.02 103 0.01 10.98 2.91
Mximo 34.9 318 1.61 358 198.3
Cuartl Inferior. 15.97 191 0.210 226.52 124.43
Cuartl Superior. 18.04 248 0.6 278.43 149.29
Desviacin Estndar 2.79 41.1 0.309 61.43 31.30
Coeficiente de Variacin 16.1 18.8 70.8 25.07 23.7
7
Medida Estandarizada
5
3
1
-1
-3
-5
Salinidad Seston Nitritos Silicatos Clorofila
Variable
Figura 2. Diagramas de caja de algunas variables medidas en la superficie de la columna de agua del estuario
Cinaga Grande de Santa Marta en Marzo de 1997. Las variables fueron estandarizadas antes de construir los
diagramas.
12
la entrada del ro Fundacin) en el comportamiento de esta variable. Los valores
relativamente altos, respecto a los antes descritos, en la zona occidental pueden ser
consecuencia del proceso de lavado de suelos hipersalinos que se da en poca de lluvias en
el complejo Pajarales (sistema con el que tiene frontera la Cinaga) y que llegan al sistema
a travs de los Canales Grande y Clarn (Fig. 5). Los valores "altos" en la zona sur pueden
ser de igual forma causados por la influencia del canal Grande y por circulacin de las
masas de agua dentro del sistema (contrario a las manecillas del reloj)
13
a). Salinidad b). Seston
e). Clorofila a.
Bajo 2,11,17,43,54,58,75
8 9 7
10 10 04
21 11 01233334579
41 12 00033444666677788899
(18) 13 001124444556788889
47 14 001111123334444567899
26 15 0011333444467788
10 16 0266
6 17 00138
Alto 198
Figura 3. Diagramas de tallos y hojas de algunas variables medidas en la superficie de la columna de agua
del estuario Cinaga Grande de Santa Marta en Marzo de 1997.
14
35
30
Salinidad (o/oo)
25
20
15
10
5
0
1675000 1680000 1685000 1690000 1695000 1700000 1705000 1710000
Latitud Norte
35
30
Salinidad (o/oo)
25
20
15
10
5
0
950000 955000 960000 965000 970000 975000 980000
Longitud Este
Figura 4. Grficos de dispersin de valores de salinidad respecto a las coordenadas geogrficas de medicin.
Datos tomados en la superficie de la columna de agua del estuario Cinaga Grande de Santa Marta en Marzo
de 1997.
15
7 30' W
MAR CARIBE
Boca de la
Barra
C. Clarn
13.00 to 16.40
16.40 to 17.30
17.30 to 18.40
18.40 to 35.00
R. Sevilla
C. Grande
R.
Ar
ac
at
ac
a
10 45' N
R. Fundacion
Tabla 2. Matriz de correlacin calculada con base en informacin de algunas variables fisicoqumicas y
biolgicas medidas en el estuario Cinaga Grande de Santa Marta en marzo de 1997. Los coeficientes que
aparecen en negrita son significativos.
Salinidad Seston Nitritos Silicatos Clorofila a
Salinidad 1 -0.09 -0.10 -0.60 -0.47
Seston 1 -0.33 0.06 0.45
Nitritos 1 -0.08 -0.23
Silicatos 1 0.46
Clorofila a 1
16
Captulo Dos
Definiciones Bsicas de Geoestadstica
17
aleatorias pueden representar la magnitud de una variable ambiental medida en un conjunto
de coordenadas de la regin de estudio.
2.3. Momentos de una Variable Regionalizada
Sea {Z(x) : x D Rd}el proceso estocstico que define la variable regionalizada.
r
Para cualquier n puntos x1, x2, ..., xn, el vector aleatorio Z ( x ) = [Z ( x1 ), Z ( x 2 ), L, Z ( x n )]
T
[ ]
C (Z ( xi ), Z (x j )) = E [Z ( xi ) m( xi )] Z (x j ) m(x j ) : Funcin de autocovarianza
1
(Z ( xi ), Z (x j )) =
2
[ ]
E Z ( xi ) Z (x j ) : Funcin de semivarianza
2
2.4. Estacionariedad
La variable regionalizada es estacionaria si su funcin de distribucin conjunta es
invariante respecto a cualquier translacin del vector h, o lo que es lo mismo, la funcin de
r
distribucin del vector aleatorio Z ( x ) = [Z ( x1 ), Z ( x 2 ), L, Z ( x n )] es idntica a la del vector
T
r
Z ( x ) = [Z ( x1 + h ), Z ( x 2 + h ), L, Z ( x n + h )] para cualquier h. La teora geoestadstica se
T
18
La existencia de la covarianza implica que la varianza existe, es finita y no depende de
h, es decir V (Z ( xi )) = C (0) = 2 . As mismo la estacionariedad de segundo orden implica
la siguiente relacin entre la funcin de semivarianza y la de autocovarianza:
1 2
(Z ( x + h ), Z ( x )) = (h ) = E [Z ( x + h ) m Z ( x ) + m]
2
1
=
2
{ 2 2
}
E (Z ( x + h ) m ) + E (Z ( x ) m ) 2 E (Z ( x + h ) m )(Z ( x ) m )
1 1
= 2 + 2 E{(Z ( x + h ) m )(Z (x ) m )}
2 2
= C (h ) .
2
Figura 6. Representacin de una superficie interpolada para una variable regionalizada estacionaria
Existen algunos fenmenos fsicos reales en los que la varianza no es finita. En estos
casos se trabaja slo con la hiptesis que pide que los incrementos [Z(x+h) - Z(x)] sean
estacionarios, esto es (Clark, 1979):
a. Z(x) tiene esperanza finita y constante para todo punto en el dominio. Lo que implica que
la esperanza de los incrementos es cero.
E [Z (x + h ) Z ( x)] = 0
b. Para cualquier vector h, la varianza del incremento est definida y es una funcin nica
de la distancia.
2
V [ Z(x+h) - Z(x)] = E [Z ( x + h) Z ( x )] = 2 (h)
19
Es claro que si una variable regionalizada es estacionaria fuerte entonces tambin ser
estacionaria dbil. El concepto de estacionariedad es muy til en la modelacin de series
temporales (Box & Jenkins, 1976). En este contexto es fcil la identificacin, puesto que
slo hay una direccin de variacin (el tiempo). En el campo espacial existen mltiples
direcciones y por lo tanto se debe asumir que en todas el fenmeno es estacionario. Cuando
la esperanza de la variable no es la misma en todas las direcciones o cuando la covarianza o
correlacin dependan del sentido en que se determinan, no habr estacionariedad. Si la
correlacin entre los datos no depende de la direccin en la que esta se calcule se dice que
el fenmeno es isotrpico, en caso contrario se hablar de anisotropa. En Isaaks y
Srivastava (1989) se definen los posibles tipos de anisotropa y se proponen algunas
soluciones. Cressie (1993) discute cual debe ser el tratamiento en caso de que la media no
sea constante.
En casos prcticos resulta compleja la identificacin de la estacionariedad. Suelen
emplearse grficos de dispersin de la variable respecto a las coordenadas, de medias
mviles y de valores clasificados segn puntos de referencia, con el propsito de identificar
posibles tendencias de la variable en la regin de estudio. L a isotropa es estudiada a travs
del clculo de funciones de autocovarianza o de semivarianza muestrales (captulo3) en
varias direcciones. Si estas tienen formas considerablemente distintas puede no ser vlido el
supuesto de isotropa. Finalmente una variable regionalizada ser no estacionaria si su
esperanza matemtica no es constante, esto es si E [Z ( x )] = m( x ) . En la figura 7 se
representa una variable regionalizada en la que existe tendencia en el valor promedio de la
variable, lo cual es claro indicador de no estacionariedad.
Figura 7. Representacin de una superficie interpolada para una variable regionalizada no estacionaria
20
Captulo Tres
Correlacin Espacial Muestral y Ajuste de Modelos
= E ((Z ( x + h) Z ( x ) ) ).
2
( h) =
(Z ( x + h) Z ( x)) 2
2n
donde Z(x) es el valor de la variable en un sitio x, Z(x+h) es otro valor muestral separado
del anterior por una distancia h y n es el nmero de parejas que se encuentran separadas por
dicha distancia. La funcin de semivarianza se calcula para varias distancia h. En la
prctica, debido a irregularidad en el muestreo y por ende en las distancias entre los sitios,
se toman intervalos de distancia {[0, h], (h, 2h], (2h, 3h], L} y el semivariograma experimental
corresponde a una distancia promedio entre parejas de sitios dentro de cada intervalo y no a
una distancia h especfica. Obviamente el nmero de parejas de puntos n dentro de los
intervalos no es constante.
Para interpretar el semivariograma experimental se parte del criterio de que a menor
distancia entre los sitios mayor similitud o correlacin espacial entre las observaciones. Por
ello en presencia de autocorrelacin se espera que para valores de h pequeos el
21
semivariograma experimental tenga magnitudes menores a las que este toma cuando las
distancias h se incrementan.
3.1.2. Covariograma y Correlograma.
La funcin de covarianza muestral entre parejas de observaciones que se encuentran a
una distancia h se calcula, empleando la formula clsica de la covarianza muestral, por:
n
( Z ( x + h)m)(Z ( x) m)
C (h ) = COV (Z ( x + h), Z ( x) ) = i =1
n
n
(Z ( x + h) Z ( x ) )
= i =1
m 2 = C (h)
n
22
44 40 42 40 39 37 36
42 43 42 39 39 41 40 38
37 37 37 35 38 37 37 33 34
35 38 35 37 36 36 35 200
36 35 36 35 34 33 32 29 28
38 37 35 30 29 30 32
100
Tabla 3. Valores de la funcin de semivarianza experimental en dos direcciones para el conjunto de datos
hipotticos.
Distancia Semivarianza Semivarianza
Sentido Izquierda-Derecha Sentido Inferior-Superior
100 1.45 5.34
200 3.30 9.87
300 4.31 18.88
400 6.69 27.53
23
30
Semivarianza
25
20
Izq.-Der.
15
Inf.-Sup.
10
5
0
0 100 200 300 400 500
Distancia
Figura 8. Funcin de semivarianza experimental en dos direcciones para un conjunto de datos hipotticos.
Como se ver a partir del captulo cuatro la solucin del problema de prediccin
espacial kriging requiere del conocimiento de la estructura de autocorrelacin para
cualquier posible distancia entre sitios dentro del rea de estudio. En la presentacin del
semivariograma experimental dada anteriormente se indic que este es calculado slo para
algunas distancias promedios particulares. Por ello se hace necesario el ajuste de modelos
que generalicen lo observado en el semivariograma experimental a cualquier distancia.
Existen diversos modelos tericos de semivarianza que pueden ajustarse al semivariograma
experimental. En Samper y Carrera (1990) se presenta una discusin respecto a las
caractersticas y condiciones que stos deben cumplir. En general dichos modelos pueden
dividirse en no acotados (lineal, logartmico, potencial) y acotados (esfrico, exponencial,
gaussiano) (Warrick et al., 1986). Los del segundo grupo garantizan que la covarianza de
los incrementos es finita, por lo cual son ampliamente usados cuando hay evidencia de que
presentan buen ajuste. Todos estos modelos tienen tres parmetros comunes (Fig. 9) que
son descritos a continuacin:
Efecto Pepita
Es la cota superior del semivariograma. Tambin puede definirse como el limite del
semivariograma cuando la distancia h tiende a infinito. La meseta puede ser o no finita. Los
semivariogramas que tienen meseta finita cumplen con la hiptesis de estacionariedad
fuerte; mientras que cuando ocurre lo contrario, el semivariograma define un fenmeno
natural que cumple slo con la hiptesis intrnseca. La meseta se denota por C1 o por (C0 +
C1) cuando la pepita es diferente de cero. Si se interpreta la pepita como un error en las
mediciones, esto explica porque se sugiere que en un modelo que explique bien la realidad,
la pepita no debe representar mas del 50% de la meseta. Si el ruido espacial en las
24
mediciones explica en mayor proporcin la variabilidad que la correlacin del fenmeno,
las predicciones que se obtengan pueden ser muy imprecisas. En la figura 9 se representa
este parmetro para el caso de uno de los modelos acotados.
2,0
Meseta (C0 + C1)
1,6
Semivarianza
1,2 SEMEXP
MODELO
0,8
Figura 9. Comportamiento tpico de un semivariograma acotado con una representacin de los parmetros
bsicos. SEMEXP corresponde al semivariograma experimental y MODELO al ajuste de un modelo terico.
Rango
Tiene un crecimiento rpido cerca al origen (Fig. 10), pero los incrementos marginales
van decreciendo para distancias grandes, hasta que para distancias superiores al rango los
incrementos son nulos. Su expresin matemtica es la siguiente:
3 h 1 h 3
C 0 + C1 h a
( h )= 2a 2a
C
0 + C1 h>a
25
3.2.2. Modelo Exponencial
3h
(h) = C0 + C1 1exp
a
30
25
Semivariograma
20
Esfrico
15 Exponencial
Gaussiano
10
0
0 50 100 150 200 250 300
Distancia(h)
Figura 10. Comparacin de los modelos exponencial, esfrico y Gaussiano. La lnea punteada vertical
representa el rango en el caso del modelo esfrico y el rango efectivo en el de los modelos exponencial y
gaussiano. Este tiene un valor de 210, respecto a una escala simulada entre 0 y 300. El valor de la meseta es
30 y el de la pepita 0. El 95% de la meseta es igual a 28.5.
26
Su frmula matemtica es la siguiente:
( h) = kh 0<<2
Obviamente cuando el parmetro es igual a uno el modelo es lineal y k representa la
pendiente de la ecuacin de regresin con intercepto cero. Grficamente se pueden
representar as:
160
140
120
Semivarianza
40
20
0
0 5 10 15 20 25 30 35
Distancia (h)
C0
Figura 12. Modelo de semivarianza terico para variables sin correlacin espacial.
27
La estimacin de los parmetros de los modelos tericos descritos puede ser llevada a
cabo, entre otros mtodos, por mxima verosimilitud (Cressie, 1993) o regresin no lineal
(Gotway, 1991). Algunos paquetes de computo geoestadsticos como GS+ (Gamma Design
Software, 1999) traen incorporados procedimientos iterativos como el de Gauss-Newton
para llevar a cabo la estimacin. Otros como GeoEAS (Englund y Sparks, 1988) slo
permiten el ajuste a sentimiento por el mtodo de ensayo y error.
Como se mencion en la seccin 4.2. cuando la autocorrelacin no es igual en todas las
direcciones entonces se dice que hay anisotropa. Esa puede ser geomtrica o zonal. La
primera se presenta cuando los semivariogramas calculados en varias direcciones tienen
igual meseta pero varan en el rango. En el segundo caso todos los semivariogramas
direccionales tiene igual rango pero diferente meseta. Algunas transformaciones apropiadas
para solucionar la anistropa y hacer vlida la construccin de un semivariograma
omnidireccional se pueden encontrar en Isaaks y Srivastava (1989), Samper y Carrera
(1990) y Cressie (1993) .
28
(a ) ( b)
25 16
14
Semivarianza
20
Semivarianza 12
15 10
8
10 6
4
5
2
0 0
0 5000 1 0 0 00 1 5 00 0 2 0 00 0 0 2000 4000 60 0 0 8 0 00 1 0 0 00 12000 14 0 0 0
D is t a n c ia (m ) D is ta n c ia ( m )
(c ) ( d)
2500 0 .1 4
0 .1 2
Semivarianza
Semivarianza
2000
0 .1
1500 0 .0 8
1000 0 .0 6
0 .0 4
500
0 .0 2
0 0
0 5 0 00 1 0 00 0 1 5 00 0 2 0 00 0 2 5 00 0 0 5 00 0 1 00 0 0 15 0 0 0 20 0 0 0 25000
D is t an c ia ( m ) D is ta n c ia ( m )
(e ) ( f)
1200 0 .2
1000
Semivarianza
Semivarianza
0 .1 5
800
600 0 .1
400
0 .0 5
200
0 0
0 5 0 00 1 0 00 0 1 5 00 0 2 0 00 0 0 5 00 0 1 00 0 0 15 0 0 0 20 0 0 0 25000
D is t an c ia ( m ) D is ta n c ia ( m )
Figura 13. semivariogramas experimentales (calculados con los datos muestrales) y ajustes de modelos tericos para las variables medidas en la superficie de la
columna de agua de la Cinaga Grande de Santa Marta en marzo de 1997. a) salinidad; b)oxgeno; c) slidos en suspensin; d) nitritos; e) clorofila a;
f)profundidad.
29
(a) (b)
14 6
12 5
Semivarianza
Semivarianza
10
4
8
3
6
4 2
2 1
0 0
0 5000 10000 15000 20000 0 2000 4000 6000 8000 10000 12000 14000
Distancia (m) Distancia (m)
(c) (d)
2500 0.2
Semivarianza
2000
Semivarianza
0.15
1500
0.1
1000
500 0.05
0 0
0 5000 10000 15000 20000 0 5000 10000 15000 20000
Distancia (m) Distancia (m)
(e) (f)
1400 0.0016
1200 0.0014
Semivarianza
Semivarianza
1000 0.0012
800 0.001
0.0008
600
0.0006
400 0.0004
200 0.0002
0 0
0 5000 10000 15000 20000 0 5000 10000 15000 20000 25000
Distancia (m) Distancia (m)
Figura 14. Semivariogramas experimentales (calculados con los datos muestrales) y ajustes de modelos tericos para las variables medidas en el fondo de la
columna de agua de la Cinaga Grande de Santa Marta en marzo de 1997. a) salinidad; b)oxgeno; c) slidos en suspensin; d) nitritos; e) clorofila a; f)
transparencia.
30
Tabla 4. Modelos tericos ajustados a semivariogramas experimentales de variables fisicoqumicas y
biolgicas medidas en dos niveles de la columna de agua de la Cinaga Grande de Santa Marta, durante una
jornada de muestreo realizada en marzo de 1997.
Variable Nivel Modelo Pepita Meseta Rango (m) r2
31
Capitulo Cuatro
Prediccin Espacial
anterior indica que para encontrar el predictor ptimo se requiere conocer la distribucin
conjunta de la n+1 variables aleatorias.
2
La palabra estimacin es utilizada exclusivamente para inferir sobre parmetros fijos pero desconocidos;
prediccin es reservada para inferencia sobre cantidades aleatorias.
3
Algunos textos indican que en espaol la palabra adecuada sera krigeado.
32
Los mtodos kriging se aplican con frecuencia con el propsito de prediccin, sin
embargo estas metodologas tienen diversas aplicaciones, dentro de las cuales se destacan
la simulacin y el diseo de redes ptimas de muestreo (captulo 5).
4.3. Kriging Ordinario
Suponga que se hacen mediciones de la variable de inters Z en los puntos xi, i= 1,
2,..., n, de la regin de estudio, es decir se tienen realizaciones de las variables Z(x1), . . . ,
Z(xn), y se desea predecir Z(xo), en el punto x0 donde no hubo medicin. En esta
circunstancia, el mtodo kriging ordinario propone que el valor de la variable puede
predecirse como una combinacin lineal de las n variables aleatorias as:
Z*(x0) = 1 Z(x1) + 2 Z(x2) + 3 Z(x3) + 4 Z(x4) + 5 Z(x5) + . . . + n Z(xn)
n
= i Z ( xi )
i =1
en donde los i representan los pesos o ponderaciones de los valores originales. Dichos
pesos se calculan en funcin de la distancia entre los puntos muestreados y el punto donde
se va a hacer la correspondiente prediccin. La suma de los pesos debe ser igual a uno para
que la esperanza del predictor sea igual a la esperanza de la variable. Esto ltimo se conoce
como el requisito de insesgamiento.
Estadsticamente la propiedad de insesgamiento se expresa a travs de:
( )
E Z * (x 0 ) = E (Z (x 0 ))
E (Z (x )) = m
i =1
i i
m = m
i =1
i
n n
m i =1
i =m
i =1
i =1
Se dice que Z*(x0) es el mejor predictor, lineal en este caso, porque los pesos se obtienen
de tal manera que minimicen la varianza del error de prediccin, es decir que minimicen la
expresin:
(
V Z * ( x 0 ) Z (x 0 ) )
33
Esta ltima es la caracterstica distintiva de los mtodos kriging, ya que existen otros
mtodos de interpolacin como el de distancias inversas o el poligonal, que no garantizan
varianza mnima de prediccin (Samper y Carrera, 1990). La estimacin de los pesos se
n
obtiene minimizando V [Z * (x0 ) Z(x0 )] sujeto a i =1 .
i =1
n
De lo anterior COV [ Z * ( x0 ),Z ( x0 )] =COV i Z ( xi ),Z ( x0 )
i =1
n n
=
i =1
i COV [ Z ( x i ), Z ( x 0 )] = C
i =1
i i0
n
Luego se debe minimizar la funcin anterior sujeta a la restriccin i =1 . Este problema
i =1
de minimizacin con restricciones se resuelve mediante el mtodo de multiplicadores de
Lagrange.
n n n n
k2 = i j Cij 2 iCi0 + 2 +
2{ i 1
i =1 j =1 i =1 Multiplica dor 1i =1
4 2 43
de Lagrange
0
Siguiendo el procedimiento acostumbrado para obtener valores extremos de una funcin, se
deriva e iguala a cero, en este caso con respecto a i y :
n n n n n
( k2 )
(12 C11 + 21
j C1 j + i j C ij )2 i C i 0 + 2 + 2
i =1
i 1
j =2 i = 2 j =1 i =1
=
1 1
n
= 21C11 + 2 j C1 j 2C10 + 2
1444 j =2
424444 3
n n
=2
j =1
j C1 j 2C10 +2 = 0 C
j =1
j 1j + = C10 (1)
34
De manera anloga se determinan las derivadas con respecto a 2 , ..., n :
( k2 ) n n
2 j =1
= 2 j C 2 j 2C 20 + 2 = 0 C
j =1
j 2j + = C 20 (2)
( k2 ) n n
n j =1
= 2 j C nj 2C n 0 + 2 = 0 C
j =1
j nj + = C n 0 (3)
( k2 ) n n
= 2 i 2 = 0
i =1
i =1
1 = 1 (4)
De (1), (2), (3), (4) resulta un sistema de (n + 1) ecuaciones con (n + 1) incgnitas, que
matricialmente puede ser escrito como:
C11 . . . C1n 1 1 C10
. . . . . .
. . . . . .
=
. . . . . .
C n1 . . . C nn 1 n C n0
1 . . . 1 0 1
Cij = Ci0
por lo cual los pesos que minimizan el error de prediccin se determinan mediante la
funcin de covariograma a travs de:
= Cij -1 Ci0.
Encontrando los pesos se calcula la prediccin en el punto xo. De forma anloga se procede
para cada punto donde se quiera hacer prediccin.
Varianza de Prediccin del Kriging Ordinario
Multiplicando (1), (2) y (3) por i se obtiene:
n
i C + = i C i0 i, i = 1, 2, L , n.
i ij
j =1
i =1
i
j =1
i C ij +
i =1
i = C
i =1
i io
n n n n
C
i =1 j =1
i i ij = C
i =1
i io
i =1
i
35
n n n
k2 = 2 + i =1
i C i0
i =1
i 2 Ci =1
i i0
n
k2 = 2 C
i =1
i i0 (5)
Reemplazando (6) en (1), (2) y (3) se determinan los pesos ptimos en trminos de la
funcin de semivarianza:
( k2 ) n n
1
= j C1 j + C10 =
j =1
j =1
j (
2
1 j ) + ( 2 10 )
1 n
= 2
j =1
j
j =1
j 1j + 2 + 10
n n
= 2
j =1
j 1 j + 2 + 10
j =1
j 1j = 10
36
Similarmente,
( k2 ) n
2
= j =1
j 2j = 20
( k2 ) n
n
= j =1
j nj = n0
El sistema de ecuaciones se completa con (4). De acuerdo con lo anterior los pesos se
obtienen en trminos del semivariograma a travs del sistema de ecuaciones:
11 . . . 1n 1 1 10
. . . . . .
. . . . . .
=
. . . . . .
n1 . . . nn 1 n n 0
1 . . . 1 0 1
Para establecer la expresin de la correspondiente varianza del error de prediccin en
trminos de la funcin de semivarianza se reemplaza (6) en (5), de donde:
n
k2 = 2
( i
2
)
ij +
i =1
n n
k2 = 2 2
i =1
i +
i =1
i ij +
n
k2 =
i =1
i io +
Los pesos de kriging ordinario tambin pueden ser estimados mediante el uso del
correlograma aplicando la siguiente relacin: ij = C ij 2 , caso en el que la correspondiente
varianza de prediccin estara dada por (Isaaks y Srivastava, 1989):
k2 = 2 1
i io +
Validacin del kriging.
37
de semivariograma escogido, predecir va kriging el valor de la variable en estudio en la
ubicacin del punto que se excluy. Se piensa que si el modelo de semivarianza elegido
describe bien la estructura de autocorrelacin espacial, entonces la diferencia entre el valor
observado y el valor predicho debe ser pequea. Este procedimiento se realiza en forma
secuencial con cada uno de los puntos muestrales y as se obtiene un conjunto de n errores
de prediccin. Lo usual es calcular medidas que involucren a estos errores de prediccin
para diferentes modelos de semivarianza y seleccionar aquel que optimice algn criterio
como por ejemplo el del mnimo error cuadrtico medio (MECM). Este procedimiento es
similar a la conocida tcnica de remuestreo Jacknife (Efron, 1982) empleada en diversos
contextos estadsticos para calcular varianzas de estimacin, entre otros aspectos. Una
forma descriptiva de hacer la validacin cruzada es mediante un grfico de dispersin de
los valores observados contra los valores predichos. En la medida en que la nube de puntos
se ajuste ms a una lnea recta que pase por el origen, mejor ser el modelo de
semivariograma utilizado para realizar el kriging.
Representacin de las predicciones
Una vez se ha hecho la prediccin en un conjunto de puntos diferentes de los
muestrales va kriging, se debe elaborar un mapa que d una representacin global del
comportamiento de la variable de inters en la zona estudiada. Los ms empleados son los
mapas de contornos, los mapas de residuos y los grficos tridimensionales. En el caso de
los mapas de contornos, en primer lugar se divide el rea de estudio en un enmallado y se
hace la prediccin en cada uno de los nodos de ste mismo. Posteriormente se unen los
valores predichos con igual valor, generando as las lneas de contorno (isolneas de
distribucin). Este grfico permite identificar la magnitud de la variable en toda el rea de
estudio. Es conveniente acompaar el mapa de interpolaciones de la variable con los
correspondientes mapas de isolneas de los errores y de las varianzas de prediccin
(posiblemente estimados a travs de mtodos matemticos), con el propsito de identificar
zonas de mayor incertidumbre respecto a las predicciones.
Intervalos de Confianza.
Asumiendo que los errores de prediccin siguen una distribucin normal estndar y que
son independientes, un intervalo de confianza del 100(1-)%, 0< <1, para Z(x) es:
z * (x ) z k , z * ( x ) + z1 k con z * ( x) el valor calculado de la prediccin y z1 2 el
1
2 2
percentil de una normal estndar.
38
Ilustracin
Suponga que se tiene una configuracin de datos como la que se presenta en el
esquema de abajo. Con base en siete datos observados (valores al lado del signo + por fuera
de los crculos numerados de 1 a 7) se quiere predecir un valor de la variable en el punto
donde se encuentra el signo de interrogacin, por fuera del circulo con el nmero cero.
6
+791
2
+696
5 +606
1
+477
?
0
3 +783
7
+227
4
Asumiendo que la estructura de correlacin espacial entre los datos es estimada por un
modelo exponencial (h ) = 10 (1 exp( 3h 10)) (pepita cero, meseta 10 y rango 10) o en
trminos de la funcin de autocovarianza por C (h ) = 10 (exp( 3h 10)) , se encuentran las
siguientes matrices que permiten encontrar los pesos para la prediccin:
39
C11 C12 C13 C14 C15 C16 C17 1 10 5.11 0.44 0.20 0.49 0.26 0.05 1
C 21 C 22 C 23 C 24 C 25 C 26 C 27 1 5.11 10 0.36 0.20 0.91 0.49 0.06 1
C C 32 C 33 C 34 C 35 C 36 C 37 1 0.44 0.36 10 2.90 0.20 0.11 0.36 1
31
C C 42 C 43 C 44 C 45 C 46 C 47 1 0.20 0.20 2.90 10 0.24 0.15 1.22 1
C ij = 41 =
C 51 C 52 C 53 C 54 C 55 C 56 C 57 1 0.49 0.91 0.20 0.24 10 5.11 0.22 1
C 61 C 62 C 63 C 64 C 65 C 66 C 67 1 0.26 0.49 0.11 0.15 5.11 10 0.19 1
C 71 C 72 C 73 C 74 C 75 C 76 C 77 1 0.05 0.06 0.36 1.22 0.22 0.19 10 1
1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0
7
con k2 = 2 i C io = 10 [(0.173)(2.61) + L + (0.086)(0.18)] 0.907
i =1
40
4.4. Otros Mtodos Kriging
A continuacin se mencionan algunos aspectos generales de otros mtodos de
prediccin espacial. Un estudio riguroso de ellos puede hacerse en Cressie (1993), Deutsch
y Journel (1998) y Samper y Carrera (1990).
Suponga que hay una variable regionalizada estacionaria con media (m) y covarianza
conocidas. De manera anloga a como se define en modelos lineales (por ejemplo en
diseo de experimentos) el modelo establecido en este caso es igual a la media ms un error
aleatorio con media cero. La diferencia es que en este caso los errores no son
independientes.
Sea Z(x) la variable de inters medida en el sitio x.
E [Z ( x )] = m
Z ( x ) = m + ( x ) , con E [ ( x )] = 0 .
n n
Z * ( x0 ) = m + i (Z ( xi ) m ) = m + i ( xi )
i =1 i =1
41
La estimacin de los pesos del mtodo kriging ordinario se obtiene de tal forma que
se minimice V ( * ( x0 ) ( x0 )) .
( ) (
V * (x0 ) (x0 ) = E * (x 0 ) (x0 ) )2
2
n
= E i ( xi ) ( x0 )
i =1
n
n n
= E i ( xi ) j (x j ) 2 E i ( xi )( ( x0 )) + E ( ( x0 ))
2
i =1 j =1 i =1
n n n
usando:
i. E [ ( x0 )] = 0
ii. E ( ( xi ) (x j )) = COV ( ( xi ), (x j )) = C ij
2
iii. E ( ( xo )) = 2
n n n
(
V * ( x0 ) (x 0 ) = ) C i j ij 2 i C i 0 + 2 (7)
i =1 j =1 i =1
(
V * (x 0 ) ( x0 )
=
) 2 n n n n
1 C11 + 21 j C1 j + i j C ij 21C10 2 i C i 0 + 2
1
1
j =2 i= 2 j =2 i=2
n
= 21C11 + 2 j C1 j 2C10
j=2
n
= 2 i C1i 2C10
i =1
igualando a cero
n
C
i =1
1 1i = C10 .
42
C11 C12 L C1n 1 C10
C 21 C 22 L C 2 n 2 C 20
M =
M O M M M
C L C nn n C n 0
n1 C n 2
n n
k2 = i C i 0 2 i C i 0 + 2
i =1 i =1
n
k2 = 2 i C i 0
i =1
En los dos mtodos kriging hasta ahora descritos el objetivo ha estado centrado en la
prediccin puntual. A menudo, sin embargo, se requiere estimar un bloque, o ms
precisamente, estimar el valor promedio de la variable dentro de un rea local.
n
Z ( A) = i Z ( xi )
i =1
43
Del sistema de ecuaciones para el kriging ordinario se tiene:
C11 . . . C1n 1 1 C1 A
. . . . . .
. . . . . .
=
. . . . . .
C
n1 . . . C nn 1 n C nA
1 . . . 1 0 1
donde el vector de covarianzas al lado derecho de la igualdad en el sistema anterior es
contiene las covarianzas entre las variables Z ( x1 ), Z ( x 2 ), L, Z (x n ) y el bloque A donde se
quiere hacer la estimacin.
1
C iA = CiA .
A j / jA
La varianza del error de prediccin del kriging en bloques est dada por:
n 1
2
kB = C AA i C iA + , con C AA = 2 C ij igual a la covarianza entre
i =1 A i / iA j / jA
pares de puntos dentro del bloque.
Isaaks y Srivastava (1989) muestran a travs de ejemplos que el kriging en bloques
coincide con el promedio de predicciones hechas por kriging ordinario sobre cada uno de
los puntos del enmallado dentro del bloque. As mismo indican que en la prctica es
suficiente con un enmallado cuadrado (6x6) para obtener estimaciones estables en los
bloques.
44
4.4.3. Kriging Universal.
En los supuestos hechos hasta ahora respecto a los mtodos kriging se ha asumido que
la variable regionalizada es estacionaria (al menos se cumple con la hiptesis intrnseca).
En muchos casos, la variable no satisface estas condiciones y se caracteriza por exhibir una
tendencia. Por ejemplo en hidrologa los niveles piezomtricos4 de una acufero pueden
mostrar una pendiente global en la direccin del flujo (Samper y Carrera, 1990). Para tratar
este tipo de variables es frecuente descomponer la variable Z(x) como la suma de la
tendencia, tratada como una funcin determinstica, ms una componente estocstica
estacionaria de media cero. Asuma que:
Z ( x ) = m( x ) + ( x )
con E ( ( x )) = 0 , V ( (x )) = 2 y por consiguiente E (Z ( x )) = m( x ) .
La tendencia puede expresarse mediante:
P
m( x ) = a l f l ( x )
l =1
E (Z * ( x0 )) = m( x0 )
n
E i Z ( x i ) = m( x 0 )
i =1
n
i m( x i ) = m( x 0 )
i =1
n
P p
i =1
i a l f l ( x i ) = a l f l ( x 0 )
l =1 l =1
p
n p n p
l =1
a l i f l ( x i ) = a l f l ( x 0 )
i =1 l =1
f (x ) = f (x )
i =1
i l i
l =1
l 0
4
Piezmetro: Instrumento utilizado para medir coeficientes de compresibilidad de slidos, lquidos y gases
45
La obtencin de los pesos en el kriging universal, anlogo a los otros mtodos
kriging, se hace de tal forma que la varianza del error de prediccin sea mnima.
( ) (
V Z * (x0 ) Z (x0 ) = E Z * (x0 ) Z (x0 ) ) 2
2
n
= E i (m( xi ) (xi )) (m( x 0 ) ( x0 ))
i =1
2
n n
= E i m( xi ) m( x0 ) + i ( xi ) ( x0 )
i =1 i =1
n
2
= E i ( xi ) ( x0 )
i =1
n n n
= E ( (x ) (x )) 2 E ( (x ) (x )) + E ( (x ))
i =1 j =1
i j i j
i =1
i i 0 0
2
Usando
C ij = COV ( ( xi ), (x j ))
2 = E ( ( x0 ))2
se tiene
n n n
( )
V Z * ( x0 ) Z ( x0 ) = i j C ij 2 i C io + 2 .
i =1 j =1 i =1
n P
j =1
j ij + l f l ( xi ) = i 0 i = 1, 2, ..., n
l =1
n
f (x ) = f (x )
j =1
j l j l 0 j = 1, 2, ..., p
46
en trminos matriciales
11 12 L 1n f 11 L f p1 1 10
21 22 L 2n f 12 L f p 2 2 20
M M O M M O M M M
n1 n2 L n2 f 1n L f pn n = n 0
f f 12 L f1n 0 L 0 1 f 10
11
M M O M M O M M M
f p1 f p2 L f pn 0 L 0 n f p 0
donde f lj = f l (x j ) es la l-sima funcin en el punto j-simo.
La varianza de prediccin del kriging universal est dada por (Samper y Carrera, 1990):
n p
ku2 = i i 0 + f (x ) .
l l 0
i =1 l =1
La tcnica kriging residuales empleada bajo las mismas circunstancias del kriging
universal, es decir en aquellos casos en que la variable regionalizada no es estacionaria
debido a la presencia de tendencia espacial en el valor promedio de la variable. La hiptesis
central del kriging residual consiste en suponer conocida la tendencia m(x). A partir de ella
se calculan los residuos con base en los cuales se aplica kriging ordinario. La estimacin de
la tendencia es generalmente llevada a cabo por medio de mnimos cuadrados. La
prediccin en un sitio no muestreado es igual a la tendencia estimada ms la prediccin del
error, es decir:
Z * ( x0 ) = m ( x0 ) + e * ( x0 )
n
e * ( x 0 ) = i e( x i )
i =1
los pesos o ponderaciones son estimados por kriging ordinario como se muestra en la
seccin 4.2. La varianza de prediccin de la variable de inters coincide con la varianza de
prediccin de los errores. En la figura 15 se muestra un esquema con el procedimiento
kriging residual en el caso de una tendencia lineal.
47
Figura 15. Representacin del procedimiento kriging residual. La superficie interpolada (arriba) es igual a la
suma de la tendencia lineal (centro) ms la prediccin de los errores (abajo).
48
4.4.5. Kriging Indicador
{
Suponga que se tiene una variable regionalizada Z ( x ) : x D R d estacionaria. Se }
define la siguiente transformacin:
1 Si Z (x i ) z l
I (xi , z l ) =
0 Otro caso
Algunas propiedades son las siguientes:
i. Pr (I ( x, z l ) = 1) = Pr (Z ( x ) z l ) = F ( z l )
ii. E (I (x, z l )) = 1 Pr (I ( x, z l ) = 1) + 0 Pr (I ( x, z l ) = 0)
= 1 Pr (I ( x, z l ) = 1) = F ( z l )
i. 0 I * (x, z l ) 1
ii. I * (x, z l ) I * ( x, z l ) si z l z l
Una condicin suficiente para que estas restricciones se cumplan es que
i ( z l ) = i con 0 i 1 , i, z l .
Sin embargo en la prctica las ponderaciones se estiman de tal forma que el predictor sea
insesgado de varianza mnima.
Para la condicin de insesgamiento:
E (I * ( x0 , z l )) = E (I ( x0 , z l )) = F ( z l )
n
(z )E (I (x , z )) = F (z )
i =1
i l i l l
n n
i (zl )F (z l ) = F (z l )
i =1
(z ) = 1
i =1
i l
49
n
(z )
i =1
i l ij + = i 0 i=1, 2, ..., n
n
i =1
i = 1.
50
probabilidad acumulada corresponde a Fn (Z ( x )) . En otras palabras se encuentra
U ( x ) = 1 (Fn (Z ( x ))) .
1.20 1.2
1.00 1.0
Prob. Acumulada
0.80 0.8
0.60 0.6
0.40 0.4
0.20 0.2
0.00 0.0
0 20 40 60 80 -3 -2 -1 0 1 2 3
Z(x) U(x)
51
4.5.1. Mapas de Distribucin
Salinidad.
Los valores medidos oscilaron entre 13.02 y 34.9 en el nivel superficial de la columna
de agua y entre 13.94 y 33.9 en el fondo de la misma, con valores promedios de 17.6 y
18.04, respectivamente (tabla 6). De los mapas de isolneas de distribucin de dicha
variable (Fig. 17), es posible concluir que existe gran homogeneidad en todo el cuerpo de
agua, con excepcin de la zona nororiental, puesto que los valores mximos y mnimos
predichos varan slo alrededor de 14 y 19 unidades.
En los dos mapas (superficie y fondo) de la figura 17, se evidencia la influencia que
tienen las entradas de agua dulce y marina sobre la magnitud de la variable dentro del
sistema. Las salinidades mximas se encuentran en la zona nororiental (zona estuarina)
donde hay entrada de agua marina a travs del sitio denominado Boca de la Barra (Fig. 1),
encontrndose all valores superiores a 30 unidades. Hacia la zona centro del cuerpo de
agua se presentan las menores magnitudes de la variable, valores entre 15 y 16 unidades, lo
que parece ser consecuencia del aporte de agua dulce que se da en la desembocadura de uno
de los tres ros (Ro Sevilla) que baja de la Sierra Nevada de Santa Marta (SNSM). As
mismo se puede observar que en el sector occidental del sistema se presentan valores
intermedios a los de las zonas antes mencionadas (alrededor de 19 unidades). Lo anterior
puede deberse al efecto de intercambio de aguas, por medio de los canales Grande y Clarn,
con el ecosistema Complejo Pajarales (Fig. 1), en donde se da un proceso de lavado de
suelos hipersalinos en poca de lluvias o cuando hay inundaciones. Dada la similitud en
magnitud y forma de distribucin que se observa en los mapas de superficie y fondo (Fig.
17), se podra pensar que para la poca seca del ao, no existe estratificacin de la columna
de agua respecto a esta variable.
Los valores de salinidad observados y predichos a travs de la tcnica kriging, resultan
bajos respecto a los registrados para esta misma poca en otros estudios (Giraldo et al.,
1995). Lo anterior podra deberse a un posible aumento en los caudales de los ros que
desembocan en la CGSM, durante los meses de lluvia precedentes al muestreo, como
consecuencia del efecto del fenmeno del nio en la regin a finales del ao 1996. No
obstante lo anterior, puede pensarse, dada la gran homogeneidad en la distribucin, que
para la fecha del muestreo no se estaban presentando aportes considerables de agua dulce,
por parte de los ros que desembocan en la CGSM, lo que significa un perodo de relativa
calma para los organismos que dependen de la salinidad para sus funciones y distribucin
(Reid y Wood, 1976).
Oxgeno Disuelto.
Los valores medidos de esta variable oscilaron entre 3.03 (mg/l) y 16.2 (mg/l) en la
superficie de la columna de agua y entre 2.09 (mg/l) y 13.4 (mg/l) en el fondo de la
misma, con valores promedios de 8.8 (mg/l) y 5.68 (mg/l), respectivamente (tabla 6).
Las correspondientes isolneas (Fig. 18), indican que en el fondo de la columna de agua se
presenta mayor homogeneidad en la distribucin, puesto que los valores predichos varan
entre 4.5 mg/l y 6.5 mg/l, con excepcin de una pequea zona en el sector nororiental frente
a la desembocadura del ro Sevilla (valores entre 6.5 y 9.5 mg/l), mientras que en superficie
52
existe considerable diferencia entre los valores ajustados en el centro del sistema (entre 9
mg/l y 13 mg/l) y los estimados para la zona sur y noroccidental del mismo (magnitudes
alrededor de 4 mg/l). Lo anterior sugiere la ocurrencia de procesos de estratificacin en el
sistema hacia la zona central del espejo de agua, donde la productividad se concentra
aportando grandes volmenes de oxgeno al agua durante el da (Reid y Wood, 1976;
Welch, 1992; Mancera y Vidal, 1994). Las isolneas, para ambos niveles de la columna de
agua, muestran que hacia las fronteras del sistema los valores del gas disminuyen. Este
comportamiento podra ser explicado al considerarse que en estas zonas existe intercambio
de flujos entre el sistema y otros cuerpos de agua, adems de aportes de hojarasca y
material orgnico, provenientes del manglar.
Slidos en suspensin.
Los valores para la variable, presentan algunas diferencias entre los dos planos de
muestreo. Los mnimos y mximos fueron de 103 mg/l y 318 mg/l en la superficie de la
columna de agua y de 86 mg/l y 310 mg/l en el fondo de la misma, con promedios de 218.2
mg/l y 215.3 mg/l, respectivamente (tabla 6).
El mapa de distribucin superficial (Fig. 19), revela la influencia que tienen los aportes de
agua sobre la magnitud de esta variable en el sistema. Se observa que las mayores
concentraciones se presentan en las zonas de las desembocaduras de los ros Fundacin y
Aracataca adems de la del cao Clarn (por medio del cual se da el aporte de agua del ro
Magdalena) y que las menores magnitudes se dan en el sector de intercambio de agua dulce
y marina (desde la zona centro y nororiental hacia el sitio denominado Boca de la Barra).
Una excepcin a este comportamiento se da en la desembocadura del ro Sevilla y del cao
Grande en donde las concentraciones de los slidos en suspensin son muy similares a las
observadas en el resto del cuerpo de agua.
El patrn de comportamiento de la variable en el fondo de la columna de agua es muy
similar al descrito en el prrafo de arriba respecto a los valores superficiales; es decir
mayores concentraciones hacia las desembocaduras de los ros y caos (zonas sur y nor-
occidental) y menores magnitudes en la zona nororiental. Sin embargo, la diferencia entre
los valores predichos en estas fronteras y los del resto del sistema (valores entre 220 mg/l y
210 mg/l), no resultan significativos como en el caso de la distribucin superficial (valores
entre 245 mg/l y 175 mg/l).
Una posible explicacin a la diferencia en magnitud de los valores de superficie y
fondo es que los flujos de agua dulce son menos densos y presentan mayores
concentraciones de slidos en suspensin, por lo cual al ingresar al sistema y encontrarse
con las aguas salobres del mismo (ms pesadas), tienden a permanecer en la superficie (lo
cual puede causar estratificacin. (Wheaton, 1977; Welch, 1992 ; Jay et al, 1997; Nixon,
1997).
Nitritos.
El in nitrito present valores entre 0.01 mol/l y 1.61 mol/l para la superficie de la
columna de agua y entre 0.01 mol/l y 2.39 mol/l en el fondo de la misma. Los valores
promedios fueron de 0.43 mol/l y 0.42 mol/l, respectivamente (tabla 6).
53
Las mediciones superiores a 1 mol/l se dieron en dos estaciones de muestreo, ubicadas en
la zona norte del sistema (cuadrculas 14 y 15, Fig. 1). Dado que lo anterior no fue el patrn
generalizado, las isolneas de distribucin en superficie y fondo (Fig. 20) presentan slo
valores alrededor de los promedios arriba mencionados. Este resultado es esperable, puesto
que los nitritos generalmente se dan en bajas concentraciones (Mancera, 1990; Hernndez y
Gocke, 1990). Day et al. (1989), indican que esto puede ser debido al consumo continuo de
las comunidades fitoplanctnicas y a la precipitacin en los sedimentos como consecuencia
de lo cambios en las condiciones del agua estuarina.
En ambos casos (superficie y fondo) los valores interpolados (entre 0.2 mol/l y 0.7
mol/l) para esta variable, revelan la presencia de un gradiente sur-norte, dndose las
mayores concentraciones en el sector ms estuarino. Lo anterior podra ser consecuencia de
aportes de materia orgnica por parte de las poblaciones cercanas a esta zona (Welch,
1992). Los mapas de distribucin espacial no revelan estratificacin de la columna de agua
para esta variable, dada la similitud en los valores predichos en superficie y fondo (Fig.
20).
Clorofila a.
Los valores medidos de clorofila a oscilaron entre 2.91 g/l y 198.35 g/l en la
superficie de la columna de agua y entre 2.91 g/l y 194.75 g/l en el fondo de la misma.
Los valores promedios fueron 132.44 g/l y 136 g/l, respectivamente. Los bajos
coeficientes de variacin (menores del 30%), en ambos casos (superficie y fondo), indican
relativa homogeneidad en las mediciones de esta variable (tabla 6). Las isolneas de
distribucin calculadas con los datos predichos (Fig. 21) presentan algunos aspectos
comunes. En ambos mapas (superficie y fondo) se observa que los valores mximos
(alrededor de 160 g/l) se dan en el sur del sistema hacia la desembocadura del ro
Fundacin y las menores concentraciones se presentan en el sector ms nororiental (valores
menores de 50 g/l). La diferencia radica en el comportamiento en la zona centro del
espejo de agua. Mientras que en la superficie se presenta alta variabilidad (valores entre 90
y 160 g/l), en el fondo de la columna de agua los valores son muy homogneos (entre 130
g/l y 150 g/l) y se ajustan claramente a una tendencia creciente en sentido sur -
nororiente. El comportamiento distribucional representado en los mapas de isolneas puede
estar de acuerdo con las condiciones climticas de la poca. Bula-Meyer (1989) y Snchez
(1996), indican que en la poca ms seca del ao (poca en la que se realiz el muestreo)
predominan los vientos Alisios y que la circulacin de las masas de agua en el sistema
obedece a la fuerza del viento y a los cambios de marea en el Mar Caribe. Esto hace pensar
que los flujos de agua son ms lentos en la zona centro del sistema y por consiguiente, al no
presentarse un recambio de agua muy fuerte, se favorece el desarrollo de las comunidades
fitoplanctnicas, puesto que estas consumen los nutrientes que se liberan desde el
sedimento por accin de los vientos (Welch, 1992).
Giraldo (1996), encontr un comportamiento similar en la distribucin de esta variable
con datos promedios de la poca, calculados con informacin de varios aos anteriores a
1995. Sin embargo en la zona de la desembocadura de los ros, especficamente en la del
Fundacin, los valores reportados por dicho autor resultaron considerablemente ms bajos a
los encontrados en el presente estudio. Lo anterior puede estar indicando, como se
mencion en la interpretacin de los resultados obtenidos con la salinidad, una disminucin
54
de la entrada de agua dulce en esta zona, causndose as el mismo efecto de baja
circulacin y alta asimilacin de nutrientes, comentado en el prrafo de arriba para la zona
centro del sistema.
55
7 30' W 7 30' W
C. Clarn C. Clarn
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
Ar Ar
ac ac
at at
ac ac
a a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 17. Distribucin espacial de la salinidad del agua en la Cinaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997. El mapa de
la izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
56
7 30' W 7 30' W
C. Clarn C. Clarn
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
A ra Ar
ca ac
ta at
ca ac
a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 18. Distribucin espacial del oxgeno disuelto (mg/l) en la Cinaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997. El mapa
de la izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
57
7 30' W 7 30' W
C. Clarn C. Clarn
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
Ar Ar
ac ac
at at
ac ac
a a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 19. Distribucin espacial de los slidos en suspensin (mg/l) en la Cinaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997.
El mapa de la izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
58
7 30' W 7 30' W
C. Clarn C. Clarn
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
A ra Ar
ca ac
ta at
ca ac
a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 20. Distribucin espacial de nitritos (mol/l) en la Cinaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997. El mapa de la
izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
59
7 30' W 7 30' W
C. Clarn C. Clarn
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
Ar Ar
ac ac
at at
ac ac
a a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 21. Distribucin espacial de clorofila a (g/l) en la Cinaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997. El mapa de la
izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
60
7 30' W 7 30' W
C. Clarn C. Clarn
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
A ra Ar
ca ac
ta at
ca ac
a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 22. Distribucin espacial de la profundidad (m) (izquierda) y transparencia (m) (derecha) en la Cinaga Grande de Santa Marta durante una jornada de muestreo
realizada en marzo de 1997.
61
Capitulo Cinco
Temas Especiales
En este captulo se presentan algunos temas que no aparecen explcitamente en libros
clsicos de geoestadstica, tales como el diseo de redes muestrales o el anlisis de
componentes principales sobre variables regionalizadas. As mismo se revisa la teora del
anlisis cokriging y de simulacin de fenmenos espaciales, bajo el supuesto de normalidad
multivariada.
5.1. Cokriging Ordinario
Si se tienen dos variables regionalizadas Zv1(x) y Zv2 (x) tomadas en sitios de la regin de
estudio, no necesariamente iguales, entonces el semivariograma cruzado entre ellas, se
estima por:
nh
1
v1v2 ( h)=
2 nh {Z v1 ( x }{
+ h ) Z v1 ( x ) Z v2 ( x + h ) Z v2 ( x ) } (9)
donde v1(h) y v2(h) son los semivariogramas simples, v1v2(h) es el semivariograma cruzado.
0(h), 1(h), . . ., m(h) son los modelos bsicos de semivariograma y , y son constantes.
Matricialmente:
v1 (h) v1v2 (h) m
(h)=
12
v v (h) v2
(h )
= Bs s (h) , donde
s=0
s s s (h) 0
B s = s ( h )= (11)
s s 0 s ( h )
62
Predictor Cokriging
n1 n2
Zv*1 (xo)= a Z (x )+b Z
i =1
i v1 i
j =1
j v2 (x j ) (12)
La matriz del lado izquierdo contiene los valores de las funciones de semivarianza y de
semivarianza cruzada calculadas para todas las distancias entre las parejas de puntos
consideradas. Las dos ultimas filas de dicha matriz son las correspondientes a la restriccin
de insesgamiento del predictor. ai y bj con i = 1, 2, ..., n y j = 1, 2, ...., m, son los parmetros
a estimar, 1 y 2 son los multiplicadores de Lagrange empleados para la restriccin de
insesgamiento y el vector del lado derecho contiene los valores de la funciones de
semivarianza y semivarianza cruzada evaluados para las distancia entre los sitios de
muestreo (de ambas variables) y el sitio donde se desea hacer la prediccin. Las dos ltimas
filas del vector estn asociadas a la condicin de insesgamiento. La correspondiente
varianza de prediccin del mtodo cokriging se calcula como (Bogaert et al, 1995):
n m
k2 = Cov(Z v1 ( x0 ), Z v1 (x0 )) + 1 + ai Cov(Z v1 ( xi ), Z v1 (x0 )) + b j Cov(Z v 2 (x j ), Z v 2 ( x0 )) (11)
i =1 j =1
63
donde 1 es el multiplicador de Lagrange empleado para la restriccin dado por la condicin
n
de insesgamiento ai = 1 .
i =1
Cov(Z vi ( x k ), Z vi ( xl )) = vi vivi (k ,l ) es la funcin de covarianza espacial de la variable i,
2
Es un predictor basado en cokriging que utiliza como variables predictoras una variable
indicadora y una variable generada a travs de la transformacin uniforme.
Sea Z(xi) la variable observada, i = 1,2, . . ., n, entonces se definen las siguientes
transformaciones:
1 Si Z ( x i ) z
I ( xi , z) =
0 Otro caso
R( Z ( x i )
U ( xi ) = para todo i, i = 1,2,. . . , n.
n
con R( Z ( x i )) igual al rango (posicin que ocupa dentro de los datos ordenados de menor a
mayor) la i-sima observacin muestral. La prediccin de probabilidad de xito en el sitios
de inters est dada por:
n n
*
I ( x0 ) = I ( x , z) + v U ( x )
i =1
i i
i =1
i i
64
El procedimiento se puede realizar con matrices de correlacin obtenidas para diferentes
distancias (fijadas de antemano) y calculadas a travs de la funcin de semivarianza,
covarianza cruzada o de correlacin cruzada (si las variables tienen diferentes escalas de
medida se recomienda emplear la funcin de correlacin cruzada). Lo anterior implica que
n
se deben calcular funciones de correlacin espacial cruzada, siendo n el nmero total de
2
variables involucradas en el estudio. Esto puede ser una limitante computacional del
mtodo, cuando se incremente el nmero de variables. En la prctica se acostumbra a
seleccionar grupos de pocas variables (alrededor de 5, consideradas como las ms
relevantes) que estn muy relacionadas espacialmente y con base en la informacin de estas
hacer el anlisis para dos o tres matrices de corregionalizacin (incluyendo la de distancia
cero).
Correlacin Intrnseca.
Se dice que un conjunto de variables regionalizadas tiene correlacin intrnseca cuando
la estructura de correlacin de las variables es independiente de la distancia espacial (puede
haber correlacin para distancia cero), es decir cuando las funciones de semivarianza
cruzada, covarianza cruzada o correlacin cruzada, entre las variables, son constantes en
funcin de la distancia. La deteccin de correlacin intrnseca puede hacerse a travs de las
variables originales o por medio de los componentes principales generados. En la seccin
6.4.2., se menciona que los ejes principales deben ser independientes, luego se espera que
para cualquier distancia la funcin de semivarianza cruzada entre cualquier para de
componentes principales est alrededor de cero. En caso contrario habr relacin espacial
entre las variables. Existen dos formas de llevar a cabo el ACPR dependiendo de si las
variables tienen o no correlacin intrnseca.
ACPR en Presencia de Correlacin Intrnseca.
El algoritmo en este caso se inicia con el clculo de la matriz de corregionalizacin para
distancia cero (matriz de correlacin clsica) (en las otras distancias no hay correlacin entre
las variables). Posteriormente se aplica el ACP clsico se generan ejes factoriales que
explican, se espera que en un alto porcentaje, la variabilidad contenida en el conjunto total
de variables (idealmente dos o tres componentes deberan explicar ms del 90% de la
varianza total). Con base en la magnitud y le signo de los vectores propios se identifica el
peso de cada variable original en los correspondientes ejes. Finalmente se obtiene un mapa
de distribucin espacial, cumpliendo con las etapas bsicas del anlisis geoestadstico, que
permita dar una interpretacin simultnea del comportamiento de las variables involucradas
en el anlisis.
ACPR sin Correlacin Intrnseca.
En este caso se debe establecer en primer lugar un modelo lineal de corregionalizacin
entre las variables originales. Con base en este se calculan varias matrices de
corregionalizacin (una para cada distancia h fijada) y con cada una de ellas se realiza un
ACP clsico. Los resultados obtenidos en cada anlisis permiten establecer relaciones entre
las variables que no son observados en anlisis clsicos de correlacin .
65
5.3. Diseo de Redes de Muestreo
Seleccin de Variables
Cuando se va a iniciar el estudio de un ecosistema natural, deben establecerse aspectos
referentes a su ubicacin geogrfica, a las condiciones climticas, hdricas y geolgicas del
mismo. La revisin debe incluir los antecedentes histricos de las variables ecolgicas e
incluso los factores econmicos, socio-culturales y demogrficos que enmarcan a la regin
de estudio. Todos estos aspectos permiten planear, desde un punto de vista logstico la
realizacin del muestreo.
Podra decirse que existen dos tipos de variables que deben tenerse en cuenta cuando se
realiza un estudio ambiental. Aquellas que estn directamente relacionadas con el fenmenos
ecolgico de estudio (contaminacin, calidad del agua, manglar, bentos, plancton, etc.) y
aquellas que permiten decidir respecto a aspectos relacionados con las frecuencia del
muestreo (variables climticas) y la ubicacin estratgica de sitios de muestreo (por ejemplo
variables hdricas como direccin y velocidad de las masas de agua, fuentes de entrada y
salida, etc)
As mismo la seleccin de las variables es consecuencia del tipo de estudio que se quiere
llevar a cabo. Estos pueden ser de lnea base, monitoreo y evaluacin. En el primero de estos
no hay antecedentes histricos respecto al fenmeno de inters, se asume total
desconocimiento respecto a la relacin, comportamiento y distribucin de las variables en
el ecosistema y por consiguiente se debe evaluar un nmero grande de variables, con amplia
intensidad de muestreo en la que se cubra toda la regin de estudio, de forma tal que se
pueda caracterizar de manera general el sistema. Si existe conocimiento de la regin de
estudio, hay estudios preliminares que posibilitan el planteamiento de estructuras de
correlacin espacial y temporal de las variables y se quieren establecer los cambios que se
estn dando en el ecosistema, por ejemplo por actividades antrpicas, es entonces un estudio
de monitoreo. En este caso debe establecerse con base en la informacin disponible tanto la
frecuencia como la ubicacin de los puntos de muestreo. Por ltimo cuando hay
conocimiento del ecosistema respecto al fenmeno de inters y se quieren observar posibles
variaciones muy puntuales respecto al patrn temporal o espacial tradicionalmente
observado, el estudio se denomina de evaluacin. En este ltimo caso el objetivo puede ser
el de conservar o mitigar posibles daos ms que el de hacer diagnstico como en el caso del
monitoreo.
Seleccin de la Red Optima de Muestreo
Como en cualquier procedimiento estadstico en el que se hace inferencia, en
geoestadstica cuando se hace prediccin en sitios o puntos de la regin de estudio no
observados, a travs de cualquiera de las tcnicas kriging, es necesario evaluar la precisin
de tal prediccin. Lo anterior se realiza, como se estableci en el capitulo 4 y en la seccin
5.1, por medio del clculo de la varianza del error de prediccin. De la seccin 4.2, para el
caso del kriging ordinario, la varianza de prediccin se calcula por:
66
n
= ii io +
2
i =1
aleatorias en n sitios de muestreo de inters x1, x2, ..., xn. Asuma que el proceso estocstico
tiene vector de medias y matriz de varianzas y covarianzas
(x1 ) 12 C12 L C1n
r r ( x 2 ) C 22 L C 2n
( )
E Z (x ) = (x ) =
M
, = 21 ( ( )) .
, con C ij = COV Z ( x i ), Z x j
M M O M
( x ) C L C nn
n n1 C n2
67
5.5. Aplicaciones
5.5.1. Comparacin de los mtodos Kriging y Cokriging con base en resultados de anlisis
espaciales de Variables Fisicoqumicas y Biolgicas Medidas en el Estuario Cinaga
Grande de Santa Marta.
Se emplea la informacin de las variables profundidad (m), secchi (cm), salinidad,
oxgeno (mg/l) y clorofila "a" (g/l) descrita en la aplicacin 3.3. para mostrar las ventajas
del mtodo cokriging respecto al kriging.
Se mencion en la seccin 4.1. que la tcnica cokriging es preferible al kriging cuando
hay informacin de variables auxiliares relacionadas espacialmente con la variable de inters
y sta ltima tiene altos costos de muestreo. En este caso se usan como variables auxiliares
profundidad, secchi, salinidad y oxgeno y como variable objetivo clorofila "a". Las cuatro
primeras tienen bajos costos de muestreo (son medidas in-situ) mientras que los altos costos
de los insumos de laboratorio necesarios para la obtencin de las medidas de clorofila "a"
pueden ser limitantes del uso de una red de muestreo densa para dicha variable. Aunque no
se presentan en el trabajo los semivariogramas cruzados entre las variables consideradas
como auxiliares y clorofila "a", estos muestran la presencia de fuertes estructuras de
dependencia espacial entre ellas.
Debido a que la aplicacin del mtodo cokriging resulta dispendiosa cuando se
consideran dos o ms variables auxiliares (es complejo el ajuste del modelo lineal de
corregionalizacin), se decidi tomar la informacin de las variables auxiliares de forma
"condensada" a travs del indicador IGCi(4) (Giraldo, 2002; apndice, seccin 6.1),
calculado con base en la informacin dicotomizada de dichas variables.. El criterio para
dicotomizar cada variable fue el de comparacin de cada valor observado con su
correspondiente mediana. Se asign el valor 1 para valores mayores o iguales que la mediana
y 0 en caso contrario. Se aplic el mtodo cokriging para realizar predicciones de la variable
clorofila "a" con base en sus observaciones e informacin auxiliar del indicador IGCi(4).
Para detectar la eficiencia del mtodo se redujo a aproximadamente la mitad (54 datos) la
informacin original de clorofila "a" (en adelante se denomina a sta como CLORO 2) y se
dej la informacin completa (114 datos) del IGCi(4).El ajuste del modelo lineal de
corregionalizacin y el clculo de las varianzas de prediccin fue realizado en el software
The Spatial Interpolation of Agroclimatic Data (Bogaert et al., 1995).
Resultados y Discusin
En primera instancia se calcularon semivariogramas simples de las variables CLORO 2
e IGCi(4) y los semivariogramas cruzados entre estas tres variables. Slo se muestra el
semivariograma experimental cruzado (Fig. 23). Este indica que las dos variables
consideradas presentan correlacin espacial inversa, es decir que valores altos de
productividad biolgica (alta clorofila "a") estn asociados con valores bajos del indicador
IGCi(4) en zonas circundantes (incluso mayores a 10 km). Los valores bajos del indicador
IGCi(4) estn asociados a magnitudes por debajo de la mediana en las variables profundidad,
secchi, salinidad y oxgeno disuelto (ver tabla de interpretacin del IGCi(4) en el apndice).
De lo anterior se concluye que zonas con alta biomasa fitoplanctnica estn asociadas a baja
profundidad, alta turbidez y a masas de agua con baja salinidad y bajo nivel de oxgeno (tal
vez como consecuencia del consumo de ste durante las horas del da).
68
Semivarianza Cruzada
0
-10
-20
-30
-40
-50
0 5000 10000 15000 20000 25000
Distancia (h)
Figura 23. Semivariograma experimental cruzado entre las variables clorofila "a" (54 datos) e IGCi(4).
Informacin tomada en marzo de 1997 en la Cinaga Grande de Santa Marta.
69
Tabla 8. Varianzas de prediccin mnima, mxima y promedio ((g)2 /l) para la variable clorofila "a", usando
los mtodos kriging y cokriging (con base en informacin auxiliar de la variable IGC(4)). Entre parntesis se
encuentran la ganancia en precisin respecto al mtodo kriging con informacin incompleta.
MTODO VARIANZA DE VARIANZA DE VARIANZA DE
PREDICCIN PREDICCIN PREDICCIN
MXIMA MNIMA PROMEDIO
Kriging con datos en 107 sitios de 379 (25%) 0
muestreo (informacin completa)
Kriging con datos en 54 sitios de 506 (0%) 0 194.147(0%)
muestreo (informacin reducida)
Cokriging con datos en 54 sitios de 488 (4%) 0 190.06 (2.1%)
muestreo para la variable clorofila
"a" y 114 datos para la variable
IGCi(4)
70
requerira del clculo de matrices de corregionalizacin para diferentes distancias. En el
documento se presenta slo el caso en que la distancia es cero, puesto que el propsito es
identificar la distribucin espacial de las 5 variables de forma simultnea .
Las variables de mayor importancia en la construccin del primer eje principal son salinidad
(en sentido directo), silicatos y clorofila "a" (en sentido inverso). Anlogamente las variables
de ms peso en la construccin del componente dos son slidos en suspensin y clorofila "a"
en sentido directo y nitritos en sentido inverso (tabla 10).
Tabla 9. Porcentajes de varianza explicados por los componentes principales generados con informacin de
cinco variables fisicoqumicas y biolgicas medidas en el estuario Cinaga Grande de Santa Marta en marzo de
1997.
COMPONENTE VALOR PROPIO % DE VARIANZA % ACUMULADO
1 2.23 44.610 44.610
2 1.34 26.962 71.562
3 0.70 14.124 85.746
4 0.37 7.426 93.172
5 0.34 6.828 100.000
71
Figura 24. Funcin de semivarianza cruzada entre los dos primeros componentes principales generados con
informacin de algunas variables fisicoqumicas y biolgicas medidas en marzo de 1997 en el estuario Cinaga
Grande de Santa Marta.
7 30' W
MAR CARIBE
Boca de la
Barra
C. Clarn 2.00
1.00
R. Sevilla 0.00
C. Grande
-1.00
R.
Ar
ac
at
ac -2.00
a 10 45' N
R. Fundacion
Figura 25. Distribucin espacial del primer componente principal generado con informacin de variables
fisicoqumicas y biolgicas medidas en el estuario Cinaga Grande de Santa Marta en marzo de 1997.
72
7 30' W
MAR CARIBE
Boca de la
Barra
C. Clarn
1.50
0.50
R. Sevilla -0.50
C. Grande
-1.50
R. -2.50
Ar
ac
at
ac
a 10 45' N
-3.50
R. Fundacion
Figura 26. Distribucin espacial del segundo componente principal generado con informacin de variables
fisicoqumicas y biolgicas medidas en el estuario Cinaga Grande de Santa Marta en marzo de 1997.
5.5.3. Diseo de una Red de Muestreo para el Estuario Cinaga Grande de Santa Marta.
En esta seccin se hace una aplicacin de la metodologa propuesta por McBratney et al
(1981) con el objetivo de disear una red ptima de muestreo para la CGSM (ampliamente
descrita en secciones anteriores). En las dos ltimas dcadas la CGSM ha venido dando
muestras de deterioro y por ello se han implementado algunas obras civiles que buscan su
recuperacin. Para el monitoreo de los cambios que se estn dando en el ecosistema se hace
necesario contar con un conjunto de sitios de muestreo que haga posible lograr una visin
integrada del comportamiento de las principales variables que rigen sus procesos de
productividad.
Se analizaron datos en la superficie de la columna de agua de las variables temperatura,
salinidad, seston total, profundidad, silicatos, clorofila, oxgeno disuelto, nitritos y clorofilas
a y "c" tomados en los mismos puntos de muestreo descritos en la seccin 3.3.
Se simularon redes de muestreo con cuadrculas de 4, 9, 16, 25 y 36 km2,
respectivamente (Fig. 27) y se estimaron las correspondientes varianzas de prediccin de
cada variable en cada poca tomando como base los modelos de correlacin espacial
estimados en la seccin 3.3.
La comparacin del error estndar de prediccin y de los costos asociados al muestreo
de cada variable en cada red, posibilit el establecimiento de un conjunto de sitios de
muestreo ptimo bajo estos dos criterios.
73
Figura 27. Redes de muestreo bajo las cuales se hicieron las estimaciones de las varianzas de prediccin de
cada una de las variables consideradas, asumiendo los modelos de semivarianza estimados. Distancias entre
puntos de muestreo: a) 2000 m; b) 3000 m; c) 4000 m; d) 5000 m y e) 6000 m.
Resultados y Discusin
Si bien es posible que en la fecha del muestreo se estuviese dando un fenmeno de
intervencin debido a los cambios climatolgicos dados en el ao inmediatamente anterior a
este, para los propsitos del trabajo esto no resulta ser un inconveniente puesto que de hecho
se asume que el establecimiento del conjunto ptimo de puntos de muestreo no depende de
74
la magnitud de la variables sino de la estructura de dependencia espacial presente en la
regin de estudio para cada una de ellas.
Como era de esperarse los errores estndar de prediccin estimados son crecientes en
funcin de la distancia que existe entre los puntos de muestreo (tabla 11). La variable en la
cual se consigue mayor ganancia relativa en precisin al pasar de la red menos densa (Fig.
27 e), a la ms densa (Fig. 27.a) es la salinidad. En dicha variable se consigue aumentar en
un 35 % la precisin (tabla 12). Otras variables como temperatura, oxgeno disuelto, silicatos
y clorofila a tienen aumentos en precisin que oscilan entre 15.9 y 23.8 % (tabla 12). Por
ltimo en las variables profundidad, nitritos, seston total y clorofila "c", slo se consigue
aumentar la precisin en porcentajes que estn entre el 5,7 y el 10.1 % (tabla 12).
Obviamente si se comparan las redes intermedias, redes con distancias entre puntos de
muestreo de 3000, 4000 y 5000 m (Fig. 27.b, 27.c y 27.d), con la red de 6000 m (Fig. 27.e),
resultan mucho menores los incrementos relativos en precisin (tabla 12).
Tabla 11. Error estndar (raz cuadrada de la varianza) de prediccin mxima de cada variable considerada
para redes de muestreo con cuadrculas de 4, 9, 16, 25 y 36 km2.
TAMAO DE LA RED
Variables (Distancia entre los puntos de muestreo en metros)
2000 3000 4000 5000 6000
Profundidad (m) 0.2825 0.2874 0.2930 0.3002 0.307
Temperatura (C) 0.6380 0.6690 0.7046 0.7632 0.8373
Salinidad 0.9096 1.0511 1.1676 1.2965 1.4075
Oxgeno disuelto (mg/L) 1.5145 1.5917 1.6752 1.7977 1.9431
Seston total (mg/L) 35.6363 36.4021 37.0459 37.8076 38.5197
Nitritos (umol/L) 0.2832 0.2875 0.2913 0.2958 0.3003
Silicatos (umol/L) 47.6524 50.207 52.3806 54.6797 56.6932
Clorofila a (ug/L) 19.4634 21.2041 22.5233 23.5582 24.2163
Clorofila c (ug/L) 6.1071 6.2977 6.4536 6.6336 6.7967
Tabla 12. Ganancia en precisin en porcentaje (cociente entre los respectivos errores estndar de prediccin)
de cada una de las redes de muestreo (observada y simuladas) en cada variable respecto a la red de 6000 metros
(la menos densa).
TAMAO DE LA RED
Variables (Distancia entre los puntos de muestreo en metros)
2000 3000 4000 5000 6000
Profundidad (m) 8.0 6.4 4.6 2.2 0
Temperatura (C) 23.8 20.1 15.8 8.8 0
Salinidad 35.4 25.3 17.0 7.9 0
Oxgeno disuelto (mg/L) 22.1 18.1 13.8 7.5 0
Seston total (mg/L) 7.5 5.5 3.8 1.8 0
Nitritos (umol/L) 5.7 4.3 3.0 1.5 0
Silicatos (umol/L) 15.9 11.4 7.6 3.6 0
Clorofila a (ug/L) 19.6 12.4 7.0 2.7 0
Clorofila c (ug/L) 10.1 7.3 5.0 2.4 0
75
1200000
1000000
800000
Costo ($)
600000 Red 6000
Red 5000
400000
Red 4000
200000 Red 3000
0 Red 2000
Profundidad
Temperatura
Salinidad
Oxgeno dis.
Seston total
Nitritos
Silicatos
Clorofila "a"
Clorofila "c"
Figura 28. Costos de muestreo de variables fisicoqumicas y biolgicas en la Cinaga Grande de Santa Marta,
segn diferentes espaciamientos entre sitios de muestreo (se asumen muestreos sistemticos de cuadrculas).
De otro lado si se estudian los costos de muestreo asociados a cada variable bajo cada
una de las densidades muestrales (Fig. 28), se observa que existe considerable diferencia,
con excepcin de las variables temperatura, profundidad y salinidad, entre la red de 2000 m
y las restantes respecto a dichos costos. Para algunas de las variables (oxgeno disuelto,
silicatos y clorofilas) pasar de la red de 3000 m a la 2000 m, implica incrementar el costo de
muestreo de cada una de ellas en ms de $300000
En conclusin para las variables temperatura y salinidad sera mucho ms conveniente
hacer un muestreo intensivo (red ms densa) dado que se consigue, comparando con la red
menos densa, aumentar la eficiencia en porcentajes considerables (23 y 35%,
respectivamente, tabla 12), con costos netos que se incrementan slo alrededor de $100000
(Fig. 28). En la variable profundidad, si bien los costos de muestreo no se incrementan
significativamente (Fig. 28), es ms aconsejable muestrear en la red menos densa dado que
la eficiencia se incrementa en mximo un 7% al compararla con las restantes redes (tabla
12). En las variables nitritos, seston total y clorofilas "a" y "c" hay poco aumento de la
eficiencia al pasar de la red de 6000 m a otras con mayor nmero de puntos (tabla 12) y por
el contrario los costos, especialmente en la red de 2000 m, tienen aumentos considerables,
lo que hace que se planteen las redes menos densas (5000 m y 6000 m entre puntos de
muestreo) como las ms adecuadas para el seguimiento de estas variables. En las restantes
variables (oxgeno disuelto, silicatos y clorofila a) es un poco ms compleja la decisin
dado que se obtienen aumentos considerables en los costos (Fig. 28), pero tambin
incrementos de eficiencia (tabla 12). De todas formas es claro que se debe descartar en este
caso la red con distancias entre puntos de muestreo de 2000 m dado que entre esta y la red de
3000 m, la eficiencia relativa aumenta en un mximo del 8 % (tabla 12) con costos que se
duplican o triplican para algunas variables (Fig. 28).
76
Apndice
Sitio X Y V1 V2 L VP
1 x1 y1 01 01 L 01
2 x2 y2 01 01 L 01
3 x3 y3 01 01 L 01
M M M M M M M
n xn yn 01 01 L 01
11 12 L 1P
21 22 L 2P
Si la variable j en el sitio i cumple
M M , 1
M M ij = el criterio de dicotomizacin
0
L nP
en otro caso
n1 n2
Se define el indicador del nmero de "xitos" por sitio como:
j =1
ij = i , i , i = 1, L , n
j =1
ij = j , j , j = 1,2 ,L , P
77
Adems sea:
P j Siij = 1
Ki = ij , donde ij =
j =1 i P Siij = 0
a0 = 0
con : , m = 1, 2 ,L
am = am1 + (m 2 + m)
b0 = 1
y , m = 1, 2 ,L
bm = bm1 + (m 1)
78
Para ilustrar el clculo de la variable IGC(P), se presenta en la tabla 14 el caso particular de
P = 4. Se utilizan todos los posibles arreglos de ceros y unos que se pueden formar con 4
datos.
Tabla 14. Clculo de los valores de la variable IGCi(4) con todos los posibles arreglos formados con 4
smbolos de dos tipos (ceros y unos).
ARREGLO i1 i2 i3 i4 i i1 i2 i3 i4 Ki P( P 2 ) IGC ( P )i
1 0 0 0 0 0 -4 -4 -4 -4 -16 8 0
2 1 0 0 0 1 1 -3 -3 -3 -8 8 1
3 0 1 0 0 1 -3 2 -3 -3 -7 8 2
4 0 0 1 0 1 -3 -3 3 -3 -6 8 3
5 0 0 0 1 1 -3 -3 -3 4 -5 8 4
6 1 1 0 0 2 1 2 -2 -2 -1 8 5
7 1 0 1 0 2 1 -2 3 -2 0 8 6
8 0 1 1 0 2 -2 2 3 -2 1 8 7
9 1 0 0 1 2 1 -2 -2 4 1 8 7
10 0 1 0 1 2 -2 2 -2 4 2 8 8
11 0 0 1 1 2 -2 -2 3 4 3 8 9
12 1 1 1 0 3 1 2 3 -1 5 8 10
13 1 1 0 1 3 1 2 -1 4 6 8 11
14 1 0 1 1 3 1 -1 3 4 7 8 12
15 0 1 1 1 3 -1 2 3 4 8 8 13
16 1 1 1 1 4 1 2 3 4 10 8 14
79
6.2.1. Matriz
Una matriz A de tamao (mxn) es un arreglo rectangular de m filas con n columnas.
a 11 a12 . . . a1n
a 21 a 22 . . . a 2n
. . .
A=
. . .
. . .
a m1 a m2 . . . a mn
80
la inversa de una matriz 2x2, si existe, puede determinarse fcilmente por medio del
siguiente clculo:
1 a 22 a 12
a11 a12
= a a 11
a 21 a 22 21
6 3 1 0
A I = 0 =0
3 4 0 1
6 3 0
=0
3 4 0
(6 ) 3
= 0
3 (4 )
(6 )(4 ) 9 = 0
2 10 + 15 = 0
b b 2 4ac
=
2a
81
( 10) 100 4(15) 10 40
= =
2 2
= 81623
. , = 18377
.
Para cada valor propio existe un vector propio, el cual se obtiene reemplazando el valor
propio correspondiente en la primera expresin de la pgina anterior y usando la condicin
de que los respectivos vectores propios estn normalizados.
x1
Un vector x = se dice que est normalizado si satisface que x12 + x 22 = 1 .
x2
Teniendo en cuenta lo anterior se calculan los vectores propios de la siguiente forma:
(A - I)x = 0
(6 ) 3 x1 0
=
3 (4 ) x 2 0
(6 ) x1 + 3x 2 = 0
3x1 + (4 ) x 2 = 0
(1 ) x 2
x1 =
(3 )
(
x12 1 + 13847
. )
2 = (13847
. )2
(13847
. )2 .
13847
x12 = x1 = = 0.8107
( .
1 + 13847 2
) (
1 + 13847
. 2
)
x1 0.8107
Reemplazando el valor de x1, obtenemos que x 2 = = = 0.5855 .
13847
. 13847
.
82
x1 0.8107
Luego el vector propio asociado al valor propio = 8.1623 es =
x 2 0.5855
Efectuando un procedimiento similar se puede comprobar que el vector propio asociado al
x1 0.5847
valor propio = 1.8377 es =
x 2 0.8113
Si X es una funcin que le asigna a cada uno de los resultados de un experimento aleatorio
(aquel cuya respuesta no puede ser establecida de antemano) un nmero real, entonces X se
llama una Variable Aleatoria. Estas pueden ser discretas o continuas.
i. f (x ) 0 x R X
ii. f (x ) = 1 .
x
i. f (x ) 0 , < x <
ii. f (x )dx = 1
b
iii. P(a < X b ) = a f (x )dx para cualquier a y b, entonces f(x) es la funcin de densidad de
probabilidad de la variable aleatoria continua X.
83
La funcin de probabilidad acumulada, notada como F(x), es igual a P( X x ) y se evala a
travs de una sumatoria o de una integral dependiendo de si X es discreta o continua.
g (x ) f (x ) X discreta
E (g ( X )) = x
g (x ) f (x )dx X continua
xf (x ) X discreta
E ( X ) = = x
xf (x )dx X continua
(x )2 f (x ) X discreta
V ( X ) = 2 = E ( X )2 = x
(x )2 f (x )dx X continua
Se cumple que:
Modelo Binomial
Suponga que hay un experimento que consiste en examinar n individuos y evaluar o medir
en cada uno de ellos si tienen o no una caracterstica dada (slo hay dos posibles
resultados).Sea p la probabilidad de xito y q = 1-p la de fracaso en cada uno de los n
ensayos. Se asume que esta probabilidad es constante en cada uno de ellos.
84
Sea X = Nmero de xitos en los n ensayos, entonces asumiendo conocido p entonces es
posible establecer las probabilidades de ocurrencia de cada evento mediante la siguiente
ecuacin, denominada modelo de probabilidad binomial:
n
P( X = x) = p x (1 p) nx x = 0, 1, 2, . . ., n
x
En este modelo:
= E ( X ) = np
2 = V ( X ) = np (1 p )
Modelo Normal
dx .
1 1 / 2
P(a X b ) = e
a 2
Obviamente resultara muy dispendioso tener que calcular estas integrales para cada valor de
a, b, y . Por esta razn se acude a un procedimiento llamado estandarizacin, el cul
consiste en hacer la transformacin Z = X . La variable anterior tendr (si la distribucin
de frecuencias de X se ajusta a un modelo de probabilidad normal con media y varianza
2) una distribucin de frecuencias que se ajusta a un modelo de probabilidad normal con
media cero y varianza uno, es decir que:
z2 1
a b 1 z2
P( a X b ) = Z = (z1 < Z < z2 ) = e 2
z1 2
La ecuacin anterior tambin puede resultar difcil de evaluar, sin embargo para cualquier
valor de a, b, y las correspondientes probabilidades pueden hallarse, sin necesidad de
resolver la integral, empleando la tabla de distribucin acumulada normal estndar que
aparece en los textos de estadstica.
i. f (x , y ) 0 , x , y RX , RY
ii. f (x , y ) = 1
x y
85
Si existe una funcin f (x , y ) tal que la probabilidad conjunta:
b d
P[a < X < b , c < Y < d ] = f (x , y )dydx
a c
para cualquier valor de a, b, c y d en donde f (x , y ) 0 , < x , y < y f (x , y )dydx = 1 ,
entonces f (x , y ) es la funcin de probabilidad bivariada de X y Y.
f (x ) = f ( x , y )
y
si X y Y son variables aleatorias discretas
f ( y ) = f (x , y )
x
por
f (x ) = f (x , y )dy
si X y Y son variables aleatorias continuas
f (y) = f ( x , ydx )
f (x , y )
f (x / y ) = , donde f ( y ) es la funcin de probabilidad marginal de Y de manera tal que
f ( y)
f (y) > 0 .
86
f (x , y )
f (y / x) = , donde f (x ) es la funcin de probabilidad marginal de X de manera tal que
f (x )
f (x ) > 0 .
f (x , y ) = f ( x ) f ( y )
g (x , y ) f (x , y ) si X y Y son discretas
E (g ( X ,Y )) = x y
Si X y Y son dos variables aleatorias con densidad conjunta, entonces se cumple que:
1. E ( X + Y ) = E ( X ) + E (Y )
2. V ( X Y ) = V ( X ) + V (Y ) 2Cov ( X ,Y )
87
n n n
3. V ai X i = ai a j Cov (X i , X j ) .
i =1 i =1 j =1
3. Si E ( X ) = E (Y ) , entonces
1
2
[ 1
] 1
E ( X Y )2 = V ( X ) + V (Y ) Cov( X ,Y ) .
2 2
6.4. Algunos Mtodos Estadsticos.
6.4.1. Regresin Simple
En el modelo de regresin simple se establece una relacin lineal entre la esperanza
condicional de una variable aleatoria Y dados unos valores fijos de una variable X.
Modelo Poblacional
Yi = 0 + 1 xi + i
E (Y / X i ) = Yi = 0 + 1 xi
1. E ( i ) = 0
2. V ( i ) =
2
(
3. Cov i , j = 0 )
4. i N (0 , 2 )
Modelo Muestral
yi = 0 + 1 xi + ei
yi = yi + ei
88
0 y 1 son las estimaciones de los parmetros con base en la informacin muestral.
ei : i-simo erro muestral.
Estimacin de 0 y 1
n n n
i2 = (Yi Yi )
2
= (Yi 0 1 x i )2 . Derivando e igualando a cero se obtiene:
i =1 i =1 i =1
n n
i2 n
i2 n
i =1
= 2 (Yi 0 1 x i ) = 0 y i =1
= 2 X i (Yi 0 1 x i ) = 0.
0 i =1 1 i =1
n n
Yi = n 0 + 1 x i
i=1 i =1
n n n
xi Yi = 0 xi + 1 xi2
i =1 i =1 i =1
Las dos ecuaciones anteriores se conocen como ecuaciones normales. Dadas las
realizaciones y 1 , y 2 , K , y n las ecuaciones pueden resolverse para encontrar los estimados de
los parmetros:
n n
yi = n 0 + 1 xi
i =1 i =1
y = 0 + 1 x
= y x
0 1
n n n
xi yi = (y 1 x ) xi + 1 xi2
i =1 i =1 i =1
n n
yi xi
n i =1 n n
xi yi = n 1 i=1n
i x +
1 xi
2
i =1 i =1 i =1
89
2
n n n
y x xi
n i i n
xi yi = i =1 n i=1 1 n + 1 xi2
i =1
i =1 i =1
n n
y i xi n
x i y i i =1 n
i =1
(x i x )( y i y )
1 = i =1
2
= i =1
n
n
n
xi
( x i x )2
i =1 i =1
i x 2
n
i =1
Se puede demostrar que los errores estndar estimados de los estimadores de los parmetros
corresponden a:
n n
x i2
ei2
( ) y s( 0 )
s
s 1 = =s n
i =1
, con s = i =1
n n2
n ( x i x )
2
(x i x )2
i =1 i =1
90
Generacin de los Componentes Principales
Se ha dicho que los componentes principales tienen ciertas caractersticas que son
deseables:
a) Los componentes principales no estn correlacionados.
b) Cada componente principal sintetiza la mxima variabilidad residual contenida en los
datos. Es decir, el primer componente sintetiza la mxima variabilidad posible en el
conjunto de datos originales; el segundo componente sintetiza la mxima variabilidad
restante, sujeta a la condicin de no correlacin con el primer componente, y as hasta el
p-simo componentes.
c) Cada componente contiene informacin de todas las variables pero en diferentes
proporciones.
Matricialmente se expresa la generacin de los componentes a travs de:
1
Y(nxp ) = X (nxp ) L( pxp ) D(pxp )
donde :
Y: Matriz cuyas columnas representan las nuevas variables (componentes principales).
Estas tienen la propiedad de ser no correlacionadas.
X: Matriz de datos originales
L: Matriz de vectores propios de: a) XTX, si X es la matriz de datos originales; b) S (matriz
de varianzas y covarianzas) si X es centrada; c) R (matriz de correlacin) si X est
estandarizada.
D: Matriz diagonal con valores en la diagonal iguales a la raiz cuadrada de los valores
propios de XTX , S o R.
La transformacin lineal para generar los componentes principales (matriz Y) se fundamenta
en el proceso de diagonalizacin de una matriz, XTX , S o R., segn el caso, a travs del
teorema de descomposicin del valor singular
91
Referencias
Anderson, T. W. 1984. An Introduction to Multivariate Statistical Analysis.
John Wiley & Sons, New York.
Biau, G., E. Zorita, H. von Storch & H. Wackernagel. 1997. Estimation of
precipitation by kriging in EOF space. GKSS, 97, E45.
Box, G. E. P. y G.M. Jenkins. (1976). Time Series Analysis Forecasting and
Control. Holden -Day, San Francisco.
Bogaert, P., P. Mahau & F. Beckers. 1995. The Spatial Interpolation of
Agroclimatic Data. Cokriging Software and Source Code. FAO, Rome.
Bula-Meyer, G. 1985. Un nuevo ncleo de surgencia en el Caribe colombiano
detectado en correlacin con las macroalgas. Bol. Ectrpica 12:3-25.
Carr, J. , D. Myers y Ch. Glass. 1985. Cokriging - A Computer Program.
Computers & Geosciences. 11(2), 111-127.
Clark, I. 1979. Practical Geostatistics. Elsevier Publishing, New York.
Cressie, N. 1989. Geostatistics. The American Statistician. 43(4): 611(23).
Cressie, N. 1993. Statistical for Spatial Data. John Wiley & Sons, New York.
Cressie, N. & M. M. Majure. 1995. Non-Point Source Pollution of Surface Waters
over a Watershed. Programme Abstracts of the third SPRUCE International
Conference. Merida, Mexico.
Day, J., C. Hall, M. Kemp, & A. Ynez-Arancibia. 1989. Estuarine Ecology. John
Wiley & sons, New York.
Deutsch , C. V. & A. G. Journel. 1992. GSLIB: Geostatistical Software Library
and Users Guide. Oxford University Press, New York.
Daz- Francs, E. (1993). Introduccin a Conceptos Bsicos de Geoestadstica.
Memorias Seminario Estadstica y Medio Ambiente. Centro de Investigacin
en Matemticas, CIMAT. Guanajuato, Mxico.
Diggle, P., L. Harper y S. Simon. (1995). Geoestatistical Analysis of Residual
Contamination from Nuclear Weapons Testing. Programme Abstracts of the
third SPRUCE International Conference. Merida, Mexico.
Englund, E. & A. Sparks. 1988. GeoEAS, Users Guide. EPA, Las Vegas.
Evangelos A. & G. T. Flatman. 1988. On Sampling Nonstationary Spatial
Autocorrelated Data. Computers and Geosciences. 14(5): 667(86).
Gamma Design. 1995. GS+. Geostatistical software for the Agronomic and
Biological Science, version 2.3. Plainwell, Michigan.
Garmin International, Inc. 1993. Garmin Communication and Navigation. GPS
100 SRVY II personal surveyor. Owners manual. Lenexa..
Giraldo, R., D. Ospna & N. Mndez. 2001. Design of a Sampling Network for an
Estuary in the Colombian Caribbean. Rev. Acad. Col. Cienc. 25(97):509-518
Giraldo, R. 2002. Construccin de un Indicador para el Estudio Conjunto de la
Distribucin Espacial de Mltiples Variables Binarias. Tesis de Maestra en
92
Estadstica. Departamento de Estadstica. Universidad Nacional de
Colombia, Bogot.
Giraldo, R. 1996. Geoestadstica Aplicada a Datos Multivariados Provenientes
del Monitoreo de las Aguas de la Cinaga Grande de Santa Marta y el
Complejo Pajarales, Caribe Colombiano. tesis de grado Especializacin en
Estadstica. Universidad Nacional de Colombia..
Giraldo, R., J. Martnez, L. H. Hurtado, S. Zea & R. Madera. 1995. Anlisis de
Clasificacin de Series Temporales: El Caso de la Salinidad en la Cinaga
Grande de Santa Marta, Colombia. An. Inst. Invest. Mar. Punta Betn 24:
123-134.
Hernndez, C.A. & K. Gocke. 1990. Productividad Primaria en la Cinaga
Grande de Santa Marta, Colombia. An. Inst. Invest. Mar. Punta Betn 19
- 20 : 101 - 119
Hoaglin, D. F., F. Mosteller & J. Tukey. 1983. Understanding Robust and
Exploraory Data Anlisis. John Willey & Sons, New York.
IGAC, 1973. Monografa del Departamento del Magdalena. Inst. Geogr. Agustn
Codazzi, Bogot.
Isaaks, E. & R. M. Srivastava. 1989. Applied Geostatistics. Oxford University
Press, New York.
Jay, D.A., R.J. Uncles, J. Largier, W.R. Geyer, J.Vallino & W.R. Boynton. 1997. A Review
of Recent Developments in Estuarine Scalar Flux Estimation. Estuaries. 20(2): 262-
280.
Journel, A.G. y Ch. J. Huijbregts. 1978. Mining Geostatistics, Academics Press,
New York.
Krige, D. G. 1951. A Statistical Approoach to Some Basic Mine Valuation
Problems on the Witwatersrand. Journal of the Chemical, Metallurgical and
Mining Society of South Africa, 52: 119-139.
Lebart, L. A., A. Morineau & M. Piron. 1995. Statistique Exploratoire
Multidimenssionnelle. Dunod, Paris
Mancera, J. E. 1990. Caracterizacin Ecolgica de la Salina Artificial Pozos
Colorados, Caribe colombiano. An. Inst. Invest. Mar. Punta Betn 19-20 :
121 - 138.
Mancera, J. E. & L. A. Vidal. 1994. Florecimiento de microalgas relacionado con
mortandad masiva de peces en el complejo lagunar Cinaga Grande de
Santa Marta, Caribe colombiano. An. Inst. Invest. Mar. Punta Betn 23:
103 - 117.
Matheron, G. 1962. Traite de Geostatistique Apliquee, Tome I. Memoires bureau
de Recherches Geologiques et Minieres, N 24. Editions Bureau de Recherche
et Minieres, Paris.
McBratney, A. B., Webster, R. and Burgess, T. M. 1981. The Design of Optimal
Sampling Schemes for Local Estimation and Mapping of Regionalized
Variables I, Computers and Geosciences. 7(4): 331-334
Mood, A., F. A. Graybill & D. C. Boes. 1974. Introduction to the Theory of
Statistics. McGraw-Hill, New York.
Myers, D. E. 1987. Optimization of Sampling Locations for Variogram
Calculations. Water Resources Research. 23(3): 283(93).
93
Nixon, S.W. 1997. Prehistoric Nutrient Inputs and Productivity in
Narrangansett Bay. Estuaries. 20(2): 253-261
Petitgas, P. 1996. Geostatistics and Their Applications to Fisheries Survey Data
5: 114-142. In: B. A. Megrey & E. Mosknes, (E). Computers and Fisheries
Research. Chapman-Hall, Londres.
Pla, L.1986. Anlisis Multivariado: Mtodo de Componentes Principales.
Monografa No 27. Serie de matemtica. Secretara General de la OEA.
Reid, G. K. & R. D. Wood. 1976. Ecology of Inland Waters and Estuaries. Second
edition. D. Van Nostrand, New York
Roldn, G. 1992. Fundamentos de Limnologa Neotropical. Editorial
Universidad de Antioquia, Medelln.
Robertson, G. P. 1987. Geostatistics in Ecology: Interpolating with Know
Variance. Ecology 68(3) : 744-748.
Samper, F.J. & J. Carrera 1990. Geoestadstica. Aplicaciones a la Hidrogeologa
Subterrnea. Centro Internacional de Mtodos Numricos en Ingeniera.
Universitat Politcnica de Catalunya. Barcelona.
Snchez, C. 1996. Variacin Espacial y Temporal de la Ictiofauna de la Cinaga
Grande de Santa Marta, Complejo de Pajarales y Cinagas delCostado
Occidental de la Isla de Salamanca, Caribe colombiano. Tesis Biologa.
Fac. Cienc. Depto. Biol. Univ. Nacional de Colombia, Santaf de Bogot.
Vidal, L.A. 1995. Estudio del Fitoplancton en el Sistema Lagunar Estuarino
Tropical Cinaga Grande de Santa Marta, Colombia, durante el ao 1987.
tesis de grado M. Sc. Universidad Nacional de Colombia, 270 pp.
Wackernagel. H. 1995. Multivariate Geostatistics. An Introduction with
Applications. Springer-Verlag, Berln.
Warrick, A. W., D. E. Myers & D. R. Nielsen. 1986. Geostatistical Methods
Applied to Soil Science. Methods of Soil Analysis. Part 1. Physical and
Mineralogical Methods- Agronomy Monograph 9: 53 - 81.
Wheaton, F.W. 1977. Aquacultural Engineering. Krieger Publishing Company.
Malabar, Florida.
Welch, E. B. 1992. Ecological Effects of Wastewater. Applied Limnology and
Pollutant Effects. (second edition). Chapman & Hall, Londres.
Wiedemann, H. V. 1973. Reconnaissance of the C.G.S.M., Colombia: Physical
Parameters and Geologid history. Milt. Inst. Colombo-Aleman Inv.
Cientif. 7: 85-119.
94