Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Root PDF
Root PDF
2 Geoestadstica 9
2.1.4 Isotropa . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Semivariograma . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
i
2.6 Metodos estadsticos de interpolacion . . . . . . . . . . . . . . . 26
2.6.1 Generalidades sobre el kriging . . . . . . . . . . . . . . . 27
2.6.2 Introduccion a la teora del kriging . . . . . . . . . . . . 28
2.6.3 Kriging ordinario . . . . . . . . . . . . . . . . . . . . . . 30
2.6.4 Kriging Simple . . . . . . . . . . . . . . . . . . . . . . . 32
2.6.5 El enfoque robusto . . . . . . . . . . . . . . . . . . . . . 34
2.6.6 El enfoque bayesiano . . . . . . . . . . . . . . . . . . . . 37
i
CAPITULO 1
{() : }
1
2 CAPITULO 1. INTRODUCCION A LA ESTADISTICA ESPACIAL
200
150
150
Y Coord
Y Coord
100
100
50
50
0
4000
2000 2500
3500
data
3000
data
2500
Y Coord
2000
1500
200
1500
150
100
50
1000
1000
0
15010050 0 50 100 150
150 100 50 0 50 100
X Coord
X Coord
Los datos espaciales no cumplen con los supuestos del analisis clasico; en
particular la independencia; la primera ley de Toblers de las condiciones
de la geografa dice que todo esta relacionado con todo lo demas,
pero cosas cercanas estan mas relacionadas que cosas distantes. Los
datos espaciales, estan correlacionados a menos que esten sucientemente
lejanos.
Datos de areas (Lattices): Son los datos espaciales con variacion discreta.
es un subconjunto contable y jo de ; esto es, es discreto y jo y
() es una variable aleatoria con ubicacion , ( ).
Por ejemplo, al medir la tasa de mortalidad infantil en Colombia por
departamento, se tiene una dominio discreto que consiste del conjunto
formado por los 33 departamentos de Colombia. Ver gura 1.4
6 CAPITULO 1. INTRODUCCION A LA ESTADISTICA ESPACIAL
80
60
cardiff$y
40
20
0 20 40 60 80
cardiff$x
quieren identicar zonas de mas alto o mas bajo riesgo, encontrar si existen
patrones de ocurrencias de estos actos con el n de establecer polticas de
seguridad acordes con las caractersticas por zonas. Por lo tanto, los metodos
de la estadstica espacial cambian de acuerdo al dominio en el que ocurre el
fenomeno de interes.
8 CAPITULO 1. INTRODUCCION A LA ESTADISTICA ESPACIAL
CAPITULO 2
Geoestadstica
9
10 CAPITULO 2. GEOESTADISTICA
() = [(1 ), ..., ( )]
y
( + ) = [(1 + ), ..., ( + )]
se tiene que
() = (+)
Si se cumple que
() = ,
((), ( + )) = ()
para toda pareja (), (+), es decir, la covarianza existe y es funcion unica
del vector de separacion . Entonces, se dice que es un proceso debilmente
estacionario o estacionario de segundo orden. () es la funcion de covarianza
o covariograma del proceso espacial.
En geoestadstica es muy comun usar la variable llamada incrementos
( + ) (), haciendo una analoga con la diferenciacion de una serie
de tiempo cuando no se tiene estacionariedad en (). En este caso se
puede interpretar la variable incrementos como el cambio de la variable de
interes despues de un desplazamiento ; as modelar la varianza de la variable
incrementos es una forma alternativa de modelar dependencia espacial. Esta
clase de estacionariedad se suele llamar estacionariedad intrnseca.
2.1. SUPUESTO DE ESTACIONARIEDAD 11
2.1.3. Estacionariedad intrnseca
(( + ) ()) = 0, ,
1
2
(( + ) ()) = ()
para toda pareja (), (+), es decir, la varianza existe y es funcion unica del
vector de separacion ; () es la funcion de semivarianza o el semivariograma
del proceso espacial. En presencia de estacionariedad de segundo orden las
funciones de covarianza y semivarianza cumplen la siguiente relacion:
() = (0) () (2.1)
() = 3 exp(/50)
() = 3(1 exp(/50))
Covarianza
Semivarianza
1.5
1.0
0.5
0.0
2.1.4. Isotropa
((), ( + )) = ()
y/o
1
(( + ) ()) = ()
2
() 0
() (0)
() 0, cuando
2.1. SUPUESTO DE ESTACIONARIEDAD 13
Ademas, el semivariograma de un proceso estacionario de segundo orden tiene
una asntota, (0). Esto provee una herramienta para vericar estacionariedad.
Se estima el semivariograma, si tiende a una lnea horizontal cuando se
incrementa la separacion de los puntos, el proceso es estacionario de segundo
orden, mientras que si el semivariograma no se estabiliza, sino por el contrario
continua creciendo aun puede ser al menos intrnsecamente estacionario si
cumple que
()
0
2
cuando . Esto es, para utilizar los modelos y la metodologa clasicos,
el semivariograma no debe crecer mas rapido que una ecuacion de segundo
grado. Los parametros de los cuales depende un semivariograma de un proceso
estacionario de segundo orden son los siguientes, ver gura 2.2:
() = 0 + ()
y el covariograma {
(1 ()), > 0
() = (2.2)
0 + =0
2
2.1 Ejemplo. Con pepita () = 2 + 3(1 3(/19) )
2.2. Semivariograma
( )4
( + ) ()1/2
() = (2.4)
2(0.457)
1
() = (( + ) )(() )
()
()
16 CAPITULO 2. GEOESTADISTICA
( ) 0 (2.5)
=1 =1
15
15
gamma
gamma
gamma
20
10
10
15
20
15
15
gamma
gamma
gamma
10
10
10
5
5
gamma
gamma
90
100000
10
80
5
70
0
{
0 si = 0
(; ) =
si = 0
Modelo lineal
Modelo esferico
0 si = 0
[ ( )3 ]
(; ) = 0 + 32
12
si 0 <
+
0 si >
18 CAPITULO 2. GEOESTADISTICA
Modelo Matern
{
0 ( )( ) si = 0
(; ) = 1
0 + 1 21 ()
(/) si 0
kappa=0.2 kappa=0.5
20
20
15
15
gamma
gamma
10
10
5
5
dist dist
kappa=1 kappa=2
20
20
15
15
gamma
gamma
10
10
5
5
dist dist
semivariance
0.0 0.2 0.4 0.6 0.8 1.0 1.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
distance distance
semivariance
0.0 0.2 0.4 0.6 0.8 1.0 1.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
distance distance
1 1
(, ) = (2) + () + (Z ) 1 ()(Z )
2 2 2
1
Se usa el modelo de funcion aleatoria intrnseca de orden
20 CAPITULO 2. GEOESTADISTICA
1 1 2 (, )
( (, ), ) = 2 + + ( , ) +
2 2 4( , )
Fernando Savater
[( ) ( )] = [( )] + [( )] 2[( ), ( )]
Si [( )] = [( )] = [()], , y [( ) ( )] es
tambien una funcion de , se tiene
2[( ), ( )] = 2 [()] [( ) ( )]
24 CAPITULO 2. GEOESTADISTICA
2( ) = 2 2 2( ) ( ) = 2 ( )
( ) = 2 ( )
{
0 si = 0
() =
0 + [1 exp(3/)] si > 0
{
0 + si = 0
(0) =
[1 exp(3/)] si > 0
Si = 2, = ((1 ), (2 ))
( )
(0, ) (1 2 ; )
() =
(2 1 ; ) (0, )
2 1 1
(, ; ()) = (2) + () + (() )1 ()(() )
2 2 2
( )
1 1 (0, ) (2 1 ; )
() = 2
(0, ) 2 (1 2 ; ) (1 2 ; ) (0, )
( )
(1 )
z() =
(2 )
2.5. KRIGING 25
(() )1 ()(() ) =
1
(((1 ))2 (0, )+((2 ))((1 ))((1 2 ; ))
(0, ) 2 (1 2 ; )
2
1
(, ; ()) = (2) + (2 (15/))+
2
1
(0.25 + 2 0.25 ((15)/) + 0.25 ) =
2
1 1
(, ; ()) = (2)+ (2 (15/))+ (0.5 +0.5((15))/))
2 2
2.5. kriging
(0 ) = 1 (1 ) + 2 (2 ) + 3 (3 ) + 4 (4 )
Donde los , = 1,
2, 3, 4 son los factores de ponderacion o pesos tales que
2 > 4 > 3 > 1 y 4=1 = 1
(0 ) = Z (2.8)
Donde Z = ( (1 ) , (2 ) , . . . , ( )) y = (1 , 2 , . . . , ) es el
vector de factores o coecientes de ponderacion y son calculados de
acuerdo a las dos condiciones siguientes.
2.6. METODOS ESTADISTICOS DE INTERPOLACION 29
Insesgamiento. El valor esperado del estimador es igual al valor esperado
de la variable en el punto de medicion2 .
[ ]
(0 ) = [ (0 )] (2.9)
( )
Varianza mnima. El estimador satisface que (0 ) (0 ) es
mnima.
Notese que la varianza puede ser escrita de la siguiente manera por la condicion
de insesgamiento
( ) ( )2 [ ( )]2
(0 ) (0 ) = (0 ) (0 ) (0 ) (0 )
( )2
= (0 ) (0 )
[( ) ( )]
= Z (0 ) Z (0 )
[( )( )]
= Z (0 ) Z (0 )
[ ]
= ZZ (0 ) Z (0 ) Z + ( (0 ))2
[ ]
= ZZ 2 (0 ) Z + ( (0 ))2
[ ] [ ] [ ]
= ZZ 2 (0 ) Z + ( (0 ))2
[ ] [ ] [ ]
= ZZ 2 (0 ) Z + ( (0 ))2
(2.10)
() = + () , , y desconocida (2.11)
Luego, se debe minimizar 2.16 bajo la resticcion 2.12, para lo cual se emplea
el metodo de los multiplicadores de Lagrange que consiste en minimizar el
2.6. METODOS ESTADISTICOS DE INTERPOLACION 31
lagrangiano (, ):
1 ( ) ( )
(, ) = (0 ) (0 ) 1 1
2
1 1 ( )
= 0 + (0) 1 1 (2.17)
2 2
respecto a y al multiplicador de Lagrange . Para llevar a cabo la
minimizacion de (, ) se deriva respecto a los parametros y obteniendo:
(, )
= 0 1
(, )
= 1 1 (2.18)
Luego, se igualan a cero las ecuaciones 2.18, lo cual conduce a:
1 = 0 (2.19)
1 = 1 (2.20)
1 1 1 1 = 1 1 0 1 1 1 1 = 1 1 0
1 1 1 0
= (2.21)
1 1 1
= (0) 11 (2.23)
32 CAPITULO 2. GEOESTADISTICA
1 ( ) ( )
(, ) = (0 ) (0 ) 1 1
2
1 ( )
= + 0 1 1 (2.25)
2
derivando con respecto a y e igualando a cero se tiene que
(, )
= + 0 1 + 1 = 0
(, )
= 1 1 1 = 1 (2.26)
que es el sistema de ecuaciones normales para el kriging ordinario, pero a traves
de la funcion de semivarianza. La solucion de 2.26 es
( )
1 1 1 0 1
= 0 1 (2.27)
1 1 1
1 1 0 1
= (2.28)
1 1 1
() = + () , , y conocida (2.29)
2.6. METODOS ESTADISTICOS DE INTERPOLACION 33
Se tiene que ( ()) = o lo que es lo mismo ( ()) = 0. De otro lado, la
prediccion en un punto particular 0 se puede expresar de la siguiente manera
como
(0 ) = + (0 ) (2.30)
donde (0 ) es la prediccion del error aleatorio en el punto 0 . Luego, se debe
tener un predictor lineal del error que se dene como
(0 ) = e (2.31)
(0 ) (0 )) = e 20e + (0)
( (2.36)
(0 ) (0 ))] = 2e 20e
[ (
e = 0 e (2.37)
34 CAPITULO 2. GEOESTADISTICA
[4.78,5.308] [0.09692,0.1746]
(5.308,5.837] (0.1746,0.2523]
(5.837,6.365] (0.2523,0.33]
(6.365,6.893] (0.33,0.4077]
(6.893,7.421] (0.4077,0.4854]
() (1)
= ( ; = 1, .., ); = 1, . . . ,
() ()
= ( ; = 1, ..., )
() (1) ()
= ; = 1, .., ; = 1, ...,
() ()
= ( ; = 1, .., ); = 1, .., )
() ()
= ( ; = 1, ..., )
() () ()
= ; = 1, .., ; = 1, ...,
() ()
() = (1) + +
() (1) () ()
= + ; = 1, . . . ,
() (1) () ()
= +
36 CAPITULO 2. GEOESTADISTICA
( = (, )) =
+ + (
+1 ) + + (
+1 ) (2.41)
+1 +1
Kriging Robusto
( ) = ( ; ( ); = ) (2.44)
() (0 ) = =1 (
) (2.46)
(, 2 , ) (, 2 )( , 2 , ) (2.52)
2 )2 (,
(, 2 , ) (, 2) (2.53)
(, 2 , ) (, 2 , )( ) (2.55)
heterogeneidad espacial,
heterocedasticidad
inestabilidad estructural en los parametros
autocorrelacion espacial
luego hay q desarrolar cada uno de los temas, el primer comentario es lo q
se puede resolver por metodos econometricos estandar tales como las pruebas
de heterocedasticidad y la estimcion por MCP, ya sea o no en el contexto de
regresion.
fuera de regresion puede ser por ej la prueba de bartlet
La F sirve para comparar solo dos varianzas pero requiere normalidad
Batlett compara multiples varianzas pero tambien requiere normalidad Cuando
los datos en una muestra son de corte transversal y aun as en el modelo se
evidencia invalido el supuesto de independencia entre las observaciones de
43
44 CAPITULO 3. MODELOS DE REGRESION ESPACIALES
0 12 . . . 1
21 0 . . . 2
.. ..
= .. (3.1)
. . .
..
1 2 . 0
3.2. MATRICES DE PESOS ESPACIALES 45
es una matriz cuadrada, no estocastica, con entradas no negativas
y nitas que representan la interdependencia espacial entre las unidades
geogracas. Las entradas no nulas corresponden a unidades espaciales con
relaciones de contiguidad.
Inicialmente, suponganse una grilla regular de muestreo en una sola
direccion, esto es un transecto:
Figura 3.1.
En este caso cada uno de los puntos tiene dos vecinos excepto el primero
y el ultimo que tiene solamente uno. O una grilla de muestreo regular en dos
dimensiones
Figura 3.2.
Si los puntos de muestreo son regiones, los criterios aun se pueden usar
utilizar de acuerdo a un punto clave de cada region, por ejemplo la capital.
Para denir los pesos de la matriz se pueden usar posteriormente criterios
de distancia, los umbrales segun la distancia euclidiana o proporciones de la
distancia total
= 1 /( )
= (1/ )
= 1/( )
Triangulacion Delaunay:
Considera como vecino de a aquellas unidades que pueden ser
conectadas mediante triangulos, tal que sea al menos un vertice.
( )( )
=1=1
() =
(3.2)
( )2
=1=1 =1
( 1) ( )2
=1 =1
() =
(3.3)
2 ( )2
=1 =1 =1
= 2 (3.4)
() = , = ( 11 /) ( 11 /) (3.5)
1 1 ( 11 /)
= 1 + 1 + 2 2 + , = 2 + 3 (3.6)
= 1 + ( 2 )1 (3.8)
= 1 + 1 + 2 2 + (3.10)
= 1 + 2 2 + (3.11)
3
Serrano y Vaya tambien consideran modelos con estructura de medias moviles espaciales,
denominados SMA
4
Los modelos con estructura espacial en la variable explicada se denominan procesos de
difusion contagiosa.
5
Los modelos autoregresivos en el termino se denominan procesos de difusion jerarquica.
3.5. MODELOS DE REGRESION ESPACIAL 53
La estimacion mediante mnimos cuadrados no es adecuada en modelos de
regresion espacial, debido a que genera estimadores sesgados de :
) = ( )1 ( + ) = + ( )1
( (3.12)
= ( , ) +
, ) = [ ( , )]1 ( , )
(
3.6. Aplicacion
1500000
1000000
YCOO
500000
0
XCCO
4e+04
2e+04
NBI
Mapa Cluster
Sin Informacin
Alto-Alto
Bajo-Bajo
Bajo-Alto
Alto-Bajo
9
En la tabla7 del anexo se presentan la estimacion de un modelo SAR-ERR, un modelo
SAR-LAG con componente mixto espacial y la regresion por MCO
60 CAPITULO 3. MODELOS DE REGRESION ESPACIALES
61
62 CAPITULO 4. ALGUNOS TOPICOS BASICOS SOBRE PROCESOS PUNTUALES
( ())
() = lm (4.1)
0
density.ppp(ej, 5)
3.5
3.45
3.4
3.35
Figura 4.3. Graco de densidad del proceso
()
( ( = )) =
!
No existe interaccion entre los eventos.
()
( ( = )) =
!
quadratcount(ej, nx = 4, ny = 3)
2 14 11 1
2 8 21 5
4 15 13 4
Bajo CSR, se ha visto que para el metodo del vecino mas cercano se tiene
que la funcion de distribucion de la distancia es
() = 1 (2 ) (4.2)
2
= =1
2
(2,2) (4.3)
=1
momentos)
4.2. PRUEBAS DE CSR 67
agregado, debido a que existe una distancia grande entre grupos y si es
pequeno se tendra un patron regular; en caso de ser cercano a 1 se encuentra
bajo la hipotesis de CSR. Se suele utilizar para mayor facilidad de lectura el
llamado Indice de patronpara expresar la medida con un numero entre 0 y
1 con el calculo de +1
= 2 = 2 (4.4)
2
(1 > 1 ) = ( (1 ) = 0) = 1 (4.5)
(2 > 2 1 = 1 ) = ( (2 1 ) = 0) = (2 1 ) (4.6)
(1 , 2 ) = 2 (2 ) (4.7)
(1 , 2 , ..., ) = ( ) (4.8)
2
con 0 < 1 < 2 < ... < .
Para determinar si los eventos interactuan entre si, esto es, si existe algun
tipo de contagio ya sea positivo o negativo, se requiere analizar la funcion de
intensidad de segundo orden, 2 (1 , 2 ). En datos geoestadsticos se analizan la
funcion media y la funcion de covarianza o de semivarianza del proceso con el
n de obtener toda la informacion de los dos primeros momentos; en procesos
puntuales las intensidades de primer y segundo orden juegan ese mismo papel.
( (1 ) (2 ))
2 (1 , 2 ) = lm (4.9)
1 0,2 0 1 2
Funcion de Ripley