Root PDF

ESTADISTICA ESPACIAL
Martha Patricia Bohorquez Castaneda
Universidad Nacional de Colombia

Departamento de Estadstica
2009
TABLA DE CONTENIDO
1 Introduccion a la estadstica espacial 1
2 Geoestadstica 9
2.1 Supuesto de Estacionariedad . . . . . . . . . . . . . . . . . . . . 9
2.1.1 Estacionariedad fuerte . . . . . . . . . . . . . . . . . . . 9
2.1.2 Estacionariedad de segundo orden . . . . . . . . . . . . . 10
2.1.3 Estacionariedad intrnseca . . . . . . . . . . . . . . . . . 11
2.1.4 Isotropa . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.5 Elementos del semivariograma . . . . . . . . . . . . . . . 12
2.2 Semivariograma . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Metodos de estimacion mas usados . . . . . . . . . . . . . . . . 18
2.4 Ilustracion metodo de maxima verosimilitud . . . . . . . . . . . 23
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
3 Modelos de regresion espaciales 43
3.1 Efectos espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.2 Matrices de Pesos Espaciales . . . . . . . . . . . . . . . . . . . . 44
3.3 Contrastes de Autocorrelacion Espacial . . . . . . . . . . . . . . 49
3.3.1 Estadsticos Globales . . . . . . . . . . . . . . . . . . . . 49
3.3.2 Estadsticos Locales . . . . . . . . . . . . . . . . . . . . . 50
3.4 Analisis de Cooordenadas Principales de Matrices de Pesos Espaciales(PCNM) 51
3.5 Modelos de Regresion Espacial . . . . . . . . . . . . . . . . . . . 51
3.5.1 Regresion geogracamente ponderada . . . . . . . . . . . 54
3.6 Aplicacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.6.1 Eleccion de la Matriz de Pesos Espaciales (PCNM) . . . 56
3.6.2 Analisis Univariado del NBI . . . . . . . . . . . . . . . . 56
3.6.3 Modelos de Regresion Espacial . . . . . . . . . . . . . . . 58
4 Algunos topicos basicos sobre procesos puntuales

61
4.1 Clases de patrones . . . . . . . . . . . . . . . . . . . . . . . . . 62

4.2 Pruebas de CSR . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2.1 Conteo por cuadros . . . . . . . . . . . . . . . . . . . . . 65
4.2.2 Metodos de distancia . . . . . . . . . . . . . . . . . . . . 66
4.2.3 Funcion de intensidad de segundo orden . . . . . . . . . 68
i
CAPITULO 1
Introduccion a la estadstica espacial
La rama de la estadstica que analiza las variables de interes teniendo en

cuenta su ubicacion espacial, es conocida como Estadstica Espacial.
En muchos fenomenos de la naturaleza, los atributos de interes, se pueden
ubicar temporal o espacialmente. En este caso, no es correcto estudiarlos bajo
el supuesto de independencia entre observaciones, pues muy posiblemente la
componente temporal, la espacial o ambas generen un efecto de correlacion. Por
lo tanto, es fundamental determinar la estructura de dicha correlacion, y con
base en esta, encontrar predicciones de la variable de interes para determinado
momento y/o determinado lugar.
Denicion 1. Proceso Espacial

Sea la variable de interes, y sea s la ubicacion espacial donde existe .
El proceso espacial es el conjunto
{() : }
Donde se reere a la variable de interes en la ubicacion , es llamado

el conjunto ndice y esta formado por todas las ubicaciones . La ubicacion
espacial puede estar en una, dos o mas dimensiones segun el estudio.
1
2 CAPITULO 1. INTRODUCCION A LA ESTADISTICA ESPACIAL
A continuacion se mostraran unos ejemplos, que ilustraran tanto las

aplicaciones de la estadstica espacial, como los elementos de un proceso
espacial.
1.1 Ejemplo. Existen varias formas de estimar la cantidad de madera muerta
en un bosque. Una de ellas es llamada el metodo del transecto lineal y consiste
en recolectar datos sobre troncos o ramas cadas a lo largo de un camino. Este
camino se puede ver como el eje de los numeros reales; ver gura 1.1. En este
caso,
(): Diametro del tronco ubicado en la coordenada , a la altura del pecho.
= ; , con un punto de origen arbitrario, jado en el momento en
el que se inicia el camino.
Figura 1.1. Proceso espacial en
1.2 Ejemplo. En el marco de un proyecto de conservacion del medio ambiente,

se requiere revisar y vericar en el terreno los informes relacionados con los
calculos de las reservas explotables y el avance del fenomeno de intrusion
marina en un reservorio acufero, con el n de establecer las recomendaciones
necesarias para denir un programa de manejo.
Los datos recolectados son ubicados mediante coordenadas bidimensionales,
(Este, Norte). En una notacion mas universal se puede pensar en un plano
cartesiano en el cual dichas coordenadas se notan (x,y). Ver gura 1.2
(): Altura piezometrica por debajo del nivel del mar en la ubicacion .
= 2 ; 2 , = (, ) con un punto de origen arbitrario en (0, 0),
jado en el momento en el que se disena el muestreo.
As, en general, es un elemento de un conjunto , el cual es a su vez un

subconjunto de . Esto es = 2
3
Este Norte (): Altura
42,782 127,622 1464
-27,396 90,787 2553
-1,1628 84,896 2158
-18,618 76,451 2455
96,465 64,580 1756
108,562 82,923 1702
88,363 56,453 1805
90,042 39,258 1797
93,172 33,058 1714
97,610 56,278 1466
Cuadro 1.1. Proceso espacial en 2

200
200
150
150
Y Coord
Y Coord
100
100
50
50
0
150 100 50 0 50 100 1000 1500 2000 2500 3000 3500

X Coord data
3500
3000
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
Figura 1.2. Altura piezometrica georeferenciacion en 2
El conjunto ndice D, puede ser continuo, discreto o aleatorio. La ubicacion

es un concepto que puede variar, una posibilidad es la ubicacion geograca; un
punto puede ser indexado con respecto a cualquier sistema de referencia bien
denido, por ejemplo el tiempo.
Se requiere una teora especial para este tipo de datos ya que:
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.
observaciones espaciales Z(si) no representan una muestra aleatoria

de tamano de n en el sentido tradicional. Representan una muestra de
tamano 1 de un proceso estocastico que se extiende en d dimensiones;
esta caracterstica es compartida en una serie de tiempo.
La aleatorizacion, la repeticion, y los bloques no son posibles en muchas

ciencias de tierra en las que se generan grandes cantidades de datos
espaciales. El diseno experimental clasico es de poca ayuda.
Muchos problemas en estadstica espacial, son unicos a este cuerpo de

aplicacion y no tienen similitud con ningun problema de la estadstica
clasica.
Una muestra de tamano en la que se evidencia correlacion espacial

contiene menos informacion que una muestra del mismo tamano pero
de observaciones independientes. Por lo tanto, cuando las observaciones
estan correlacionadas, es necesario determinar con cuantas observaciones
de los datos correlacionados sera posible encontrar la misma precision
que se hubiera obtenido si las observaciones fueran independientes. La
solucion dependera del patron y de la intensidad de esta correlacion.
5
Clases de datos espaciales
Datos geoestadsticos: Son los datos espaciales con variacion continua,

donde es un subconjunto jo de ; esto es, es continuo y jo
y () es una variable aleatoria con ubicacion , ( ).
Un ejemplo de datos geoestadsticos es un tipo de contaminacion del
aire llamado material particulado (MP). Un ejemplo de la distribucion
continua del MP en la ciudad de Mexico se puede observar en la gura
1.3
Figura 1.3. Material particulado en la ciudad de Mexico
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
Figura 1.4. Tasa de mortalidad infantil (por cuantiles)
Procesos espaciales puntuales: es un proceso puntual en o en un

subconjunto aleatorio de . puede ser discreto o continuo, () es
una variable aleatoria con ubicacion ( ). Aqu el interes no recae
en el valor de un atributo , sino en la ubicacion en la cual ocurre un
evento de interes.
Por ejemplo, en cuestiones de seguridad, se ubican en un plano los lugares
donde han sido denunciados robos. Ver gura 1.5
Se puede observar que el interes en cada uno de los casos anteriores, es

distinto. En el primer caso, se requiere la prediccion de la cantidad de material
particulado en forma continua en todos los lugares de la ciudad; mientras
que en el segundo caso el interes en cambio radica en determinar relaciones
de vecindad, identicar si la tasa de mortalidad infantil existente en un
departamento es inuenciada o inuye sobre las tasas de mortalidad de los
departamentos vecinos, de que factores adicionales depende este fenomeno y
como se pueden modelar estas distintas relaciones. En el caso de los robos, se
7
80
60
cardiff$y
40
20
0 20 40 60 80
cardiff$x
Figura 1.5. Lugares donde se han denunciado robos
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.
CAPITULO 2
Geoestadstica
El campo aleatorio espacial (variable regionalizada) en este caso es continuo

{() : }; en general, no existen replicas de los datos, a menos que se
tomaran medidas repetidas en cada una de las ubicaciones, lo cual es muy
poco frecuente en la recoleccion de datos espaciales. Esto hace preciso, crear
un mecanismo para generar estas replicas y poder hacer inferencia sobre los
datos. Los dos componentes estructurales del campo aleatorio que permiten
incorporar replicas son la estacionariedad y la isotropa.
2.1. Supuesto de Estacionariedad
2.1.1. Estacionariedad fuerte
Este supuesto se reere a que la estructura probabilstica del campo

aleatorio es similar en diferentes partes de D, es decir que el proceso alcanza
un estado de equilibrio. Esto ocurre cuando las coordenadas absolutas no
muestran ninguna inuencia sobre la ocurrencia de la variable. Si el campo
aleatorio es estacionario y se va a estimar la covarianza, por ejemplo, se puede
usar una funcion que dependa solamente de la distancia absoluta = ,
sin importar donde estan localizados los puntos. Para que diferentes pares de
9
10 CAPITULO 2. GEOESTADISTICA
puntos puedan contribuir a la estimacion, solo se necesita que tengan la misma

distancia . De manera formal, una variable regionalizada es estacionaria si su
funcion de distribucion no vara con la traslacion del vector , esto es, si para
() = [(1 ), ..., ( )]
y
( + ) = [(1 + ), ..., ( + )]
se tiene que
() = (+)
La estacionariedad fuerte, sin embargo, es una propiedad muy restrictiva,

y existen metodos que pueden modelar los fenomenos aun cuando no se
cumpla esta propiedad. En particular para los algunos metodos geoestadsticos
puede bastar con el cumplimiento de algunos supuestos que involucren los dos
primeros momentos:
2.1.2. Estacionariedad de segundo orden
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
El proceso () es intrnsecamente estacionario si satisface:
(( + ) ()) = 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)
Esta relacion se ilustra en la gura 2.1, para el caso particular donde la

funcion de covarianza corresponde a la funcion exponencial
() = 3 exp(/50)
y por lo tanto la funcion de semivarianza es
() = 3(1 exp(/50))
Funciones de covarianza y semivarianza exponencial

3.0
2.5
2.0
3 * (1 exp(x/50))
Covarianza
Semivarianza
1.5
1.0
0.5
0.0
0 50 100 150 200 250
Figura 2.1. () y (), = (0, 3, 50)

2.1.4. Isotropa
Si ademas () y/o () son funciones unicas de la magnitud , esto es,
((), ( + )) = ()
y/o
1
(( + ) ()) = ()
2
El proceso posee funcion de covarianza y/o semivarianza isotropica. La

estacionariedad permite combinar pares de datos con la misma diferencia
de coordenadas, pero si ademas, los vectores de diferencias pueden ser
reemplazados con distancias escalares, por ejemplo una distancia euclidiana
para calcular medidas como la covarianza, entonces el campo aleatorio se dice
isotropico. Esto es, la correlacion entre los datos no depende de la direccion
en la que esta se calcula. As, un campo aleatorio que es estacionario pero no
isotropico se desarrolla de manera diferente segun las diferentes direcciones del
espacio; no solo basta con conocer cuanto estan separados un par de puntos,
sino tambien se necesita conocer la orientacion de dicha distancia.
En terminos geometricos la estacionariedad y la isotropa son propiedades
de invarianza. La estacionariedad es invarianza bajo la traslacion. La isotropa
es invarianza bajo rotaciones y reexiones.
2.1.5. Elementos del semivariograma
En un proceso es estacionario de segundo orden la funcion de covarianza

cumple las siguientes propiedades:
() 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:
Silla es la asntota superior del semivariograma. Unicamente los procesos

estacionarios de segundo orden tienen silla. En estos casos la silla es
(0); tambien es conocida como meseta.
Rango de un proceso espacial es la distancia a la cual los puntos ya

no se consideran correlacionados. Los puntos separados por una
distancia inferior al rango se consideran espacialmente correlacionados:
Observaciones espaciadas por mas que el rango se consideran
independientes. Algunos procesos alcanzan correlacion cero solo
asintoticamente, mientras que otros tienen un rango nito
Efecto pepita . De la denicion de semivariograma, se puede ver que para

= 0, debera ocurrir que () = 0. Sin embargo, en general se
presenta el comportamiento observado en la gura 2.2, existiendo una
discontinuidad en el origen, () 0 cuando 0. La primera posible
causa para esto es la presencia de un error de medida (EM); cuando no
es posible repetir una medida en la ubicacion sin error, entonces all se
evidencia su variabilidad. La segunda causa posible es el llamado efecto
de micro-escala, el cual se genera debido a que existe un proceso espacial
que opera a distancias mas pequenas que las que fueron tenidas en cuenta
para los valores de que a su vez dependen de las distancias a las que
fue realizado el muestreo. Este proceso de micro-escala, tiene silla CMS.
Por lo tanto, si cualquiera de las dos componentes (error de medida
o micro-escala) es diferente de cero, el semivariograma presentara una
discontinuidad puntual en el origen; la magnitud de esta discontinuidad
es llamada el efecto pepita y se representa 0 .

2 2
0 = +
Silla parcial : Si un semivariograma tiene efecto pepita 0 y silla (0), la

diferencia (0) 0 es llamada la silla parcial del semivariograma.
Figura 2.2. Pepita, silla y rango en presencia de estacionariedad de segundo orden
Con la existencia del efecto pepita, se altera la relacion entre el

covariograma y el semivariograma. El semivariograma se puede expresar como
() = 0 + ()
y el covariograma {
(1 ()), > 0
() = (2.2)
0 + =0
2
2.1 Ejemplo. Con pepita () = 2 + 3(1 3(/19) )
la varianza esta formada por la pepita mas la silla parcial

(0) = 2 + 3,
() = (0) ()
2
en general, entonces() = 2 + 3 (2 + 3(1 3(/19) ))
2
() = 3 3(1 3(/19) ))
2
() = 3(1 (1 3(/19) ))
2.2. SEMIVARIOGRAMA 15
Bajo estacionariedad de segundo orden, es posible estimar tanto la funcion
de covarianza como la funcion de semivarianza; si no se tiene esta propiedad
pero existe estacionariedad intrnseca aun se puede estimar la funcion de
semivarianza. Aunque esto hace al semivariograma mas general para estimar
la dependencia espacial, existen razones por las cuales es preferible cuando sea
posible estimar la funcion de covarianza. Ver seccion 2.3.
2.2. Semivariograma
El semivariograma () se dene como la varianza de la variable

incrementos 12 (( + ) ()). Por lo tanto, un estimador muy natural
es el conocido como el estimador clasico, y consiste de la estimacion de esta
varianza por el metodo de los momentos:
1

() = (( + ) ())2
2 ()
()
Este estimador presenta los inconvenientes ya conocidos de la varianza

muestral, principalmente su sensibilidad a datos atpicos. De aqu que
(Cressie, 1985) ha propuesto los siguientes dos estimadores robustos:
)
1/2 4
1 () ( + ) ()
() = (2.3)
2(0.457 + 0.494/ ()) ()
( )4
( + ) ()1/2
() = (2.4)
2(0.457)
En los denominadores se puede apreciar en cada caso la correccion por

sesgo. (Cressie, 1993) muestra ademas que los estimadores robustos son
menos dependientes entre si; los sumandos ( + ) ()1/2 estan menos
correlacionados que los (( + ) ())2 .
Si se opta por la estimacion de la funcion de covarianza, se puede recurrir
a la denicion clasica de covarianza muestral as:
1
() = (( + ) )(() )
()
()
A partir de los semivariogramas (o covariogramas) empricos ahora se debe

ajustar un modelo parametrico; en la siguiente seccion se hace un recorrido
por los metodos de estimacion mas usados.
Modelos validos de semivariogramas
La funcion (; ) debe ser denida negativa para ser un modelo valido

de semivariograma. Esto es, para cualquier numero nito m de ubicaciones
espaciales
1 , 2 , . . . ,
y cualquier real,1 , 2 , . . . , con + , (; ) debe satisfacer

( ) 0 (2.5)
=1 =1
El cumplimiento de esta propiedad garantiza que las varianzas de las

predicciones sean positivas. A continuacion algunos ejemplos de modelos
validos de semivariograma:
Efecto pepita Lineal Esfrico

20
25
15
15
gamma
gamma
gamma
20
10
10
15
0 50 100 150 200 0 5 10 15 20 0 10 20 30 40 50
dist dist dist
Matern Efecto Hueco Exponencial

20
20
20
15
15
gamma
gamma
gamma
10
10
10
5
5
0 50 100 150 200 0 100 300 500 0 10 30 50
dist dist dist
Gaussiano Potencial logartmico

110
250000
20
15
gamma
gamma
gamma
90
100000
10
80
5
70
0
0 10 30 50 0 50 100 150 200 0 50 100 150 200
dist dist dist
Figura 2.3. Algunos modelos validos de semivariogramas

2.2. SEMIVARIOGRAMA 17
Modelo efecto pepita
Si el semivariograma ajustado es un efecto pepita hay evidencia de alguna

de las siguientes dos situaciones;
un problema de microestructura; es decir que la variacion espacial ocurre

a menores distancias y por lo tanto fue incorrecta la distancia de muestreo
elegida.
No existe autocorrelacion espacial
{
0 si = 0
(; ) =
si = 0
Modelo lineal
Este es un ejemplo de modelo bajo estacionariedad intrnseca, la

semivarianza espacial no se estabiliza.
{
0 si = 0
(; ) =
0 + si = 0
Modelo esferico
El modelo esferico muestra un alcance nito; la funcion se estabiliza

perfectamente en . Se considera que este comportamiento puede ser un poco
irreal, ya que la dependencia espacial va decreciendo pero es difcil que se vaya
a cero exactamente en un punto.

0 si = 0

[ ( )3 ]
(; ) = 0 + 32

12

si 0 <

+
0 si >
Modelo Matern
Este modelo es muy exible segun va cambiando el parametro como se

puede ver en la gura 2.4. El caso = 0.5 coincide con el modelo exponencial.
{
0 ( )( ) si = 0
(; ) = 1
0 + 1 21 ()
(/) si 0
donde (/) es la funcion de Bessel modicada de la tercera clase de

orden . Este modelo es valido siempre que > 0 y > 0.
kappa=0.2 kappa=0.5
20
20
15
15
gamma
gamma
10
10
5
5
0 50 100 150 200 0 50 100 150 200
dist dist
kappa=1 kappa=2
20
20
15
15
gamma
gamma
10
10
5
5
0 50 100 150 200 0 50 100 150 200
dist dist
Figura 2.4. Modelo Matern
Como ocurre en cualquier estimacion de parametros para un modelo, es

fundamental que el modelo propuesto sea el correcto, esto se logra haciendo
un buen analisis del comportamiento de los semivariogramas empricos.
2.3. Metodos de estimacion mas usados
La estimacion de parametros de la funcion de covarianza usando

los metodos de Maxima verosimilitud (ML) y maxima verosimilitud
2.3. METODOS DE ESTIMACION MAS USADOS 19
0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.2 0.4 0.6 0.8 1.0

semivariance
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
0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.2 0.4 0.6 0.8 1.0

semivariance
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
Figura 2.5. Semivariograma emprico y posibles modelos
restringida (REML), requieren la especicacion de la distribucion del vector

= ((1 ), . . . , ( )); en general, se asume normalidad multivariada. Para
el caso ML se tiene que Z (, ()), donde () = (Z) es una
matriz de dimension y es una matriz de dimension con < ,
de variables explicativas, dentro de las cuales comunmente se encuentran las
coordenadas geogracas; el negativo de la funcion logverosmil es
1 1
(, ) = (2) + () + (Z ) 1 ()(Z )
2 2 2
El elemento de la matriz ()corresponde a la covarianza espacial entre

las variables ( ) y ( ), esto es, ( ; )=(; ). El estimador es
sesgado pero asintoticamente eciente; sin embargo, paradojicamente, tener
una muestra grande genera el inconveniente de tener que realizar gran cantidad
de operaciones debido al calculo tanto del determinante como de la inversa
de la matriz de covarianza en forma iterativa. Una variacion del estimador
ML que reduce el sesgo de las estimaciones es el estimador REML, el cual
sustituye la maximizacion de la verosimilitud del vector Z por la del vector
A Z que satisface (A Z) = 0 1 . La matriz A es una matriz de dimension
( ), de rango columna completo. Con esta modicacion y dado que
1
Se usa el modelo de funcion aleatoria intrnseca de orden
(A Z) = A ()A, el negativo de la funcion logverosmil queda:

1 1
() = (2) + (A ()A) + Z (A ()A)1 A Z (2.6)
2 2 2
En la funcion desaparece , ahora depende solamente de ; de tal manera
que este metodo no usa el modelamiento de la supercie de tendencia, sino que
se basa directamente en un vector de incrementos de media 0. Sin embargo, a
pesar de reducir el sesgo en las estimaciones de , aun requiere una cantidad
muy grande de operaciones. (?) presenta algunas propuestas para hacer mas
ecientes estos metodos computacionalmente, pero sus desarrollos se reeren
al caso en el que las observaciones conforman una grilla regular.
En geoestadstica es muy popular el metodo de mnimos cuadrados
ponderados utilizando la matriz de ponderacion () propuesta en
(?); aunque este metodo se suele expresar en terminos del variograma 2(),
para un proceso estacionario de segundo orden existe equivalencia con la
covarianza debido a la relacion 2.1.3. Este metodo se puede generalizar al
caso espacio temporal de la siguiente forma: Se estima para un variograma
minimizando
2()) 1 ()(2
(2 2())
La matriz de ponderacion esta dada por
( )
2(2( ))2
() = ( (2
( )))
( )
con
( ) = {(, ) : = }
Para las ubicaciones , = 1, . . . , , que generan los primeros rezagos
espaciales = 1, ..., ; en general se usan los rezagos espaciales hasta la
mitad de la maxima distancia entre cualquier par de ubicaciones, debido
a que para ubicaciones muy separadas disminuye notoriamente la cantidad
de puntos incluidos en la estimacion del variograma. Cuando las muestras
no son tomadas en una grilla regular, es difcil encontrar sucientes pares
de puntos con separacion exacta = ; por lo tanto se acostumbra
denir una tolerancia tanto de longitud como de angulo; de tal forma que
( , + ) y el angulo entre y esta entre y
+ . La aproximacion de (2 ( ), se obtiene bajo el supuesto de que
(s) (; 2 ) s , y que por lo tanto
Z(s + h) Z(s)2 = 2(h) 21

2.3. METODOS DE ESTIMACION MAS USADOS 21
Existen otras opciones de ponderacion pero esta es la mas frecuentemente
usada; en ocasiones funciona mejor que los metodos basados en la verosimilitud
de Z. La desventaja que presenta el uso de los metodos de mnimos cuadrados,
es la necesidad de denir clases de rezagos para realizar una estimacion
emprica de la covarianza o del semivariograma; cuando no se tienen muchas
observaciones, la cantidad de datos en cada una de estas clases es muy pequena,
de tal forma que para los menores rezagos se pueden tener sucientes datos
para la estimacion de cada ( ) pero no as para los rezagos mayores. Estos
inconvenientes se pueden obviar usando metodos de verosimilitud compuesta.
El metodo que se usa en este caso (?) para estimar , consiste en
sumar componentes individuales de logverosimilitud, correspondiendo a las
marginales de las variables de interes. Por lo tanto, este metodo no requiere
el conocimiento de la distribucion multivariada de ; solo se requieren las
marginales (( ), ); se asume que existen tanto el gradiente como la matriz
Hessiana de .
Supongamos conocidas (( ), ), excepto por el parametro ; entonces
(( ), ) = ( (( ), )) es una funcion logverosmil y la funcion de
verosimilitud compuesta es

() = (( ), )
=1
A su gradiente () = () se le llama la funcion score compuesta. As,

para encontrar el estimador se resuelve el sistema de ecuaciones

() = (( ), ) = 0
=1
Una implementacion de este metodo para la estimacion del semivariograma

es la siguiente:
1. El objetivo es estimar los parametros del semivariograma, y por lo tanto

es muy natural la construccion de la variable incrementos, la cual se va
a notar :
(, ) = ( ) ( )
La variable se logra efectuando todas las combinaciones posibles. La

variable tiene entonces (1)
2
realizaciones, lo cual representa una
inmensa cantidad de datos; por tanto, es logico ingresar a la estimacion

solo aquellos datos que involucran informacion sobre la dependencia
espacio-tiempo, as que pueden omitirse aquellos pares de observaciones
que se encuentren muy alejados en ambos, segun un criterio denido tal
como el alcance espacial observado en el semivariograma experimental
y/o en el covariograma, respectivamente.
2. Se requieren las funciones de verosimilitud marginales de las variables de

interes. Asumiendo normalidad para las distribuciones marginales de ;
esto es,
() (; 2 ), ()
se tiene que
(, ) (0, 2( , ))
As que el negativo de la funcion logverosmil es
1 1 2 (, )
( (, ), ) = 2 + + ( , ) +
2 2 4( , )
3. Determinar la funcion de verosimilitud compuesta, sumando todas las

funciones logverosmil marginales de la variable ;
1

(, , )
=1 >
4. Para un modelo valido de semivarianza 2( , ) se determina la

funcion score compuesta
1

(, , )
=1 >
()
la cual bajo el supuesto de normalidad queda

1

( , ) 1
(2 2( , ))
=1 >
() 4 2 ( , )
La cual realmente es una estimacion por mnimos cuadrados ponderados del

modelo 2 = 2( , ) + .
2.4. ILUSTRACION METODO DE MAXIMA VEROSIMILITUD 23
2.4. Ilustracion metodo de maxima
verosimilitud
La capacidad de aprender esta hecha de muchas preguntas y

de algunas respuestas; de busquedas personales y no de hallazgos
institucionalmente decretados; de critica y puesta en cuestion en
lugar de obediencia satisfecha con lo comunmente establecido.
En una palabra, de actividad permanente del alumno y nunca de
aceptacion pasiva de los conocimientos
Fernando Savater
Relacion entre covariograma y semivariograma
Sea () = ((1 ), . . . , ( )) un proceso estacionario de segundo

orden, del cual se tiene un vector de n observaciones ((1 ), . . . , ( )); entonces
existe (( ), ( )) la cual es funcion de , representa la relacion entre la
variable ( ) y la variable ( ); esta funcion es fundamental para determinar
la dependencia espacial existente en el proceso. Por otro lado, se dene una
nueva variable llamada incrementos = ( ) ( ), que representa el
cambio en la variable cuando se realiza un desplazamiento del lugar al lugar
(o viceversa). Por lo tanto, la varianza de la variable tambien es una
medida de dependencia espacial; aunque son dos formas distintas de medir
dependencia espacial, basicamente ofrecen la misma informacion, como se ve
a continuacion:
[( ) ( )] = [( )] + [( )] 2[( ), ( )]
Si [( )] = [( )] = [()], , y [( ) ( )] es
tambien una funcion de , se tiene
2[( ), ( )] = 2 [()] [( ) ( )]

2( ) = 2 2 2( ) ( ) = 2 ( )
Nota 1. Se ha adoptado la notacion [( )( )] = 2( ), por

simplicidad de escritura y dado que la multiplicacion por una constante
no afecta el comportamiento de la funcion.
Si = , entonces se puede escribir () = (0) ()
( ) = 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
() = 2 (0, ) (2 1 ; )(1 2 ; ) = 2 (0, ) 2 (1 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 ) )((1 2 ; ) + ((2 ) )2 (0, ))

(2.7)
Si el modelo de covarianza propuesto es el exponencial
( ; ) = (3/), = 2, = ((1 ), (2 )) = (3, 4), = 3.5, 12 = 5
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
Uno de los objetivos principales del analisis espacial es la prediccion

o interpolacion, esto consiste en obtener valores de la variable de interes
en
{ sitios no muestreados. } Dicho de otro modo, sea el campo aleatorio
() : donde se ha observado el atributo en las ubicaciones
1 , 2 , . . . , y se desea predecir dicho atributo en una ubicacion no observada
0 , es decir, (0 ) basandose en los valores obtenidos en las muestras hechas.
Son muchos los metodos que en la actualidad se emplean para realizar
interpolacion espacial, ellos pueden dividirse en:
1. Metodos estadsticos. En estas tecnicas se emplean las propiedades

estadsticas de los datos para generar las predicciones. Los metodos
estadsticos de interpolacion son modalidades de una familia de metodos
llamada kriging, en los cuales se cuentan el ordinario, el simple, el
universal, el probabilstico, el indicador y el disyuntivo, entre otros. El

nombre se debe al Ingeniero minero D.G. Krige, quien desarrollo en la
decada de los 50, metodos empricos para predecir caractersticas de una
mina en alguna ubicacion de interes donde no se conocan datos, usando
las caractersticas conocidas en lugares cercanos donde si haban sido
tomados. El kriging aparece en muchas formas de acuerdo a si se conocen
la media, la distribucion de probabilidad de (), si las predicciones
son hechas para puntos o areas y as sucesivamente. El kriging no es el
unico metodo de prediccion espacial, pero tiene la ventaja que al usar
propiedades estadsticas de los datos, es posible obtener estimaciones
de la varianza del error de prediccion, lo cual permite ademas estimar
intervalos de conanza para dicha prediccion y por tanto, evaluar la
calidad de las estimaciones. El kriging se realiza en dos partes: la
cuaticacion de la estructura espacial de los datos y la elaboracion de la
prediccion. La cuanticacion de la estructura de dependencia espacial se
realiza por alguno de los metodos presentados en la seccion anterior para
ajustar el semivariograma. Para la prediccion en un punto no muestreado
se utiliza el modelo ajustado y los puntos muestreados en torno al sitio
de la prediccion.
2. Metodos determinsticos. En estos no se le asigna ningun

comportamiento aleatorio o estocastico a la variable de interes. Las
predicciones son obtenidas por el grado de similitud o por suavizamiento
entre los puntos. Los metodos determinsticos de interpolacion pueden
clasicarse en dos grupos: globales y locales. Las tecnicas globales usan
todo el conjunto de puntos para realizar las predicciones, mientras que
las tecnicas locales usan los puntos dentro de un entorno mas pequeno
de la area de estudio.
2.6. Metodos estadsticos de interpolacion
La prediccion espacial estadstica tambien llamada kriging es sinonimo

de prediccion optima y consiste en hacer inferencias sobre los valores no
observados de un proceso aleatorio. El kriging encierra un conjunto de
metodos que se fundamentan en la minimizacion del error cuadratico medio
de prediccion. En el cuadro 2.1 se mencionan algunos tipos de kriging y sus
propiedades.
2.6. METODOS ESTADISTICOS DE INTERPOLACION 27
Cuadro 2.1. Algunos tipos de Kriging.

Tipo de predictor Nombre Propiedades
Simple Son optimos si hay normalidad multivariada
Lineal Ordinario Independiente de la distribucion son MELI
Universal
Indicador Son predictores optimos
No Probabilstico
Lineal Transgaussiano
Disyuntivo
2.6.1. Generalidades sobre el kriging
La toma de muestras da la informacion de lo que ocurre en cada punto.

Sin embargo, no da informacion acerca de la relacion que pueda existir entre
dichos puntos. Se requiere de una forma precisa de estimar valores en puntos
intermedios o en el caso de bloques, por ejemplo, estimar el promedio sobre el
bloque. La precision del estimador usado depende de varios factores:
El numero de muestras tomadas
La calidad de la medicion en cada punto
Las ubicaciones de las muestras en la zona; si las muestras son igualmente

espaciadas se alcanza una mejor cobertura, dando mayor informacion
acerca de la zona que aquella que se obtendra de muestras muy
agrupadas en unos sectores y separadas en otros. Sin embargo, en la
practica, debido a las caractersticas de las regiones de estudio, muchas
veces es preciso tomar muestras irregularmente espaciadas.
Las distancias entre las muestras; para la prediccion es mas conveniente

usar muestras vecinas que muestras distantes, esto es, la precision mejora
cuando la cercana de las muestras aumenta, y se deteriora cuando esta
disminuye. La extrapolacion no es aconsejable.
La continuidad espacial de la variable o atributo en estudio; es mas facil

estimar el valor de una variable bastante regular en una region que una
que presenta grandes uctuaciones.
2.6.2. Introduccion a la teora del kriging
2.2 Ejemplo. Supongamos que se tienen las mediciones (1 ), (2 ), (3 )

y (4 ), en los puntos 1 , 2 , 3 y 4 respectivamente (vease Figura 2.6), y se
requiere predecir el valor (0 ). El valor a predecir se ubica mas cerca de 2
que de cualquier otra ubicacion donde se tenga medicion; por lo tanto, es logico
pensar que (0 ) es mas parecido a (2 ) que a cualquiera de los otros tres
valores medidos. De acuerdo a lo anterior, se puede optar para la prediccion,
por una media ponderada de las cuatro mediciones, en la cual (2 ) tiene
mayor peso que cualquier otra, seguida en su orden por (4 ), (3 ) y por
ultimo (1 ). Asi,
Figura 2.6. Ilustracion 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
Para obtener una estimacion de (0 ), el estimador debe cumplir con las

siguientes condiciones:
Lineal. El estimador es una combinacion lineal de los valores de las

variables en los puntos muestreados
(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.
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)
Si ha estimado el semivariograma o bien se conoce la funcion de covarianza,

tambien se tendran los valores
[ ] [ ] [ ]
ZZ , (0 ) Z , ( (0 ))2
Por lo tanto, se encontrara minimizando esta varianza. Del respectivo proceso

de minimizacion se obtendra un sistema de ecuaciones, que cambiara de
acuerdo a las hipotesis que se tengan sobre la media y la covarianza del
proceso, y la distribucion de la variable en estudio. En la proxima seccion
se mencionaran algunos de estos casos.
2
Observese que en este caso no se habla del insesgamiento como la igualdad con respecto
al parametro de una distribucion
2.6.3. Kriging ordinario
El kriging ordinario se usa cuando la variable es estacionaria con covarianza

conocida y media desconocida, es decir, se asume que el proceso espacial asume
la descomposicion siguiente:
() = + () , , y desconocida (2.11)
Al no conocer la media es necesario garantizar la propiedad de insesgamiento,

es decir, [ ]

(0 ) = [ (0 )] =
Donde es la media del proceso. Entonces
[ ] [ ]
Z = Z
= 1 = 1 = 1 = 1 (2.12)
Por tanto, es indispensable que se cumpla la condicion 2.12 para obtener un

estimador insesgado. Para la segunda condicion de varianza mnima, se tiene
lo siguiente:
[ ]
ZZ = + = + 2 11 (2.13)
[
] 2
(0 ) Z = 0 + 1 (2.14)
[( 2 )] 2
(0 ) = (0) + (2.15)
Donde es la matriz de varianzas y covarianzas de Z,

0 = ( (1 0 ) , (2 0 ) , . . . , ( 0 )) , es decir, un vector en el cual
cada una de sus componentes es la covarianza entre cada punto observado y
el punto donde se va a realizar la prediccion y 1 = (1, 1, . . . , 1) . Sustituyendo
2.13, 2.14, 2.15 en 2.10 y empleando la condicion de insesgamiento 2.12 se
tiene:
( ) [ ] [ ]
(0 ) (0 ) = + 2 11 2 0 + 2 1 + (0) + 2
[ ( ) ]
= 20 + (0) + 2 11 2 1 + 1
= 20 + (0) + 2 [(1)(1) 2(1) + 1]
= 20 + (0) (2.16)
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
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)
sistema lineal de + 1 ecuaciones llamadas ecuaciones del kriging ordinario,

a partir de las cuales se encuentran los valores de los factores de ponderacion
para llevar a cabo la prediccion. Multiplicando 2.19 por 1 1 se tiene que
1 1 1 1 = 1 1 0 1 1 1 1 = 1 1 0
1 1 1 0
= (2.21)
1 1 1
Ahora, multiplicando por 1 a 2.19 y reemplazando 2.21

( )
1 1 1 1 1 0
1 = 0 1 1 1 = 1 0
1 1
( )
1 1 1 1 0
= 0 + 1 (2.22)
1 1 1
El vector de ponderaciones del kriging tambien pueden ser obtenido por

medio de la funcion de semivarianza del proceso espacial usando la relacion
con la funcion de covarianza, entonces se tiene que
= (0) 11 (2.23)
Ahora, sustituyendo 2.23 en 2.16 y usando la restriccion de insesgamiento 2.12

se llega a
( ) ( )
(0 ) (0 ) = (0) 11 2 ( (0) 1 0 ) + (0)
= (0) 11 2 (0) 1 + 20 + (0)
= (0) (1)(1) 2 (0) (1) + 20 + (0)
= + 20 (2.24)
Al igual que en el caso de la covarianza se debe minimizar 2.24 usando el

metodo de los multiplicadores de Lagrange, de lo cual se tiene que
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
2.6.4. Kriging Simple
El kriging simple se puede considerar como un caso particular del kriging

ordinario en el cual la media es conocida. Se asume que el proceso espacial se
puede expresar de la siguiente manera
() = + () , , y conocida (2.29)
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)
donde e = (1 , 2 , . . . , ) y como en 2.8 con lo cual el predictor de la

variable en el punto 0 es
(0 ) = + e (2.32)
Bajo este escenario la condicion de insesgamiento se expresa como
( ) ( ) ( )
(0 ) = ( (0 )) = + e = + e =
( )
e = 0
( )
e = 0
0 = 0
indicando que no es necesario realizar ninguna restriccion sobre el vector de

ponderaciones. Finalmente, la estimacion debe ser de varianza mnima, para
ello tenemos lo siguiente:
( )
ee = e (2.33)
(
)
(0 ) e = 0e (2.34)
( 2)
( (0 )) = (0) (2.35)
reemplazando 2.33, 2.34 y 2.35 en 2.10 tenemos que
(0 ) (0 )) = e 20e + (0)
( (2.36)
derivando respecto a e igualando a cero

(0 ) (0 ))] = 2e 20e
[ (

e = 0 e (2.37)
que es el sistema de ecuaciones normales para el kriging simple. El vector de

ponderaciones es
= 1
e 0 e (2.38)
Los mapas de prediccion generados con kriging se acompanan, de los

respectivos mapas de residuos para poder determinar cuales zonas tienen
predicciones mas precisas. Ademas, se usan las medidas generales para calidad
de prediccion, tales como los estadsticos de los residuos, el MAPE, el CME, el
coeciente de correlacion lineal entre los valores observados y sus respectivas
predicciones.
Mapas de prediccion y residuos
[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]
2.6.5. El enfoque robusto
Kriging con Pulimiento de Medianas
Es una metodologa a aplicar cuando () no es conocida y se asume que se

puede descomponer aditivamente en componentes direccionales. Fue planteada
originalmente para datos en grilla regular (igualmente espaciados en el
terreno) as:
( ) = + + + 3 (2.39)
donde es un punto ubicado en la columna y la la de la
grilla, es el efecto global, denota el efecto de la la = 1, . . . , ,
3
Si existe interaccion entre la y columna, en este modelo tambien se puede incluir la
interaccion .
el efecto de la columna = 1, . . . , y denota el residuo en
. Las estimaciones de y se obtienen mediante un proceso iterativo de
sustraccion de las medianas de la y luego de medianas de columnas hasta
que las medianas de las y columnas converjan a cero, usualmente de 2 a
4 iteraciones son sucientes para que esto ocurra, sin embargo en algunas
situaciones el algoritmo puede no converger por la naturaleza de los datos. El
modelo en la i-esima iteracion esta dado por:
() () ()
modelo : = () + + + (2.40)
A continuacion se presenta el algoritmo para obtener la estimacion de los

efectos en la iteracion:
En la primera iteracion es necesario tener en cuenta
(0) (0) (0)

(0) = 0, = 0, = 0 y =
En primer lugar se realizan las operaciones la
() (1)
= ( ; = 1, .., ); = 1, . . . ,
() ()
= ( ; = 1, ..., )
() (1) ()
= ; = 1, .., ; = 1, ...,
En segundo lugar se realizan las operaciones columna
() ()
= ( ; = 1, .., ); = 1, .., )
() ()
= ( ; = 1, ..., )
() () ()
= ; = 1, .., ; = 1, ...,
Finalmente se obtienen los efectos estimados para el modelo dado en

(2.40):
() ()
() = (1) + +
() (1) () ()
= + ; = 1, . . . ,
() (1) () ()
= +
Las predicciones de () son realizadas con la siguiente ecuacion:

( = (, )) =
+ + (
+1 ) + + (
+1 ) (2.41)
+1 +1
con = 1, . . . , 1; = 1, . . . , 1, los puntos ( , ), .(+1 , ), ( , +1 )

y (+1 , +1 ) son los nodos mas cercanos al punto .
Los residuales del modelo pueden ser tomados como un nuevo conjunto
de observaciones espaciales a los que se les aplica kriging ordinario. Este
procedimiento es llamado kriging con pulimiento de medianas, y la varianza
de las predicciones corresponde a la varianza de kriging ordinario.
Kriging Robusto
A continuacion se presenta en forma resumida el algoritmo propuesto por

Cressie y Hawkins en dos de sus artculos ((?), (?)), para realizar predicciones
robustas en presencia de datos atpicos. Se asume en este caso que (.) es
intrnsecamente estacionario, pero no necesariamente gaussiano:
1. Estimacion robusta del semivariograma experimental: para corregir el

sesgo generado por los datos atpicos se dene en la ecuacion (2.42)
un estimador resistente a datos atpicos y se estiman los parametros
de dependencia espacial () por .
4
1 1
/ 2(0.457 + 0.494)
() = () ( + ) 2 (2.42)
() ()
()
2. Con base en los parametros estimados en 1, se obtienen las ponderaciones

asociadas la prediccion de cada punto muestral ( ), teniendo
en cuenta que las ponderaciones se calculan extrayendo la
observacion (2.43), en este paso tambien se calcula la varianza asociada
a dicha prediccion ( ).

( ) = ( ) (2.43)
=1;=
3. Usando las ponderaciones obtenidas en 2, se calcula una version
robusta de ( ) con su mediana ponderada4 :
( ) = ( ; ( ); = ) (2.44)
4. Se editan las observaciones reemplazandolas por su media Winsorizada:

( ) + ( ) si ( ) ( ) > ( )

( ) = ( )
si ( ) ( ) ( )
) < ( )
( ) ( ) si ( ) (
(2.45)
la constante controla la intensidad del suavizamiento aplicado. As, si
toma valores muy pequenos se perdera mucha variabilidad y por el
contrario si toma un valor muy grande, algunos atpicos no quedaran
suavizados. Lo ideal es encontrar un punto intermedio; al respecto se
aconseja usar valores entre 1.5 y 2.5 (segun el teorema de Chebyshev
se recortara aproximadamente entre 22 % y el 8 % de la variabilidad
original, a cada extremo de la distribucion)(?).
5. Usando los parametros estimados en el paso 1 () y las observaciones

originales, con kriging ordinario, se obtienen las ponderaciones
{0 ); = 1, . . . , } asociadas a cada punto de prediccion 0 . Finalmente
la prediccion robusta esta dada por:
() (0 ) = =1 (
) (2.46)
2.6.6. El enfoque bayesiano
La diferencia fundamental entre la teora clasica y la bayesiana, es que en la

segunda, el parametro de interes () es tratado como una variable aleatoria; as,
la inferencia bayesiana se basa en la distribucion del parametro implementando
tanto informacion previa como muestral. esta es denominada distribucion a
posteriori ( ). Para su obtencion, es necesario especicar una distribucion
a priori (), la cual representa el conocimiento que se tiene sobre (), previo a
la obtencion de los datos. La informacion suministrada por los datos muestrales
( ) es denominada verosimilitud del parametro dado y se denota ( ).
4
La denicion de mediana ponderada se encuentra en Cressie 1993, pag. 148
El teorema de Bayes es utilizado para combinar esta informacion mediante la

siguiente relacion:
( ) ()( ) (2.47)
La distribucion a posteriori para en el modelo (??) con (.) gaussiano:
1 { }
( ) () () 2 exp ( ) 1 ()( ) (2.48)
La base para la prediccion bayesiana es la distribucion predictiva a posteriori :

(0 ) = (0 , )( ) (2.49)
La distribucion predictiva toma en cuenta la verosimilitud de todo el modelo

en general, en lugar de enfocarse solo en la verosimilitud de los parametros de
covarianza(?). De esta forma el metodo bayesiano requiere los siguientes pasos:
1. Especicar la forma de la distribucion a priori

2. Encontrar la verosimilitud de los datos observados
3. Combinar la distribucion a priori con la verosimilitud para obtener la
distribucion a posteriori
4. Obtener estimaciones de la distribucion a posteriori
5. Obtener la distribucion predictiva a posteriori.
La eleccion de la distribucion a priori es muy importante, existen

dos casos extremos, el primero de ellos es cuando los parametros son
perfectamente conocidos, las distribuciones a priori pueden ser consideradas
como distribuciones degeneradas en los valores de los parametros, y el segundo,
es cuando el conocimiento previo acerca de los parametros es muy vago,
entonces son llamadas distribuciones a priori no informativas.
En el presente trabajo no se tiene informacion a priori y se utilizan
distribuciones a priori no informativas de tipo () para variando
en un conjunto de los reales, este tipo de distribuciones indican que no hay
un valores particulares de preferidos para el parametro(?). Tomando como
referencia Diggle y Ribeiro 2000(?, Captulo 5), a continuacion se presentan
las distribuciones a priori elegidas para los parametros de interes = (, 2 , )
asumiendo el modelo (??) con efecto pepita 2 = 0.
Para se elige la distribucion a priori () 1, la distribucion a
posteriori de con los demas parametros jos esta dada por:
2 )
( , 2 , ) (, (2.50)

Para 2 se elige ( 2 ) 12 , esta distribucion equivale a una distribucion

ji cuadrado inversa con parametros = 0 y 2 = 2 una estimacion
previa de la varianza. con la diferencia que no es necesario especicar los
parametros y 2 . As la distribucion a posteriori con parametros jos
restantes es:
2)
( 2 , , ) 2 (, (2.51)
La eleccion de la distribucion a priori asociada al parametro del rango

es muy importante, en principio el rango puede variar en el intervalo
[0, ) , sin embargo el investigador debe acotar este intervalo, existen
varias distribuciones a priori, sin embargo, la mas utilizada en el caso de
no tener informacion es una uniforme en un intervalo especco donde
todos los valores de en el intervalo son igualmente probables.
Si y 2 se asumen desconocidos la distribucion a posteriori se encuentra

utilizando las distribuciones a priori ya seleccionadas, y se obtiene como
el producto de una distribucion normal con una ji cuadrado inversa
(, 2 , ) (, 2 )( , 2 , ) (2.52)
2 )2 (,
(, 2 , ) (, 2) (2.53)

El caso mas general, se presenta cuando todos los parametros son

desconocidos. La distribucion a priori para los parametros de interes se puede
notar as:
(, 2 , ) = ()(, 2 ) (2.54)
Sin especicar una a priori para , se puede considerar una distribucion a priori
at para (, 2 ) 12 . La distribucion a posteriori esta dada por:
(, 2 , ) (, 2 , )( ) (2.55)
el primer termino es dado por la ecuacion (2.52), y el segundo hace referencia a

la distribucion a posteriori ( ) que puede ser obtenida usando la siguiente
relacion
(, 2 , )( , 2 , )
( ) (2.56)
( , 2 , )( 2 , )
donde las distribuciones del numerador corresponden a la distribucion a priori

dada en (2.54) y la verosimilitud expresada en (2.48), y las distribuciones a
posteriori del denominador estan dadas por (2.50) y (2.51).
La expresion (2.56) no tiene una distribucion de probabilidad conocida,
por lo que es necesario recurrir a metodos de simulacion, entonces se utilizan
muestras de la distribucion a posteriori para estimar los parametros. El
algoritmo utilizado para esta tarea es el Metodo de Montecarlo con Cadenas
de Marcov (MCMC)5 .
Algoritmo MCMC para calcular las distribuciones a posteriori
1. Dar valores discretos a la distribucion de ( ). Es decir, escoger un

conjunto de valores para en un intervalo adecuado teniendo en cuenta la
naturaleza del problema y planteando una distribucion a priori uniforme
discreta.
2. Obtener una distribucion a posteriori aproximada de , ( ) usando
(2.56).
3. Obtener un valor muestral de ( )
4. Fijar el valor de obtenido en el paso 3 a (, 2 , ) dada en (2.52)
y obtener una muestra de esta distribucion.
5. Iterar los pasos 3 y 4 tantas veces como muestras de = (, 2 , ) se
deseen de los parametros de la distribucion a posteriori.
De esta forma, se obtiene una muestra de la distribucion a posteriori de

y los parametros pueden ser estimados con alguna de las medidas de tendencia
central como la moda, mediana o media. El siguiente paso es obtener la
distribucion predictiva a posteriori como se presenta en (2.57). Usualmente
esta no es conocida y la integral se resuelve por metodos numericos MCMC es
utilizado para obtener la distribucion predictiva, el algoritmo es practicamente
el mismo; simplemente en el paso 4 se ja el valor muestreado de en
( , ) y se obtiene realizacion de la distribucion predictiva.

(0 ) = (0 , , 2 , ) 2
= (0 , , 2 , ) 2 ( ) (2.57)
= (0 , )( )
5
Algoritmo que permite generar de manera iterativa muestras de distribuciones
multivariadas que difcilmente podran simularse por metodos directos
Incorporacion del efecto pepita al modelo: notese que la matriz de
covarianzas asociada a puede escribirse como () = 2 + 2 (), donde
denota una matriz identidad y () es una matriz cuadrada de
1
dimension con entradas = ( 2 ; ). Adicionalmente se puede
reducir la dimensionalidad de extrayendo un factor escalar y expresandola
como sigue () = 2 { 2 + ()} , donde 2 = 2 / 2 , este parametro es
denominado efecto pepita relativo. Y en el caso en el que se desee incorporar el
efecto pepita en el modelo, se incorpora 2 y el algoritmo puede ser adaptado
cambiando el primer paso por:
1. Dar valores discretos a la distribucion de (, 2 ). Es decir escoger un

conjunto de valores para (, 2 ) en un intervalo adecuado teniendo en
cuenta la naturaleza del problema y planteando una distribucion a priori
uniforme discreta.
El metodo mas usado para vericar la calidad de los resultados as como la

validez de los supuestos hechos para la prediccion es el de validacion cruzada.
Consiste en extraer de la muestra los datos pero uno a la vez, para con los
1 restantes predecir el valor de la variable en la ubicacion extrada; as, se
elimina la la correspondiente a ( ), se encuentra ( ) con los 1 datos
) para cada una de
restantes, y se calcula el residual de prediccion ( ) (
las ubicaciones. Tambien se puede llevar a cabo un diagrama de dispersion de
los datos observados contra cada una de sus respectivas predicciones; esto es,
)); si las predicciones son aceptables esta
gracar todas las parejas (( ), (
nube de puntos debera tender a una lnea recta de pendiente 45o .
CAPITULO 3
Modelos de regresion espaciales
3.1. Efectos espaciales
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
la muestra, puede estar presente el fenomeno de autocorrelacion espacial,

que esta indicando que la ubicacion de cada una de las observaciones se
debe incorporar como un factor adicional importante en la estimacion del
modelo. Sin embargo, los conceptos dieren notoriamente si se buscara una
analoga con las series de tiempo, pues en primer lugar no se esta en
presencia de una dependencia unidireccional sino al contrario la dependencia
puede ser multidireccional. Si se desea analizar la similitud existente entre
la tasa de mortalidad infantil de un departamento Colombiano con la de
aquellos departamentos que lo rodean, no existe una unica direccion en la
cual podemos medir distancias, incluso se puede realizar este mismo analisis
con departamentos que esten dentro de un determinado radio, aun cuando
no limiten con aquel en cuestion. Por lo tanto, no es posible generalizar de
manera directa el operador de retardo temporal al caso espacial, se requiere
antes denir la matriz de pesos o ponderaciones espaciales:
3.2. Matrices de Pesos Espaciales
La caracterstica multidireccional de los datos espaciales, puede ser

plasmada en esta matriz, donde se involucran todos los posibles pares de
observaciones y a traves de la cual se debe decidir la inuencia que tienen entre
si cada una de estos. Esta matriz se supone conocida, no hace parte en principio
de los elementos a estimar dentro del modelo, sino que tiene que estar denida
previamente pues ingresa a dicho proceso de estimacion como una constante.
En consecuencia, es un factor muy importante la correcta especicacion que
se haga de la importancia relativa entre los individuos.
Anselin(1988) dene la matriz de pesos espaciales como la estructura que
concreta la longitud de las interacciones posibles entre las unidades dentro de
un sistema espacial y establece sus relaciones de interdependencia . Sea una
matriz de pesos espaciales como:

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.
Para la cual existen varias formas de denicion de la contiguidad fsica, es

decir, debe existir algun tipo de contacto.
Criterio Maxima cantidad de vecinos Denicion

lineal 2 Compartir lado izquierdo o derecho
Torre 4 Compartir un lado cualquiera
All 4 Compartir un vertice
Reina 8 Compartir lado o vertice
Figura 3.3. Criterios reina y torre
Si la grilla de muestreo es irregular, es necesario recurrir a otros tipos de

deniciones de vecino, tales como la de denir un umbral de distancia o el
metodo del vecino mas cercano o algun metodo de triangulacion.
Figura 3.4. Vecinos mas cercano, k=1 y k=2 respectivamente
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 /( )
Cli y Ord (1973,1981) propusieron la siguiente denicion:

3.2. MATRICES DE PESOS ESPACIALES 47
Figura 3.5. Vecindad para polgonos
= (1/ )
Donde es la distancia entre las unidades y la longitud relativa de la

frontera entre las regiones y con respecto al permetro de . Los parametros
y se suponen conocidos, el investigador debe estar en capacidad de darlos a
priori. Anselin propone la matriz inversa de las distancias al cuadrado, logrando
con esto que se cumpla una premisa basica de los datos georreferenciados que es
el hecho de que entre mas cerca se encuentren las cosas tienen mayor similitud,
y que por tanto esta similitud es inversamente proporcional a la distancia.
Tomando como base para las ponderaciones medidas de distancia, en
general, la matriz W sera simetrica; pero hay que notar que en este contexto
la simetra de la matriz no tiene ninguna justicacion conceptual e incluso en
muchas ocasiones va en contrava con el signicado de la variable medida; esto
hace que sea conveniente para gran numero de casos realizar la asignacion de
ponderaciones de tal forma que se involucre el valor de la variable de interes.
Por ejemplo
= 1/( )
donde la variable se encuentra altamente relacionada con la variable de

interes.
Otra de las funciones de la matriz de pesos espaciales mencionada
por Anselin(1988), es incorporar la multidireccionalidad de las relaciones

geogracas a partir del concepto del cambio espacial. Este concepto se calcula
como la suma ponderada de todos los valores a lo largo de una clase
de contiguidad. Los terminos de la suma son obtenidos al multiplicar las
observaciones con sus correspondientes
ponderaciones de la matriz de pesos
espaciales, como: = o matricialmente de la forma = ,

donde es el operador de rezago asociado con la clase de contiguidad , es

el conjunto de observaciones a lo largo de y son los pesos espaciales.
No existe una algoritmo para denir los pesos o ponderaciones espaciales;
por el contrario se deja libertad al experto en el fenomeno en estudio para su
manipulacion. Por lo tanto, uno de los puntos crticos en el analisis espacial
es la eleccion de , ya que existen multiples criterios para generar el valor
de las entradas. Las matrices de pesos binarias asignan el valor de uno a las
unidades contiguas y cero a las demas1 . Las matrices de pesos estandarizadas se
contruyen a partir de las relaciones binarias y en donde cada se pondera por
la suma de la la a la que pertenece, esta transformacion incorpora asimetra
en .
Existen medidas extendidas de interrelaciones espaciales, asociadas a las
matrices generalizadas de pesos. Dray, Peres y Legendre(2006) consideran
un conjunto amplio de matrices de pesos espaciales. As, = [ ] puede
descomponerse como el producto Hadamard entre una matriz de conectividad
= [ ] y una matriz de pesos = [ ] , como = . Los criterios de
conectividad se asocian a matrices binarias y se dene partir de funciones
decrecientes con la distancia (lineales, concavas hacia abajo y concavas hacia
arriba).
A continuacion algunos criterios con especicaciones binarias y
estandarizadas de:
Triangulacion Delaunay:
Considera como vecino de a aquellas unidades que pueden ser
conectadas mediante triangulos, tal que sea al menos un vertice.
Criterio Gabriel: Dene (, ) mn((, )2 , (, )2 )1/2 , , ,

como el conjunto total de unidades geogracas.
1
Las Crticas a las relaciones binarias de contiguidad para denir la matriz de pesos
espaciales, son la simetra que impone en las relaciones espaciales y el uso de la adyacencia
fsica como unico criterio
3.3. CONTRASTES DE AUTOCORRELACION ESPACIAL 49
Vecinos Relativos: A diferencia del anterior, este criterio considera
(, ) mn(max (, ), (, ))1/2 .
Esfera de Inuencia: Resulta al denir un conjunto de puntos nitos

y la distancia entre el punto y su vecino mas cercano en , sea
una circunferencia centrada en , bajo este criterio las unidades e se
consideran vecinos si y intersecan en el menos dos puntos.
K-Vecinos mas cercanos: En este caso se consideran relaciones de

distancia no simetricas bajo matrices de pesos estandarizadas. El criterio
de vecindad de sobre -unidades mas cercanas se dene a partir de
distancias euclidianas, las demas + 1, + 2, ..., + se consideran no
vecinas de
3.3. Contrastes de Autocorrelacion Espacial
Con una matriz de pesos espaciales denida, se puede comprobar si existe

autocorrelacion espacial en una variable, as como determinar el signo de la
relacion. Los contrastes son de dos tipos, los globales y los locales. Los primeros
indagan sobre la hipotesis de estacionariedad de una variable sobre la totalidad
de la muestra, mientras que las pruebas locales verican estacionariedad
intraregional.
3.3.1. Estadsticos Globales
Uno de los estadsticos mas utilizados para detectar autocorrelacion

espacial es el contraste global I de Moran. Moreno y Vaya(2000) denen este
contraste como medida de la correlacion entre cada region y sus vecinas . El
estadstico I de Moran se expresa como:

( )( )
=1=1
() =
(3.2)
( )2
=1=1 =1
donde es el valor de la variable en la region , es su media, es la

entrada de la matriz de pesos de espaciales y el numero de observaciones,

= .
En el proceso inferencial, la hipotesis nula asociada es la ausencia de
autocorrelacion espacial. Segun Moreno y Vaya(2000), un valor positivo y
signicativo de () indica concentracion de datos similares en las regiones
vecinas, mientras que valores negativos que rechacen la hipotesis nula revela
que en unidades vecinas se presenta disparidad.
Otro criterio para comprobar autocorrelacion espacial es el test de Geary,
dado por:

( 1) ( )2
=1 =1
() =

(3.3)
2 ( )2
=1 =1 =1
En este contraste la hipotesis nula tambien es la ausencia de autocorrelacion

espacial, sin embargo el valor estandarizado de () es de signo contrario al
esquema de autocorrelacion espacial encontrado.
3.3.2. Estadsticos Locales
Los criterio locales permiten detectar aglomeraciones de unidades vecinas

con valores extraordinariamante altos o bajos con relacion al promedio. El
estadstico local mas utilizado es el de Moran, de la forma:

= 2 (3.4)

donde es el valor de la variable bajo la normal estandar y es el conjunto

indexado de unidades que dene a los vecinos de . Los contrastes locales
permiten identicar en un mapa los clusters regionales y los valores atpicos
de una variable en el espacio.
3.4. ANALISIS DE COOORDENADAS PRINCIPALES DE MATRICES DE PESOS
ESPACIALES(PCNM) 51
3.4. Analisis de Cooordenadas Principales de
Matrices de Pesos Espaciales(PCNM)
El criterio de autocorrelacion global de Moran () puede ser escrito

matricialmente de la forma:

() = , = ( 11 /) ( 11 /) (3.5)
1 1 ( 11 /)
La metodologa PCNM consiste en la descomposicion espectral de ,

denida a traves de una matriz de pesos espaciales. El maximo valor que puede
tomar () es ( ) = (/1 1) max y el mnimo ( ) = (/1 1) mn ,
donde max y mn son el maximo y mnimo valor propio de . Con esta
metodologa se garantiza que los vectores propios maximizan ().
El conjunto de los se conocen como Mapas de Eigenvectores de
Moran(MEM) y estos pueden ser utilizados como variables explicativas en un
modelo de regresion o en un analisis de correlacion canonica. Con el objetivo
de encontrar la mejor matriz de pesos espaciales se realiza una regresion entre
la variable de estudio2 y los vectores propios asociados a cada . De acuerdo
a Dray, Legendre y Peres-Neto(2006), se selecciona el modelo que presente
menor criterio de Akaike.
3.5. Modelos de Regresion Espacial
Para vericar la existencia de estructura espacial en un modelo de regresion

se debe comprobar si esta se presenta en la variable objetivo rezagada
espacialmente, en otras variables exogenas, en el termino del error o en
combinaciones de estas. Se genera un conjunto de especicaciones posibles
para comprobar la existencia espacial a nivel multivariado.
El modelo general se expresa como:
2
Una alternativa como variable explicativa es tomar los residuos de la regresion entre la
variable de estudio y las coordenadas geogracas
= 1 + 1 + 2 2 + , = 2 + 3 (3.6)
con (0, ), matriz de covarianza generalizada con elementos en la

diagonal dados por = () .
Donde es el vector de la variable explicada, 1 es el retardo espacial de la
variable de estudio, es una matriz de variables independientes no rezagadas
espacialmente, es una matriz de variables explicativas no necesariamente
con los mismos elementos de rezagadas espacialmente. Los parametros y
miden el grado de la dependencia espacial.
Esta especicacion base genera un conjunto de modelos, como:
Modelo Mixto autoregresivo regresivo-espacial o del rezago

espacial(SAR-LAG)4
= 1 + 1 + (3.7)
Modelo del error espacial autoregresivo (SAR-ERR)5
= 1 + ( 2 )1 (3.8)
Modelo Mixto autoregresivo regresivo espacial con error espacial

autoregresivo
= 1 + 1 + ( 2 )1 (3.9)
Modelo Mixto Regresivo-Regresivo Espacial
= 1 + 1 + 2 2 + (3.10)
Modelo Mixto regresivo cruzado-regresivo espacial.
= 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)
La inconsistencia de los estimadores MCO se presenta dentro de un modelo

autorregresivo espacial del error, denido como = ( 2 )1 donde
la matriz ( 2 )1 genera una serie innita de la forma ( + +
2 2 + ...). El termino esta correlacionado con y los errores de otras
unidades geogracas. Debido a esta condicion de dependencia se viola el
supuesto de consistencia del estimador MCO, dado por lm 1 ( ) =
lm 1 ( ), excepto en el caso trivial de = 0.
La mejor estimacion en los modelos de regresion espacial esta dada por el
metodo de maxima versosimilitud, que asume multinormalidad en los residuos.
Para los modelos de rezago espacial la funcion Log-Verosmil toma la siguiente
forma:
( ) ( )
= ln(1 ) ln(2) ln( 2 )

2 2 2 2
(3.13)
donde son los valores propios de la matriz de pesos espaciales asociada.
Para los modelos con errores espaciales autoregresivos la especicacion
log-verosiml es la siguiente:
( ) ( )
= ln(1 ) ln(2) ln( 2 )

2 2 2 2
(3.14)
A partir de las propiedades asintoticas de los estimadores de maxima
verosimilitud se dene el Test del Multiplicador de Lagrange (LM) para
vericar la existencia de dependencia espacial en un modelo de regresion
estimado por mnimos cuadrados ordinarios.
Para comprobar dependencia espacial en el rezago de la variable explicada
(SAR-LAG) el test LM se dene como:
[ ]1
2
= [ ] ( ) ( )

+ ( + 2 )
(3.15)
donde N es el numero de observaciones, es el vector de residuos de mnimos
cuadrados, = ( )1 , el estimador de mnimos cuadrados de ,
es el operador traza y W es la matriz de pesos seleccionada. Esta prueba se

distribuye asintoticamente 2(1) . Se rechazara la hipotesis nula de no existencia
de dependencia espacial sustantiva o de autocorrelacion espacial de la variable
en estudio para valores altos del estadstico.
De la misma forma se puede construir un test del Multiplicador de Lagrange
para vericar la existencia de errores autocorrelacionados espacialmente, como:
2[ ]1
= [ ] ( + 2 ) (3.16)
El test se distribuye asintoticamente 2(1) . El estadstico rechazara la hipotesis

nula de no existencia del componente espacial autorregresivo en el error
para valores que superen el valor crtico elegido. Un criterio alternativo para
vericar dependencia espacial
en los residuos MCO es el test de Moran, como

= , donde = .

En Anselin(1988) se denen otros criterios de seleccion de modelos, como el

Test de Wald, el Test de la Razon de Verosimilitud y la prueba Breusch-Pagan
espacial. Las dos primeras pruebas verican la signicancia conjunta de los
parametros en un modelo de regresion espacial. El test de Breusch-Pagan
comprueba la existencia de heterogeneidad espacial.
3.5.1. Regresion geogracamente ponderada
En un contexto espacial es comun la ausencia de estacionariedad. Por

tal razon, es necesario utilizar especicaciones exibles que se adapten a
los diferentes comportamientos. Hay que tener cuidado principalmente con
la inestabilidad de los parametros como elemento fundamental para modelar
la ausencia de estacionariedad en el espacio. El objetivo de las regresiones
geogracamente ponderadas es estimar un vector de parametros distinto para
cada una de las observaciones, haciendo que este vector de parametros depende
de la ubicacion espacial de cada observacion. El modelo de partida es el
siguiente:
= ( , ) +
para = 1, 2, ..., , con , y siendo las coordenadas geogracas. La

estimacion de queda en este caso
3.6. APLICACION 55
, ) = [ ( , )]1 ( , )
(
para ( , ) = ( ), donde es la ponderacion denida en

terminos de la distancia de la observacion espacial a la observacion espacial
con = 1, ...
3.6. Aplicacion
Para 1078 unidades (municipios de Colombia)con informacion disponible

de Necesidades Basicas Insatisfechas se proponen los siguientes pasos con el
n de obtener una estimacion adecuada de los determinantes geogracos de la
pobreza.
Seleccion de algunos criterios de contiguidad para la evaluacion de

matrices de pesos espaciales. Se consideran los casos binarios y
estandarizados de Triangulacion Delaunay, Graca Gabriel, Vecinos
Relativos y Esfera de Inuencia y los estandarizados de K-Vecinos mas
cercanos con k de 4 a 10.
Calculo de los vectores propios de todas la matrices de pesos espaciales

construidas bajo diferentes criterios.
Obtencion del estadstico I de Moran para cada uno de los vectores

propios de una matriz de pesos espaciales.
Seleccion de la matriz de pesos espaciales con el menor AIC , entre el

NBI y cada uno de los vectores propios calculados.
Analisis de los contrastes globales (Moran y Geary) y locales (Moran) de

autocorrelacion espacial.
Aplicacion del test de especicacion del Multiplicador de Lagrange para

diferenciar modelos de regresion espacial.
Estimacion del mejor modelo de regresion.

3.6.1. Eleccion de la Matriz de Pesos Espaciales

(PCNM)
Para los criterios de contiguidad evaluados, el que presenta mayor cantidad

de ponderaciones no nulas entre municipios es 10-vecinos mas cercanos con
un 92 % sobre el total de conexiones. El criterio mas restrictivo es Vecinos
Relativos con un 24 % de relaciones no nulas (Anexo, tablas 5a y 5b).
Se calcularon los vectores propios de cada uno de los criterios de contiguidad
evaluados bajo la metodologa PCNM y las correspondientes estadsticos
estandarizados de Moran. En la tabla 6 del anexo se presenta la distribucion
de Moran la descomposicion espectral del criterio k-vecinos mas cercanos 6 .
En todos los escenarios se encuentran valores de autocorrelacion de Moran
concentrados en los valores negativos de la distribucion, por lo tanto hay
indicios para armar que la variable de estudio presenta una estructura local de
autocorrelacion, es decir que existen municipios vecinos que concentran valores
de NBI mas altos o bajos.
Se elige el criterio de contiguidad k(6) vecinos mas cercanos ya que es el
de menor Akaike entre todas las regresiones del NBI y los vectores propios por
criterio considerado y sera utilizado como matriz de pesos espaciales. Se estima
que los primeros 450 vectores ortogonales maximizan la varianza explicada del
modelo.
El criterio de k(6) vecinos mas cercanos elegido sobre los polgonos
generados en el mapa de Colombia se muestra como:
3.6.2. Analisis Univariado del NBI
Con la matriz de pesos espaciales elegida, se calcula el graco de

autocorrelacion de Moran, que relaciona la variable NBI con su rezago espacial.
Se identica un patron tpico de dependencia espacial positiva, municipios
pobres estan rodeados de otros municipios pobres y municipios ricos tienen
vecinos ricos.
Las pruebas globales de autocorrelacion ratican la existencia de
dependencia espacial positiva, con el valor positivo y signicativo para la I
de Moran y negativo y signicativo para la C de Geary.
6
B corresponde a una matriz binaria y W a una estandarizada
3.6. APLICACION 57
k(6)vecinos mas cercanos
1500000
1000000
YCOO
500000
0
0 500000 1000000 1500000 2000000
XCCO
Figura 3.6. Criterio de contiguidad elegido
Moran Plot NBI

1e+05
8e+04
6e+04
WNBI
4e+04
2e+04
2e+04 4e+04 6e+04 8e+04 1e+05
NBI
Figura 3.7. Diagrama de dispersion de Moran
Tabla 2. Pruebas Univariadas de Autocorrelacion Espacial

Prueba I de Moran C de Geary
Estadstico 36.8041 -35.1178
p-valor 2.2e-16 2.2e-16
Estimado 0.6068 0.3769
Valor esperado -0.0009 -0.0009
Varianza 0.0003 0.0003
Kurtosis 3.1856 3.1856
El comportamiento de dependencia espacial en el NBI se replica en

conjuntos de municipios, para los cuales se presentan niveles de pobreza
similares. El contraste de autocorrelacion local de Moran detecta clusters de
pobreza, principalmente en regiones como el Choco y el sur del Pacco, la
Amazorinoqua y gran parte de la Region Caribe. Las aglomeraciones con
bajo nivel de pobreza se ubican en el corredor conformado por el Valle del
Cauca, Eje Cafetero y Valle de Aburra y la Sabana de Bogota. Los municipios
no signicativos no conforman aglomeraciones espaciales o comportamientos
atpicos a traves del contraste local 7 .
Mapa Cluster
Sin Informacin
Alto-Alto
Bajo-Bajo
Bajo-Alto
Alto-Bajo
Figura 3.8. Distribucion espacial del I de Moran
3.6.3. Modelos de Regresion Espacial
Mediante el analisis exploratorio se determino la existencia de

autocorrelacion espacial del NBI a nivel municipal, sin embargo este no permite
decidir sobre la estructura esta dependencia espacial; si se incorpora como
rezago, en el termino del error o en rezagos espaciales de otras variables
explicativas.
8
A partir de la estimacion mnimo cuadratica de la pobreza explicada por
7
Los datos atpicos son los municipios con NBI con vecinos con niveles bajos de pobreza
y los municipios con NBI bajo rodeado de municipios pobres
8
La variable explicada en logaritmos
3.6. APLICACION 59
las variables Desempeno Fiscal, Tasa de Desercion Promedio, Uso Agrcola
y Densidad Vial se determina la mejor estructura espacial. Se identica un
modelo SAR-LAG como el mas adecuado, dado que alcanza el mayor valor
en el diagnostico del Multiplicador de Lagrange. Segun Moreno y Vaya(2000),
la existencia de una estructura AR en el NBI implica que las perturbaciones
sera n de tipo contagioso, donde las demas variables explicativas no determinan
el avance o retroceso de la pobreza en los municipios y solo el hecho de tener
un foco de pobreza es suciente para que esta se propague. El valor de la I de
Moran para los residuos de un modelo MCO ratica el problema de variable
omitida, que se corrige a traves de la inclusion del rezago espacial en el modelo.
Tabla 3. Contrastes de dependencia espacial para los residuos MCO

Prueba LM LM RLM RLM Moran I
Valor 926.71 921.68 75.01 80.04 0,502***
Signicancia *0.05 **0.01 ***0.001
El mejor modelo9 es un SAR(1) en el rezago con variables exogenas, o

modelo del rezago espacial. Se identica que en promedio el 73 % de las
perturbaciones de la pobreza se transmiten a los vecinos e incluso hacia los
municipios no contiguos. Incrementos marginales del Desempeno Fiscal, Uso
Agrcola y Densidad Vial reducen la pobreza, as como un aumento de la Tasa
de Desercion Escolar estimula el crecimiento en la pobreza. Los valores de las
pruebas de Wald y Log-Verosmil, rechazan la hipotesis de no signicancia
conjunta de las variables incluidas en el modelo.
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
Tabla 4. Modelo SAR(1). NBI en logaritmos

Variables Coecientes
Constante 3.280***
IDF -9.07e-06***
TD 1.669e-05***
UA -1.537e-04***
DV -3.945e-05*
0.732***
Test de Wald 1079***
Log Verosimilitud -274.80
AIC (AIC lm) 563.6 (1211.1)
Breusch-Pagan 15.627***
Signicancia *0.05**0.01***0.001
La estadstica de Breusch-Pagan, al 1 % rechaza la hipotesis nula de

homocedasticidad de los residuos del modelo espacial ajustado, lo cual permite
identicar un comportamiento de heterogeneidad espacial del NBI. Para
corregir esta inestabilidad estructural se proponen diversos metodos, como los
ltros espaciales, regresiones ponderadas geogracamente, entre otros.
CAPITULO 4
Algunos topicos basicos sobre procesos puntuales
En los captulos anteriores tanto en el caso geoestadstico como el caso de

datos de area, se ha considerado el conjunto jo.
Un proceso espacial puntual es un mecanismo estocastico que genera un
conjunto contable de eventos en el espacio.
Un patron espacial puntual se caracteriza porque el dominio en el cual
esta denido es un conjunto de ubicaciones aleatorias en las cuales ciertos
eventos de interes ocurre; por lo tanto, un el conjunto de datos para el
analisis puede estar formado unicamente por las coordenadas geogracas donde
ocurren los eventos. En este tipo de problema el interes radica en analizar si
la distribucion de los eventos es aleatoria o posee algun patron; si los eventos
tienden a agruparse en el espacio, se podra proponer un modelo que describa
esta tendencia. Se pueden registrar todos los eventos o simplemente tener una
muestra de ellos; en el primer caso se hablara de patron proyectado en el
segundo de patron muestreado.
61
62 CAPITULO 4. ALGUNOS TOPICOS BASICOS SOBRE PROCESOS PUNTUALES
4.1. Clases de patrones
Los eventos pueden o no comportarse siguiendo un patron; se consideran

los tres siguientes casos:
Proceso espacial completamente aleatorio, CSR
La aleatoriedad espacial completa implica que los eventos estan

uniformemente distribuidos y ademas que los eventos son independientes entre
si. La uniformidad se interpretar como el hecho de que el numero de eventos
por unidad de area sea constante a traves de toda la region. No se muestra
tendencia a ocupar regiones particulares en el espacio. Una forma de medir
esta uniformidad es a traves de la funcion de intensidad de primer orden.
Figura 4.1. Proceso espacial completamente aleatorio
Funcion de intensidad de primer orden
Si el proceso es univariado () es la funcion de intensidad de primer orden.

Note que ahora el parametro depende de la ubicacion espacial. Esta funcion
se dene como
( ())
() = lm (4.1)
0
se considera una region innitesimal que contiene a . Esta funcion de

intensidad describe como cambia en numero de eventos por area a traves del
4.2. PRUEBAS DE CSR 63
espacio; es una funcion acotada y no negativa. Ademas se dira que el proceso
es homogeneo si se tiene que () = ; es decir, si el numero de eventos por
unidad de area no depende de la ubicacion espacial.
Si los puntos no son CSR, pueden ser dependientes y/o no uniformes. Se
tienen los siguientes casos
Un patron puntual se llama agregado si eventos separados por distancias

cortas ocurren mas frecuentemente de lo que se espera bajo CSR.
Un patron puntual se llama regular si eventos separados por distancias

cortas ocurren mas frecuentemente que en un proceso homogeneo.
Figura 4.2. Patrones agregado y regular respectivamente
4.2. Pruebas de CSR
La hipotesis de proceso espacial completamente aleatorio requiere que el

numero de eventos en una region con area sea una variable aleatoria de
Poisson con media y que los eventos en sean una muestra aleatoria
independiente de la distribucion uniforme de . Esto es
La intensidad del proceso no vara sobre la region , es decir, el proceso

es homogeneo
density.ppp(ej, 5)
3.5
3.45
3.4
3.35
Figura 4.3. Graco de densidad del proceso
Clasificacion por genero
Figura 4.4. Con un factor
()
( ( = )) =
!
No existe interaccion entre los eventos.
Por lo tanto, para determinar si un proceso puntual se puede suponer

CSR(completamente aleatorio espacialmente), se puede recurrir ya sea a
los metodos de conteo por cuadros para despues compararlos contra una
distribucion de Poisson mediante una prueba 2 de bondad de ajuste. Sin
embargo, este enfoque es afectado por la subjetividad de la eleccion del tamano
y cantidad de los cuadros. Una alternativa consiste en utilizar metodos basados
en distancias; por ejemplo, la distancia promedio entre un evento y su vecino
Figura 4.5. Ejemplo de una generacion de zonas de inuencia
mas cercano en un patron agregado es mas pequena que esta misma en un

patron aleatorio. Como no se tiene una forma cerrada para la distribucion
muestral de algunas pruebas basadas en distancias, es necesario recurrir a
los metodos de simulacion de Montecarlo. A continuacion algunos de estos
metodos:
4.2.1. Conteo por cuadros
En este caso se realiza una division de la zona en cuadros, cada uno de

area , y se dene la variable () as:
(): numero de eventos en la region B
Bajo CSR, () () y asumiendo que los conteos 1 , 2 , ...,
son independientes en los cuadros y por tanto
()
( ( = )) =
!
El parametro es el numero medio de eventos media por unidad de area,

por lo tanto un estimador natural es

= =1

donde es el area total.
quadratcount(ej, nx = 4, ny = 3)
2 14 11 1
2 8 21 5
4 15 13 4
Figura 4.6. Conteo por cuadros
4.2.2. Metodos de distancia
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)
para 0. De aqui sepude armar que, 2 (), y por lo tanto

22 22 , de donde 2 2 2 1
=1 2
Por otro lado, sean las distancias

al evento mas cercano para eventos
muestreados aleatoriamente 2
=1
2
. Se puede
llevar a cabo una prueba
2 de
2 2
CSR comparando el comportamiento de 2 =1 2 con 2 =1
22 , mediante la siguiente prueba .
2

= =1
2
(2,2) (4.3)
=1
Valores signicativamente grandes o signicativamente pequenos llevaran

al rechazo de la hipotesis CSR, ya que si es grande se tiene un patron
Si ( 2 ; ) 2 2 , (Demuestre usando las funciones generadoras de
1
momentos)
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
Sin embargo, esta no es la unica distribucion que se puede proponer

para las distancias en procesos puntuales. A continuacion se ilustrara otro
enfoque que permite trabajar con un procedimiento alternativo.
Sea la distancia de un punto (o evento) a su k-esimo vecino mas

cercano dentro de un sector circular de angulo 0 < 2; y sea el area
maxima que puede alcanzar dicho sector, la cual esta dada por:

= 2 = 2 (4.4)
2
Para el vecino mas cercano, la probabilidad de que el vecino mas cercano

este a una distancia mayor que 1 es la misma probabilidad de que en esa
region no haya ningun otro punto.
(1 > 1 ) = ( (1 ) = 0) = 1 (4.5)
ya que (1 ) (1 ). Para el segundo vecino mas cercano 2 con

2 > 1 , se tiene
(2 > 2 1 = 1 ) = ( (2 1 ) = 0) = (2 1 ) (4.6)
A partir de 4.5 y 4.6 se tiene que 1 1 y 1 (2 1 ) son las

distribuciones marginal y condicional respectivamente para 1 y 2 . Por lo
tanto, la densidad conjunta es
(1 , 2 ) = 2 (2 ) (4.7)
y en general la densidad conjunta incluyendo hasta el k-esimo vecino mas

cercano es
(1 , 2 , ..., ) = ( ) (4.8)
2
con 0 < 1 < 2 < ... < .
4.2.3. Funcion de intensidad de segundo orden
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
Si el proceso puntual es estacionario de segundo orden, entonces () =

y 2 (1 , 2 ) = 2 (1 2 ) ademas, si el proceso es isotropico, la intensidad
de segundo orden no depende de la direccion sino unicamente de la distancia
entre los puntos y 2 (1 , 2 ) = 2 (1 2 ) = ().
La funcion de intensidad de segundo orden depende de la esperanza del

producto cruzado del conteo en dos regiones, de forma similar a la covarianza
entre dos variables aleatorias; sin embargo su interpretacion no es sencilla,
por lo cual se usan como alternativas como la funcio .
Funcion de Ripley
La funcion mas usada para estudiar la interaccion entre eventos en un

proceso estacionario e isotropico es la funcion de Ripley, la cual para una
distancia se dene como
= (Cantidad de eventos adicionales dentro de una distancia h de

un evento seleccionado al azar)
2
Estime por maxima verosimilitud
La funcion tiene varias ventajas sobre la funcion 2 (1 , 2 ):
Su denicion sugiere un metodo de estimacion () es el numero medio

de eventos con una distancia menor que
En un patron agregado, es probable que un evento dado este rodeado

por eventos del mismo grupo. El numero extra de eventos dentro de una
distancia pequena de un evento sera mayor y por lo tanto () tambien
lo es; mientras que en un patron regular, el numero de eventos extra
sera pequeno para pequena y por tanto () sera tambien pequena.
Para un proceso homogeneo de Poisson el numero esperado de eventos

por unidad de area es , el numero esperado de eventos extra dentro de
una distancia es 2 y () = 2 .
LA funcion () puede ser obtenida de la funcion de intensidad de

segundo orden:
2
() = 2 2 ()
0
La funcion () puede usarse tanto si se tiene un patron proyectado

como si se tiene un patron muestreado.
Esta funcion hace las veces del semivariograma en un proceso

geoestadstico. Por lo tanto, no es unica. Existen otras opciones para medir
esta interaccion.
Figura 4.7. Proceso no homogeneo y su respectiva funcion de intensidad

Figura 4.8. Deteccion de dependencia espacial

Root PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Root PDF

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA ESPACIAL

Martha Patricia Bohorquez Castaneda

Universidad Nacional de Colombia

1 Introduccion a la estadstica espacial 1

2.1 Supuesto de Estacionariedad . . . . . . . . . . . . . . . . . . . . 9

2.1.1 Estacionariedad fuerte . . . . . . . . . . . . . . . . . . . 9

2.1.2 Estacionariedad de segundo orden . . . . . . . . . . . . . 10

2.1.3 Estacionariedad intrnseca . . . . . . . . . . . . . . . . . 11

2.1.5 Elementos del semivariograma . . . . . . . . . . . . . . . 12

2.3 Metodos de estimacion mas usados . . . . . . . . . . . . . . . . 18

2.4 Ilustracion metodo de maxima verosimilitud . . . . . . . . . . . 23

3 Modelos de regresion espaciales 43

3.1 Efectos espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4 Algunos topicos basicos sobre procesos puntuales

4.1 Clases de patrones . . . . . . . . . . . . . . . . . . . . . . . . . 62

Introduccion a la estadstica espacial

La rama de la estadstica que analiza las variables de interes teniendo en

Denicion 1. Proceso Espacial

Donde se reere a la variable de interes en la ubicacion , es llamado

A continuacion se mostraran unos ejemplos, que ilustraran tanto las

Figura 1.1. Proceso espacial en

1.2 Ejemplo. En el marco de un proyecto de conservacion del medio ambiente,

As, en general, es un elemento de un conjunto , el cual es a su vez un

Cuadro 1.1. Proceso espacial en 2

150 100 50 0 50 100 1000 1500 2000 2500 3000 3500

Figura 1.2. Altura piezometrica georeferenciacion en 2

El conjunto ndice D, puede ser continuo, discreto o aleatorio. La ubicacion

Se requiere una teora especial para este tipo de datos ya que:

observaciones espaciales Z(si) no representan una muestra aleatoria

La aleatorizacion, la repeticion, y los bloques no son posibles en muchas

Muchos problemas en estadstica espacial, son unicos a este cuerpo de

Una muestra de tamano en la que se evidencia correlacion espacial

Datos geoestadsticos: Son los datos espaciales con variacion continua,

Figura 1.3. Material particulado en la ciudad de Mexico

Figura 1.4. Tasa de mortalidad infantil (por cuantiles)

Procesos espaciales puntuales: es un proceso puntual en o en un

Se puede observar que el interes en cada uno de los casos anteriores, es

Figura 1.5. Lugares donde se han denunciado robos

El campo aleatorio espacial (variable regionalizada) en este caso es continuo

2.1. Supuesto de Estacionariedad

2.1.1. Estacionariedad fuerte

Este supuesto se reere a que la estructura probabilstica del campo

puntos puedan contribuir a la estimacion, solo se necesita que tengan la misma

La estacionariedad fuerte, sin embargo, es una propiedad muy restrictiva,

2.1.2. Estacionariedad de segundo orden

El proceso () es intrnsecamente estacionario si satisface:

Esta relacion se ilustra en la gura 2.1, para el caso particular donde la

y por lo tanto la funcion de semivarianza es

Funciones de covarianza y semivarianza exponencial

0 50 100 150 200 250

Figura 2.1. () y (), = (0, 3, 50)

Si ademas () y/o () son funciones unicas de la magnitud , esto es,

El proceso posee funcion de covarianza y/o semivarianza isotropica. La

2.1.5. Elementos del semivariograma

En un proceso es estacionario de segundo orden la funcion de covarianza

Silla es la asntota superior del semivariograma. Unicamente los procesos

Rango de un proceso espacial es la distancia a la cual los puntos ya

Efecto pepita . De la denicion de semivariograma, se puede ver que para

es llamada el efecto pepita y se representa 0 .

Silla parcial : Si un semivariograma tiene efecto pepita 0 y silla (0), la

Figura 2.2. Pepita, silla y rango en presencia de estacionariedad de segundo orden

Con la existencia del efecto pepita, se altera la relacion entre el

la varianza esta formada por la pepita mas la silla parcial