Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Interpolación
Imagen de la NASA
Una aplicación importante de los SIG es la
estimación de los valores qque puede
p tomar la
variable Z sobre el terreno.
- Polígonos de Voronoi
- Ponderación de la inversa de la
distancia (IDW).
- Funciones no lineales o funciones de
base radial (FBR).
ESTIMACIÓN
Ó PUNTUAL
Si la variable toma
valores discretos la
probabilidad es una
f nción de masa y si es
función
continua se obtiene una
función de densidad. Función de masa de la distribución Binomial.
Función de densidad de la distribución Normal.
ESTIMACIÓN
Ó PUNTUAL
n=5 n = 12 n = 21 n = 34
ESTIMACIÓN PUNTUAL
Insesgado o centrado: Su
media coincide con θ.
Si es centrado tomará valores
alrededor del verdadero valor.
valor A B
Si es sesgado, se desviará
sistemáticamente de θ.
θ
Eficiente: De todos los C D
Error cuadrático
E d áti medio:
di valorl esperado d del
d l cuadrado
d d
de la diferencia entre el estimador θ̂ y el parámetro θ que
trata de estimar.
estimar
ECM(θ̂) = E[( θ̂ - θ)2] = V(θ̂ ) + [θ - E( θ̂)]2
De lo anterior se concluye que el ECM está compuesto
ppor dos cantidades no negativas,
g , qque son:
La varianza del estimador θ.
El cuadrado del sesgo del estimador.
ESTIMACIÓN PUNTUAL
Obt ió d
Obtención de estimadores:
ti d
Mediante el método de los mínimos cuadrados.
El estimador es el valor que minimiza la suma de las
diferencias al cuadrado entre los datos y el parámetro
parámetro.
MÉTODOS DE INTERPOLACIÓN
GLOBALES
El proceso de interpolación
espacial consiste en la Ź
Z
estimación de los valores X
que alcanza una variable Z^
en un conjunto de puntos
definidos p
por un ppar de
coordenadas (X,Y),
partiendo de los valores de
Z medidos en una muestra Y
de puntos situados en el
Puntos de muestra
mismo área de estudio. Punto para estimar Z
Adaptado de pgrafica.webideas4all.com/perlin.html
MÉTODOS DE INTERPOLACIÓN
GLOBALES
1
EDIA
CLASE
5
uo
2
residu
-1
-4
-7
0 20 40 60 80
PREDICCIÓN GLOBAL MEDIANTE
CLASIFICACIÓN
Se utiliza
únicamente al
cartografiar
t fi ell
suelo y el paisaje
p j
para definir
unidades
homogéneas
PREDICCIÓN GLOBAL MEDIANTE
REGRESIÓN LINEAL
Z= E[Z/x]
Z es la v. dependiente, X es la v. independiente o
explicativa y ε el término del error que representa la
varianza
i de
d y para un valor
l dado
d d de d X.
X
REGRESIÓN LINEAL
Para estimar
P ti ell modelo
d l recurrimos
i a una m.a. ded datos:
d t
En x1, x2,..., xn se mide y1 = Z(x1), ..., Z(xn) y obtenemos
la expresión:
yi = α + β xi + ε i
las hipótesis del modelo son:
1. εi~N(0, σ2), con σ2 cte. e independiente de x.
22. Las perturbaciones también son indep.
indep entre sí,
sí es decir,
decir
E[εi εj]=0 con i≠j
3 Para
3. P que la
l relación li l β ≠ 0.
l ió sea lineal 0
REGRESIÓN LINEAL
ˆ Cov(X, Y)
b=β=
V(X)
Cov(X, Y)
a = αˆ = E[Y ] − E(X)
V(X)
2
∑ i
e
s R = σˆ = i
n−2
Los errores,
errores residuos o perturbaciones se estiman con el
modelo y las observaciones:
ei = ^
εi = yi – (a + b xi )
REGRESIÓN LINEAL
Como siempre
siempre, mmuestras
estras
diferentes proporcionan
conjuntos de datos diferentes
diferentes,
lo cual genera rectas de
regresión diferentes. Estas
rectas se distribuyen alrededor
de Y = α + β X + ε .
S xy
r=
SxS y
-1 0 +1
¿Có
¿Cómo medir
di lla b
bondad
d d d
de lla regresión?
ió ?
Imaginemos un diagrama de
dispersión, y vamos
a tratar de comprender en
primer lugar qué es
el error residual, su relación
con la varianza de Y,
y de ahí, cómo medir la
bondad de un ajuste
ajuste.
Interpretación de la variabilidad en Y
Y
En primer
E i llugar olvidemos
l id que existe
i t
la variable X. Veamos cuál es la
variabilidad en el eje Y.
2
S
R = 1−
2 e
2
S Y
S < S
2
e
2
Y
R
Resumen sobre
b bondad
b d d d
de un ajuste
j t
• La bondad de un ajuste de un modelo de regresión se
mide usando el coeficiente de determinación R2
• R2 es una cantidad adimensional que sólo puede
tomar valores en [0, 1]
• Cuando
C d un ajustej t es bueno,
b R2 seráá cercano a 1.
1
Cuando un ajuste es malo R2 será cercano a 0.
• A R2 también se le denomina porcentaje de
variabilidad explicado por el modelo.
• En el modelo lineal simple, la expresión es de lo más
sencilla: R2=r2
MODELOS POLINÓMICOS
Y = β 0 + β1 X + β 2 X 2 + K + β k X k
HIPÓTESIS BÁSICAS:
¾ sobre las perturbaciones εi ≈ N (0, σ) y E[εi ε j ] = 0
¾ además n ≥ k+1 y
¾ las xi son linealmente independientes
MÉTODOS DE INTERPOLACIÓN
LOCALES
Una formación
i teselada
l d Voronoii es una estructura de
d
celdas en la que el interior de cada celda está
compuesto por todos
d llos puntos cercanos a un punto
del entramado particular, más que a cualquier otro
punto.
Las estructuras
L t t de
d celdas
ld d de V
Voronoii son polígonos
lí de
d
forma irregular; el número y la ubicación de las celdas
pueden ajustarse para coincidir con la densidad y la
ubicación de los datos espaciales.
Ponderación por distancia
Estima los puntos del modelo realizando una asignación de pesos
a los datos del entorno en función inversa a la distancia que los
separa
p del ppunto en cuestión. De esta forma, se aceptap que
q los
puntos más próximos al centroide intervienen de manera más
relevante en la obtención del valor definitivo de Z para ese punto.
La formula general para la interpolación por IDW es :
También
T bié se conocen por funciones
f i de
d base
b radial
di l (FBR).
(FBR)
Este algoritmo ajusta una curva suave a un conjunto de
puntos conocidos
conocidos,
donde,
u es un parámetro
parámetro.
Ni,k es la función base de grado k.
Pi son los puntos de control.
wi son los pesos.
Funciones no lineales o “spline”
spline .
El método consiste en interpolar los valores de gris
faltantes con polinomios de grado k en cada
dimensión i y promediar el resultado de cada uno de
ellos.