Вы находитесь на странице: 1из 5

Lo primero que se estudia de los datos es la estacionariedad.

Modelndola, denotaremos la
variable espacial en la posicin s como Z(s), con sDIRk. Un conjunto de la forma {Z(s), sD}
recibe el nombre de proceso estocstico o proceso aleatorio. En este caso, designaremos la
distribucin del proceso como sigue:

( ,..., ) ( ( ) ,..., ( ( ) ) s1 ,..., s 1 n 1 1 n n F z z P Z s z P Z s z n


cumpliendo ciertas hiptesis de regularidad. Adems, se le suelen imponer hiptesis relativas al
valor de la media y de la varianza, definindose de ese modo los distintos tipos de estacionariedad,
que son las siguientes:
1. E[Z(s)] = , sD
2a. Cov[Z(s),Z(t)] = c(s-t), s,tD Estacionariedad de segundo orden
2b. Var[Z(s)-Z(t)] = 2(s-t), s,tD Estacionariedad intrnseca
La funcin c(h) es conocida como covariograma, y la funcin (h) como semivariograma. Ntese
que estas funciones dependen no slo de la distancia entre dos posiciones, sino tambin de la
direccin que las separa. Si el covariograma y el variograma no dependen de la direccin, se dice
que el proceso es isotrpico. En caso contrario, recibe el nombre de anisotrpico.
Suponiendo la existencia de varianza finita, se puede demostrar que:
Estac. de segundo orden => Estac. Intrnseca => (s-t) = c(0) - c(s-t) s, t D
Si bien para procesos estacionarios de segundo orden es lo mismo estudiar el variograma que el
covariograma, en la prctica se suele recurrir a la estimacin del variograma ya que es menos
restrictiva con respecto al proceso, por ser vlida para procesos intrnsecos donde no es necesario
exigir la existencia de varianza finita.
FOCOS DE POSIBLE NO ESTACIONARIEDAD
Para comprobar focos de posible no estacionariedad, se suelen estudiar las distribuciones de los
valores de los siguientes variogramas:
Variograma nube
Propuesto por Chauvet (1982), el variograma nube en una direccin unitaria dada e es la
representacin grafica de los valores {(Z(s i + he) Z(si))2} para distintos valores de h.
Variograma nube de las races de las diferencias
Descrito en Cressie (1993), el variograma nube de las races de las diferencias en una direccin
unitaria dada e es la representacin grafica de los valores {Z(si + he) Z(si) 1/2} para distintos
valores de h.
VI Congreso Galego de Estatstica e Investigacin de Operacins
Vigo 5-7 de Novembro de 2003

En ambos casos se puede representar un Box-Plot para cada h, de modo que en aquellos casos en
los que la diferencia entre la media y la mediana sea muy grande se podra analizar la existencia
de valores atpicos. El variograma nube de las races de las diferencias es ms robusto que el otro.
ESTIMACIN DEL VARIOGRAMA
Para estimar esta funcin existen numerosos estimadores. Los ms usados son los siguientes:
Estimador muestral o emprico
Propuesto por Matheron (1962, 1963b), este estimador est basado en el mtodo de los momentos,
y es del siguiente modo:

()
( ( ) ( ))
2 ( ) ( )
2

Nh
ZsZs
h Nh

g con hIRk y N(h)={(si,sj) / si sj = h, i,j = 1,...,n}


Este estimador, a pesar de ser insesgado, es poco robusto, muy sensible a la presencia de valores
atpicos.
Estimador Robusto
Propuesto por Cressie y Hawkins (1980), este estimador es del siguiente modo:

()
( ) 0.457 0.494
()()
2~( )
4
4
(,)()
1/ 2

Nh
Nh
ZsZs
h ssNh
ij
ij

Como indica su nombre, este estimador es ms robusto, es decir, es menos sensible a la presencia
de valores atpicos que el anterior.
Ambos estimadores se calculan para un vector h dado de modo que, fijada la direccin unitaria y
en dicha direccin, se consideran los pares de datos que distan ||h|| unidades en esa direccin. En
caso de isotropa, se evaluara el estimador sobre una distancia hIR y se consideraran todos
lospares de datos distanciados h unidades, con independencia de la direccin del vector que les
separa.
Siguiendo las recomendaciones de Journel y Huijbregts (1978), se debe tener un mnimo de 30
pares en N(h) para obtener la estimacin. Para conseguir esto, a veces se recurre a considerar una
regin de tolerancia en torno a h que garantice la existencia de suficientes pares de datos; esta
regin de tolerancia debe ser pequea y puede variar para cada h.
Mtodos paramtricos
VI Congreso Galego de Estatstica e Investigacin de Operacins
Vigo 5-7 de Novembro de 2003

Entre las propiedades que ha de cumplir un variograma, hay que citar que ha de ser
condicionalmente definido negativo, esto es, para cualquier coleccin de posiciones espaciales
{s1,...,sn} y para cualquier coleccin de nmeros reales {a1,...,an} tales que

n
i
i
1

0 , se cumple
que:

ij
ijij

a a g(s s ) 0

Sin esta propiedad, se podran dar estimaciones negativas del error cuadrtico medio de la
prediccin, lo cual sera un absurdo. Aunque generalmente los variogramas emprico y robusto

ajustan bien los datos, el problema es que ninguno de ellos es condicionalmente definido negativo.
Por ello lo que se suele hacer es, una vez estudiado el variograma emprico o el robusto para
hacerse una idea de cmo es la forma del variograma terico, ajustar ste a travs de una familia
paramtrica de curvas del modo:
P={2/ 2(.) = 2(.,), }
donde 2(.,) es una funcin de condicionalmente definida negativa. Las funciones que
usualmente se utilizan, en caso de isotropa, son las dadas por los modelos lineal, esfrico,
exponencial, cuadrtico-racional, oscilatorio y potencial.
Estos modelos son vlidos en presencia de isotropa. Si tenemos anisotropa, lo ms usual es
ajustar un variograma distinto en cada direccin.
Generalmente se estima el variograma terico por el mtodo de mnimos cuadrados ponderados,
que se basa en construir previamente algn estimador no paramtrico de manera que se selecciona
el parmetro de la familia de variogramas paramtricos vlidos que mejor se aproxime al
estimador emprico. Este mtodo consiste en minimizar:

2
2
2
11

()()
()()()1
()()
nn
jj
jjj
jjjj

Nhh
Min h h Min N h
qh qqh
qq

g
gg
g g

(
(
donde g(.) (
es el estimador no paramtrico escogido (generalmente, el emprico o el robusto) y q g
es el variograma paramtrico (funcin de q) a estimar, perteneciente a nuestra familia
paramtrica. De este modo obtenemos un estimador del variograma que da ms peso a aquellos hj
a los que corresponde mayor nmero de pares con esa diferencia.
KRIGING
La prediccin espacial o Kriging, nombre puesto en honor a Krige, es el objetivo ltimo de la
Geoestadstica. Nuestro objetivo ser hallar una estimacin del valor de la variable Z en un cierto
VI Congreso Galego de Estatstica e Investigacin de Operacins
Vigo 5-7 de Novembro de 2003

punto de nuestro entorno s0, 0


Z (s ) , a partir de la muestra {Z(s1),...,Z(sn)}. Para hacer esto, antes
de nada hemos de caracterizar la dependencia espacial existente entre los datos, y esto lo hemos
hecho en apartados anteriores gracias al variograma.
Aunque existen varios mtodos de Kriging, el ms usado es el Kriging Ordinario (KO), que
consiste en estimar Z(s0) mediante el mejor estimador lineal insesgado, BLUE en ingls (Best
Linear Unbiased Estimator). Se puede ver que conseguir esto es lo mismo que resolver el siguiente
problema de optimizacin:
2

0
1

[( ( ) ( )) ] 2 ( 1)
n
oi
i

MinE Z s Z s m l

PROGRAMACIN Y RESULTADOS
El objetivo principal del trabajo era aplicar las tcnicas Kriging, pero para ello haba que realizar
antes una serie de clculos. Por ello, he creado herramientas para calcular los Variogramas Nube,
los Variogramas Muestrales, los Variogramas Paramtricos, y tambin para realizar un estudio
exploratorio sobre la Isotropa. Finalmente pude programar el Kriging, realizando grficas en 3
dimensiones, aunque en el presente trabajo no se muestran.
DATOS USADOS
Los datos usados para el anlisis de la poblacin del fletn negro (Reinhardtius hippoglossoides)
proceden de las campaas cientficas Fletn rtico llevadas a cabo por el Equipo de Pesqueras
Lejanas del Centro Oceanogrfico de Vigo en aguas del rea de Proteccin del Archipilago
Svalbard, Divisin IIb del CIEM, amablemente cedidos por dicho equipo. Para este estudio se
usaron los datos de las campaas realizadas desde el ao 1997 al ao 2001, todas ellas en Octubre.
En estas campaas la especie predominante es sin duda el fletn negro, que, por ejemplo, en el ao
2000 fue 68 veces la captura de la segunda especie ms abundante, el lirio o bacaladilla.
ESTUDIO DE LA ESTACIONARIEDAD
En el presente trabajo se presentan la interfaz de entrada de la estacionariedad y la salida del
programa para el ao 2000 del estudio de la estacionariedad mediante los variogramas nube. Es el
siguiente:
VI Congreso Galego de Estatstica e Investigacin de Operacins
Vigo 5-7 de Novembro de 2003

Si estudiamos el rango intercuartlico en los Box-Plot (amplitud de las cajas), vemos que la
dispersin en torno a la mediana se mantiene bastante constante, excepto tal vez en las ltimas
distancias, seguramente debido a que en esos casos tenemos pocos pares de puntos. Este hecho
hace pensar en la estacionariedad de los datos. Habra tambin que fijarse en la diferencia entre la
media y la mediana, pues en aquellos casos en los que difieren mucho habra que analizar posibles
focos atpicos. Esto ocurre bastante en este ao.
VARIOGRAMA MUESTRAL
El estudio del variograma muestral se muestra tambin para el ao 2000. Se representaron los dos
variogramas muestrales a la vez, el Variograma Emprico y el Variograma Robusto. En ellos se
puede seguir la evolucin de la varianza a medida que se consideran datos ms distanciados:
En esta grficas se aprecia el carcter poco robusto del variograma emprico con respecto al
robusto, pues aquel se ve claramente influenciado por los valores atpicos localizados mediante el
variograma nube.
VI Congreso Galego de Estatstica e Investigacin de Operacins
Vigo 5-7 de Novembro de 2003

VARIOGRAMA PARAMTRICO
El estudio del variograma paramtrico resulta ms arduo que los anteriores, como consecuencia de
tener que encontrar los parmetros que minimicen la funcin. Por lo tanto, este apartado se estudi
slo para el ao 97 y para el variograma emprico. A la vista de los datos, parece que los modelos
que mejor ajustan ese variograma son el esfrico y el exponencial. Opt por el modelo esfrico a
partir de la forma de los variogramas muestrales, si bien este procedimiento subjetivo podra
mejorarse implementando en un futuro el mecanismo de seleccin propuesto por Gorsich and
Genton (1999) basado en considerar una aproximacin a la primera derivada del variograma.
ISOTROPA
De manera general y por conocimientos prcticos, se puede decir que el proceso segn el cual se
distribuye el fletn negro es anisotrpico, pues se suele distribuir en direccin Norte-Sur.
Analizando, por ejemplo, el grfico resultante para el ao 2000, se ve la anisotropa de esta
especie, pues dependiendo del ngulo usado, tenemos resultados diferentes:
VI Congreso Galego de Estatstica e Investigacin de Operacins
Vigo 5-7 de Novembro de 2003

AGRADECIMIENTOS
Mi ms sincero agradecimiento al Equipo de Pesqueras Lejanas del Centro Oceanogrfico de

Vigo, y en particular a Xabier Paz, por la cesin de los datos del fletn negro usados en el presente
trabajo.
Mi agradecimiento, tambin, a Pilar Garca Soidn y a Manuel Febrero Bande por su ayuda en la
realizacin de esta ponencia.
BIBLIOGRAFA
Chauvet, P. (1982): The Variogram Cloud. Internal Note N-725. Centre de Geoestatistique
Fontaineblau
Cressie, N. (1993): Statistics for Spatial Data. Ed. Wiley, Nueva York
Cressie, N. and Hawkins, D. M. (1980): Robust Estimation of the Variogram. Journal of the
International Association for Mathematical Geology 12, n.2: 115-125
Gorsich, D. and Genton, M. (1999): Variogram Model Selection via Nonparametric Derivate
Estimation. Journal of the International Association for Mathematical Geology 32, n.3:
249-270
Halvorson, M. (1999): Aprenda Visual Basic 6.0 Ya. Ed. MacGrawHill
Journel, A. G. and Huijbregts, C. J. (1978): Minig Geoestatistic. Academic Press, London
Gonzlez Troncoso, D. (2002): Mdulo de Estadstica Espacial en Visual Basic para Excel.
Universidad de Vigo.
Matheron, G. (1962): Traite de Geoestatistique Appliquee. Tome 1. Memoires du Bureau de
Recherches Geologiques et Minieres. Ed. Technip, Pars
Matheron, G. (1963a): Traite de Geoestatistique Appliquee. Tome 2: Le Krigeage. Memoires du
Bureau de Recherches Geologiques et Minieres. Ed. Technip, Pars
Matheron, G. (1963b): Principles of Geostatistics. Economic Geology, 58: 1246-1266
Paz, X. and Romn, E. (2000): Spanish Bottom Trawl Survey Fletn rtico 97-99 in the slope
of Svalbard Area, ICES Division IIb: 1997-99. ICES CM 2000- Artic Fisheries Working
Group. Working Document 39, 34 pp.
Paz, X, Casas, J. M. and Gonzlez Troncoso, D. (2002): Spanish Bottom Trawl Survey Fletn
rtico 2001 in the slope of Svalbard Area, ICES Division Iib. ICES CM 2002- Artic
Fisheries Working Group. Working Document 31, 17 pp.
Romn, E. and Paz, X. (2001): Spanish Bottom Trawl Survey Fletn rtico 2000 in the slope
of Svalbard Area, ICES Division IIb. ICES CM 2001- Artic Fisheries Working Group.
Working Document 32, 15 pp.