Академический Документы
Профессиональный Документы
Культура Документы
CONCEPTOS BSICOS
1.1.1. SUMATORIAS
i j i 2 i j
2
i
i 1 i 1 j 1 i 1 i 1 j 1
COMPLETAR
2 3
1 5 3
4 5 2 2
2 1
5 3 3
2 1 0
2
2
1 4 5 0 1
2
a12 a11
El determinante de una matriz A se define como det A a11a22 - a12 a21
a22 a21
Ahora se tiene que A es invertible si y solo si det A 0 y si det A 0 se establece la
siguiente relacin entre la inversa y el determinante de una matriz.
1 a22 a12
A -1
det A a21 a11
( A B) C ( AC BC )
( AT )T A
( AC )T C T AT
( A B )T AT BT
( A T ) 1 ( A1 )T
Ax x o A I x 0 (****)
Pueden encontrarse hasta n valores propios y hay tantos vectores propios como valores
propios se encuentren. Los valores de deben satisfacer que el determinante de A I
sea 0. Los vectores propios se calculan despus de reemplazar los valores propios
encontrados en la expresin Ax x .
Ejemplo:
2 3
Sea A , el clculo de los vectores y valores propios se desarrolla como
4 5
sigue:
2 3 1 0
0
4 5 0 1
2 3 0
0
4 5 0
2 3
0
4 5
2 5 12 0
2 7 2 0
1 7,2749
2 -0,2749
Como ya se menciono para cada valor propio existe un vector propio, el cual se obtiene
reemplazando el valor propio correspondiente en la expresin (****) y usando la
condicin de que los respectivos vectores propios estn normalizados.
x1
Un vector x se dice que est normalizado si satisface que x12 x 22 1 .
x2
Teniendo en cuenta lo anterior se calculan los vectores propios de la siguiente forma:
A I x 0
2 3 x1 0
4 5 x2 0
2 x1 3x2 0
4 x1 5 x2 0
2 x1 3x2 0
4 x1 5 x2 0
x1 2 4 x2 5 3 0
x1 6 x2 8 0
x2 8
x1
6
2
Despejando x1
0,56873
2
x2
1 0,56873 2
1
x1 0, 49437
x1 0, 49437
x2 0,86925
0,56873 0,56873
x1 0, 49437
x2 0,86925
x1 0, 79681
x2 0, 60423
En resumen dada la matriz del ejemplo entonces se puede comprobar que para el primer
valor y vector propio se tiene:
2 3 7, 2749 0
0, 49437 0
4 5 0 0,86925
7, 2749 0
2 3 0, 2749 0 0, 79681
0
4 5 0 0, 2749
0, 60423
0
Una ecuacin cuadrtica en dos variables con trminos no lineales es una ecuacin de la
forma ax 2 bxy cy 2 d . Una forma cuadrtica en dos variables es una expresin de la
forma F ( x, y ) ax 2 bxy cy 2 , donde a b c 0 .
x
Considrese la forma cuadrtica F ( x, y ) x 2 4 xy 3 y 2 . Sea v y
y
1 2
A . Entonces
2 3
1 2 x x x 2y x
Av v
2 3 y y 2x 3y y
( x 2 2 xy ) (2 xy 3 y 2 ) x 2 4 xy 3 y 2 F ( x, y )
Av v d o Av v F ( x, y )
n n 1 n
xT Ax aii xi2 2 a xx ij i j
i 1 i 1 j i 1
1. A es definida positiva;
2. todos los i , valores propios de A (reales por ser simtrica), son positivos;
3. todos los i , subdeterminanates estrictamente principales, son positivos;
k
4. todos los pivotes akk , en el mtodo de eliminacin de Gauss sin permutacin son
positivos;
5. existe una matriz U triangular superior invertible tal que A U T U (esta es la
factorizacin de Cholesky);
6. existe una matriz W invertible tal que A W T W ;
7. todos los subdetermianates positivos son positivos.
i j 1
aij aii para todo i
i j 1
aij a jj para todo j
xT Ax 0 para todo x
Proposicin: Dada una matriz A simtrica las siguientes siete afirmaciones son
equivalentes:
1. A es semidefinida positiva;
2. todos los i , valores propios de A son no negativos;
3. i 0 para todo i y para cualquier reordenamiento simtrico de filas y de
columnas, es decir, para cualquier permutacin de las filas y de las columnas
correspondientes;
k
4. los pivotes akk , en el mtodo de eliminacin de Gauss posiblemente con
permutaciones simtricas, son todos no negativos;
5. existe una matriz U triangular superior, posiblemente no invertible, tal que
A U TU ;
6. existe una matriz W , posiblemente no invertible, tal que A W T W ;
7. todos los subdetermianates principales son no negativos.
Observacin: El sptimo criterio es un caso particular del tercer criterio pero ms fcil
de aplicar.
Es claro que las caracterizaciones para las matrices definidas positivas son ms fuertes
que las caracterizaciones para las matrices semidefinidas positivas.
Considere que se toma una muestra de los robos registrados en un periodo de tiempo
determinado, para 50 municipios y los resultados obtenidos se encuentran relacionados
en la tabla xx.
Municipios Robos Municipios Robos Municipios Robos Municipios Robos Municipios Robos
registrados registrados registrados registrados registrados
1 1881,9 11 3920,4 21 2311,3 31 3008,6 41 1704,4
2 3369,8 12 2599,6 22 3159 32 2782 42 1776,5
3 4467,4 13 2828,5 23 2559,3 33 2037,8 43 2988,7
4 1862,1 14 2498,7 24 1239,9 34 1843 44 3004,6
5 3499,8 15 2685,1 25 2424,2 35 2696,8 45 2201
6 3903,2 16 2739,3 26 2773,2 36 2228,1 46 2521,2
7 2620,7 17 1662,1 27 2316,1 37 3506,1 47 3386,9
8 3678,4 18 2469,9 28 4212,6 38 1624,1 48 1341,7
9 3840,5 19 2350,7 29 2343,9 39 2844,1 49 2614,2
10 2170,2 20 3177,7 30 2774,5 40 2342,4 50 2772,2
X1 X 2 L X n
Xi
X i 1
n n
La media de los robos registrados en la tabla xx estara dada por:
X n 1
si n es u nmero impar
2
X% X X
n n
2
2
1
si n es un nmero par
2
X X
50
50
1 X 25 X 26 2614,2 2620,7
X% 2 2
2617, 45
2 2 2
Hay tres cuartiles, Q1, Q2, Q3. El segundo cuartil Q2, es precisamente la mediana. El
primer cuartil Q1, es el valor en el cual o por debajo del cual queda un cuarto (25%) de
todos los valores de la sucesin (ordenada); el tercer cuartil Q3 es el valor por debajo del
cual quedan las tres cuartas partes (75%) de los datos.
Definicin: Los valores que dividen los datos en diez partes iguales se llaman decles y
se representan por D1 , D2 , , D9 . Los valores que dividen los datos en cien partes
iguales se llaman percentiles y se representan por P1 , P2 , , P99 . El quinto decil y
el quincuagsimo percentil se corresponden con la mediana. Los percentiles P25 y
P75 se corresponden con el primer y tercer cuartil. En general todas estas medidas
reciben el nombre de cuantiles.
(x
i 1
i X) 2
2
n
(X i X) 2
i 1
f s Q 13 Q 3 Q 1
S
CV 100%
X
MEDIDAS DE FORMA
f (X i i X) 3
C.S i 1
nS 3
f (X i i X) 4
C.C i 1
nS 4
Si C.C = 3, entonces los datos (la curva) presentan forma de una normal
estandarizada.
Si C.C > 3, entonces los datos se presentan ms empinados que los de una
normal estandarizada.
Si C.C < 3, entonces los datos se presentan ms aplanados que los de la normal.
Histograma
Girando el diagrama esta representacin tiene la misma forma que el histograma, pero
adems estn todos los datos originales.
Para construir este diagrama se seleccionan los primeros (uno, dos o ms ) dgitos y esos
dgitos se llaman tallos. Los dgitos de la derecha se llaman hojas. En cada fila del
diagrama se pone un tallo y a su lado todas las hojas. Para decidir si tomar como
tallos uno, dos o ms dgitos, se puede tener en cuenta, al igual que para el histograma,
en general se recomienda tomar entre 5 y 20 tallos. Este diagrama es un competidor
del histograma. Para muestras grandes es un poco confuso, el histograma es ms simple.
Los nmeros que estn a la izquierda del grfico se llaman profundidad y van
contando el nmero de datos desde el principio y desde el final y se anota el menor de
esos dos nmeros. En la lnea del centro se anota la cantidad de datos de esa lnea
entre parntesis. Esto es til para calcular a mano la mediana y los cuartiles.
Grfico xx. Diagrama de Tallo y Hoja de robos. Salida JMP 5.1.
Es otro grfico propuesto por uno de los estadsticos ms prestigiosos del siglo XX:
John Tukey en su libro Exploratory Data Analysis, 1977. Es una representacin grfica
de cinco nmeros: mnimo, primer cuartil, mediana, tercer cuartil y mximo. Adems se
representan como puntos separados los datos atpicos (outliers).
Estos box plots se usan poco. El histograma da ms informacin que este grfico sobre
la distribucin de una variable numrica en dos o ms poblaciones.
Para estudiar la relacin entre dos variables numricas se usa el grfico de dispersin
que es simplemente representar el valor de una de las dos variables en el eje de las
abcisas y el de la otra en el eje de las ordenadas.
Definicin: Sea S un espacio muestral sobre el que se encuentra definida una funcin de
probabilidad, sea X una funcin de valor real definida sobre S de manera que
transforme los resultados de S en puntos sobre la recta de los reales, se dice entonces
que X es una variable aleatoria, porque involucra todos los puntos del espacio muestral.
S : X ( )
S cara, sello
X (cara) 0
X ( sello) 1
Definicin: Se dice que X es una variable aleatoria discreta si el nmero de valores que
puede tomar es contable, adems si estos pueden arreglarse en una secuencia que puede
asociarse con los enteros positivos. Se dice que X es una variable aleatoria continua si
sus valores consisten en uno o ms intervalos de la recta de los .
FX ( x) P( X x) P( x )
xi x
i
f X 1 , X 2 ,K , X n P X 1 x1 , X 2 x2 ,K , X n xn x1 , x2 ,K , xn de X 1 , X 2 , K , X n
x1 , x2 ,K , xn
0 en otro caso
xf x X discreta
E X
x
xf x dx X continua
x 2 f x X discreta
V( X ) 2
E X 2
x
x f x dx
2
X continua
V ( X ) E ( X E ( X )) 2
E ( X 2 2 XE ( X ) ( E ( X )) 2 )
E ( X 2 ) 2 E ( X )( E ( X )) ( E ( X )) 2
E ( E ( X ))
E ( X ) 2( E ( X )) 2 ( E ( X )) 2
2
E ( X 2 ) ( E ( X )) 2
E X X Y Y E XY XY Y X X Y E XY E X E Y
Nota:
Se dice que X y Y son independientes si Cov ( X , Y ) 0 , pero que Cov ( X , Y ) 0 no
implica que haya independencia entre variables.
Cov X ,Y
X ,Y
XY
E ( XY ) E ( X ) E (Y )
Si P ( x 0) 1 y E ( X ) existe entonces E ( X ) 0 .
E (a ) a
E ( af ( x ) bh ( x )) aE ( f ( x )) bE ( h( x ))
Si f ( x ) h( x) entonces E ( f ( x)) E ( h( x))
E ( X Y ) E ( X ) E (Y )
E (aX ) aE ( X )
E (aX b) aE ( X ) b
E A B E A E B
E A E A
Propiedades de la varianza
Si X y Y son variables aleatorias reales con varianza finita se tienen las siguientes
propiedades para la varianza:
Si E X E Y , entonces
1
2
2 1
2
1
E X Y V X V Y Cov X , Y .
2
V (a ) 0
V ( a bX ) b 2V ( X )
V (a bX ) E a bX E (a bX )
2
Demostracin:
E a bX a bE ( X )
2
E b( X E ( X ))
2
b 2 E ( X E ( X )) 2
b 2V ( X )
V ( X b) V ( X )
V ( X ) Cov ( X , X )
Si V ( X Y ) entonces V ( X Y ) V ( X ) V (Y ) Cov( X , Y ) , esto dado
que las variables no son independientes.
V aX bY a 2V X b 2V Y 2Cov X , Y
1
1 1
Si E X E Y , entonces E X Y V X V Y Cov X , Y .
2
2
2 2
V ( X 1 X 2 X n ) V ( X 1 ) V ( X 2 ) V ( X n ) 2 Cov ( X i , X j )
i j 1
n n
V ( X ) 2 Cov( X , X
i 1
i
i j 1
i j )
n n
Cov( X , X
i j 1
i j ) 2 Cov ( X i , X j )
i j 1
n
V ( a1 X 1 a1 X 2 a1 X n ) V (a1 X 1 ) V (a2 X 2 ) V (an X n ) 2 Cov (ai X i , a j X j )
i j 1
n n
V (a X ) 2 Cov(a X , a
i 1
i i
i j 1
i i j X j)
n n
ai V ( X i ) 2 ai a j Cov( X i , X j )
2
i 1 i j 1
n n
ai Cov( X i , X j ) 2 ai a jCov( X i , X j )
2
i j 1 i j 1
n
n n
V
a X
i 1
i i ai a j Cov ( X i , X j )
i 1 j 1
Propiedades de la covarianza
Var Y E Y Y
T
Como propiedades se tienen:
V A V A T
V A 2V A
Propiedades de la correlacin
1 1
( X , Y ) (Y , X )
( X , X ) 1, ( X , X ) 1
( aX b, cY d ) ( X , Y )
0 1
1 E ( X EX )) EX EX 0
2 E ( X EX ) 2 2 V ( X )
d r ( M X (t ))
dt r
EX r Momento de orden r
t 0
x P( X x )
r
k k X discreta
EX r k
x r f X x dx X continua
S 1,2,3,4,5,6
X 1 2 3 4 5 6
Funcin de densidad f X (x ) P( X x ) 1/6 1/6 1/6 1/6 1/6 1/6
Funcin de distribucin FX (x ) P ( X x ) 1/6 2/6 3/6 4/6 5/6 1
1 1 1 1 1 1
EX 1 2 3 4 5 6
6 6 6 6 6 6
1 2 3 4 5 6 21
6 6
Ahora cuando se calcula el momento de orden 1 a partir de la F. G. M. se obtiene el
siguiente resultado, dado que la variable aleatoria es discreta:
x P( X k xk ) X discreta
EX k
xf X x dx X continua
M X (t ) E (etX ) etX k P( X xk )
k
d ( M X (t )) 1 1 1 1 1 1
e1t e 2t e3t e 4t e5t e6t
dt t 0 6 6 6 6 6 6
1 1t
( e e 2 t e 3t e 4 t e 5 t e 6 t )
6 t 0
1 21
(1 2 3 4 5 6)
6 6
Estos resultados permiten comprobar que el primer momento de una variable aleatoria
coincide con su valor esperado, as como el segundo momento coincide con la varianza
de la variable aleatoria.
Modelo lineal
y t 0 1 x t et t=1,2,...,n (1)
En el siguiente grfico, veamos que es lo que estamos ajustando. El ajuste que estamos
realizando lo muestra el siguiente grfico
Y
y t o 1 xt et
Observaciones
Diferencia:
Errores (et)
y t o 1 xt
Grafico xx.
y1 0 1 x1 e1
y 2 0 1 x 2 e2
(3)
y x e
n 0 1 n n
Lo anterior es equivalente:
y1 1 x1 e1
y2 1 x2 0 e
2 (4)
1
y 1 x n e
n n
Y X e
Los supuestos dados en el modelo (2), observacin por observacin, se convierten, para
el modelo en forma matricial, en:
E(e)=0 nx1
E(ee)=2I. (5)
e Multinormal (el vector de errores tienen distribucin multinormal).
Ahora,
e1
n
e2
e i
2
e1 e2 en et e (7)
i 1
e
n
e t e ( Y X )t ( Y X )
e t e ( Y t Y t X t Y Y t X t X t X )
( 2 X Y t X t X )
t t
=
= 2 X Y 2 X X
t t
e t e
2 X t Y 2 X t X 0 (8)
2et e
De aqu ( X t X ) 1 X t Y . Pero Cmo saber que es un mnimo?. 2 2 X X que
t
2
es una matriz definida positiva, por lo tanto se ha hallado un mnimo .
1
Lase cercano a cero
2
Bibliografa: Matrix Differential Calculus with Applications in Statistical Econometrics; Magnus, J.
John Wiley, New York, 1988.
Trabajo con Sumas (observacin por observacin)
X tY
X t X (10)
Con
1 x1 y1
1
1 x2 y2
X , Y , .
2
1 xn yn
n n
n 0 1 x i y i
i1 i1
n n 2 n
0xi 1xi iyx i
i1 i1 i1
son tal que cumplen con las ecuaciones normales:
Es decir, 0 y 1
n n
n 0 1 xi y i (11a)
i 1 i 1
n n n
0 xi 1 xi2 xi yi (11b)
i 1 i 1 i 1
n
Lo que se har a continuacin es hallar 0 y
que minimizan
1 ei2 usando
i 1
derivadas parciales, y mostrar que cumplen con las ecuaciones normales (11a) y (11b), y
por lo tanto son los mismos. Este trabajo, adems aporta el entender lo que nos estn
diciendo los estimadores 0 y
.
1
n n
ei2 ( yi 0 xi 1 )2 f ( 0 , 1 )
i 1 i 1
n
( y i 0 xi 1 ) 2 n
i 1
2( y i 0 xi 1 )
0 i 1
n n
n 0 1 xi y i
i 1 i 1
De igual forma derivando con respecto a 1, e igualando a cero se llega a (11b), lo cual
se deja como ejercicio al lector.
De las ecuaciones (11a) y (11b), se tiene que los estimadores en forma de sumas son:
i 1 i 1
Insesgados: Qu es insesgamiento?....
Veamos si los estimadores de 0, y 1 son insesgados, pero antes debe entenderse que el
insesgamento de los estimadores de 0 y 1 implica que su valor esperado es el
parmetro poblacional.
1 n yi
x n x 2 2 E
i 1
xi yi n x
n
i
1 n
nx
x n x 2 2
xi E yi
n
E yi
i i 1
1 n
x 2 n x 2
xi 0 1 xi x 0 1 xi
i i 1
1 n n n
x 2 n x 2 0 1 i 1 xi
xi x 2
xn 0 x
i i 1 i 1 i 1
1 n 2
x n x
2 2 1
i 1
xi nx 2
i
n
1
x nx
i 1
i
2 2
x n x i
2 2
Para 0 :
E ( 0 ) 0
E y 1 x
n
E( y ) i
i 1
xE ( 1 )
n
n
1 xi
n
0 i 1
1 x
n n
0
Consistencia.
Mnima varianza
Prediccin
y p 0 1 x p
Para obtener una prediccin o estimacin de yp, p indica el perodo para el cual se desea
calcular el valor.
Planteamiento de hiptesis:
Para esto sea Fn(w) la distribucin de los datos, w1,...,wt, a los cuales se les quiere aplicar
esta prueba, en el caso del modelo de regresin lineal (modelos economtricos
especficamente) son los residuales, en el caso geoestadstico sern los datos
muestreados.
Estadstica de Prueba:
n ( k 1) 2 1 2
S K 3
6 4
Si se vuelve a la primera ecuacin, se puede observar que el contraste de J-B, mide las
distancias entre los coeficientes de simetra y kurtosis de la distribucin de los datos y
los de la distribucin normal. Si la distribucin es cercana a la normal estas diferencias
van a ser pequeas, de lo contrario el valor de tau ser grande. As se rechaza para
valores grandes del estadstico de prueba.
Donde Fn(w) es la distribucin muestral, w1,...,wn son los valores observados, a los
cuales se les quiere aplicar esta prueba y F(w) es cualquier distribucin terica con la
cual se desea contrastar la distribucin muestral.
La metodologa para usar esta prueba es la siguiente:
Dn Max1i n | Fn ( w(i ) ) F ( w( i ) ) |
H(t)=n1/2Dn.
La distribucin de esta funcin se puede ver encontrar en los libros de estadstica bsica.
-0.055, 0.268, 0.645, 1.445, -1.115, -0.914, 0.974, 0.771, 0.093, -1.935
Datos Ord. -1.935 -1.115 -0.914 -0.055 0.093 0.268 0.645 0.771 0.974 1.445
Fn(.) 1/10 2/10 3/10 4/10 5/10 6/10 7/10 8/10 9/10 1
F(.) 0.033 0.114 0.192 0.479 0.535 0.601 0.730 0.768 0.823 0.915
| Fn(.)-F(.)| 0.067 0.056 0.108 0.079 0.035 0.001 0.030 0.032 0.077 0.085
Otras pruebas para contrastar normalidad: Shapiro Wild, y los grficos P-P
(Probability Plot).
Cuando se construye un histograma con los datos que no siguen una distribucin
normal, se aprecia ya sea una asimetra a izquierda (sesgo a derecha) (Ver figura 0.a) o
una simetra a derecha (sesgo a izquierda) (Ver figura 0.b).
Cuando se tiene claridad sobre la existencia de alguno de estos dos casos se puede
emplear la escalera de transformacin de Tukey
2.0
1.5
1.0
0.5
0
-0.5
-1.0
-1.5
-2.0
Debe ser claro que los datos de la muestra se encuentran elevados a la potencia 1, es
decir 1 es el punto de asiento, as que lo que busca esta transformacin es encontrar una
potencia diferente a 1 para ser aplicada a la muestra y as corregir la no normalidad.
Esta transformacin tiene como supuesto que la varianza es una funcin de la media,
t2=f(t), por lo tanto la metodologa tiene como objetivo es buscar un valor para tal
que t/t1-=constante.
Y si 0
T ( )
ln Y si 0
Metodologa:
Se dividen las n observaciones en H grupos, cada uno con igual nmero observaciones
contiguas. Ejemplo: si se tiene 125 observaciones y se quiere 7 grupos cada uno tendr
17 observaciones (125/7=17) y se dejan por fuera las 6 ltimas o primeras
observaciones.
Cada grupo tendr (n - h)/H observaciones, donde h el nmero de observaciones que se
dejan por fuera.
En cada grupo se calcula la media y la desviacin estndar. As se tiene:
{ s1 , y1 },{ s 2 , y 2 },...,{ s H , y H }
Grupo 1 0 .5 0 0.5 1
1 s1 / y12 s1 / y11.5 s1 / y1 s1 / y10.5 s1
2 s1 / y 22 s1 / y 21.5 s1 / y 2 s1 / y10.5 s2
. . . . . .
. . . . . .
. . . . . .
H s1 / y H2 s1 / y 1H.5 s1 / y H s1 / y H0.5 sH
_______________________________________________________
Coeficiente CV(-1) CV(-0.5) CV(0) CV(0.5) CV(1)
CV(.) = Coeficiente de Variacin = D.S ()/().
1
i 1 ( S i / yi1 )
H
()=
H
Si / y ( )
H
2
D .S ( ) 1
i /( H 1 ) .
i 1
Yt Tt C t S t Z t
ESTACIONARIEDAD
30
20
10
0
0 5 10 15 20 25 30
-10
Una serie que presente un comportamiento como el descrito en la grfica ** por la lnea
azul se dice que es una serie estacionaria en media. As mismo se dice que una serie
como la descrita por la lnea amarilla es no estacionaria pues la varianza no es
constante a lo largo del tiempo.
Si se quiere que una serie se vuelva estacionaria se debe tener en cuenta cual es el
momento que la esta convirtiendo en no estacionaria. Cuando se quiera volver
estacionaria en media se debe realizar una diferenciacin ( xt xt xt 1 ) y si el
problema se presenta con la varianza lo ms conveniente ser realizar una
transformacin Box Cox.
Los datos geogrficos tienen asociada una serie de caractersticas o propiedades que los
diferencian de los datos no espaciales.
Los proceso de abstraccin del espacio son ms sencillos cuando se trata de objetos con
localizacin o fronteras claramente identificadas (edificios, carreteras o departamentos),
a diferencia de otros fenmenos que varan de forma continua, como la elevacin del
terreno, la temperatura del suelo o la densidad de la vegetacin. En estos casos, la
continuidad del fenmeno puede aproximarse mediante una muestra de puntos
situados en lugares representativos de la superficie que se desea registrar. En el caso de
fronteras identificables la representacin del objeto espacial puede variar de acuerdo a la
escala en la que se este realizando el estudio4. Por ejemplo si se desea realizar un trabajo
a nivel regional o nacional sobre la cobertura de infraestructura educativa sera
conveniente representar las escuelas y colegios de la zona como objetos puntuales,
mientras que si el estudio es con fines catastrales y se desea conocer el rea y linderos
de los predios pertenecientes a un municipio, las escuelas y colegios, as como los
dems inmuebles, sern representados con una geometra poligonal.
4
Coro Chasco..............
5
Coro Chasco Irigoyen. Aplicacin.................
La multidimensionalidad de las reas geogrficas significa que, en ellas, no es posible
distinguir entre pasado, presente, futuro, sino que todo es presente, todo es pasado y
todo es futuro.
Subsistemas de un SIG
ArcGIS posee una extensin para realizar anlisis Geoestadstico que permite modelar
superficies a partir, tanto de mtodos determinsticos como mtodos del geoestadsticos.
//Completar para que sirve
Conocimientos previos
Cree en Excel una tabla que contenga la informacin sobre la cual realizar el trabajo y
gurdela cerciorndose de que la extensin de dicho archivo sea DBF 4 (Dbase 4).
6
Anselin, 1999.
Luego cierre el archivo que acabo de guardar e inicie una sesin de ArcCatalogo y
direccione la tabla que creo anteriormente.
Ahora inicie una sesin de ArcMap sin cerrar el ArcCatalogo. Seleccione la tabla en el
ArcCatalogo y arrstrela hasta la tabla de contenido (TOC View) de ArcMap
Paso seguido se adicionara la tabla y usted podr verificar que los datos se encuentran
en la tabla haciendo click derecho sobre la tabla y seleccionando la opcin open
Otro opcin para adicionar los datos consiste en generar la tabla desde el mismo
ArcCatalogo y llenarla desde ArcMap. Para esto, en ArcCatalogo, ubiquese en donde
desea generar la nueva tabla, en el men que aparece al hacer clic derecho sobre el
espacio seleccionado, escoja la opcin New y luego la opcin dBASE Table.
Con esto generara una nueva tabla que usted puede renombrar. A continuacin se
debern generar los campos que contendr la tabla; para esto haga un click derecho
sobre la nueva tabla y seleccione la opcin de properties.
En ese momento se desplegar el siguiente cuadro de dialogo en el que podr crear los
campos de la tabla accediendo a la pestaa Fields.
En Fields Name deber colocar el nombre del nuevo campo que desea crear y en Data
Type seleccionar el tipo de datos que contendr la columna. Luego debe clic en aplicar y
aceptar. Al revisar la pestaa de Preview encontrara que el programa ha generaron las
columnas que le indico.
Luego arrastre la tabla del ArcCatalogo a ArcMap.
Como se pudo apreciar en la vista de ArcCatalogo el programa creo las columnas pero
aun se encuentran sin informacin. As que para subir los datos debe activar el Editor de
ArcMap.
Una vez el programa se encuentre en modo de edicin, abra la tabla que subio de
ArcCatalogo y proceda a llenarla dato a dato.
Cuando trmine de realizar esta operacin vuelva al men de Editor para salvar los
cambios y detener el modo de edicin. Cuando verifique nuevamente la tabla,
encontrar todos los datos que ingreso.
Para trabajar en el modulo de anlisis Geoestadstico de ArcGIS debe iniciar una sesin
en ArcMap, paso seguido haga clic derecho sobre la zona libre o gris de la barra de
herramientas estndar y active la toolbar Geostatistical Analyst.
Figura xx.
Cuando despliegue el men de esta barra, encontrara que solo esta activo el anlisis
exploratorio de datos, para hacer uso de las dems funciones siga la ruta: Tools
Extensions, en la ventana que se desplegar seleccione nuevamente la opcin
Geostatistical Analyst.
Con esto tendr totalmente activas las herramientas de ArcGIS para anlisis
Geoestadstico.
Figura xx.
Figura xx.
Los detalles que se manejan en los siguientes cuadros de dialogo paso requiere antes la
exposicin de temas concernientes al desarrollo de este libro, por lo que en la medida en
que se trabaje cada tema se dedicar una seccin para realizar la descripcin del proceso
en el software.