Estadistica PDF

i
i
Geoestadistica-book 2010/8/15 21:27 page 1 #1
i
i
i
i
i
i
Conceptos B asicos
de Geoestadstica
Eloy Colell Juan Uribe Pablo Chale
i
i
i
i
i
i
i
i
2
i
i
i
i
i
i
i
i
Conceptos B asicos de Geoestadstica
Editado por
Lucas Capalbo Lavezzo.
i
i
i
i
i
i
i
i
2
i
i
i
i
i
i
i
i
Copyright c 2009 de los editores y contribuyentes
Algunos derechos reservados.
Este trabajo es distribuido bajo la licencia Creative Commons
AttributionNoncommercialNoDerivs 3.0 License.
http://creativecommons.org/licenses/by-nc-nd/3.0
Impreso el da 15 de agosto de 2010.
i
i
i
i
i
i
i
i
2
i
i
i
i
i
i
i
i
Indice general
I Estadstica 11
1. Estadstica Descriptiva 15
1.1. Propiedades de los Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.1. Posici on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.2. Centralizaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.3. Dispersi on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.1.4. Forma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2. Estadstica Bivariable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.1. Covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.2. Coeciente de correlaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2. Estadstica Inferencial 23
2.1. Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3. Variable Aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4. Distribuci on de probabilidad / Funci on de densidad . . . . . . . . . . . . . . . . . . . . . . 24
2.5. Funci on de distribuci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6. Esperanza Matem atica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3
i
i
i
i
i
i
i
i
4

INDICE GENERAL
2.7. Varianza y Desviaci on Tpica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.8. Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.9. Distribuciones de Probabilidad conocidas . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.9.1. Distribuci on Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.9.2. Distribuci on de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9.3. Distribuci on Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9.4. Distribuci on de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.9.5. Distribuci on Hipergeom etrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.9.6. Distribuci on Geom etrica o de Pascal . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.9.7. Distribuci on Binomial negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.10. Funciones de Densidad conocidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.10.1. Distribuci on Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.10.2. Distribuci on Normal o de Laplace-Gauss . . . . . . . . . . . . . . . . . . . . . . . 35
2.10.3. Distribuci on Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.10.4. Distribuci on Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.10.5. Distribuci on
2
de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.10.6. Distribuci on Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.10.7. Distribuci on t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.10.8. Distribuci on F de Fisher-Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.11. Teora de Muestras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.11.1. Inferencia Estadstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.11.2. Contraste de Hip otesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
II Series Temporales 43
3. Enfoque cl asico 47
i
i
i
i
i
i
i
i
INDICE GENERAL 5
3.1. Tendencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.1. An alisis gr aco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.1.2. Medias m oviles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.1.3. M etodo analtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.4. Alisado exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2. Variaci on Estacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3. Variaci on Cclica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4. Variaci on Residual (o Indeterminada) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4. Enfoque Causal 61
4.1. Tasas de variaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
III Geoestadstica 65
5. Variables regionalizadas 69
6. Hip otesis estadstica 71
6.1. Estacionalidad de Segundo Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2. Hip otesis Intrnseca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.3. Comparaci on de las dos hip otesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.4. Selecci on de la variable regionalizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7. Variograma 75
7.1. Variograma Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.2. Variograma Te orico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.2.1. Modelos con un tope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7.2.2. Modelos sin un tope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
i
i
i
i
i
i
i
i
6

INDICE GENERAL
7.3. Ajuste a un modelo te orico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.3.1. A ojo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.3.2. Mnimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.3.3. Probabilidad m axima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.4. Isotropa y anisotropa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.4.1. Anisotropa geom etrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.4.2. Anisotropa zonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
8. Kriging 87
8.1. Kriging Ordinario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
8.1.1. Kriging Ordinario Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
8.1.2. Kriging Ordinario por Bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.1.3. El variograma y el kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
8.1.4. El Kriging en la pr actica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
8.1.5. Kriging con un variograma falso . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
8.1.6. Validaci on cruzada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
8.1.7. Kriging con datos inciertos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
8.1.8. Kriging Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
8.2. M etodos no estacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
8.2.1. Kriging Universal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
8.2.2. Kriging con Deriva Externa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
8.3. Actualizaci on Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
8.4. Kriging sobre Series Temporales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
8.4.1. Intrnsecas en el espacio-tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
8.4.2. Intrnsecas en el espacio e independientes del tiempo . . . . . . . . . . . . . . . . . 102
8.4.3. Intrnsecas en el espacio y dependientes del tiempo . . . . . . . . . . . . . . . . . . 103
i
i
i
i
i
i
i
i
INDICE GENERAL 7
8.4.4. Series temporales interpretadas como diferentes realizaciones . . . . . . . . . . . . 103
Referencias Bibliogr acas 104
i
i
i
i
i
i
i
i
8

INDICE GENERAL
i
i
i
i
i
i
i
i
Indice de guras
1.1. Coeciente de Asimetra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2. Coeciente de Kurtosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3. Coeciente de Correlaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1. Distribuci on de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2. Funci on de Distribuci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1. Serie Temporal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2. Tendencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3. Medias M oviles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4. M etodo Analtico Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5. M etodo Analtico Polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.6. M etodo Analtico Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.7. Alisado Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.8. IGVE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.9. Desestacionalizaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.10. Ciclicidad por Medias M oviles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.1. Serie temporal de diferenciales anuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2. Serie temporal de diferenciales mensuales . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
9
i
i
i
i
i
i
i
i
10

INDICE DE FIGURAS
4.3. Ejemplo de mapa 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.1. La Hip otesis Intrnseca y la Estacionalidad de Segundo Orden . . . . . . . . . . . . . . . . 73
6.2. El variograma y la covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.1. Nube de puntos de un variograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.2. Variograma Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.3. Variograma te orico con efecto pepita puro. . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
7.4. Variograma te orico del modelo esf erico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.5. Variograma te orico del modelo exponencial. . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7.6. Variograma te orico del modelo Gaussiano. . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
7.7. Variograma te orico del modelo potencial. . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
i
i
i
i
i
i
i
i
Parte I
Estadstica
11
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
13
Es la rama de la matem atica que se ocupa del estudio, an alisis y clasicaci on de datos aleatorios.
Se pueden clasicar dos tipos de estadsticas: la descriptiva[Ber, Men, Cap, Fer04a] y la inferencial.
i
i
i
i
i
i
i
i
14
i
i
i
i
i
i
i
i
Captulo 1
Estadstica Descriptiva
Se encarga de la organizaci on, presentaci on y sntesis de datos. Para esto es necesario clasicar
cada uno de los datos x
i
(valores de la variable X medida) en clases o intervalos de clases C
j
, donde j
representa la j esima clase o intervalo de clase. Esa disposici on de datos clasicados en forma tabular
permite construir la distribuci on de frecuencias ( f ), la cual puede ser mostrada de forma:
Absoluta Cantidad de elementos x
i
pertenecientes a una clase o intervalo de clase C
j
. Se llama frecuencia
absoluta, o simplemente frecuencia y se representa mediante la funci on f
j
.
Relativa Porci on de los elementos totales que pertenecen a una clase o intervalo de clase. Se calcula a partir
de la formula f
Rj
=
f
j
n
, siendo n la cantidad de elementos de la muestra y cumplir a con la ecuaci on
f
Rj
= 1.
Acumulada N umero de veces que ha aparecido en la muestra un elemento (x
i
) de una clase o intervalo
de clase menor o igual. Implica cierto orden entre las clases, y se representa mediante la funci on
f
Aj
=
j
t=1
f
t
para las absolutas y f
ARj
=
j
t=1
f
Rt
para las relativas.
1.1. Propiedades de los Datos
En el an alisis o interpretaci on de datos num ericos, se pueden utilizar medidas descriptivas que
representan las propiedades de posici on, centralizaci on, dispersi on y forma, para resumir las carac-
tersticas sobresalientes del conjunto de datos. Si estas medidas se calculan con una muestra de datos
se denominan estadsticos, mientras que si se calculan con la poblaci on de datos, se denominan par ame-
tros.
15
i
i
i
i
i
i
i
i
16 CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA
1.1.1. Posici on
Las propiedades de posici on est an representadas por los Percentiles, Quartiles y Deciles, detallados
a continuaci on.
Percentiles
Son 99 valores que dividen en cien partes iguales el conjunto de datos ordenados. Ejemplo, el
percentil de orden 15 (P
15
(X)) deja por debajo al 15 % de las observaciones, y por encima queda el
85 %.
Quartiles
Son los tres valores que dividen al conjunto de datos ordenados en cuatro partes iguales, son un
caso particular de los percentiles:
El primer cuartil Q
1
(X), es el menor valor x
i
que es mayor que una cuarta parte de los datos.
El segundo cuartil Q
2
i
que es mayor que la mitad de los datos.
El tercer cuartil Q
3
i
que es mayor que tres cuartas partes de los datos.
Deciles
Son los nueve valores que dividen al conjunto de datos ordenados en diez partes iguales, son tam-
bi en un caso particular de los percentiles. Ejemplo, D
1
(X) = P
10
(X).
1.1.2. Centralizaci on
Las propiedades de centralizaci on est an representadas por la Media Aritm etica, Mediana y Moda,
detalladas a continuaci on.
Mediana
Aparece en el medio de una sucesi on ordenada de valores.
Si el tama no de la muestra (n) es un n umero impar, se representa por el valor num erico de la observa-
ci on ordenada (coincidiendo en este caso con el percentil 50):
X = x
(
n+1
2
)
(1.1)
i
i
i
i
i
i
i
i
1.1. PROPIEDADES DE LOS DATOS 17
Por otro lado, si el n umero de la muestra es par, se representa con la media de los dos valores
intermedios en el arreglo ordenado:
X =
x
(
n
2
)
+x
(
n
2
+1)
2
(1.2)
Media Aritm etica
Se encuentra al sumar todos los valores en la muestra y luego, al dividir el total por n (el n umero
de observaciones en la muestra).
X =
1
n
n
i=1
x
i
(1.3)
Adem as se podra calcular mediante las frecuencias absolutas, donde k representa a la cantidad de
clasicaciones de los datos realizadas.
X =
1
n
k
j=1
C
j
f
j
(1.4)
Siendo

C
j
la mediana entre los valores posibles dentro de una clase o intervalo de clase.
Si hay valores extremos, la Media Aritm etica no es una buena medida de tendencia central. En estos
casos se preferir a la Mediana.
Moda
Es el valor m as tpico o m as observado. Es la clase con mayor frecuencia. Cuando se trabaja con
tablas de frecuencias para variables continuas existir a un intervalo modal.
X =C
i
; (j, f
i
f
j
) (1.5)
1.1.3. Dispersi on
Las propiedades de dispersi on est an representadas por el Rango, Varianza, Desvo Est andar y
Coeciente de variaci on, detallados a continuaci on.
Rango
Denido como recorrido o amplitud, es la diferencia entre el mayor y el menor valor de los x
i
.
Rango(X) = Max(X) Min(X) (1.6)
i
i
i
i
i
i
i
i
18 CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA
Varianza
Es el promedio de los cuadrados de las diferencias entre cada elemento de la muestra y la media
obtenida.
S
2
(X) =
n
i=1
(x
i

X)
2
n 1
(1.7)
Si se utiliza n en el divisor se calcula un par ametro, mientras que con n1 se obtiene el estadstico
(ya que se tiene en cuenta la propiedad de los grados de libertad).
Desviaci on Est andar
La varianza est a compuesta de las mismas unidades que la variable pero al cuadrado, para evitar
este problema podemos usar como medida de dispersi on la desviaci on tpica que se dene como la raz
cuadrada positiva de la varianza.
S(X) =
_
S
2
(X) =
_
n
i=1
(x
i

X)
2
n 1
(1.8)
Coeciente de variaci on
Es una medida relativa propuesta por Pearson que se utiliza para comparar la dispersi on de dos o
m as series de datos que est an expresados en unidades diferentes. A menor diferencia entre los CV m as
homog eneas son las variables.
CV(X) =
S(X)
|
X|
(1.9)
1.1.4. Forma
Las propiedades de forma est an representadas por el Coeciente de Asimetra y Kurtosis, detalla-
das a continuaci on.
Coeciente de asimetra
Cuantican el grado de asimetra de la distribuci on en torno a una medida de centralizaci on.
Una distribuci on es asim etrica a la derecha si las frecuencias (absolutas o relativas) descienden m as
lentamente por la derecha que por la izquierda (valor positivo). Si las frecuencias descienden m as
i
i
i
i
i
i
i
i
1.1. PROPIEDADES DE LOS DATOS 19
lentamente por la izquierda que por la derecha diremos que la distribuci on es asim etrica a la izquierda
(valor negativo). Es normal cuando la distribuci on es sim etrica (valor nulo). Ver el ejemplo de la Figura
1.1.
Existen varias medidas de la asimetra de una distribuci on de frecuencias.
Seg un Pearson:
CA
P
(X) =
X

X
S(X)
(1.10)
Seg un Fisher:
CA
F
(X) =
n
i=1
[(x
i

X)
3
f
Ri
]
S(X)
3
(1.11)
Seg un Bowley:
CA
B
(X) =
Q
3
(X) +Q
1
(X) 2

X
Q
3
(X) Q
1
(X)
= 1 +2
Q
1
(X)

X
Q
3
(X) Q
1
(X)
(1.12)
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
0 0.2 0.4 0.6 0.8 1
Asimetrica a la derecha
Normal
Asimetrica a la izquierda
Figura 1.1: Disposici on gr aca de acuerdo al Coeciente de Asimetra
Coeciente de Kurtosis
Describe el grado de esbeltez de una distribuci on con respecto a la distribuci on normal. Se calcula
por:
CK(X) =
n
i=1
[(x
i

X)
4
f
Ri
]
S(X)
4
(1.13)
i
i
i
i
i
i
i
i
20 CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA
0
0.5
1
1.5
2
2.5
0 0.2 0.4 0.6 0.8 1
Platicurtica
Mesocurtica (Normal)
Leptocurtica
Figura 1.2: Disposici on gr aca de acuerdo al Coeciente de Kurtosis.
La distribuci on normal tiene kurtosis igual a tres, es llamada mesoc urtica. A las distribuciones m as
agudas, con colas relativamente anchas, se las llama leptoc urtica, tienen valores de kurtosis mayores
que tres, y las distribuciones achatadas en el centro se llaman platic urticas, tienen valores menores que
tres. En ocasiones se acostumbra a denir la kurtosis como CK(X) 3. Ver el ejemplo de la Figura 1.2.
1.2. Estadstica Bivariable
Al analizar modelos complejos que dependen de dos o m as variables, se comienzan a buscar meto-
dologas que comiencen a analizar relaciones entre las diferentes distribuciones de frecuencias (repre-
sentadas por variables), en un intento por resumir los resultados.
Las m as importantes son: la Covarianza y el Coeciente de correlaci on.
1.2.1. Covarianza
Determina si existe una relaci on lineal entre dos variables. Se calcula promediando las puntuacio-
nes diferenciales por su tama no muestral. El resultado uct ua entre + y , por lo que la magnitud
del resultado carece de signicado, y lo unico importante es el signo que adopte.
Cov(X,Y) =
1
n
n
i=1
(x
i

X)(y
i

Y) (1.14)
Si Cov(X,Y) > 0 pendiente de la recta de regresi on positiva. Indica que hay dependencia directa, es decir las
variaciones de las variables tienen el mismo sentido.
i
i
i
i
i
i
i
i
1.2. ESTAD
ISTICA BIVARIABLE 21
Si Cov(X,Y) < 0 pendiente de la recta de regresi on negativa. Indica que hay dependencia inversa o negativa,
es decir las variaciones de las variables tienen sentido opuesto.
Si Cov(X,Y) 0 no es posible determinar la pendiente de la recta de regresi on, por lo que no existe relaci on
lineal entre las 2 variables. Podra existir otro tipo de relaci on.
1.2.2. Coeciente de correlaci on
Eval ua la relaci on lineal entre dos variables. Permite saber si el ajuste de la nube de puntos a la
recta de regresi on obtenida es satisfactorio. Ver el ejemplo de la Figura 1.3.
Seg un Pearson:
CC
P
(X,Y) =
Cov(X,Y)
S(X)S(Y)
(1.15)
El coeciente de correlaci on, CC
P
(X,Y), presenta valores entre 1 y +1.
Cuando r 0 no hay correlaci on lineal entre las variables. La nube de puntos est a muy dispersa y no se
puede trazar una recta de regresi on.
Cuando r +1 hay una buena correlaci on positiva entre las variables seg un un modelo lineal y la recta de
regresi on que se determine tendr a pendiente positiva.
Cuando r 1 hay una buena correlaci on negativa entre las variables seg un un modelo lineal y la recta de
regresi on que se determine tendr a pendiente negativa.
20
40
60
80
100
120
140
0 20 40 60 80 100 120
CC
P
(X,Y) +1
2
4
6
8
10
12
14
16
18
20
0 20 40 60 80 100 120
CC
P
(X,Y) 0
-120
-100
-80
-60
-40
-20
0
20
0 20 40 60 80 100 120
CC
P
(X,Y) -1
Figura 1.3: Disposici on gr aca de acuerdo al Coeciente de Correlaci on.
i
i
i
i
i
i
i
i
22 CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA
i
i
i
i
i
i
i
i
Captulo 2
Estadstica Inferencial
Trata de generalizar la informaci on obtenida en una muestra a una poblaci on. La bondad de
estas deducciones se mide en t erminos probabilsticos, es decir, toda inferencia se acompa na de su
probabilidad de acierto. Por esto se utilizan las probabilidades en las estimaciones, ya que permitir an
el avance sobre el Contraste de hip otesis y la Inferencia Bayesiana[P e03].
2.1. Probabilidad
Mide la frecuencia con la que ocurre un suceso en un experimento bajo condiciones sucientemente
estables[Wik]. La notaci on utilizada es:
P(A) = lm
n
c
n
A
n
c
(2.1)
Donde A es el suceso estudiado, n
A
el n umero de veces que el evento A ha ocurrido y n
c
el n umero
de veces que el experimento fue realizado. La tendencia de n
c
a innito determina la estabilidad de las
condiciones del experimento.
Los resultados de la funci on se encuentran dentro del intervalo [0, 1] de tal forma que:
Al suceso imposible le corresponde el valor 0.
Al suceso seguro le corresponde el valor 1.
El resto de sucesos tendr an una probabilidad comprendida entre 0 y 1.
23
i
i
i
i
i
i
i
i
24 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
2.2. Probabilidad Condicional
Esta determinada por la posibilidad de que ocurra un suceso dado, como consecuencia de otro.
Esta se representa mediante:
P(A|B) =
P(AB)
P(B)
(2.2)
A Suceso condicionado por B.
B Suceso independiente.
Si se cambia la forma de representar la ecuaci on
P(A|B)P(B) = P(AB) = P(B|A)P(A) (2.3)
P(A|B) =
P(B|A)P(A)
P(B)
(2.4)
2.3. Variable Aleatoria
Se encuentra denida por una funci on real que asocia un resultado num erico a cada experimento
aleatorio. Por ejemplo, si el experimento aleatorio consiste en lanzar 4 veces un dado, y el objetivo es
determinar el n umero de veces que sale el 6 y se dene una funci on X que asigna un valor num erico
(cantidad de 6 obtenidos) a cada resultado del experimento. De esta manera tenemos por ejemplo que
X(1632) = 1 o que X(1234) = 0, ya que en el primer experimento sale un 6 en el segundo lanzamiento,
mientras que en el ultimo experimento no sale ninguna vez.
Las variables aleatorias y sus distribuciones de probabilidad pueden considerarse una generalizaci on
del concepto de frecuencia. Se introducen como el modelo matem atico ideal al que se aproximan las
distribuciones de frecuencias que se obtendran en una repetici on indenida de pruebas de este expe-
rimento.
Usualmente se clasican de acuerdo al n umero de valores que pueden asumir: las variables aleato-
rias discretas (solo pueden adoptar un n umero nito o contable de valores) y las variables aleatorias
continuas (surgen cuando tratamos con cantidades de una escala continua).
2.4. Distribuci on de probabilidad / Funci on de densidad
Dependiendo si la variable aleatoria es discreta (v.a.d) o continua (v.a.c.), se mencionar a Distribuci on
de Probabilidad o Funci on de Densidad respectivamente.
i
i
i
i
i
i
i
i
2.5. FUNCI

ON DE DISTRIBUCI

ON 25
Sea X una v.a.d. que toma los valores x
1
, x
2
, x
3
, .... Se dene P(X = x
i
) como la probabilidad siguiente:
P(X = x
i
) = P(x
i
) = P{ E/X() = x
i
} (2.5)
A la tabla formada por los valores que toma la variable junto con sus probabilidades recibe el nombre
de distribuci on de probabilidad de la variable:
X x
1
x
2
. . . x
n
. . .
P(X = x) P(X = x
1
) P(X = x
2
) . . . P(X = x
n
) . . .
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
-0.4 -0.2 0 0.2 0.4
f(x)
P(e
i
)
Figura 2.1: Ejemplo de una Distribuci on de Probabilidad.
Ver el ejemplo de la Figura 2.1.
Por otra parte, dada una v.a.c. X, se dice que una funci on real f (x) no negativa es la funci on de densidad
de probabilidad (o simplemente funci on de densidad) de la variable aleatoria X si el area encerrada
entre la curva y el eje 0X es igual a la unidad y, adem as, la probabilidad de que X se encuentre entre
dos valores x
1
y x
2
con x
1
< x
2
es igual al area comprendida entre estos dos valores, es decir,
Z

f (x)dx = 1 (2.6)
P(x
1
< X < x
2
) =
Z
x
2
x
1
f (x)dx (2.7)
2.5. Funci on de distribuci on
Sea X una v.a., asociada a ella se dene la funci on de distribucin F : R [0, 1] de la siguiente manera:
F(x) = P{ E/X() x} = P(X x)x R (2.8)
i
i
i
i
i
i
i
i
26 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
Las propiedades de la funci on de distribuci on son:
1. 0 F(x) 1x R por representar F(x) la probabilidad de un suceso.
2. F() = lm
x
F(x) = 0; pues F() = P[X ] = P[ / 0] = 0.
3. F() = lm
x
F(x) = 1; pues F() = P[X ] = P[E] = 1.
4. F es mon otona creciente (no estrictamente), es decir, si x
1
< x
2
F(x
1
) F(x
2
).
5. F es continua por la derecha, es decir, lm
h0
+ F(x +h) = F(x).
La funci on de distribuci on puede ser especialmente util para calcular probabilidades ya que:
P(X x) = F(x) (por denici on).
P(X > x) = 1 P(X x) = 1 F(x).
P(x
1
< X x
2
) = P(X x
2
) P(X x
1
) = F(x
2
) F(x
1
).
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
0 0.2 0.4 0.6 0.8 1
(a) Distribucion de probabilidad
f(x)
F
X
(a)-F
X
(b)
F
X
(a)
P(a)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0 0.2 0.4 0.6 0.8 1
(b) Funcion de distribucion
F
X
b
a
Figura 2.2: Ejemplo de una Funci on de Distribuci on.
En el caso particular que dado X una v.a.d., representa a la funci on acumulativa
F(X) = P(X x) =

x
i
x
P(X = x
i
) (2.9)
i
i
i
i
i
i
i
i
2.6. ESPERANZA MATEM

ATICA 27
Mientras que si X es una v.a.c. se encuentra representado por
F(X) = P(X x) =
Z
x
f (t)dt (2.10)
siendo f (t) = P(X =t); t [, ].
Luego se puede expresar f (x) =
dF(x)
dx
, que es la relaci on entre la funci on de distribuci on y la de
densidad.
Adem as, si X toma valores en el intervalo (a, b), entonces las integrales innitas anteriores se reducen
a integrales nitas, como se muestra a continuaci on.
Z
b
a
f (x)dx = 1 (2.11)
F(x) =
_
_
0 si x a
Z
x
a
f (t)dt si a < x < b
0 si x b
(2.12)
2.6. Esperanza Matem atica
Sea X una v.a.d., la media o esperanza matem atica se encuentra determinada por la expresi on:
X
= E[X] =
n
i=1
x
i
.P(X = x
i
) (2.13)
A diferencia de la media denida en la estadstica descriptiva, los datos est an probabilizados, por lo
que no son exactos.
Por otra parte si X es una v.a.c. quedara determinada por la siguiente expresi on:
X
= E[X] =
Z

x. f (x)dx (2.14)
El comportamiento de la esperanza matem atica respecto de las transformaciones lineales es el siguiente:
Y = aX +b E[Y] = aE[X] +b (2.15)
i
i
i
i
i
i
i
i
28 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
2.7. Varianza y Desviaci on Tpica
Dada una v.a.d. X, la varianza viene dada por:
2
X
=V[X] = E[(X
X
)
2
] =
n
i=1
(x
i
X
)
2
.P(X = x
i
) (2.16)
y si se desarrolla el cuadrado y se aplican las propiedades de la esperanza, se obtiene:
2
X
=
n
i=1
(x
2
i
2x
i
X
+
2
X
).P(X = x
i
) (2.17)
2
X
=
n
i=1
x
2
i
.P(X = x
i
) 2
X
n
i=1
x
i
.P(X = x
i
) +
2
X
n
i=1
P(X = x
i
) (2.18)
2
X
=
n
i=1
x
2
i
.P(X = x
i
) 2
X
.
X
+1.
2
X
(2.19)
2
X
=
n
i=1
x
2
i
.P(X = x
i
) 2
2
X
+
2
X
(2.20)
2
X
=
n
i=1
x
2
i
.P(X = x
i
)
2
X
(2.21)
V[X] = E[X
2
] (E[X])
2
(2.22)
Por otra parte, para una v.a.c. X la varianza se dene como:
2
X
=V[X] = E[(X
X
)
2
] =
Z

(x
i
X
)
2
. f (x)dx (2.23)
Pudiendo simplicarse al igual que la v.a.d. mediante la siguiente formula:
V[X] = E[X
2
] (E[X])
2
(2.24)
Por ultimo, ya sea una v.a.d o una v.a.c, la desviaci on tpica se dene como:
X
= +
_
2
X
(2.25)
i
i
i
i
i
i
i
i
2.8. MOMENTOS 29
2.8. Momentos
Dada una v.a.d. X, se llama momento de orden k respecto del par ametro c a la esperanza matem atica de
la variable (X c)
k
, es decir:
M
k
(c) =
n
i=1
(x
i
c)
k
.P(X = x
i
) (2.26)
Si c = 0 se obtienen los momentos respecto al origen que se representan por m
k
.
m
k
= E[X
k
] =
n
i=1
x
k
i
.P(X = x
i
) (2.27)
Si c =
X
se obtienen los momentos centrales que se representan por
k
.
k
= E[(X
X
)
k
] =
n
i=1
(x
i
X
)
k
.P(X = x
i
) (2.28)
Mientras que para una v.a.c. X, se llama momento de orden k respecto del par ametro c a la esperanza
matem atica de la variable (X c)
k
, es decir:
M
k
(c) =
Z

(x c)
k
. f (x)dx (2.29)
Si c = 0 se obtienen los momentos respecto al origen que se representan por m
k
.
m
k
= E[X
k
] =
Z

x
k
. f (x)dx (2.30)
Si c =
X
se obtienen los momentos centrales que se representan por
k
.
k
= E[(X
X
)
k
] =
Z

(x
X
)
k
. f (x)dx (2.31)
Por ultimo, ya sea una v.a.d. o una v.a.c., se cumplen las propiedades de los momentos:
m
0
= 1
m
1
=
X
m
2
=
2
+
2
X
0
= 1
i
i
i
i
i
i
i
i
30 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
1
= 0
2
=
2
= m
2
2
X
2.9. Distribuciones de Probabilidad conocidas
La ley de probabilidades de una v.a.d. X se dene si se conoce su distribuci on de probabilidad P(x
i
) =
P(X = x
i
) con i = 1, 2, .., o bien si se conoce su funci on de distribuci on F(x), cumpli endose:
i1
P(X = x
i
) = 1
F(x) = P(X x) =

x
i
x
P(X = x
i
)
A continuaci on se listan algunas de las principales distribuciones de la v.a.d..
2.9.1. Distribuci on Uniforme
Una v.a.d. X que toma los valores enteros x
1
, x
2
, x
3
, ..., x
n
con probabilidades
P[X = x
k
] =
1
n
con k = 1, 2, ..., n (2.32)
recibe el nombre de variable uniforme discreta, su distribuci on de probabilidad distribuci on uniforme
discreta y se denota por X U(x
1
, x
2
, ..., x
n
).
En el caso particular de que la variable tomo como valores los primeros n umeros naturales:
P[X = k] =
1
n
con k = 1, 2, ..., n (2.33)
Luego, su media, varianza y desviaci on tpica son:
x
=
n +1
2
2
x
=
n
2
1
12
x
=
_
n
2
1
12
i
i
i
i
i
i
i
i
2.9. DISTRIBUCIONES DE PROBABILIDAD CONOCIDAS 31
2.9.2. Distribuci on de Bernoulli
Recibe el nombre de prueba de Bernoulli, aquel experimento que s olo admite 2 resultados posibles
excluyentes:
Suceso A (representa el exito) con probabilidad P(A) = p.
Suceso A
c
(representa el fracaso) con probabilidad P(A
c
) = 1 p = q.
Dada la v.a.d. X asociada al experimento que asocia el valor 1 al suceso A con probabilidad p y el valor
0 al suceso A
c
con probabilidad q. Esta variable recibe el nombre de variable de Bernoulli y se denota
por X Ber(p).
La distribuci on de probabilidad es:
P(X = 1) = p y P(X = 0) = 1 p = q con p +q = 1 (2.34)
x
= p
2
x
= p.q
x
=
p.q
2.9.3. Distribuci on Binomial
Si se supone que se realizan n pruebas de Bernoulli sucesivas e independientes. Entonces, a la v.a.d.
X, que representa el n umero de veces que ocurre el suceso A ( exito) en las n pruebas, se la denomina
variable binomial de par ametro n y p, y se denota por X B(n, p), siendo p la probabilidad de exito de
cada prueba de Bernoulli.
La variable binomial X se la puede considerar como la suma de n variables independientes de Bernou-
lli, es decir:
X = X
1
+X
2
+... +X
n
con X
i
Ber(p)i = 1, 2, ..., n (2.35)
i
i
i
i
i
i
i
i
32 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
La v.a. denida toma los valores 0, 1, 2, ..., n con la siguiente probabilidad:
P(X = k) =
_
n
k
_
.p
k
.q
nk
con
_
_
n = 1, 2, 3, ...
k = 1, 2, ..., n
0 < p < 1
(2.36)
x
= n.p
2
x
= n.p.q
x
=
n.p.q
2.9.4. Distribuci on de Poisson
Una v.a.d. X sigue una distribuci on de probabilidad de Poisson de par ametro y se denota por X P(),
si puede tomar todos los valores enteros 0, 1, 2, ... con la siguiente probabilidad:
P(X = k) =

k
k!
.e
con
_
k = 0, 1, 2, ...
> 0
(2.37)
x
=
2
x
=
x
=
2.9.5. Distribuci on Hipergeom etrica

Si se considera una poblaci on de N elementos de dos clases distintas de los cuales D elementos son de
la clase A y N D elementos son de la clase A
c
.
Al tomar un elemento de esta poblaci on, la probabilidad de que proceda de una u otra clase es:
P(A) =
D
N
= p D = p.N (2.38)
P(A
c
) =
N D
N
= q = 1 p N D = q.N (2.39)
i
i
i
i
i
i
i
i
2.9. DISTRIBUCIONES DE PROBABILIDAD CONOCIDAS 33
Si se considera el experimento consistente en tomar n elementos consecutivos de una poblaci on sin
reemplazamiento. A la v.a.d. X, n umero de elementos de la clase A en una muestra de tama no n, se la
denomina variable hipergeom etrica.
Entonces, se denomina distribuci on hipergeom etrica de par ametros N, D y n, y se denota con la expre-
si on X H(N, D, n), a la distribuci on de probabilidad que se detalla a continuaci on:
P[X = k] =
_
D
k
__
ND
nk
_
_
N
n
_ =
_
p.N
k
__
q.N
nk
_
_
N
n
_ con
_
_
N = 1, 2, 3, ...
n = 1, 2, ..., N
p = 0,
1
N
,
2
N
, ..., 1
(2.40)
x
= n.p
2
x
= n.p.q.
Nn
N1
x
=
_
n.p.q.
Nn
N1
2.9.6. Distribuci on Geom etrica o de Pascal
Si se considera un experimento que consiste en realizar sucesivas pruebas de Bernoulli. A la v.a.d. X,
n umero de pruebas necesarias para obtener el primer exito, se la denomina variable geom etrica.
Entonces, se denomina distribuci on geom etrica o de Pascal de par ametro p y se denota por X Ge(p),
a la distribuci on de probabilidad que se detalla a continuaci on:
P[X = k] = p.q
k1
con
_
k = 1, 2, 3, ...
0 < p < 1; q = 1 p
(2.41)
x
=
1
p
2
x
=
q
p
2
i
i
i
i
i
i
i
i
34 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
=
q
p
2.9.7. Distribuci on Binomial negativa
Si se considera un experimento que consiste en realizar sucesivas pruebas de Bernoulli. A la v.a.d. X,
n umero de fracasos antes de obtener el n- esimo exito, se la denomina binomial negativa.
Entonces, se denomina distribuci on binomial negativa de par ametros n y p, y se denota por X
BN(n, p), a la distribuci on de probabilidad que se detalla a continuaci on:
P[X = k] =
_
n +k 1
k
_
.p
n
.q
k
con
_
_
k = 0, 1, 2, 3, ...
n = 1, 2, ...
0 < p < 1
(2.42)
x
=
n.q
p
2
x
=
n.q
p
2
x
=
n.q
p
2.10. Funciones de Densidad conocidas
La ley de probabilidades de una v.a.c. X se dene si se conoce su funci on de densidad f (x) o bien si se
conoce su funci on de distribuci on F(x), tal que:
P(a < X b) =
Z
b
a
f (x)dx
F(x) = P(X x)
Z

f (x)dx = 1
i
i
i
i
i
i
i
i
2.10. FUNCIONES DE DENSIDAD CONOCIDAS 35
Adem as, cumple la siguiente relaci on:
F(x) =
Z
x
f (t)dt (2.43)
f (x) =
dF(x)
dx
(2.44)
A continuaci on se listan algunas de las principales distribuciones de la v.a.c..
2.10.1. Distribuci on Uniforme
Una v.a.c. X sigue una distribuci on uniforme en el intervalo [a, b] y se denota por X U[a, b] cuando su
funci on de densidad es:
f (x) =
_
_
0 si x [a, b]
1
b a
si x [a, b]
(2.45)
x
=
a +b
2
2
x
=
(b a)
2
12
x
=
b a
12
2.10.2. Distribuci on Normal o de Laplace-Gauss
Una v.a.c. X sigue una distribuci on normal de media y desviaci on tpica y se denota por X N(, )
cuando su funci on de densidad es:
f (x) =
1
2
e
1
2
(
x
)
2
con
_
< <
> 0
(2.46)
x
=
2
x
=
2
x
=
i
i
i
i
i
i
i
i
36 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
Variable normal tipicada
Si la v.a.c. X es N(, ), la variable normal tipicada tambi en ser a una distribuci on normal de media
z
= 0 y desviaci on tpica
z
= 1:
Z =
X
(2.47)
Entonces, Z N(0, 1) y su funci on de densidad es:
f (z) =
1
2
e
1
2
z
2
con < z < (2.48)
2.10.3. Distribuci on Gamma
Una v.a.c. X sigue una distribuci on gamma y se denota por X G(, p) cuando su funci on de densidad
es:
f (x) =

p
(p)
e
x
x
p1
con x > 0 (2.49)
Se dene la funci on gamma Euler como (p) =
Z

0
e
x
x
p1
dx que resulta continua y convergente para
p > 0. Entre sus propiedades se destaca:
p.1) (1) = 1
p.2) (p) = (p 1)(p 1)
p.3) Si p Z
entonces (p) = (p 1)!

2.10.4. Distribuci on Exponencial
Es un caso particular de la distribuci on gamma con p = 1.
X Exp() si f (x) =
_
e
x
si x > 0
0 en el resto
(2.50)
x
=
1
i
i
i
i
i
i
i
i
2.10. FUNCIONES DE DENSIDAD CONOCIDAS 37
2
x
=
1
x
=
1
2.10.5. Distribuci on
2
de Pearson
Es un caso particular de la distribuci on gamma con = 1/2 y p = n/2 que se genera mediante la suma
de los cuadrados de n v.a.c. N(0, 1) independientes entre si, es decir, si X
1
, X
2
, ..., X
n
son n v.a.c. N(0, 1)
independientes entre si, entonces la v.a.c. positiva
2
n
recibe el nombre
2
de Pearson con n grados de
libertad.
2
n
= X
2
1
+X
2
2
+... +X
2
n
(2.51)
Entonces, su funci on de densidad es:
f (x) =
1
2
n/2
(n/2)
e
x/2
x
(n/2)1
con x > 0 (2.52)
x
= n
2
x
= 2n
x
=
2n
2.10.6. Distribuci on Beta
Una v.a.c. X sigue una distribuci on beta y se denota por X (p, q) si sigue la siguiente funci on de
distribuci on:
f (x) =
x
p1
(1 x)
q1
(p, q)
con x [0, 1] (2.53)
Luego, se dene la funci on beta como:
(p, q) =
(p).(q)
(p +q)
=
Z
1
0
x
p1
(1 x)
q1
dx (2.54)
i
i
i
i
i
i
i
i
38 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
2.10.7. Distribuci on t de Student
Se denomina t de Student con n grados de libertad, si las n+1 v.a.c. X, X
1
, X
2
, ..., X
n
se distribuyen seg un
una N(0, ).
t
n
=
X
1
n
n
i=1
X
2
i
=
Z
_
X
2
n
/n
(2.55)
Entonces, su funci on de densidad es:
f (x) =
1
n.
_
1
2
,
n
2
_
_
1 +
x
2
n
_
n +1
2
con
_
n = 1, 2, ...
< x <
(2.56)
x
= 0
2
x
=
n
n 2
si n > 2
x
=
_
n
n 2
si n > 2
2.10.8. Distribuci on F de Fisher-Snedecor
Sean
2
n
1
y
2
n
2
dos v.a.c.
2
de Pearson con n
1
y n
2
grados de libertad respectivamente, independientes
entre si. Entonces se denomina F de Fisher-Snedecor con n
1
y n
2
grados de libertad a la variable:
F
n
1
,n
2
=
2
n
1
/n
1
2
n
2
/n
2
(2.57)
Luego, su funci on de densidad es:
f (x) =
((n
1
+n
2
)/2)
(n
1
/2)(n
2
/2)
n
n
1
/2
1
n
n
2
/2
2
x
(n
1
/2)1
(n
1
x +n
2
)
(n
1
+n
2
)/2
con x > 0 (2.58)
2.11. Teora de Muestras
La Estadstica tiene como objeto el estudio de un conjunto de personas, cosas o, en general, elementos
con alguna caracterstica com un a todos ellos. Sin embargo, si se quiere obtener informaci on sobre una
i
i
i
i
i
i
i
i
2.11. TEOR
IA DE MUESTRAS 39
poblaci on, se puede obtener datos de la totalidad (censo) o bien de una parte (muestra). La parte de la
estadstica que estudia la relaci on entre las muestras de una poblaci on y la poblaci on misma recibe el
nombre de Teora de Muestras.
En la pr actica, suele ocurrir que no es posible estudiar los datos de toda la poblaci on, ya que:
el n umero de la poblaci on es muy elevado, el estudio llevara tanto tiempo que sera impracticable o
econ omicamente inviable.
el estudio puede implicar la destrucci on del elemento estudiado. Por ejemplo, vida util de una l ampara.
los elementos pueden existir conceptualmente, pero no en la realidad. Por ejemplo, la proporci on de
piezas defectuosas que producir a una m aquina.
En estos casos se seleccionan muestras, que permiten obtener el comportamiento promedio para for-
mular leyes generales.
Los m etodos mas destacados para obtener muestras son:
Muestreo aleatorio simple Se elige al azar con reemplazamiento (un elemento no puede ser elegido 2 ve-
ces).
Muestreo estraticado Los elementos de la poblaci on se dividen en clases o estratos. La muestra se toma
asignando un n umero o cuota de miembros a cada estrato (proporcional a su tama no relativo o a su
variabilidad) y escogiendo los elementos por muestreo aleatorio simple dentro del estrato.
Muestreo sistem atico Los elementos de la poblaci on est an ordenados en listas. Se divide la poblaci on en
tantas partes como el tama no muestral y se elige al azar un n umero de orden en cada parte de la
poblaci on.
En la teora de muestras se distinguen dos tipos de objetivos:
1 Deducir caractersticas (par ametros) de la poblaci on (Inferencia Estadstica).
2 Analizar la concordancia o no de los resultados muestrales con determinadas hip otesis (Contraste de
Hip otesis).
Poblaci on
_
_
Censo
Muestra
_
_
Inferencia estadstica
_
Estimaci on Puntual
Estimaci on por intervalos
Contraste de hip otesis
(2.59)
i
i
i
i
i
i
i
i
40 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
2.11.1. Inferencia Estadstica
Es evidente el hecho de que las medidas o caractersticas de una muestra son variables aleatorias, ya
que dependen de los valores de la variable aleatoria de la poblaci on.
Por tanto, una muestra es un vector de valores x
1
, x
2
, ..., x
n
E
n
, teniendo asociado cada valor una
probabilidad de ser elegido.
Se llamar a estadstico a una funci on F : E
n
R, es decir, una formula de las variables que transforma
los valores tomados de la muestra en un n umero real. Adem as, a la distribuci on de F se la llama
distribuci on del estadstico en el muestreo.
Cuando se realiza una armaci on acerca de los par ametros de la poblaci on en estudio, bas andose en
la informaci on contenida en la muestra se realiza una estimaci on puntual, pero si se se nala un intervalo
de valores dentro del cual se tiene conanza que est e el valor del par ametro, se realiza una estimaci on
por intervalos.
Estimaci on Puntual
El proceso de estimaci on puntual utiliza un estadstico para obtener alg un par ametro de la poblaci on.
Como tal, el estadstico utiliza una variable aleatoria que tiene cierta distribuci on que depende, en
general, del par ametro en cuesti on. Adem as, se utilizar an dos criterios esenciales para medir la bondad
del estimador:
que sea centrado o insesgado, es decir, que su media coincida con el par ametro a estimar.
que sea de mnima varianza o que tenga la menor varianza entre todos los estimadores del par ametro.
Estimaci on por Intervalos
En la pr actica, no s olo interesa dar una estimaci on puntual de un par ametro X sino un intervalo de
valores dentro del cual se tiene conanza de que est e el par ametro. Por tanto, lo que se busca es un esti-
mador denominado estimador por intervalo compuesto de una pareja de estadsticos L
i
(lmite inferior)
y L
s
(lmite superior), y siendo 1 el nivel de conanza, mientras que es el nivel de signicaci on,
tales que:
P(L
i
X L
s
) = 1 con 0 < < 1 (2.60)
i
i
i
i
i
i
i
i
2.11. TEOR
IA DE MUESTRAS 41
Es decir, se llama intervalo de conanza para el par ametro X con nivel de conanza 1 , a una
expresi on del tipo L
i
X L
s
donde los lmites L
i
y L
s
dependen de la muestra y se calculan de manera
tal que si se construyen muchos intervalos, cada vez con distintos valores muestrales, el 100(1 )%
de ellos contendr an el verdadero valor del par ametro.
La amplitud del intervalo est a ntimamente relacionada con los niveles de conanza y signicaci on. Si
la amplitud del intervalo es peque na entonces la armaci on de que el par ametro pertenece al intervalo
tiene gran signicaci on ( es grande) pero ofrece poca conanza (1 es peque na). Pero si la amplitud
del intervalo es grande entonces la armaci on de que el par ametro pertenece al intervalo tiene menor
signicaci on ( es peque no) aunque ofrece mucha conanza (1 es grande).
Por ejemplo, la armaci on la altura media de una poblaci on est a entre 1, 68 y 1, 72 metros con
= 0, 25 es m as signicativa que la armaci on la altura media de una poblaci on est a entre 1, 60 y
1, 82 metros con = 0, 01, aunque esta ultima armaci on ofrece m as conanza 1 = 0, 99 que la
primera 1 = 0, 75.
2.11.2. Contraste de Hip otesis
Otro objetivo fundamental de la teora de muestras, es conrmar o rechazar hip otesis sobre un par ame-
tro poblacional, mediante el empleo de muestras. Es decir, contrastar una hip otesis estadsticamente
es juzgar si cierta propiedad supuesta para cierta poblaci on es compatible con lo observado en una
muestra de ella.
A continuaci on se pasan a denir algunos conceptos importantes:
Contraste de hip otesis Procedimiento estadstico mediante el cual se investiga la aceptaci on o rechazo de
una armaci on acerca de una o varias caractersticas de una poblaci on.
Hip otesis nula, H
0
Es la hip otesis que se quiere contrastar y es, por tanto, la que se acepta o rechaza como
conclusi on del contraste.
Hip otesis alternativa, H
a
Es la hip otesis que se opone a la H
0
, de forma que si se acepta la H
a
se descarta
la H
0
, y recprocamente, si se rechaza H
a
se acepta H
0
.
Estadstico de contraste Es una funci on de la muestra aleatoria simple, que aplica la muestra (x
1
, x
2
, ..., x
3
)
en un punto de la recta real.
Regi on de aceptaci on Conjunto de valores del estadstico de contraste que lleva a la decisi on de aceptar la
hip otesis nula H
0
.
Regi on crtica o de rechazo Conjunto de valores del estadstico de contraste que lleva a la decisi on de re-
chazar la hip otesis nula H
0
.
i
i
i
i
i
i
i
i
42 CAP
ITULO 2. ESTAD
ISTICA INFERENCIAL
Error tipo I, Error que se comete en la decisi on del contraste cuando se rechaza la hip otesis nula H
0
,
siendo cierta.
Error tipo II, Error que se comete en la decisi on del contraste cuando se acepta la hip otesis nula H
0
,
siendo falsa.
Nivel de signicaci on Es la probabilidad de cometer el error de tipo I, y se denota por . Tambi en se suele
denominar tama no del contraste.
Potencia de un contraste, 1 Es la probabilidad de rechazar la hip otesis nula H
0
, siendo falsa. Se utili-
zar a siempre contrastes de m axima potencia (o m aximo nivel de conanza), dentro de los que tienen
un determinado nivel de signicaci on.
Contraste unilateral Es aqu el cuya regi on crtica est a formada por un solo intervalo de la recta real.
Contraste bilateral Es aqu el cuya regi on crtica est a formada por dos intervalos disjuntos de la recta real.
Por ultimo, para realizar un contraste de hip otesis es conveniente seguir las siguientes fases:
1 Enunciado y determinaci on de las hip otesis H
0
y H
a
.
2 Elecci on del nivel de signicaci on .
3 Especicaci on del tama no muestral.
4 Selecci on de estadstico o funci on de decisi on.
5 Determinaci on de la regi on crtica.
6 C alculo del valor del estadstico de contraste o funci on de decisi on para la muestra particular.
7 Aceptar o rechazar la hip otesis H
0
.
i
i
i
i
i
i
i
i
Parte II
Series Temporales
43
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
45
Hasta ahora las muestras se han analizado con el objetivo de ser comparadas contra una poblaci on en
un momento determinado, sin tener en cuenta la evoluci on de la variable en el tiempo.
Si se tuviese en cuenta la evoluci on de la variable, mediante una sucesi on de muestras ordenadas en
el tiempo, al conjunto de datos resultante se lo denomina Serie Temporal, Hist orica, Cronol ogica o de
Tiempo[Fer04b].
Luego, el an alisis de una serie temporal implica el manejo conjunto de dos variables, la variable en
estudio y la variable temporal, que determina cuando se han realizado las observaciones.
Las observaciones de la variable en estudio pueden estar referidas a un:
Instante de tiempo: Se denominan magnitudes stock o niveles. Por ejemplo, cantidad de empleados de una
empresa al nal de cada mes.
Intervalo de tiempo: Se denominan ujos. Por ejemplo, ventas de una empresa a lo largo de cada mes.
La diferencia entre una y otra es que la primera no es sumable, pues se incurrira en duplicaciones,
mientras que la segunda es acumulable. Las ventas de un mes se pueden sumar con la del anterior y
as se podran obtener las ventas de los 2 ultimos meses. Mientras que la observaci on de los empleados
de un mes, no se puede sumar a los empleados del mes anterior, porque se podran estar sumando dos
veces los mismos empleados.
Esto ultimo destaca la importancia de la Homogeneidad, ya que si la amplitud temporal variase sera
difcil hacer comparaciones entre las diferentes observaciones de una Serie Temporal. Por otra parte
esta homogeneidad se pierde de forma natural, con el transcurso del tiempo, de manera que cuando
las series son muy largas no hay garanta de que los datos iniciales y nales sean comparables.
Pero la necesidad de que las series temporales no sean muy largas, para que sus datos no pierdan
la homogeneidad, entra en contradicci on con el objetivo m as elemental de la Estadstica que es el de
detectar regularidades en los fen omenos de masas.
Lo que se pretende con una serie temporal es describir y predecir el comportamiento de un fen omeno
que cambia en el tiempo. Esas variaciones que experimenta una serie temporal pueden ser:
Evolutivas: El valor medio de la serie cambia, no permanece jo en el tiempo.
Estacionales: El valor medio de la serie y su variabilidad no cambian, aunque sufra oscilaciones en torno a
ese valor medio jo o constante.
i
i
i
i
i
i
i
i
46
Esta clasicaci on permite hablar de Series Temporales Evolutivas o Series Temporales Estacionales,
de acuerdo al resultado del an alisis realizado.
Por otra parte, existen dos tipos de enfoques para analizar una Serie Temporal: el Enfoque Cl asico y
el Enfoque Causal.
i
i
i
i
i
i
i
i
Captulo 3
Enfoque cl asico
Una forma de comenzar el an alisis de una serie temporal, es mediante su representaci on gr aca. Para
ello se har a uso de un sistema cartesiano en el que los perodos de tiempo se ubican en el eje de las
abscisas y los valores de la variable aleatoria (y
t
) se llevan al eje de ordenadas. El resultado es un
diagrama de dispersi on, con la particularidad de que el eje de abscisas se reserva siempre a la misma
variable: el tiempo.
-100
-80
-60
-40
-20
0
20
40
0 0.2 0.4 0.6 0.8 1
Figura 3.1: Ejemplo de una serie temporal.
En este tipo de representaci on se pueden detectar las caractersticas mas sobresalientes de una serie
temporal, tales como el movimiento a largo plazo de la variable aleatoria, la amplitud de las oscilaciones,
la posible existencia de ciclos, la presencia de valores atpicos o an omalos, etc. Ver el ejemplo de la
Figura 3.1.
47
i
i
i
i
i
i
i
i
48 CAP
ITULO 3. ENFOQUE CL

ASICO
El enfoque cl asico asume que el comportamiento de la serie temporal se puede explicar en funci on del
tiempo: y
t
= f (t). Bajo este esquema, la serie sera una variable dependiente y el tiempo una indepen-
diente o explicativa. Sin embargo, es necesario dejar bien claro que el tiempo, en si, no es una variable
explicativa, es simplemente el soporte o escenario en el que se realiza o tiene lugar la serie temporal.
Desde este enfoque, cualquier serie temporal se supone que es el resultado de cuatro componentes:
tendencia (T), variaciones estacionales (E), variaciones cclicas (C) y variaciones residuales o accidentales
(R). Pero esta descomposici on de la serie no deja de ser un procedimiento dise nado para que el estudio
de la misma resulte m as f acil, pues esas componentes no siempre existen.
3.1. Tendencia
La tendencia se dene como aquella componente que recoge el comportamiento de la serie a largo
plazo, prescindiendo de las variaciones a corto y mediano plazo. Para poder detectarla es necesario que
la serie conste de un n umero de observaciones elevado, a lo largo de muchos a nos, para que se pueda
determinar si la serie muestra un movimiento a largo plazo que responda a una determinada ley de
crecimiento, decrecimiento (series evolutivas) o estabilidad (series estacionarias). Ese comportamiento
tendencial puede responder a distintos perles: lineal, exponencial, parab olico, logstico, etc.
0
50
100
150
200
0 0.2 0.4 0.6 0.8 1
A
B
C
Figura 3.2: Identicaci on de la tendencia.
Ver en el ejemplo de la Figura 3.2 como cambia la forma de percibir la tendencia si es que se toma el
intervalo de tiempo inadecuado.
Si se intenta establecer la tendencia teniendo en cuenta solo el intervalo comprendido entre A y B, la
tendencia pareciera descender, aunque como se ve claramente en la gr aca, cuando se toma un rango
i
i
i
i
i
i
i
i
3.1. TENDENCIA 49
mayor (por ejemplo desde A hasta C) la tendencia asciende.
El problema es que el concepto de largo plazo va ntimamente relacionado a la naturaleza de la varia-
ble, por lo que la longitud utilizada para determinar una tendencia no es comparable entre variables.
Los m etodos m as habituales en la determinaci on de la tendencia son: el an alisis gr aco, las medias
m oviles, los m etodos analticos y los de alisado exponencial.
3.1.1. An alisis gr aco
Es el procedimiento mas simple, ya que no utiliza ning un procedimiento analtico que garantice la
objetividad del resultado, y deja la posibilidad que dos analistas distintos lleguen a distintos resultados.
Todo depende del conocimiento que tenga el investigador de la serie temporal estudiada. Ya que en una
primera instancia se realiza la representaci on gr aca, para luego trazar la tendencia a mano alzada.
Aunque no es aconsejable conar en los resultados que pueda arrojar este tipo de an alisis de tendencia,
suele utilizarse como un paso previo para cualquier tipo de an alisis a realizarse en una serie.
3.1.2. Medias m oviles
Consiste en promediar los valores de la variable aleatoria para perodos de tiempo jos a lo largo de
todo el horizonte de la serie temporal.
El resultado de este proceso mec anico es la eliminaci on de los movimientos a corto y mediano plazo,
as como las irregularidades debidas a factores no controlables ni predecibles. Es decir, a la serie se le
quitan dos de sus componentes, quedando con la tendencia y la ciclicidad
1
.
La idea que subyace detr as de este m etodo es que la media de cualquier conjunto de valores sirve para
eliminar la dispersi on o variabilidad de la serie motivada por factores coyunturales o espor adicos.
Estos promedios ser an las medias aritm eticas de un conjunto k de valores consecutivos, con el requisito
de que k sea inferior al total de observaciones. El procedimiento especco vara si k es par o impar.
1
En el caso de existir la ciclicidad, ver la secci on 3.3 (p agina 58).
i
i
i
i
i
i
i
i
50 CAP
ITULO 3. ENFOQUE CL

ASICO
Si k es entero impar, entonces las sucesivas medias se obtendran de la siguiente forma:
y
t
=
k1
2
i=
k1
2
y
t+i
k
(3.1)
y
t
=
y
t
k1
2
+y
t
k1
2
+1
+y
t
k1
2
+2
+... +y
t
+... +y
t+
k2
2
1
+y
t+
k1
2
1
+y
t+
k1
2
k
(3.2)
A la media y
t
se la denomina centrada y se la hace corresponder con la observaci on del momento t,
que es el valor central de la suma.
Si k es entero par, no se podra determinar el valor central de k, por lo que no se correspondera
con ninguno de los observados en la serie original. Esto se supera al aplicar nuevamente el m etodo
de medias m oviles con k = 2, quedando ahora si los valores centrales relacionados con los valores
observados originalmente.
La f ormula que se utiliza para ambos casos, cuando k es un entero par, es la siguiente:
y
t0,5
=
k
2
1
i=
k
2
y
t+i
k
(3.3)
Luego, sea k entero par o impar, es importante determinar el tama no optimo que suavice la serie
temporal y que deje expuesta la tendencia. Si k es muy grande entonces el proceso de suavizado puede
llegar a ser tan fuerte que se pierda m as informaci on de la deseada. Por otro lado, si k es muy peque no
no se conseguir an eliminar todas las perturbaciones ajenas a la tendencia.
Si la serie demuestra estacionalidad, o alg un tipo de ciclicidad, el valor de k debera ser mayor o igual
al intervalo de tiempo necesario para que se produzca un ciclo. En caso de ser estacionalidad, k debera
ser mayor o igual al a no. Para cualquier otro caso, en donde exista incertidumbre se recomienda que k
sea igual a 3 o 5.
En el ejemplo de la Figura 3.3, se muestra una serie temporal y su tendencia calculada por medias
m oviles. Adem as se muestra la serie original sin la tendencia calculada (ltrada por el m etodo aditivo
2
).
2
La uni on de los componentes de una serie se realiza a partir de dos m etodos, en el aditivo y
t
= T
t
+C
t
+E
t
+R
t
, mientras que en el
multiplicativo y
t
= T
t
C
t
E
t
R
t
.
i
i
i
i
i
i
i
i
3.1. TENDENCIA 51
-150
-100
-50
0
50
0 0.2 0.4 0.6 0.8 1
(a) Serie temporal original
tendencia (k=21)
serie temporal
-60
-50
-40
-30
-20
-10
0
10
20
30
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
(b) Serie temporal original sin la tendencia
serie temporal sin tendencia
Figura 3.3: Obtenci on de la tendencia por Medias M oviles.
Al igual que en el an alisis gr aco se introduce subjetividad en la selecci on del valor de k. Adem as, no
se puede alcanzar el objetivo de la predicci on en el an alisis de las series temporales, pues la tendencia
obtenida mediante medias m oviles no permite la proyecci on hacia el futuro.
3.1.3. M etodo analtico
Selecciona una funci on matem atica que modelice de forma adecuada la tendencia de la serie temporal.
El procedimiento de ajuste suele ser el de los mnimos cuadrados, aunque para comenzar el an alisis
se recurre a la representaci on gr aca que informa de manera aproximada el tipo de funci on. Otra
alternativa es hacer uso del conocimiento previo de la naturaleza de una serie temporal.
La utilizaci on de este m etodo con respecto a los anteriores tiene dos ventajas:
Se mide la bondad del ajuste, dejando de lado la subjetividad del analista.
Se determina una funci on explcita, que permite realizar predicciones.
A continuaci on se detalla: el modelo lineal, el polinomial y el exponencial.
i
i
i
i
i
i
i
i
52 CAP
ITULO 3. ENFOQUE CL

ASICO
Lineal
Modelo en el que la variable aleatoria se hace depender linealmente del tiempo, y en donde se presentan
variaciones constantes para periodos sucesivos de tiempo. La forma general del mismo es:
y
t
= y
t
+R
t
= a +bt +R
t
(3.4)
Donde:
t Tiempo cronol ogico.
b Variaci on media entre periodos.
y
t
Serie temporal original.
y
t
Estimaci on de la Tendencia.
R
t
Resto de las componentes no identicadas, representadas como un residuo.
-20
0
20
40
60
80
100
120
140
160
0 0.2 0.4 0.6 0.8 1
serie temporal
-20
0
20
40
60
80
100
120
140
160
0 0.2 0.4 0.6 0.8 1
(b) Tendencia con el modelo lineal
tendencia lineal (y = 110.55x+-5.0624)
serie temporal
-60
-40
-20
0
20
40
60
0 0.2 0.4 0.6 0.8 1
(c) Serie temporal original sin la tendencia calculada
Figura 3.4: Obtenci on de la tendencia por el M etodo Analtico Lineal.
Polinomial
Modelo en el que la relaci on de la variable aleatoria con el tiempo se expresa a partir de un polinomio.
Las variaciones no son constantes, ni en t erminos absolutos ni relativos.
i
i
i
i
i
i
i
i
3.1. TENDENCIA 53
El grado del polinomio va a decidir la familia de funciones que se utilice en el modelo, aunque el mas
com un de todos es el modelo de funci on parab olica. La forma general del mismo es:
y
t
= y
t
+R
t
= a +bt +ct
2
+R
t
(3.5)
Donde:
y
t
y
t
R
t
0
5
10
15
20
25
30
35
0 0.5 1 1.5 2
serie temporal
0
5
10
15
20
25
30
35
0 0.5 1 1.5 2
(b) Tendencia con el modelo polinomial
tendencia polinomial 24.713x
2
-48.907x+30.135
serie temporal
-10
-5
0
5
10
0 0.5 1 1.5 2
(c) Serie temporal original sin la tendencia
Figura 3.5: Obtenci on de la tendencia por el M etodo Analtico Polinomial.
Exponencial
Modelo en el que la relaci on de la variable aleatoria con el tiempo se expresa a partir de una funci on
exponencial, por lo que la serie temporal cambia a raz on de una tasa constante. El ajuste por mnimos
cuadrados es f acilmente realizable, debido a que la funci on es linealizable. La forma general del modelo
es:
y
t
= y
t
+R
t
= ae
bt
+R
t
(3.6)
i
i
i
i
i
i
i
i
54 CAP
ITULO 3. ENFOQUE CL

ASICO
Donde:
y
t
y
t
a Tasa de variaci on inicial.
b Tasa de variaci on instant anea.
R
t
0
0.5
1
1.5
2
0 0.5 1 1.5 2
serie temporal
0
0.5
1
1.5
2
2.5
0 0.5 1 1.5 2
(b) Tendencia con el modelo exponencial
tendencia polinomial (-0.00371635+0.0421471i) e
(1.30309-0.0485662i)x
2
+(-0.538773-0.859227i)x
serie temporal
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0 0.5 1 1.5 2
(c) Serie temporal original sin la tendencia
Figura 3.6: Obtenci on de la tendencia por el M etodo Analtico Exponencial
3.1.4. Alisado exponencial
Los m etodos para calcular la tendencia explicados hasta aqu, ya sea el de medias m oviles o alguno de
los m etodos analticos, se agrupan dentro del conjunto de t ecnicas para el alisado proporcional.
El alisado exponencial consiste, al igual que los m etodos anteriores, en medias ponderadas; pero con
la particularidad que la ponderaci on decrece conforme nos alejamos del origen. Esto es util para la
predicci on de series no estacionales y con una tendencia no denida.
i
i
i
i
i
i
i
i
3.2. VARIACI

ON ESTACIONAL 55
Para el instante t, el valor medio de la serie (y
t
) se puede obtener de la siguiente forma:
y
t
= y
t
+(1 )y
t1
(3.7)
y
t
= y
t
+(1 )[y
t1
+(1 )y
t2
] (3.8)
y
t
= y
t
+(1 )y
t1
+(1 )
2
y
t2
(3.9)
y
t
=y
t
+(1 )y
t1
+(1 )
2
[y
t2
+(1 )y
t3
] (3.10)
y
t
= y
t
+(1 )y
t1
+(1 )
2
y
t2
+(1 )
3
y
t3
(3.11)
y
t
= y
t
+(1 )y
t1
+... +(1 )
t1
y
1
+(1 )
t
y
0
(3.12)
y
t
= y
t1
+(y
t
+y
t1
) tal que (0 < < 1) (3.13)
Donde:
t Instante de tiempo.
y
t
Valor de la serie temporal en t.
y
t
Estimaci on de la Tendencia para t.
y
0
La estimaci on de la tendencia en el origen es igual al valor de la serie temporal en ese punto (y
0
).
Constante de suavizado.
Cuanto mas estable es la serie, se acerca a la unidad; mientras que si la serie presenta gran volatilidad,
tiende a cero. En cualquier caso, implica introducir cierta subjetividad en el an alisis de la serie, lo que
no deja de ser un inconveniente.
En el ejemplo de la Figura 3.7 (a) se muestra una serie temporal y 2 tendencias calculadas por alisado
exponencial. Luego se muestra la serie original sin la tendencia calculada (a partir del m etodo aditivo),
por cada una de las tendencias calculadas.
Por ultimo, cuando la serie temporal tiene una tendencia denida y es estacional, el m etodo que se
acaba de exponer se sustituye por otros procedimientos como el de Holt-Winters [Kal04, Cai08].
3.2. Variaci on Estacional
La variaci on estacional se dene por aquella componente de la serie que contiene movimientos que se
repiten de forma peri odica, siendo la periodicidad inferior al a no, el mes, la semana o el da.
i
i
i
i
i
i
i
i
56 CAP
ITULO 3. ENFOQUE CL

ASICO
-120
-100
-80
-60
-40
-20
0
20
40
60
0 0.2 0.4 0.6 0.8 1
serie temporal
tendencia (alpha
0
=0.1)
tendencia (alpha
1
=0.7)
-60
-40
-20
0
20
40
60
0 0.2 0.4 0.6 0.8 1
(b) Serie temporal original sin la tendencia para alpha
0
serie temporal sin tendencia (alpha
0
)
-20
-15
-10
-5
0
5
10
15
0 0.2 0.4 0.6 0.8 1
(c) Serie temporal original sin la tendencia para alpha
1
serie temporal sin tendencia (alpha
1
)
Figura 3.7: Obtenci on de la tendencia por Alisado Exponencial
La raz on de estas variaciones se basa en causas de tipo climatol ogico (producci on, turismo, etc.) o de
ordenaci on del tiempo (los das de la semana condicionan el comportamiento de ciertas series tempo-
rales).
Estos movimientos que se repiten de forma sistem atica, dicultan la posibilidad de hacer compara-
ciones entre los valores sucesivos de una misma serie temporal, pues el nivel medio de la misma se ve
alterado por la estacionalidad.
Para evitar esas distorsiones en los valores medios se recurre a lo que se conoce como desestacionaliza-
ci on de la serie o correcci on estacional. Para realizar esta operaci on es necesario aislar en primer lugar
la componente estacional, lo que posibilita su posterior eliminaci on.
Los distintos m etodos de obtenci on de la componente estacional, asumen como precondici on la elimi-
naci on
3
de la tendencia (T). Ver el ejemplo de la Figura 3.5 (p agina 53).
A partir de la serie temporal sin tendencia, se determina el lapso de tiempo mnimo en el cual el com-
portamiento parece repetirse.
Con el lapso de tiempo mnimo, se divide la serie temporal sin tendencia en series temporales del tama no
del lapso mencionado. Por ejemplo, para una serie temporal sin tendencia de 48 meses, si el lapso
mnimo son 12 meses, entonces se tendr an 4 series temporales; tal que su comportamiento parece
repetirse para cada una de las series resultantes.
3
Se deber a tener en cuenta si el m etodo de composici on es aditivo o multiplicativo.
i
i
i
i
i
i
i
i
3.2. VARIACI

ON ESTACIONAL 57
Se denen como ndices generales de variaci on estacional (IGVE) al promedio de las series temporales
obtenidas. La f ormula es:
IGVE(e) =
ie;el
x
i
n
e
(3.14)
Siendo:
e Estaci on dentro de l.
l Lapso de tiempo mnimo en que se repite el ciclo.
n
l
Cantidad de elementos pertenecientes al conjunto e.
-6
-4
-2
0
2
4
6
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14
Ciclo de estacionalidad de 0.15
Figura 3.8: Ejemplo de IGVE de la Figura 3.5 (c).
Si la estacionalidad es anual (12 meses de lapso mnimo), el resultado del promedio ser a una serie
temporal de 12 meses de longitud, mientras que para la Figura 3.5 (c) los resultados se muestran en la
Figura 3.8.
Luego, como se detalla en la Figura 3.9, la eliminaci on de la variaci on estacional
4
calculada se realiza
de forma semejante a lo hecho con la tendencia.
La serie temporal resultante en la Figura 3.9, se encuentra determinada por:
y
t
= y
t
(C
t
+R
t
); T
t
y
t
(3.15)
4
Repetici on sucesivas de IGVE hasta cubrir la longitud de la serie temporal sin tendencia.
i
i
i
i
i
i
i
i
58 CAP
ITULO 3. ENFOQUE CL

ASICO
Donde:
y
t
Serie temporal original sin tendencia.
y
t
Estimaci on de la Estacionalidad.
C
t
Estimaci on de la Ciclicidad.
R
t
Estimaci on de la Residualidad.
Una vez eliminada la estacionalidad, la serie temporal queda homogeneizada y los valores sucesivos
podr an ser comparados en lo que a niveles medios se reere.
Por ultimo, es importante destacar que si se elimina la tendencia y la ciclicidad por medias m oviles, solo
queda por aislar la estacionalidad del resto. En esta idea se basan los m etodos de desestacionalizaci on
5
ampliamente utilizados como el X-9 y su posterior desarrollo el X-11[Mus67].
3.3. Variaci on Cclica
La variaci on cclica se dene por aquella componente de la serie que contiene movimientos a mediano
plazo, periodos superiores al a no, que se repiten de forma casi peri odica, aunque no son tan regulares
como las variaciones estacionales.
Esta componente resulta difcil de aislar, por tres posibles razones: el periodo de la serie es peque no, los
ciclos de la serie se superponen o simplemente no existe la componente. Esto, con frecuencia, conduce
a un an alisis de las series temporales en el que se prescinde del estudio separado de los ciclos y, en su
lugar, se trabaja con la componente mixta ciclo-tendencia.
Por otra parte, se puede intentar aislar la componente mediante un proceso semejante al de las medias
m oviles sobre una serie temporal sin tendencia ni estacionalidad. En la Figura 3.10 se continua con el
ejemplo de la Figura 3.9 (p agina 60).
3.4. Variaci on Residual (o Indeterminada)
La variaci on residual se dene por aquella componente de la serie que no responde a ning un patr on de
comportamiento, sino que es el resultado de factores fortuitos o aleatorios que inciden de forma aislada
(inundaciones, huelgas, etc.). Ver la Figura 3.10 (c).
5
Desarrollados por el Boreau of the Census de Estados Unidos.
i
i
i
i
i
i
i
i
3.4. VARIACI

ON RESIDUAL (O INDETERMINADA) 59
La utilidad de esta componente se basa en poder vericar si satisface ciertos supuestos o hip otesis; por
ejemplo, que sea realmente aleatoria.
i
i
i
i
i
i
i
i
60 CAP
ITULO 3. ENFOQUE CL

ASICO
-10
-5
0
5
10
0 0.5 1 1.5 2
(a) Serie temporal original sin la tendencia
-10
-5
0
5
10
0 0.5 1 1.5 2
(b) Estacionalidad mediante IGVE
estacionalidad
-6
-4
-2
0
2
4
6
0 0.5 1 1.5 2
(c) Serie temporal original sin la tendencia y desestacionalizada
serie temporal sin tendencia ni estacionalidad
Figura 3.9: Ejemplo de una Desestacionalizaci on de la Figura 3.5 (c)
-6
-4
-2
0
2
4
6
0 0.5 1 1.5 2
(a) Serie temporal original sin la tendencia ni la estacionalidad
serie temporal con ciclicidad
-6
-4
-2
0
2
4
6
0 0.5 1 1.5 2
(b) Ciclicidad con el modelo de medias moviles
ciclicidad (k=3)
serie temporal filtrada con ciclicidad
-2
-1
0
1
2
0 0.5 1 1.5 2
(c) Variacion Residual de una serie temporal
residualidad
Figura 3.10: Obtenci on de la variaci on cclica por Medias M oviles
i
i
i
i
i
i
i
i
Captulo 4
Enfoque Causal
Otra forma de estudiar el comportamiento de una serie temporal es tratar de explicar sus variaciones
como consecuencia de las variaciones de otra u otras series temporales temporales. Esto impulsa la
b usqueda de una funci on que ligue esas variables para despu es poder cuanticarlas mediante el an alisis
de regresi on.
La cuanticaci on de la variaci on que experimenta la serie al pasar de un periodo de tiempo a otro, se
obtiene mediante:
y
t
= y
t
y
t1
(4.1)
Esta relaci on determina si la serie est a creciendo o decreciendo, dependiendo si el y
t
es positivo o
negativo, respectivamente.
Por otra parte, la escala de medici on se encuentra expresada en la misma unidad que la serie temporal,
impidiendo comparaciones con otras series temporales de distinta escala.
Al conjunto de todas las variaciones se lo considera a su vez una serie temporal. Si se obtienen estas
variaciones para datos anuales y tendencia lineal, se habla de una serie ltrada de tendencia (quedando
solo las componentes cclica y residual). Mientras que para datos con periodicidad inferior al a no, si
la diferencia se realiza con respecto al mismo mes del a no pasado, se obtiene una serie ltrada en
estacionalidad y tendencia. Ver los ejemplos de las Figuras 4.1 y 4.2.
6
Medir las variaciones en forma adimensional.
61
i
i
i
i
i
i
i
i
62 CAP
ITULO 4. ENFOQUE CAUSAL

0
5
10
15
20
25
30
35
40
45
0 5 10 15 20 25 30 35
serie temporal (valores anuales)
tendencia lineal (y = 1.0606x+-0.019774)
-6
-4
-2
0
2
4
6
8
5 10 15 20 25 30 35
(b) Serie temporal de diferenciales
serie temporal de los diferenciales ( y
t
= y
t
- y
t-1
)
tendencia lineal (y = 0.037278x+0.48359)
Figura 4.1: Serie temporal de diferenciales de valores anuales.
Para lograr que las series temporales de diferenciales sean homog eneas (o comparables), es necesario
cuanticar las variaciones en t erminos relativos
6
, mediante las tasas de variaci on.
4.1. Tasas de variaci on
Las tasas de variaci on surgen al comparar la variaci on intertemporal de la variable aleatoria, y se
obtienen mediante:
T(h, n) = T
n
h
=
n1
i=0
y
ti
n1
j=0
y
thj
1 (4.2)
Donde:
h N umero de periodos que hay entre las observaciones comparadas
7
.
n N umero de pares de observaciones (comparaciones) utilizadas para el c alculo.
Luego, si n = 1:
T(h, 1) = T
1
h
=
y
t
y
th
1 =
y
t
y
th
y
th
=
y
t
y
th
(4.3)
7
Cantidad de datos tomados hacia atr as.
i
i
i
i
i
i
i
i
4.1. TASAS DE VARIACI

ON 63
0
5
10
15
20
25
30
35
40
45
0 5 10 15 20 25 30 35
Serie temporal original
serie temporal (valores mensuales)
0
5
10
15
20
25
15 20 25 30 35
Serie temporal de diferenciales
serie temporal de los diferenciales ( y
t
= y
t
- y
t-12
)
Figura 4.2: Serie temporal de diferenciales de valores mensuales.
Las tasas se pueden expresar en tantos por uno, aunque lo mas habitual es que se multipliquen por
cien, o cualquier otra potencia de diez, cuyo caso se hablara de porcentajes o lo que corresponda.
Por ultimo, en funci on de h y n, las tasas m as habituales que suelen calcularse son:
T
1
1
=
_
y
t
y
t1
1
_
100
Se utiliza para datos anuales. Una periodicidad inferior al a no, podra conducir a que la serie resultante
se encuentre distorsionada por la estacionalidad.
T
1
12
=
_
y
t
y
t12
1
_
100
Se utiliza para datos mensuales, y una tasa de variaci on anual. La estacionalidad no lo afecta.
T
1
6
=
_
y
t
y
t6
1
_
100
Se utiliza para datos mensuales, y una tasa de variaci on semestral. La estacionalidad lo afecta, debido
a que no es homog enea (enero-julio, febrero-agosto, etc.).
T
12
12
=
_
y
t
+y
t1
+... +y
t11
y
t12
+y
t13
+... +y
t23
1
_
100
Se utiliza para datos mensuales, y se obtiene una tasa de variaci on anual. Solo se puede aplicar a las
variables que se miden por intervalos de tiempo
8
.
T
12
1
=
_
y
t
+y
t1
+... +y
t11
y
t1
+y
t2
+... +y
t12
1
_
100
Se utiliza para datos mensuales, y se obtiene una tasa de variaci on mensual basada en medias m oviles
anuales.
T
3
1
=
_
y
t
+y
t1
+y
t2
y
t1
+y
t2
+y
t3
1
_
100
Se utiliza para datos mensuales, y se obtienen tasas mensuales basada en medias m oviles trimestrales.
i
i
i
i
i
i
i
i
64 CAP
ITULO 4. ENFOQUE CAUSAL

8
Variables que representan un ujo de datos.
i
i
i
i
i
i
i
i
Parte III
Geoestadstica
65
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
67
Las series temporales a diferencia de las distribuciones de frecuencias (Ver 2.4) relacionan los datos
con el tiempo.
Si en lugar del tiempo en que se realiza la medici on, se contempla la ubicaci on en donde se realiza, se
podra conformar un mapa a partir de los valores medidos y sus posiciones
9
.
0
1
2
3
4
5
6
0 1 2 3 4 5 6
1
2
1
2
3
1
2
1
1
2
2
2
2
3
1
2
2
3
Figura 4.3: Ejemplo de mapa 2D.
Ver en la Figura 4.3, el ejemplo de mapa de dos dimensiones con los valores muestreados para cada
posici on
10
. La poblaci on de esta muestra estara representada por una variable regionalizada.
9
Las posiciones (o ubicaciones) pueden ser ticks de tiempo, puntos georeferenciados, o una mezcla de ambos.
10
En las posiciones (1, 2), (2, 4), (3, 3), (4, 1), (4, 2), (4, 4) y (5, 4) no se ha podido medir el valor, o es desconocido.
i
i
i
i
i
i
i
i
68
i
i
i
i
i
i
i
i
Captulo 5
Variables regionalizadas
En la teora de variables regionalizadas el concepto de funci on aleatoria juega un papel central. Una
funci on aleatoria es un conjunto de variables aleatorias que se corresponden con los puntos del dominio
D bajo estudio. Esto signica que para cada punto u en D existe una variable aleatoria correspondiente
Z(u)[B a].
Una variable regionalizada es la realizaci on de una funci on aleatoria. Esto signica que para cada punto
u en el espacio d-dimensional el valor del par ametro z(u) es una realizaci on de la funci on aleatoria Z(u).
VR ={z(u)|u D} (5.1)
Esta interpretaci on de los par ametros reconoce el hecho de que no es posible describirlos completa-
mente usando solo m etodos determinsticos. Es mas, en la mayora de los casos es imposible vericar
la suposici on que indica que el par ametro es una realizaci on de la funci on aleatoria, debido a que solo
se trabaja con una unica realizaci on de la funci on.
Se puede describir a la funci on aleatoria a partir de sus funciones de probabilidad multidimensional.
Esto signica que para cada conjunto de puntos u
1
, ..., u
n
en el dominio D, una funci on de distribuci on
F
u
1
,...,u
n
es asignada. Si se usa esta funci on para cada conjunto posible de valores w
1
, ..., w
n
se podra
encontrar la probabilidad P utilizando:
P(Z(u
1
) < w
1
, ..., Z(u
n
) < w
n
) = F
u
1
,...,u
n
(w
1
, ..., w
n
) (5.2)
Esto signica que las probabilidades condicionales se podran usar para estimar promedios locales o
globales. Por otra parte, hay innitos subconjuntos en el dominio D, y para cada punto en Dusualmente
69
i
i
i
i
i
i
i
i
70 CAP
ITULO 5. VARIABLES REGIONALIZADAS

un valor z(u) a evaluar. Aunque existan varias mediciones del par ametro para un punto, no ser a posible
realizar la evaluaci on de la funci on de distribuci on mencionada por la complejidad del calculo.
La alternativa es armarse en una hip otesis que reduzca la complejidad del problema.
i
i
i
i
i
i
i
i
Captulo 6
Hip otesis estadstica
Si se plantea como hip otesis a la estacionalidad fuerte de la funci on aleatoria Z(u), tal que para cada
conjunto de puntos u
1
, ..., u
n
en el dominio D, para cada conjunto de valores posibles w
1
, ..., w
n
y para
cada h se cumple:
P(Z(u
1
) < w
1
, ..., Z(u
n
) < w
n
) = P(Z(u
1
+h) < w
1
, ..., Z(u
n
+h) < w
n
) (6.1)
Esta ecuaci on determina que la distribuci on de la funci on aleatoria depende de la conguraci on de
los puntos (a partir de la distancia h) y no de la localizaci on de los mismos. En otras palabras la
naturaleza se repite a si misma para una misma conguraci on (o esquema).
La suposici on de la hip otesis general basada en la estacionalidad fuerte es util, pero a un demasiado
compleja para ser apropiada. Para tratar este problema de forma efectiva se deben agregar algunas
suposiciones que simpliquen los c alculos. Existen b asicamente dos hip otesis simplicadoras: la esta-
cionalidad de segundo orden y la hip otesis intrnseca.
6.1. Estacionalidad de Segundo Orden
La estacionalidad es un concepto que se utiliz o en el an alisis de series temporales. En este caso la
estacionalidad de segundo orden se formula para espacios multidimensionales, consistiendo de dos con-
diciones:
El valor esperado de la funci on aleatoria Z(u) es constante sobre todo el dominio D.
E[Z(u)] = m (6.2)
71
i
i
i
i
i
i
i
i
72 CAP
ITULO 6. HIP

OTESIS ESTAD
ISTICA
La covarianza de dos variables aleatorias correspondientes a dos localizaciones depende s olo del vec-
tor h que separa a los dos puntos.
E[(Z(u +h) m)(Z(u) m))] =Cov(h) (6.3)
Para el caso particular de h = 0:
Cov(0) = E[(Z(u) m)(Z(u) m)] =V[Z(u)] (6.4)
La ecuaci on 6.4 muestra que las variables aleatorias correspondientes a los diferentes puntos en el
dominio no s olo tienen la misma esperanza, sino que tambi en tienen que tener la misma varianza
nita. Esta segunda condici on no siempre es conocida, pero se pueden formular hip otesis m as d ebiles
como la que se describe a continuaci on.
6.2. Hip otesis Intrnseca
La hip otesis intrnseca es mas d ebil que la estacionalidad de segundo orden, consistiendo de las dos
condiciones siguientes:
El valor esperado de la funci on aleatoria Z(u) es constante sobre todo el dominio D.
E[Z(u)] = m (6.5)
La varianza del incremento correspondiente a dos localizaciones diferentes depende s olo del vector que
las separa. A esta funci on dependiente del vector h se la denomina semivariograma
11
.
1
2
V[Z(u +h) Z(u)] =
1
2
E[(Z(u +h) Z(u))
2
] = (h) (6.6)
En la ecuaci on 6.3 se puede apreciar el parecido con la 6.6, pero la suposici on de una varianza nita
no est a explcita en la 6.3. Adem as se puede demostrar que la estacionalidad de segundo orden implica
a la hip otesis intrnseca, pero lo opuesto no es verdad (Ver Figura 6.1).
6.3. Comparaci on de las dos hip otesis
La diferencia entre la hip otesis intrnseca y la estacionalidad de segundo orden, no es s olo el hecho
de que la primera es m as general que la segunda (Ver Figura 6.1). La funci on de covarianza ( 6.3)
est a denida usando el valor esperado m, mientras que el semivariograma ( 6.6) no depende de este
valor. Esto es una ventaja, porque las tendencias leves no inuenciar an al semivariograma, mientras
que una mala estimaci on de la esperanza afectara a un mas a la funci on de covarianza.
11
Suele ser confundido con el variograma, que sera dos veces el semivariograma.
i
i
i
i
i
i
i
i
6.3. COMPARACI

ON DE LAS DOS HIP

OTESIS 73
Hipotesis Intrinseca
Estacionalidad de Segundo Orden
Figura 6.1: Diagrama de Venn de la Hip otesis Intrnseca y la Estacionalidad de Segundo Orden.
La relaci on entre el variograma y la funci on de covarianza es:
2(h) = E[(Z(u +h) Z(u))
2
] = E[((Z(u +h) m) (Z(u) m))
2
] (6.7)
2(h) =V[Z(u)] +V[Z(u +h)] 2E[Z(u +h) m)(Z(u) m)] (6.8)
2(h) = 2Cov(0) 2Cov(h) (6.9)
(h) =Cov(0) Cov(h) (6.10)
0
2
4
6
8
10
12
0 5 10 15 20 25 30
h
C(0)
f(h) = C(0)
(h)
C(h)
Figura 6.2: El variograma y la funci on de covarianza.
La Figura 6.2 muestra la relaci on desarrollada.
i
i
i
i
i
i
i
i
74 CAP
ITULO 6. HIP

OTESIS ESTAD
ISTICA
6.4. Selecci on de la variable regionalizada
La variable regionalizada bajo estudio debe cumplir ciertas condiciones para poder utilizar los m etodos
de an alisis geoestadsticos:
Homogeneidad de los datos Los datos deber an reejar un solo par ametro (Z(u)), medido por un m etodo de
medici on y si es posible con la misma tecnologa.
Aditividad de conjuntos El par ametro deber a tener la propiedad
12
que
1
n

n
i=1
Z(u
i
) tiene el mismo signi-
cado que E[Z(u)].
12
Algunos par ametros naturales son claramente no aditivos, pero mediante transformaciones pueden ser llevados a par ametros aditi-
vos.
i
i
i
i
i
i
i
i
Captulo 7
Variograma
El variograma se dene como la varianza del incremento, es por eso que debe cumplir ciertas condi-
ciones. Estas ser an explicadas en la secci on 7.2. Naturalmente hay propiedades del variograma que
pueden ser explicadas sin una descripci on matem atica precisa.
(0) = 0
(h) 0; 0 < h < rango
(h) =tope; h rango
(h) = (h); h
Z(u) es continuo h
i+1
> h
i
=(h
i+1
) > (h
i
)
A menudo es discontinua con respecto al origen (lm
h0
(h) = 0), cumpliendo con el efecto pepita
13
.
La hip otesis acerca de la existencia de un variograma es el punto clave de la geoestadstica. La primera
pregunta a responder ser a si el par ametro bajo estudio cumple con la hip otesis intrnseca.
Si se supone que las mediciones Z(u
i
) de un par ametro Z(u) son tomadas para las localizaciones u
i
,
siendo i = 1, ..., n.
Como primer paso se puede calcular los valores (Z(u
i
) Z(u
j
))
2
para todos los pares formados, para
los puntos u
i
u u
j
. Luego se deber a gracar teniendo en cuenta la distancia (y tal vez la direcci on) entre
las ubicaciones.
75
i
i
i
i
i
i
i
i
76 CAP
ITULO 7. VARIOGRAMA
0
5
10
15
20
25
30
35
0 1 2 3 4 5 6 7 8
(
Z
(
u
+
h
)
-
Z
(
u
)
)
2
h
Figura 7.1: Ejemplo de nube de puntos de un variograma.
La Figura 7.1 muestra un ejemplo de una nube de puntos de donde luego se obtendr a un variograma.
0
2
4
6
8
10
0 1 2 3 4 5 6 7 8
(
Z
(
u
+
h
)
-
Z
(
u
)
)
2
h
Figura 7.2: Ejemplo de un variograma experimenal.
Aunque la condici on de la hip otesis intrnseca representada por la ecuaci on 6.6, no garantice que los
valores obtenidos se acerquen a cierta lnea, si se utiliza el valor esperado (calculado como la media
aritm etica) para el ejemplo de la Figura 7.1, se obtendr a la Figura 7.2, la cual es posible aproximarla
a una funci on mediante mnimos cuadrados.
13
Causado por un error de medici on, o una componente aleatoria que no depende de la ubicaci on.
i
i
i
i
i
i
i
i
7.1. VARIOGRAMA EXPERIMENTAL 77
7.1. Variograma Experimental
La funci on variograma tiene que ser estimada sobre la base de la informaci on disponible. En el caso de
un conjunto nito de datos la estimaci on del variograma puede ser hecha s olo para un conjunto nito
de vectores.
(h) =
1
2N(h)

u
i
u
j
=h
(Z(u
i
) Z(u
j
))
2
(7.1)
Donde:
u
i
Ubicaci on de una medici on.
u
j
Ubicaci on de una medici on.
h Distancia entre las ubicaciones u
i
y u
j
.
Z(u
i
) Valor de la medici on en la ubicaci on u
i
.
Z(u
j
) Valor de la medici on en la ubicaci on u
j
.
N(h) Cantidad de pares de ubicaciones para la distancia h.
(h) Estimaci on del variograma para h.

Si los puntos se encuentren espaciados irregularmente la condici on para la sumatoria u
i
u
j
= h tiene
que ser debilitada, para poder obtener m as pares por cada h. Esto signica que la sumatoria debera
ser hecha sobre los pares que cumplen las siguientes condiciones
14
:
|u
i
u
j
| |h| (7.2)
Angulo(u
i
u
j
, h) (7.3)
La condici on 7.3 es utilizada en el variograma direccional, cuando la muestra es grande y es difcil
encontrar un modelo te orico representativo del variograma experimental.
7.2. Variograma Te orico
Los variogramas experimentales son calculados para un n umero nito de vectores h. Si los valores para
el resto de los vectores h debe ser denido, se podra realizar con una simple interpolaci on lineal. La
desventaja de esto es que el resultado de la funci on lineal no necesariamente satisface la ecuaci on 6.6.
14
En donde |ab| denota el tama no del vector

ab.
i
i
i
i
i
i
i
i
78 CAP
ITULO 7. VARIOGRAMA
Luego, para cualquier combinaci on lineal
n
i=1
i
Z(u
i
), tal que
n
i=1
i
= 0; la varianza es nita
15
y
puede calcularse como:
V[
n
i=1
i
Z(u
i
)] =
n
j=1
n
i=1
i
(u
i
u
j
) (7.4)
Como el variograma no puede ser negativo, la ecuaci on 7.4 cumple con la condici on necesaria:
j=1
n
i=1
i
(u
i
u
j
) 0 (7.5)
Para relacionar los variogramas experimentales con las funciones matem aticas adecuadas, diferentes
modelos te oricos son desarrollados. Estos pueden ser clasicados en dos grupos: modelos con un tope y
modelos sin un tope.
7.2.1. Modelos con un tope
Si la estacionalidad de segundo orden es conocida
16
, se obtendr an variogramas que son constantes
despu es de cierta distancia (o rango). Esto se produce porque Z(u) y Z(u+h) son independientes, luego
si Cov(h) = 0 y por la ecuaci on 6.10 resulta:
(h) =Cov(0); h > rango (7.6)
Si adem as se tiene en cuenta la ecuaci on 6.4, entonces:
(h) =V[Z(u)]; h > rango (7.7)
A continuaci on se mencionan algunos modelos que cumplen con esta propiedad
17
:
Efecto pepita puro
Se cumple cuando no existe correlaci on entre las variables aleatorias de diferentes localizaciones.
(h) =
_
0 si h = 0
C si h > 0
(7.8)
15
Puede ser probado a partir de la hip otesis intrnseca.
16
Supone que para puntos muy distantes las variables aleatorias correspondientes son independientes.
17
Cualquier combinaci on lineal entre los modelos con tope, producir a nuevamente un modelo con tope.
i
i
i
i
i
i
i
i
7.2. VARIOGRAMA TE

ORICO 79
Donde:
h Distancia entre dos localizaciones.
C Tope igual a la varianza V[Z(u)].
(h) Variograma te orico.
0
1
2
3
4
5
0 2 4 6 8 10
h
(h)
Figura 7.3: Variograma te orico que modela el efecto pepita puro.
En la Figura 7.3 se muestra un modelo de variograma te orico con efecto pepita puro.
Esf erico
Se encuentra descripto por dos par ametros: el rango y el tope. El rango determina a partir de que
distancia h las variables aleatorias de las distintas localizaciones no contienen relaci on.
(h) =
_
_
_
C
_
3
2
h
a
1
2
h
3
a
3
_
si h a
C si h > a
(7.9)
Donde:
a Rango.
C Tope igual a la varianza V[Z(u)].
i
i
i
i
i
i
i
i
80 CAP
ITULO 7. VARIOGRAMA
0
1
2
3
4
5
0 2 4 6 8 10
h
(h)
tope
rango
Figura 7.4: Variograma te orico del modelo esf erico.
En la Figura 7.4 se muestra un modelo esf erico de variograma te orico.
Exponencial
A diferencia del modelo esf erico todas las variables aleatorias se encuentran relacionadas en el ambito
te orico. Aunque debido a lo diminuto de algunas relaciones, se considera un rango no te orico de 3a.
(h) =C(1 e
h
a
) (7.10)
Donde:
a Par ametro que determina el rango (no te orico).
C Tope aproximado a V[Z(u)] (asint otica horizontalmente).
e Base de los logaritmos naturales.
En la Figura 7.5 se muestra un modelo exponencial de variograma te orico.
i
i
i
i
i
i
i
i
7.2. VARIOGRAMA TE

ORICO 81
0
1
2
3
4
5
0 2 4 6 8 10
h
(h)
tope
rango
Figura 7.5: Variograma te orico del modelo exponencial.
Gaussiano
A diferencia del modelo esf erico todas las variables aleatorias se encuentran relacionadas en el ambito
te orico. Aunque debido a lo diminuto de algunas relaciones, se considera un rango no te orico de

3a.
A diferencia del modelo exponencial muestra un comportamiento cuadr atico conforme tiende a 0.
(h) =C(1 e
h
2
a
2
) (7.11)
Donde:
a Par ametro que determina el rango (no te orico).
C Tope aproximado a V[Z(u)] (asint otica horizontalmente).
e Base de los logaritmos naturales.
En la Figura 7.6 se muestra un modelo gaussiano de variograma te orico.
7.2.2. Modelos sin un tope
Si la estacionalidad de segundo orden no es conocida (por ejemplo, la varianzaV[Z(u)] no es nita), pero
la hip otesis intrnseca es verdadera, se obtendr an variogramas que no son constantes, ni se acercan a
una asntota, despu es de cierta distancia.
i
i
i
i
i
i
i
i
82 CAP
ITULO 7. VARIOGRAMA
0
1
2
3
4
5
0 2 4 6 8 10
h
(h)
tope
rango
Figura 7.6: Variograma te orico del modelo Gaussiano.
A continuaci on se mencionan algunos modelos que cumplen con esta propiedad:
Potencial
Se cumple cuando el modelo se puede representar mediante la potencia de un n umero .
(h) =Ch
(7.12)
Donde:
Denida en el intervalo (0, 2).
C Constante.
En la Figura 7.7 se muestra un modelo potencial de variograma te orico.
Complejos
Los modelos listados previamente satisfacen la condici on 7.5. Desafortunadamente estos modelos no
siempre describen la variabilidad de las variables regionalizadas bajo estudio. La combinaci on de los
modelos anteriores ampla el conjunto de los variogramas te oricos.
i
i
i
i
i
i
i
i
7.3. AJUSTE A UN MODELO TE

ORICO 83
0
1
2
3
4
5
0 2 4 6 8 10
h
(h),=1
(h),=0.5
Figura 7.7: Variograma te orico del modelo potencial.
Si
1
(h), ...,
K
(h) son modelos de variogramas que cumplen la condici on 7.5 y c
1
, ..., c
K
son n umeros
no negativos, luego la ecuaci on 7.13 satisface 7.5.
(h) =
K
k=1
c
k
k
(h) (7.13)
7.3. Ajuste a un modelo te orico
Dado que los variogramas experimentales no cumplen con las propiedades estadsticas detalladas, es
necesario ajustarlos a un variograma te orico.
Existen varias aproximaciones: a ojo, mnimos cuadrados y probabilidad m axima.
7.3.1. A ojo
En este m etodo se intenta calcular a ojo el ajuste del variograma emprico a un modelo te orico de
variograma.
Al igual que en 3.1.1, es subjetivo al experto que lo lleva a cabo. Aunque se lo suele usar para detectar
valores extremos, errores de medici on, etc.
i
i
i
i
i
i
i
i
84 CAP
ITULO 7. VARIOGRAMA
7.3.2. Mnimos cuadrados
Este m etodo a diferencia del anterior, es autom atico. Aunque, por otra parte, los errores de medici on
y valores extremos no pueden ser detectados.
Otra desventaja es que el m etodo asume que los errores
18
son independientes de la curva de ajuste (o
variograma te orico), y esto ultimo no es cierto.
7.3.3. Probabilidad m axima
Este m etodo postula para cada distancia h
i
una distribuci on f
h
i
. Esta distribuci on describe la desvia-
ci on entre el conjunto de valores obtenidos para un h
i
y el valor del modelo te orico.
A cada distribuci on se asocia una probabilidad que puede ser calculada a partir de la comparaci on de
la esperanza y el valor del modelo te orico.
P(h
i
) =
E[ f
h
i
(u)]
(h
i
)
(7.14)
La combinaci on de probabilidades que produce el mayor producto es la probabilidad m axima (PM):
PM =
n
i=1
P(h
i
) (7.15)
Dado que se desea maximizar la probabilidad m axima y minimizar el error (calculado por la diferencia
al cuadrado) al mismo instante, se puede minimizar la ecuaci on 7.16 para obtener el ajuste deseado.
=
n
i=1
(
(h
i
) (h
i
))
2
(1 P(h
i
)) (7.16)
Al igual que 7.3.2 es un estimador autom atico. Adem as supone independencia entre los diferentes
puntos, lo cual no es determinable en la mayora de los casos.
18
Desviaci on entre el variograma experimental y el variograma te orico.
i
i
i
i
i
i
i
i
7.4. ISOTROP
IA Y ANISOTROP
IA 85
7.4. Isotropa y anisotropa
La variable regionalizada es isotr opica si su variograma depende s olo de el tama no del vector h. En
este caso el variograma experimental puede ser calculado con la condici on limitante:
|u
i
u
j
| =|h| (7.17)
La isotropa puede ser probada si hay una cantidad suciente de datos bien espaciados
19
. En este
caso los variogramas experimentales correspondientes a diferentes direcciones pueden ser calculados
y comparados.
Aunque en muchos casos, cuando el conjunto de datos es peque no, se debe asumir que el variogr ama
es istotr opico para mejorar la calidad del c alculo (del variograma) para cada distancia h.
Si una funci on no es isotr opica, entonces esta puede mostrar diferentes tipos de anisotropas, como la
geom etrica o la zonal.
7.4.1. Anisotropa geom etrica
La variable regionalizada tiene una anisotropa geom etrica si hay una transformaci on de coordenadas
T tal que Z(u
) = Z(T(u)) es isotr opica. Esto signica que para la anisotropa geom etrica una simple
transformaci on de coordenadas conduce a un caso donde s olo las distancias
20
(del nuevo sistema de
coordenadas) juegan un rol.
Esta transformaci on debe ser aplicada cuando el valor del tope sea el mismo para cada direcci on, pero
el rango vara en cada una de ellas.
Si se dibuja el rango para cada direcci on y se obtiene una elipse
21
, primero se deber a rotar y lue-
go se realizar a la transformaci on T (a partir de las ecuaciones 7.18 y 7.19) para que se logre una
circunferencia.
x
= (xcos+ysin) (7.18)
y
=xsin+ycos (7.19)
19
No necesariamente alineados.
20
Dejando de depender del angulo de la direcci on en la cual se realiza el variograma.
21
En la tridimensi on se utiliza una elipsoide.
i
i
i
i
i
i
i
i
86 CAP
ITULO 7. VARIOGRAMA
Donde:
(x, y) Coordenada original.
Proporci on de transformaci on.

Angulo entre el eje de coordenadas x y el eje principal de la anisotropa (elipse).
(x
, y
) Coordenada resultante de la transformaci on.

Una vez realizada la transformaci on se contin ua con un an alisis isom etrico, y por ultimo se deber a vol-
ver a realizar una transformaci on inversa, para obtener los resultados con el sistema de coordenadas
originales.
7.4.2. Anisotropa zonal
La variable regionalizada tiene una anisotropa zonal si los rangos no convergen a una elipse, o si los
valores de tope son diferentes.
En este caso se deber a utilizar un modelo de anisotropa complejo, para el que cada termino del modelo
puede mostrar diferentes anisotropas geom etricas.
i
i
i
i
i
i
i
i
Captulo 8
Kriging
El variograma es la herramienta principal para algunos c alculos geoestadsticos, como estimar el valor
del par ametro en lugares no muestreados o el valor promedio de un par ametro en un area determinada.
Estos tipos de c alculos pueden ser llevados a cabo a partir de procedimientos como el Kriging Ordinario
o los m etodos no estacionales.
8.1. Kriging Ordinario
Es el m as simple de todos los procedimientos. La estimaci on puede ser realizada para un punto parti-
cular o se podra calcular un valor promedio para un bloque determinado.
8.1.1. Kriging Ordinario Puntual
El problema de la interpolaci on (y la extrapolaci on) es la estimaci on de un par ametro en una posici on
no muestreada.
Un estimador lineal que combine los valores muestreados de las variables regionalizadas deber a ser
encontrado. Esto signica que el estimador es de la forma:
Z
(u) =
n
i=1
i
Z(u
i
) (8.1)
87
i
i
i
i
i
i
i
i
88 CAP
ITULO 8. KRIGING
Donde:
Z
(u) Estimaci on para cualquier localizaci on u.

Z(u
i
) Valor del par ametro muestreado en la localizaci on u
i
.
i
Coecientes de ajuste de la estimaci on al par ametro.
Existen innitos valores para los coecientes
i
y es deseable seleccionarlos manteniendo insesgado al
estimador, generando la varianza de la estimaci on m as baja posible.
Usando la estacionalidad de segundo orden o la hip otesis intrnseca se tiene:
E[Z(u)] = mu D (8.2)
Luego el estimador lineal queda como:
E[Z
(u)] =
n
i=1
i
E[Z(u
i
)] = m (8.3)
La condici on que tienen que cumplir los coecientes para que la estimaci on sea insesgada es:
n
i=1
i
= 1 (8.4)
Luego, si se utiliza la hip otesis de estacionalidad de segundo orden la varianza de la estimaci on est a dada
por la funci on cuadr atica:
2
(u) =V[Z(u) Z
(u)] = E[(Z(u)
n
i=1
i
Z(u
i
))
2
] (8.5)
2
(u) = E[Z(u)
2
+
n
i=1
n
j=1
j
Z(u
i
)Z(u
j
) 2
n
i=1
i
Z(u
i
)Z(u)] (8.6)
2
(u) =Cov(0) +
n
i=1
n
j=1
j
Cov(u
i
u
j
) 2
n
i=1
i
Cov(u
i
u) (8.7)
El mejor estimador lineal insesgado (en ingl es BLUE
22
) es aquel que hace mnima a la varianza de la
estimaci on, teniendo en cuenta la condici on 8.4.
22
Best Linear Unbiased Estimator.
i
i
i
i
i
i
i
i
8.1. KRIGING ORDINARIO 89
Este problema de estimaci on restringida puede ser resuelto mediante el multiplicador de Lagrange
[Hoa84].
K(, ) =
2
(u) 2(
n
i=1
i
1)) (8.8)
Si se realizan las derivadas parciales para cada
i
y con respecto a , y se iguala a cero se encontrar a la
varianza mnima de la estimaci on.
dK(
i
, )
d
i
= 0i; u
i
D (8.9)
dK(, )
d
= 0 (8.10)
El sistema de kriging
23
en t erminos de covarianzas queda compuesto por:
n
j=1
j
Cov(u
i
u
j
) =Cov(u
i
u)i = 1, ..., n (8.11)
n
j=1
j
= 1 (8.12)
Si en lugar de la estacionalidad de segundo orden se utiliza la hip otesis intrnseca, la varianza de la
estimaci on queda dada por:
2
(u) =V[Z(u) Z
(u)] =
n
j=1
n
i=1
i
(u
i
u
j
) +2
n
i=1
i
(u
i
u) (8.13)
Y al minimizarla, el sistema de kriging en t erminos de variogramas es:
n
j=1
j
(u
i
u
j
) + = (u
i
u)i = 1, ..., n (8.14)
n
j=1
j
= 1 (8.15)
8.1.2. Kriging Ordinario por Bloques
Con frecuencia lo que se necesita es un promedio de los valores del par ametro sobre cierta area, en
lugar de un valor especco de una ubicaci on. Esto podra ser realizado estimando una gran cantidad
de puntos en el area y tomando el promedio de los valores.
23
Es un sistema de ecuaciones resultante de la minimizaci on teniendo en cuenta al Multiplicador de Lagrange y a los coecientes
i
.
i
i
i
i
i
i
i
i
90 CAP
ITULO 8. KRIGING
Una forma m as simple de hacerlo, es suponer que el promedio del par ametro sobre cierto volumen B
(o bloque) perteneciente al dominio D va a ser estimado.
Z(B) =
1
|B|
Z
B
Z(u)du (8.16)
Nuevamente, se debe encontrar un estimador de la forma:
Z
(B) =
n
i=1
i
Z(u
i
) (8.17)
La condici on que mantendr a a la estimaci on insesgada ser a:
n
i=1
i
= 1 (8.18)
La varianza de la estimaci on ser a:
2
(B) =V[Z(B) Z
(B)] =(B, B)
n
j=1
n
i=1
i
(u
i
u
j
) +2
n
i=1
i
(u
i
, B) (8.19)
Donde:
B Bloque, volumen.
(h) Variograma para una distancia h dada.
(B, B) Variograma promedio entre dos bloques.
(u
i
, B) Variograma promedio entre un punto y un bloque.
Si (u
i
, B) y (B, B) se calculan mediante:
(u
i
, B) =
1
|B|
Z
B
(u
i
u)du (8.20)
(B, B) =
1
|B|
Z
B
Z
B
(u v)dudv (8.21)
i
i
i
i
i
i
i
i
Luego, la minimizaci on de
2
(B) manteniendo la estimaci on insesgada produce el siguiente sistema de
ecuaciones:
n
j=1
j
(u
i
u
j
) + = (u
i
, B)i = 1, ..., n (8.22)
n
j=1
j
= 1 (8.23)
8.1.3. El variograma y el kriging
Como la varianza de la estimaci on y las ecuaciones del kriging est an calculadas con la ayuda del vario-
grama, es evidente que este ultimo cumple un rol importante.
Utilizar el variograma en el kriging no s olo produce el valor esperado, sino que adem as calcula la
varianza de la estimaci on correspondiente. Esto ultimo determina la calidad de la estimaci on, ya que
una varianza alta signica poca certeza en la estimaci on. Por otro lado, la varianza de la estimaci on
ser a cero para las estimaciones de las posiciones muestreadas.
Comparando las varianzas de las estimaciones que se obtienen al usar el kriging puntual y el kriging
por bloques, se puede ver que la varianza del ultimo es notablemente menor.
Esto se debe al t ermino adicional (B, B) de la varianza de la estimaci on por bloques. A medida que
(B, B) aumenta con el tama no del bloque, la varianza de la estimaci on decrece, dando mayor exactitud
que una estimaci on puntual.
8.1.4. El Kriging en la pr actica
Usualmente los puntos utilizados para el kriging puntual o por bloques son seleccionados dentro de
cierta distancia (o rango) teniendo en cuenta la anisotropa.
Si a un as contin uan quedando demasiados puntos, se selecciona un vecindario con los n puntos m as
cercanos, donde n es un lmite preestablecido.
Es importante destacar que la selecci on de un vecindario falla si los puntos se encuentran esparcidos
irregularmente. En este ultimo caso es necesario utilizar una b usqueda direccional.
i
i
i
i
i
i
i
i
92 CAP
ITULO 8. KRIGING
8.1.5. Kriging con un variograma falso
Algunas veces, el kriging es obtenido mediante la utilizaci on de variogramas te oricos en lugar de los
variogramas experimentales. En este caso al realizar la selecci on de los par ametros del variograma, se
debe tener en cuenta que se afecta directamente a los resultados del kriging.
Usualmente se suele utilizar un modelo complejo con dos elementos: un efecto pepita y un modelo simple
(esf erico, exponencial, gaussiano o lineal).
8.1.6. Validaci on cruzada
Dado que la peculiaridad de las observaciones complica la utilizaci on de pruebas estadsticas, y que la
subjetividad del ajuste a ojo en los variogramas te oricos debera ser controlada para reducir su error,
la validaci on cruzada es un procedimiento que prueba al variograma te orico estimado.
Para cada localizaci on de muestreo u
i
los valores son estimados (usando kriging) como si fueran des-
conocidos. Este estimador es representado por Z
v
(u
i
) y su correspondiente desvo est andar
v
(u
i
).
Luego, los valores de la estimaci on son comparados con los valores verdaderos Z(u
i
). Si la desviaci on
est andar del kriging es interpretada como un error de estimaci on con distribuci on normal (N(0, 1)),
entonces:
S(u
i
) =
Z
v
(u
i
) Z(u
i
)
v
(u
i
)
; S(u) N(0, 1) (8.24)
En caso de diferir de N(0, 1) signica que el ajuste puede ser mejorado. Por otra parte, este procedi-
miento suele utilizarse para detectar valores extremos o atpicos.
8.1.7. Kriging con datos inciertos
Frecuentemente un mismo par ametro es medido o estimado mediante diferentes m etodos. Si estos
m etodos producen resultados con diferentes precisiones, las mediciones deberan ser manejadas te-
niendo en cuenta estas diferencias.
Para cada u
i
existe un t ermino de error (u
i
) que cumple con las siguientes propiedades:
Insesgada
E[(u
i
)] = 0 (8.25)
i
i
i
i
i
i
i
i
Sin correlaci on
E[(u
i
)(u
j
)] = 0i = j (8.26)
Sin correlaci on con los valores del par ametro
E[(u
i
)Z(u
i
)] = 0 (8.27)
Por conveniencia se desarrolla s olo la estimaci on para un bloque B, que est a dada por:
Z
(B) =
n
i=1
i
(Z(u
i
) +(u
i
)) (8.28)
La condici on que mantendr a insesgados a la variable aleatoria de la estimaci on seguir a siendo:
n
i=1
i
= 1 (8.29)
Y la varianza de la estimaci on es:
2
(B) =V[Z(B) Z
(B)] (8.30)
2
(B) =(B, B)
n
j=1
n
i=1
i
(u
i
u
j
) +2
n
i=1
i
(u
i
, B) +
n
i=1
2
i
E[(u
i
)
2
] (8.31)
Al minimizar la varianza de la estimaci on se obtiene un sistema de ecuaciones similar al sistema del
kriging ordinario:
n
j=1
j
(u
i
u
j
) +
i
E[(u
i
)
2
] + = (u
i
, B)i = 1, ..., n (8.32)
n
j=1
j
= 1 (8.33)
8.1.8. Kriging Simple
El kriging ordinario supone que el valor esperado es el mismo para cualquier posici on del dominio D,
descartando la existencia de variables regionalizadas que posean una variabilidad en su valor esperado
para distintas posiciones del dominio.
El kriging simple es una alternativa al kriging ordinario que tiene en cuenta al valor medio esperado
m(u) (no necesariamente constante) en todo el dominio D.
i
i
i
i
i
i
i
i
94 CAP
ITULO 8. KRIGING
La funci on de estimaci on queda expresada como:
Z
(u) = m(u) +
n
i=1
i
(Z(u
i
) m(u
i
)) (8.34)
La condici on que mantendr a insesgados a la variable aleatoria de la estimaci on es:
E[Z
(u) Z(u)] = m(u) +

n
i=1
i
E[Z(u
i
) m(u
i
)] m(u) = 0 (8.35)
La varianza del estimador es:
V[Z
(u) Z(u)] = E[Z
(u)
2
+Z(u)
2
2Z
(u)Z(u)] (8.36)
V[Z
(u) Z(u)] =
n
i=1
n
j=1
j
Cov(u
i
u
j
) +Cov(0) 2
n
i=1
i
Cov(u
i
u) (8.37)
La varianza de la estimaci on es mnima si:
dV[Z
(u) Z(u)]
d
i
= 0i; u
i
D (8.38)
Por ultimo el sistema de ecuaciones para el kriging simple tiene la siguiente forma:
n
j=1
j
Cov(u
i
u
j
) =Cov(u
i
u)i = 1, ..., n (8.39)
8.2. M etodos no estacionales
Desafortunadamente, muchos par ametros naturales no cumplen con la hip otesis intrnseca por causa
de cambios sistem aticos en el valor del par ametro medido.
Los cambios sistem aticos contaminan el variograma experimental y conducen a resultados inaceptables.
Si se supone que la primera condici on ( 6.5) de la hip otesis intrnseca no es constante y en su lugar se
tiene una deriva sistem atica no conocida. Y por otra parte, la diferencia entre la variable regionalizada
y la deriva es intrnseca, entonces:
Z(u) = f (u) +Y(u) (8.40)
Z(u) f (u) =Y(u) (8.41)
i
i
i
i
i
i
i
i
8.2. M
ETODOS NO ESTACIONALES 95
Donde:
Z(u) Valor del par ametro (variable regionalizada).
Y(u) Funci on intrnseca, tal que E[Y(u)] = 0.
f (u) Funci on que representa la deriva.
El m etodo de ajuste que se suele utilizar para estimar la deriva es el ajuste por mnimos cuadrados. Esto
requiere que no exista relaci on entre los residuos, quedando independientes entre si. Pero contradice
la ecuaci on mas general, dado que la variable regionalizada es la suma de una deriva f (u) y un residuo
intrnseco Y(u). Solo ser a verdadero si los residuos tienen variogramas con efecto pepita puro.
Para tratar con la deriva se presentar an dos m etodos diferentes: el kriging universal y el kriging con
deriva externo.
8.2.1. Kriging Universal
El problema principal en los casos no estacionales es que la estimaci on de la deriva requiere del vario-
grama, pero la estimaci on del variograma requiere del conocimiento de la deriva.
El kriging universal es un m etodo donde la deriva se obtiene de forma iterativa con el n de estimar el
variograma, esto es posible porque en el kriging la deriva no se utiliza, y su efecto es ltrado.
El agregado de constantes a la variable regionalizada no afecta al variograma. Por lo que la deriva f (u)
debe ser contemplada como una constante aditiva:
f (u) =
S
s=0
b
s
f
s
(u) (8.42)
Donde:
f
0
(u) es igual a 1.
b
s
deben ser averiguados para s > 0.
i
i
i
i
i
i
i
i
96 CAP
ITULO 8. KRIGING
La funci on anterior es cierta en un ambito local, dentro de un vecindario. Los coecientes b
s
son
estimados a partir de una combinaci on lineal de los valores medidos:
b
s
=
n
i=1
d
i,s
Z(u
i
) (8.43)
Donde:
b
s
Estimaci on del los coecientes b
s
.
d
i,s
Coeciente que determina la relaci on lineal con cada Z(u
i
).
Z(u
i
) Valor medido en la posici on u
i
.
Estos estimadores deberan ser insesgados, por lo que deber an cumplir la condici on:
E[b
s
] = b
s
=
n
i=1
d
i,s
E[Z(u
i
)] (8.44)
Usando la ecuaci on 8.42 se tiene:
b
s
=
n
i=1
d
i,s
_
S
q=1
b
q
f
q
(u
i
)
_
(8.45)
A partir de la ecuaci on anterior se obtiene:
b
s
=
S
q=1
b
q
_
n
i=1
d
i,s
f
q
(u
i
)
_
(8.46)
Si las funciones f
s
(u) son linealmente independientes, de la ecuaci on anterior se deduce que:
n
i=1
d
i,s
f
q
(u
i
)
_
1 si q = s
0 si q = s
(8.47)
La varianza para cada coeciente estimado b
s
es:
V[b
s
] =V
_
n
i=1
d
i,s
Z(u
i
)
_
(8.48)
i
i
i
i
i
i
i
i
8.2. M
ETODOS NO ESTACIONALES 97
Y dado que la varianza de la estimaci on ser a nita, se cumple la condici on:
n
i=0
d
i,s
= 0 (8.49)
Usando la ecuaci on 8.48 se calcula:
V[b
s
] =
n
i=1
n
j=1
d
i,s
d
j,s
(u
i
u
j
) (8.50)
Si se utiliza el multiplicador de Lagrange para agregar las condiciones 8.49 y 8.47; y luego se minimiza
la funci on, se obtiene un sistema de kriging semejante a los anteriores.
n
j=1
(u
i
u
j
) +
0,s
+
S
q=1
q,s
f
s
(u) = 0i = 1, ..., n (8.51)
n
i=1
d
i,s
= 0 (8.52)
n
i=1
d
i,s
f
q
(u
i
)
_
1 si q = s
0 si q = s
(8.53)
Al resolver el sistema de ecuaciones anterior para s =1, ..., S se obtienen los coecientes d
i,s
y utilizando
a estos ultimos los b
s
. Esta aproximaci on tiene el problema que el c alculo de los coecientes necesita
de los variogramas. El procedimiento iterativo siguiente realiza una estimaci on del variograma te orico
para resolver el conicto.
1 Determinar el tipo de la deriva (usualmente el orden del polinomio).
2 Desarrollar un variograma te orico y calcular los coecientes de la deriva.
3 Calcular el variograma experimental de los residuos Y(u).
4 Comparar los variogramas te orico y experimentales desarrollados en los pasos 2 y 3. Parar si la correspon-
dencia entre las dos curvas es buena. Sino repetir el paso 2 con un nuevo variograma te orico reajustado
al variograma experimental.
Una vez que los variogramas hayan sido calculados se procede con la estimaci on para un punto o un
bloque de forma semejante a como se lleva a cabo el kriging ordinario:
Z
(u) =
n
i=1
i
Z(u
i
) (8.54)
i
i
i
i
i
i
i
i
98 CAP
ITULO 8. KRIGING
La condici on de imparcialidad que mantiene a la variable aleatoria insesgada es:
E
_
n
i=1
i
Z(u
i
) Z(u)
_
= 0 (8.55)
Al usar las ecuaciones 8.40 y 8.42 se tiene:
n
i=1
i
S
s=0
b
s
f
s
(u
i
)
S
s=0
b
s
f
s
(u) (8.56)
Al sacar factor com un se tiene:
S
s=0
b
s
_
n
i=1
i
f
s
(u
i
) f
s
(u)
_
= 0 (8.57)
La ecuaci on anterior se debera mantener para cualquier b
s
. Entonces se cumplir a si:
n
i=1
i
f
s
(u
i
) f
s
(u) = 0s = 0, ..., S (8.58)
La varianza de la estimaci on es:
2
(u) =V[Z(u) Z
(u)] =
n
j=1
n
i=1
i
(u
i
u
j
) +2
n
i=1
i
(u
i
u) (8.59)
Si se aplican los multiplicadores de Lagrange correspondientes y se minimiza la ecuaci on resultante se
obtiene el sistema de kriging:
n
j=1
j
(u
i
u
j
) +
S
s=0
s
f
s
(u
i
) = (u
i
u) i = 1, ..., n (8.60)
n
i=1
i
f
s
(u
i
) = f
s
(u) s = 0, ..., S (8.61)
El kriging universal fue el primer m etodo geoestadstico para las funciones aleatorias no estacionarias.
La estimaci on iterativa del variograma consume una gran cantidad de tiempo y no hay garantas de
que los resultados converjan.
i
i
i
i
i
i
i
i
8.3. ACTUALIZACI

ON SIMPLE 99
8.2.2. Kriging con Deriva Externa
Si se supone que existe la variable aleatoria regionalizada Y(u) que est a relacionada linealmente con
Z(u). La hip otesis del valor esperado constante es reemplazado por:
E[Z(u)|Y(u)] = a +bY(u) (8.62)
Dado que a y b son constantes desconocidas, el estimador lineal debera ser insesgado para cualquier
valor de a y b:
Z
(u) =
n
i=1
i
Z(u
i
) (8.63)
Minimizando la varianza de la estimaci on bajo las precondiciones que se mencionaron se tiene:
I
j=1
j
(u
i
u
j
) +
1
+
2
Y(u
i
) = (u
i
u)i = 1, ..., I (8.64)
I
j=1
j
= 1 (8.65)
I
j=1
j
Y(u
j
) =Y(u) (8.66)
Es deseable aplicar kriging con deriva externa
24
si la informaci on secundaria existe en una alta resolu-
ci on espacial con respecto a la variable principal y se encuentra distribuida dentro de una grilla.
8.3. Actualizaci on Simple
La actualizaci on simple es un m etodo de kriging que utiliza informaci on adicional para mejorar sus
resultados.
Si se tiene en cuenta que la variable secundaria L(u) complementa a la variable primaria Z(u), dado
que L(u) est a disponible para cada punto del dominio y se encuentra relacionada con Z(u) mediante la
esperanza condicional:
E[Z(u)|L(u) = l] = m
l
(8.67)
24
O External Drift Kriging (EDK) en ingl es.
i
i
i
i
i
i
i
i
100 CAP
ITULO 8. KRIGING
Y mediante la varianza condicional:
V[Z(u)|L(u) = l] =
2
l
(8.68)
Una primera estimaci on de Z(u) basada solamente en L(u):
Z
(u) = m
l
+
l
(8.69)
Donde:
l
Error aleatorio.
Tal que E[
l
] = 0 y su varianza es
2
l
. Si se usa Z
(u) combinadas con las observaciones Z(u

i
) para la
estimaci on de Z(u), se tiene:
Z
(u) =
0
Z
(u) +
n
i=1
i
Z(u
i
) (8.70)
Luego, la varianza de la estimaci on estara dada por:
V[Z(u) Z
(u)] (8.71)
j=1
n
i=1
i
(u
i
u
j
) +2
n
i=1
i
(1
0
)(u
i
u) +
2
0
E[
2
l
] (8.72)
Y al minimizar la varianza de la estimaci on de forma que sea insesgada mediante el multiplicador de
Lagrange se tiene:
n
j=1
j
(u
i
u
j
) + = (1
0
)(u
i
u)i = 1, ..., n (8.73)
n
j=1
j
(u u
j
) + =
0
2
l
(8.74)
n
j=0
j
= 1 (8.75)
El la pr actica la informaci on adicional es de forma discreta y existe para cada localizaci on. Para cada
clase l la media y la varianza pueden ser calculadas por:
m
l
=

n
i=1
Z(u
i
)
n
i=1
1
; L(u
i
) = l (8.76)
2
l
=

n
i=1
(Z(u
i
) m
l
)
2
(
n
i=1
1) 1
; L(u
i
) = l (8.77)
i
i
i
i
i
i
i
i
8.4. KRIGING SOBRE SERIES TEMPORALES 101
8.4. Kriging sobre Series Temporales
Los m etodos geoestadsticos fueron pensados para problemas mineros y geol ogicos, donde para cada
localizaci on se realizaba una medici on. Aunque en muchas otras aplicaciones la misma localizaci on
puede ser usada para varias mediciones. Por ejemplo, las precipitaciones o la calidad del agua sub-
terr anea son medidas regularmente en el tiempo. La cuesti on es como modelar y utilizar de forma
geoestadstica estas mediciones.
Una forma posible de incluir el tiempo es extendiendo la hip otesis intrnseca con la dimensi on del
tiempo. Esto signica que las localizaciones de la muestra consiste de dos partes: una espacial (1, 2
o 3 dimensiones) y una temporal. Esta aproximaci on es razonable para variables aleatorias de tiempo
continuo como la calidad del agua subterr anea. Aunque no es apropiada para par ametros basados en
eventos (en las precipitaciones no se puede usar la precipitaci on del 1 de Junio y del 30 de Junio para
calcular la del 15 de Junio).
Otra posible extensi on es el uso de los datos correspondientes a un mismo tiempo como una realizaci on,
y suponer que las diferentes realizaciones corresponden a un mismo proceso. Este m etodo no excluye al
primero, los instantes de un proceso espacio-temporal intrnseco son tambi en intrnsecos en el espacio,
y los variogramas espaciales son los mismos.
8.4.1. Intrnsecas en el espacio-tiempo
La funci on aleatoria Z(u,t) es intrnseca en el espacio-tiempo si:
E[Z(u,t)] = m (8.78)
El semivariograma espacio temporal es independiente de la localizaci on u y del tiempo t:
(h, t) =
1
2
V[Z(u +h,t +t) Z(u,t)] (8.79)
El problema que surge al calcular los semivariogramas espacio temporales es que no hay una funci on
de distancia en com un. Las distancias espaciales pueden ser calculadas, al igual que las diferencias de
tiempo, pero lo que no se conoce es el equivalente espacial para una diferencia de tiempo. Esto se puede
obtener calculando los semivariogramas experimentales para el espacio y el tiempo de forma separada.
Para la componente temporal:
T
(t) =
1
2N
T
(t)

(i, j)R
T
(t)
(Z(u
i
,t
i
) Z(u
j
,t
j
))
2
(8.80)
i
i
i
i
i
i
i
i
102 CAP
ITULO 8. KRIGING
Donde:
R
T
(g) {(i, j); g |t
i
t
j
| g + y (u
i
= u
j
)}
N
T
(g) Cantidad de elementos en R
T
(g).
Para la estructura espacial:
S
(h) =
1
2N
S
(h)

(i, j)R
S
(h)
(Z(u
i
,t
i
) Z(u
j
,t
j
))
2
(8.81)
Donde:
R
S
(g) {(i, j); g |u
i
u
j
| g + y |t
i
t
j
| }
N
S
(g) Cantidad de elementos en R
S
(g).
Luego, existen dos situaciones:
El tipo de los dos variogramas experimentales son similares, tienen el mismo efecto pepita y el mismo
tope. Esto signica que cuanto mucho se observar a una anisotropa geom etrica que ser a tratada con
una transformaci on lineal, resultando un modelo isotr opico. La distancia de un vector (h, t) se dene
como:
|(h, t)| =
_
|h|
2
+k
t
|t|
2
(8.82)
El tipo de los dos variogramas experimentales son diferentes, teniendo una forma diferente y/o un tope
distinto. En este caso se modelar a un variograma te orico de acuerdo a una anisotropa zonal. En este
caso el variograma espacio temporal
ST
(h, t) puede ser escrito como:
ST
(h, t) =
S
(h) +
T
(h) (8.83)
En ambos casos el sistema de kriging se calcula de igual manera que en casos anteriores.
8.4.2. Intrnsecas en el espacio e independientes del tiempo
La funci on aleatoria Z(u,t) es espacialmente intrnseca con el variograma independiente del tiempo si:
E[Z(u,t)] = m (8.84)
i
i
i
i
i
i
i
i
8.4. KRIGING SOBRE SERIES TEMPORALES 103
El variograma espacial es independiente de la localizaci on u y del tiempo t si t :
(h) =
1
2
V[Z(u +h,t +t) Z(u,t)] (8.85)
8.4.3. Intrnsecas en el espacio y dependientes del tiempo
La funci on aleatoria Z(u,t) es espacialmente intrnseca con el variograma dependiente del tiempo si:
E[Z(u,t)] = m(t) (8.86)
El variograma espacial para un tiempo t es independiente de la localizaci on u si t y k(t) es una
funci on de tiempo dependiente:
(h,t) = k(t)
1
2
V[Z(u +h,t +t) Z(u,t)] (8.87)
Por ejemplo:
Semivariograma proporcional con la media:
k(t) = m(t)
2
(8.88)
Esto signica que
Z(u,t)
m(t)
es espacialmente intrnseca con un variograma independiente del tiempo.
Semivariograma proporcional con la varianza:
k(t) =V[Z(u,t)] con t jo (8.89)
Esto signica que la estructura de correlaci on se preserva a trav es del tiempo.
8.4.4. Series temporales interpretadas como diferentes realizaciones
En el caso de par ametros basados en eventos o con cambios bruscos, las series temporales pueden ser
utilizadas para un an alisis mas profundo de la estructura de correlaci on espacial. Esto requiere que se
asuman como similares aquellos procesos observados en instantes de tiempo cercanos, pero la similitud
es solo aceptada en la correlaci on de los eventos en la distribuci on espacial.
Si esto se cumple, puede ser detectado mediante el c alculo del coeciente de correlaci on para series
temporales de los distintos pares de localizaciones (u
i
, u
j
):
i j
=
Cov
T
(Z(u
i
,t), Z(u
j
,t))
_
V[Z(u
i
,t)]V[Z(u
j
,t)]
(8.90)
i
i
i
i
i
i
i
i
104 CAP
ITULO 8. KRIGING
Siendo la covarianza temporal:
Cov
T
(Z(u
i
,t), Z(u
j
,t)) = E[Z(u
i
,t) E[Z(u
i
,t)]Z(u
j
,t) E[Z(u
j
,t)]] (8.91)
El coeciente de correlaci on es el coeciente temporal estandarizado entre dos series temporales, donde:
valor positivo (max: 1) Relaci on lineal positiva fuerte.
valor neutral 0 Sin relaci on lineal.
valor negativo (min: 1) Relaci on lineal negativa fuerte.
Si al coeciente anterior se lo calcula para un numero de pares, de tal forma que denote una funci on
con respecto a la distancia entre los pares, mostrara una gura similar a la obtenida por una funci on
de covarianza espacial (Funci on 6.3, Figura 6.2).
Si la hip otesis de similitud es conocida los coecientes de correlaci on pueden utilizarse para:
Una nube de covarianzas, similar a la nube del variograma, que puede ser utilizada para el c alculo del
kriging.
La informaci on contenida en la estructura de la correlaci on espacial, que puede ser utilizada para futu-
ras optimizaciones de la funci on de correlaci on te orica.
i
i
i
i
i
i
i
i
Bibliografa
[Ber] Levine Berenson. Estadstica para la Administraci on.
[B a] Andr as B ardossy. Introduction to Geostatistics.
[Cai08] Amanda Walters; Qian Cai. Investigating the use of holt-winters time series model for forecasting
population at the state and sub-state levels. Febrero 2008. Demographics and Workforce Section,
Weldon Cooper Center for Public Service, University of Virginia.
[Cap] Carlos Capelletti. Elementos de Estadstica.
[Fer04a] Ignacio Cascos Fern andez. Estadstica descriptiva. 2004.
[Fer04b] Jes us S anchez Fern andez. Introducci on a la Estadstica Empresarial. 2004. ISBN: 84-688-9882-1.
[Hoa84] Nguyen Dinh Hoa. The lagrange multiplier function in the equation approach to constrained opti-
mization. Universitatis Iagellonicae Acta Matem atica, XXIV:99117, 1984.
[Kal04] Prajakta S. Kalekar. Time series forecasting using holt-winters exponential smoothing. Diciembre
2004. Kanwal Rekhi School of Information Technology.
[Men] William Mendenhall. Estadstica para administradores.
[Mus67] Julius Shiskin; Allan H. Young; John C. Musgrave. The x-11 variant of the census method ii
seasonal adjustement program. Technical report, Boreau of the Census Economic Research and
Analysis Division, Febrero 1967.
[P e03] Luis Lechuga P erez. M etodos estadsticos en la ingeniera. Departamento de Matem atica Aplicada,
Universidad de M alaga, 2003.
[Wik] Wikipedia. Probabilidad.
105

Estadistica PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estadistica PDF

Caricato da

Copyright:

Formati disponibili

i

2.9.5. Distribuci on Hipergeom etrica

entonces (p) = (p 1)!

ITULO 4. ENFOQUE CAUSAL

ITULO 4. ENFOQUE CAUSAL

ITULO 5. VARIABLES REGIONALIZADAS

(h) Estimaci on del variograma para h.

) Coordenada resultante de la transformaci on.

(u) Estimaci on para cualquier localizaci on u.

(u) Z(u)] = m(u) +

(u) Z(u)] = E[Z

(u) combinadas con las observaciones Z(u

Potrebbero piacerti anche