UNA COMPARACION DE DOS METODOLOGIAS PARA LA ESTIMACION DEL

VARIOGRAMA DE UN PROCESO ESPACIAL

Angela M. Diblasi
Titular de la Ctedra Estadstica
Graciela Luca Nardecchia
Mara Elena Zabal
Jefes de Trabajos Prcticos de la Ctedra Estadstica
Facultad de Ciencias Econmicas
Universidad Nacional de Cuyo
Resumen
La estimacin del variograma es un aspecto crucial en la modelizacin de un
proceso estocstico espacial. Sin embargo existen en la literatura especfica slo
referencias bajo supuestos muy limitados. Cuando la estructura de covarianza es
desconocida y no se puede descartar la presencia de tendencia, la estimacin del
variograma por mnimos cuadrados ordinarios en general introduce sesgo.
En este trabajo se plantea como alternativa para la estimacin del variograma la
utilizacin de los residuos resultantes de aplicar la metodologa del pulido de
medianas.
Se realiza adems una comparacin de ambas metodologas en el contexto de
prediccin.
La propuesta se ilustra con una aplicacin a un proceso espacial que representa las
temperaturas medias del mes de agosto en Argentina.
UNA COMPARACION DE DOS METODOLOGIAS PARA LA ESTIMACION DEL
VARIOGRAMA DE UN PROCESO ESPACIAL
Angela M. Diblasi
Titular de la Ctedra Estadstica
Graciela Luca Nardecchia
Mara Elena Zabal
Jefes de Trabajos Prcticos de la Ctedra Estadstica
Facultad de Ciencias Econmicas
Universidad Nacional de Cuyo
Introduccin
Existen en la literatura estudios para modelar procesos que involucran variables
climticas como la temperatura. Sin embargo la mayora de estos estudios no tienen
en
cuenta la dependencia espacial, an cuando naturalmente estos fenmenos son
espaciales.
Tradicionalmente los temas relacionados con el estudio de modelos para datos
espaciales han sido incluidos en la disciplina conocida como Geoestadstica. Aunque
sus
orgenes pueden ser atribuidos a Matheron en la dcada del sesenta, fue recin en la
dcada del ochenta cuando varias contribuciones condujeron al desarrollo de las
herramientas estadsticas especficas para problemas provenientes de la geologa y la
ingeniera minera.
Debido al reciente desarrollo de estas tcnicas existe una carencia de
herramientas apropiadas a cada problema.
Con el objetivo de explorar las herramientas estadsticas espaciales existentes nos
hemos propuesto aplicarlas a un conjunto de datos reales. La muestra considerada
responde a valores de temperaturas medias del mes de agosto tomadas en distintas

estaciones de la Argentina.
Descripcin del problema
Para construir un modelo adecuado consideramos un proceso estocstico:

Z(s), s Ddonde D es la regin en estudio, es decir un subconjunto

de R2 y
Z(s ) representa la media de la temperatura del mes de agosto en un lugar especfico
s
de la Argentina. Las coordenadas espaciales estn en consecuencia determinadas
por s
= (x, y) donde x representa la latitud e y la longitud.
Vamos a considerar que este proceso puede ser descompuesto en una parte no
aleatoria que representar la tendencia en el espacio, y una parte aleatoria que
reflejar
particularmente la estructura de covarianza o variacin en pequea escala. Es decir,

Z(s) (s) (s)

donde ( s ) es una funcin no aleatoria de la ubicacin espacial, es decir
s x y x y 0 1 2 ( ) ( , ) , donde s x,
yy (s)es un proceso

aleatorio con media nula.

Un punto de partida en este trabajo es la estimacin de la media o drift para

( s ) para cada s de la regin en estudio y la funcin de autocovarianza

cov( s ,s ) covZ( s ),Z( s )i j i j para cada par ( s , s ) i j de puntos en el

recinto

espacial o el variograma s , s varZ( s ) Z( s )i j i j .

La estructura de covarianza o variacin a pequea escala del proceso

Z(s)est

representada por el proceso

(s).

(s)y la media o variacin a gran escala por

En principio para simplificar el problema, supondremos que el proceso

(s)es

Gaussiano con media nula estacionario e isotrpico. Es decir su variograma es una

curva que depende de la distancia entre todos los posibles pares posibles de
ubicaciones
a las que han sido observadas las variables del proceso, es decir

s s s s s s h

ijijij

, var ( ) ( )

Aspectos preliminares
Como se mencion anteriormente hay dos puntos importantes a considerar:
a) La estimacin de (s)
b) La estimacin de la estructura de covarianza o el variograma.

En este sentido si (s) s , es decir (s) es una funcin de las

ubicaciones espaciales, entonces el variograma no puede estimarse directamente, es
decir a travs de

Z(s).

Por otra parte, si el variograma no es igual a una constante, es decir (h) no es

una funcin constante de h, o lo que es lo mismo decir que las variables del proceso

Z(s)no son independientes, entonces la estimacin de (s) no puede

hacerse
utilizando el mtodo de los mnimos cuadrados ordinarios.
La pregunta inicial es cmo analizar si existe tendencia?.
Anlisis Exploratorio de los datos
Esta es una forma preliminar del anlisis de la informacin espacial cuyo propsito
es hacer una identificacin inicial de las propiedades de la informacin. Los mtodos
utilizados son los propuestos por Tukey (1977) adaptados a las necesidades de los
datos
espaciales.
Los mtodos exploratorios necesitan ser resistentes a las observaciones que son
atpicas del modelo subyacente.
1. Deteccin De Outliers
Uno de los objetivos del anlisis exploratorio de datos es la deteccin de outliers
que se consideran observaciones inusuales en relacin con sus vecinos.
Implcitamente
esto quiere decir que el modelo subyacente est gobernado por una clase de
estacionariedad local que en general no es garanta de estacionariedad global. La
estacionariedad local puede modelarse considerando que la esperanza de una
variable
Z(s) del proceso es una funcin suave de la posicin s.
Si se fija una direccin en el conjunto D y se analizan medias y medianas en esa
direccin se puede detectar tanto la tendencia como la presencia de outliers.
Las direcciones que se han fijado en el ejemplo de las temperaturas son dos: filas y
columnas, Por esta razn se han reubicado los datos originales en una grilla regular
de
acuerdo a un sistema de coordenadas cartesianas colocando en el eje x las latitudes y
en