TALLER DE GEOESTADSTICA

Preparado por: Darney Ceballos E, Ingeniero Forestal. Esp en SIG. Esp en Gestin
Ambiental, ddceball@gmail.com
Con Geostatistical Analyst es posible explorar la variabilidad de datos, exami nar
tendencias globales e investigar la autocorrelacin y la correlacin entre los datos, de
igual forma se pueden crear predicciones y calcular errores de predicciones.
Lo primero que se tiene que hacer para iniciar un anlisis geoestadstico con Arcgis es el
anlisis exploratorio de los datos y por ltimo el anlisis estructural de los datos.
Lo primero que se debe hacer es crear un shape de puntos a partir de datos de
coordenadas geogrficas o planas.
1. Cargue el archivo de Excel estaciones y convierta el archivo de Excel en un shape
de puntos
El archivo contiene informacin de lluvias de la cuenca del ro Porce

Cargue el archivo de municipios para tener una ubicacin geogrfica de las estaciones
2. Cargue la extensin de geoestadstica
Una vez creado o agregado el shape en Arcmap, damos clic en Geostatistical Analyst,
seguido de Explore Data y finalmente en Histogram, tal como se muestra en la figura.

3. inicie la exploracin de los datos para evaluar su distribucin y comportamiento

Aparece la siguiente ventana

Bars: Permite elegir el nmero de intervalos, la herramienta automticamente calcula la

longitud de cada intervalo.
Transformation: Permite realizar una transformacin logartmica a los datos en caso de
que estos no sigan una distribucin normal.

Layer: Aqu aparece el nombre del Shape, el cual es Niveles, cuando hay varios shape
agregados en Arcmap la herramienta elige el primero de la lista.
Attribute: Aqu aparece por defecto el primer campo que tenemos en la tabla de atributos
de nuestro shape en este caso es el campo pozos. Automticamente la herramienta
calcula los parmetros geoestadsticos que se muestran en la parte superior.
Lo que sigue es seleccionar el atributo con el cual queremos hacer el anlisis
geoestadstico, en este caso es precipitac, para ello damos clic en la pestaa que est
debajo del Attribute y seleccionamos el campo precipitac
Se observa que inmediatamente cambia la grafica y recalcula los valores de los
parmetros estadsticos mostrados en la parte superior, los cuales son los siguientes:
Count (numero de datos):
Min (dato menor):
Max (dato mayor):
Mean (Media):
Std Dev (Desviacin estndar):
Skewness (Coeficiente de sesgo o asimetra):
Kurtosis (curtosis):
Median (Mediana):
Aqu, la moda se calcula como la marca de clase del intervalo con mayor frecuencia
Moda
El coeficiente de variacin se calcula como: CV=S/media*100
A estos parmetros le aplicamos las condiciones necesarias para verificar si los datos
siguen la distribucin normal.
Con el histograma podemos observar que el coeficiente de sesgo (skewness) es igual a
0.21843, esto significa que no es necesario transformar los datos ya que se encuentra en
el intervalo de 0 < CS < 0.5.
A continuacin tengo que hallar el coeficiente de variacin con los datos obtenidos:
CV = 100 (s/m) % donde s=desviacin estndar; m=media
CV = 100 (60.85/246.49) %
CV = 100 (0,247) %
CV = 24.70 % (el coeficiente de variacin siempre debe de ser menos al 100%
Nota:

* Si CV < 100, no hay problema con los valores extremos de los datos

* Si 100<CV<=200, Los efectos causados por los valores extremos de los datos son tolerables

* Si CV>200, se tiene problemas severos con los valores extremos de los datos.

Esto es importante, pues en caso de que los valores extremos de los datos afecten a la
muestra o a la distribucin de los mismos, se deber analizar si es conveniente
eliminarlos en caso que obedezcan a un error en la medicin o hacer una transformacin
de los datos para reducir su influencia en la muestra.
En nuestro caso CV = 24.70 < 100, lo cual indica que no hay problemas con valores
extremos.
Nota: Si el valor de skewness con los datos originales es mayor que 2, lo que obliga a una transformacin de tipo
logartmico de acuerdo con Webster-Oliver
Si vemos que la media, la moda y la mediana son diferentes y su diferencia es mayor a uno, el coeficiente de sesgo es
mayor a 1, es necesario realizar una transformacin de los datos, de acuerdo a la literatura y se recomienda una
transformacin logartmicapero no los preocupemos estos lo hace ArcGis, simplemente en la pestaa Transformation
seleccionamos Log. En la pestaa Bars colocamos 8 intervalos. El resultado es el siguiente.

Luego cargamos el anlisis del QQplot:

A continuacin se mostrar el QQplot:

Con esta grfica se puede observar que se encuentra ms o menos normalizado con
algunas desviaciones en las esquinas y en el centro, pero se nota claramente una
tendencia central.
Despus de haber analizado los parmetros estadsticos y concluir que la distribucin de
los datos se puede tomar como normal, cerramos la ventana del Histogram y volvemos a
dar clic en Geostatistical Analyst, seguido de Explore Data y finalmente en Trend
Analysis, tal como se muestra en la figura.

Se abre la siguiente ventana

Esta ventana nos ayuda a ver qu tendencia siguen los datos para que luego en el
anlisis estructural le indiquemos a la herramienta que sea removida. En Graph options,
damos clic en Projected Data, Sticks, Input Data Points para que desaparezcan de la
grfica.
Es importante analizar si los datos manifiestan tendencias direccionales que permitan
establecer correlaciones en esas direcciones, y formular modelos de comportamiento. La
tendencia ms fuerte se tendr sobre aquella direccin en la que la lnea de tendencia es
ms gruesa; para nuestro ejemplo se ve claramente una fuerte tendencia en la direccin
sur-norte (lnea azul) y una dbil tendencia en la direccin este-oeste (lnea verde).
Con la barra de desplazamiento resaltada en rojo en la figura anterior se empiezan a
desplazar las lneas de tendencias (verde y azul de la misma figura) y se observa si
estas siguen una lnea recta, en caso tal la tendencia es lineal; una curva con una
concavidad, la tendencia es cuadrtica o si es una lnea con ms de una concavidad, la
tendencia ser de orden 3.
Como conclusin del anlisis exploratorio y que se debe tener en cuenta durante la
realizacin del anlisis estructural de los datos, tenemos:
Es necesario remover una tendencia de segundo orden

Con este anlisis de tendencia se pudo observar que la ecuacin es cbica ya que se
encuentran las lneas en una sola direccin.
Visualmente se puede observar que ambas lneas (verde y azul) tienen el mismo grosor.

Ahora carguemos el varonoi Map

En el podemos mirar las diferentes tendencias rpidamente en la distribucin de

concentraciones

Anlisis estructural de los datos

Una vez identificada la tendencia de los datos, el siguiente paso es el anlisis estructural y
realizacin del modelo geoestadstico con los datospara ello damos clic en
Geostatistical Analyst, seguido de Geostatistical Winzard, aparece la una ventana
donde debemos rellanar la siguiente informacin.
Medthod: Se debe seleccionar el mtodo con el cual se quieren analizar los datos, en
este caso es Kriging
Input data: el shape al cual se le debe aplicar el anlisis geoestadstico en este caso es
Niveles.
Attibute: El campo con el que se quiere realizar el anlisis geoestadstico. En este caso
es el precipitac

Damos clic en el bot Next>. Aparece la siguiente ventana, donde rellenamos la siguiente
informacin.

En Geostatistical methods, se selecciona Ordinary Kriging-Prediction Map.

En Transformation, se selecciona Log, pues ya habamos concluido que es
necesario realizar transformacin logartmica.
En Order of trend removal, se selecciona la opcin Second, pues habamos visto
que los datos siguen una tendencia de segundo orden

Damos clic en Next>, aparece una ventana que permite concluir si los datos presentan
anisotropa direccional o no la presentan. Si en la grafica aparece un crculo, no hay
anisotropa direccional y si aparece otra cosa como la de la figura, se concluye que existe
anisotropa direccional la cual se debe tener presente, ya que en la ventana siguiente se
le deber indicar a la herramienta este parmetro.

Damos clic en Next>, aparece la siguiente ventana.

En la ventana anterior rellenamos la siguiente informacin

1. Model: 1. Aqu debemos elegir el modelo geoestadstico que deseemos usar para
modelar los datos; para el caso del ejemplo, elegiremos el modelo Spherical.
2. En el paso anterior concluimos que hay anisotropa estructural, por lo tanto, debemos
seleccionar Anisotropy.
3. Damos clic en Show search Direction, se habilitarn inmediatamente las opciones de
ms abajo, las cuales son Angle direction y Bandwidth (lags).
En la grafica anterior vemos que fueron habilitadas Angle direction y Bandwidth (lags),
para seguir se procede de la siguiente forma.
Angle direction: Debemos cambiar el Angulo hasta que las lneas que se muestran a la
izquierda de la figura coincidan con la direccin de la elipse en su parte superior.
Bandwidth (lags): una vez realizado el paso anterior, los puntos o parte inferior de las
lneas deben cortar a la elipse, para ello se aumenta o disminuye el valor de Bandwidth.
lo dicho anteriormente se resumen en la siguiente imagen.

Despus de dar clic en Next>, se muestra la siguiente ventana.

Volvemos a dar clic en Next>, en la siguiente ventana se muestra:

Un recalculo de los datos en comparacin con los valores medidos para verificar
obtenido.
Clculo de los errores:
Root-Mean-Square: 3.774
Average Standard Error: 4.361
Mean Standardized: -0.04804
Root-Mean-Square Standardized: 0.9609

Un grfico de comparacin de datos medidos y datos calculados, en la que se

puede ver que los datos que ms se alejan de la lnea, son los que mayores
errores presentan en su prediccin.

Damos clic en finish y aparece un resumen del mtodo utilizado.

Al finalizar Como resumen del modelo aplicado tenemos lo siguiente:

Damos clic en Ok y aparece el mapa de prediccin de la precipitacin a partir del mtodo
geoestadstico Kriging esfrico.

Pero an no se termina la ventajas de los mtodos geoestadsticos es que nos permite

realizar un mapa de errores. Para ello en el panel del navegador, damos clic derecho
sobre el mapa creado y elegimos la opcin Create Prediction Estndar error Map.

El resultado es el siguiente.

En la figura anterior observamos que el mximo error es del 42.48 %, el cual es muy alto.
La confiabilidad del modelo se calcula como 100 menos el error mximo, para el ej emplo:
confiabilidad = 100-42.48 = _____%. Para aceptar un modelo geoestadstico es necesario
tener una confiabilidad superior al 90%, por lo tanto se concluye que es necesario mejorar
la densidad de las medidas.
En la grfica tambin se observa que los errores mayores en la prediccin se producen
donde existe menos informacin. Para el caso del monitoreo de la precipitacin esto es
indicativo que en estos sitios se deben instalar mas estaciones de monitoreo con el fin de
optimizar la red existente.
Para seleccionar el modelo que mejor modela nuestros datos, es necesario aplicarles
cada uno de ellos y escoger el que presente menor Root-Mean-Square, menor Average
Standard Error, Root-Mean-Square Standardized ms cercano a uno y mayor
porcentaje de confiabilidad.
Calcular el mtodo para:
Esfrico

Escoger el mejor mtodo

Exponencial

Gauss

Hole Effect

Fuentes:
LONDOO, Libardo. Modelacin y anlisis espacial. Universidad de San Buenaventura.
Facultad de Ingeniera Medelln, 2007.
ESRI. Using ArcGIS Geostatistical Analyst, 2003
http://aguaysig.blogspot.com/