Introducción
El análisis geoespacial combina técnicas estadísticas con datos geográficos para resolver problemas del mundo real, desde la planificación urbana hasta la gestión ambiental. En este artículo, exploraremos los fundamentos estadísticos que sustentan esta disciplina, proporcionando ejemplos prácticos, teoremas clave y ejercicios resueltos. Si deseas profundizar en conceptos básicos de estadística, puedes consultar este artículo introductorio.
1. Conceptos Básicos de Estadística Espacial
La estadística espacial se enfoca en analizar datos que tienen una ubicación geográfica asociada. Un concepto fundamental es la autocorrelación espacial, que mide cómo los valores de una variable en ubicaciones cercanas se relacionan entre sí.
Ejemplo: Autocorrelación Espacial
Supongamos que tenemos datos de precipitación en diferentes estaciones meteorológicas. Si las estaciones cercanas tienden a tener valores similares de precipitación, existe una autocorrelación espacial positiva.
La autocorrelación se mide comúnmente con el Índice de Moran ($I$), definido como:
$$ I = \frac{N}{W} \frac{\sum_i \sum_j w_{ij}(x_i – \bar{x})(x_j – \bar{x})}{\sum_i (x_i – \bar{x})^2} $$
donde $N$ es el número de observaciones, $W$ es la suma de los pesos espaciales $w_{ij}$, y $\bar{x}$ es la media de la variable $x$.
2. Modelos de Regresión Espacial
Los modelos de regresión espacial incorporan la dependencia espacial en los análisis estadísticos. Uno de los más utilizados es el modelo de rezago espacial:
$$ y = \rho W y + X \beta + \epsilon $$
donde $\rho$ es el coeficiente de autocorrelación espacial, $W$ es la matriz de pesos espaciales, y $X$ representa las variables independientes.
Teorema 1: Consistencia del Estimador de Máxima Verosimilitud en Modelos Espaciales
Enunciado: Bajo ciertas condiciones de regularidad, el estimador de máxima verosimilitud (MLE) en modelos de rezago espacial es consistente y asintóticamente normal.
Demostración (esquema): La función de log-verosimilitud para el modelo $y = \rho W y + X \beta + \epsilon$ es:
$$ \ln L(\rho, \beta, \sigma^2) = -\frac{N}{2} \ln(2\pi\sigma^2) + \ln|I – \rho W| – \frac{1}{2\sigma^2} \epsilon^T \epsilon $$
Maximizando esta función respecto a $\rho$, $\beta$ y $\sigma^2$, y aplicando condiciones de regularidad (como la acotación de $W$), se demuestra la consistencia usando teoremas de convergencia para MLE.
3. Kriging: Interpolación Óptima
El Kriging es un método de interpolación geoestadística que proporciona las mejores predicciones lineales insesgadas (BLUP). Se basa en el variograma, que modela la dependencia espacial:
$$ \gamma(h) = \frac{1}{2} E[(Z(s+h) – Z(s))^2] $$
Ejemplo: Predicción de Contaminación del Aire
Usando datos de concentración de PM2.5 en distintas ubicaciones, el Kriging permite predecir los valores en lugares no muestreados, minimizando el error cuadrático medio.
Teorema 2: Optimalidad del Kriging Ordinario
Enunciado: El predictor de Kriging ordinario $\hat{Z}(s_0) = \sum \lambda_i Z(s_i)$ es BLUP si $\sum \lambda_i = 1$ y minimiza $\text{Var}(\hat{Z}(s_0) – Z(s_0))$.
Demostración: Usando multiplicadores de Lagrange para incorporar la restricción de insesgamiento, se deriva el sistema de ecuaciones de Kriging:
$$ \begin{cases}
\sum \lambda_i \gamma(s_i – s_j) + \mu = \gamma(s_j – s_0) \\
\sum \lambda_i = 1
\end{cases} $$
La solución de este sistema garantiza la optimalidad.
4. Pruebas de Hipótesis Espaciales
Las pruebas de hipótesis en estadística espacial deben considerar la dependencia entre observaciones. Una prueba común es la de aleatoriedad espacial usando el Índice de Moran.
Ejercicio 1: Cálculo del Índice de Moran
Enunciado: Dados los valores $x = [2, 3, 5, 7]$ en ubicaciones con matriz de pesos $w_{ij} = 1$ si $|i-j| = 1$ y $0$ en otro caso, calcula el Índice de Moran.
Solución:
- Calcula la media: $\bar{x} = \frac{2+3+5+7}{4} = 4.25$.
- Calcula numerador: $\sum_{i=1}^3 (x_i – \bar{x})(x_{i+1} – \bar{x}) = -2.25 \times -1.25 + \ldots = 5.5$.
- Denominador: $\sum (x_i – \bar{x})^2 = 17.25$.
- $I = \frac{4}{6} \times \frac{5.5}{17.25} \approx 0.212$.
5. Aplicaciones Prácticas
El análisis geoespacial tiene aplicaciones en:
- Salud pública: Identificación de clusters de enfermedades.
- Agricultura: Optimización de rendimientos mediante análisis de suelos.
- Urbanismo: Planificación de infraestructuras basada en patrones de movilidad.
Para más aplicaciones, visita nuestro artículo sobre aplicaciones de la estadística.
Ejercicio 2: Predicción con Kriging
Enunciado: Dados los puntos $(1,2)$ con valor $5$ y $(3,4)$ con valor $8$, y un variograma $\gamma(h) = h$, predice el valor en $(2,3)$.
Solución:
- Distancias: $h_1 = \sqrt{(2-1)^2 + (3-2)^2} = \sqrt{2}$, $h_2 = \sqrt{(3-2)^2 + (4-3)^2} = \sqrt{2}$.
- Sistema de Kriging:
$$ \begin{cases}
\lambda_1 \gamma(0) + \lambda_2 \gamma(\sqrt{8}) + \mu = \gamma(\sqrt{2}) \\
\lambda_1 \gamma(\sqrt{8}) + \lambda_2 \gamma(0) + \mu = \gamma(\sqrt{2}) \\
\lambda_1 + \lambda_2 = 1
\end{cases} $$ - Solución: $\lambda_1 = \lambda_2 = 0.5$, predicción: $\hat{Z} = 0.5 \times 5 + 0.5 \times 8 = 6.5$.
Conclusión
En este artículo hemos explorado los fundamentos estadísticos del análisis geoespacial, cubriendo autocorrelación, modelos de regresión espacial, Kriging y pruebas de hipótesis. Estos conceptos son esenciales para el análisis de datos con componente geográfico y tienen amplias aplicaciones prácticas. Los ejercicios resueltos ilustran cómo implementar estas técnicas en problemas reales.
Ejercicios Adicionales
Ejercicio 3: Autocorrelación Espacial
Calcula el Índice de Moran para los valores $[10, 20, 10, 20]$ con pesos $w_{ij} = 1$ si $|i-j| = 1$ y $0$ en otro caso.
Ejercicio 4: Modelo de Rezago Espacial
Dado el modelo $y = 0.5 W y + \epsilon$ con $W$ simétrica y $\epsilon \sim N(0,1)$, deriva la matriz de varianzas-covarianzas de $y$.
Ejercicio 5: Variograma
Para los puntos $(0,0): 3$, $(1,0): 5$, $(0,1): 4$, calcula el variograma empírico para $h=1$.
«`