Pruebas de Normalidad en Geoestadística. Un nuevo enfoque basado en la distancia de Mahalanobis

Ramón Giraldo; Emilio Porcu

Ayuda

Pruebas de Normalidad en Geoestadística. Un nuevo enfoque basado en la distancia de Mahalanobis

Giraldo, Ramón ^[2] ; Porcu, Emilio ^[1]
1. [1] Khalifa University
  
  Khalifa University
  
  Emiratos Árabes Unidos
2. [2] a:1:{s:5:"es_ES";s:46:"Universidad Nacional de Colombia, Sede Bogotá";}
Localización: Ciencia en Desarollo, ISSN-e 2462-7658, ISSN 0121-7488, Vol. 13, Nº. 2, 2022 (Ejemplar dedicado a: Vol. 13 Núm. 2 (2022): Vol. 13 Núm. 2 (2022): Vol 13, Núm.2 (2022): Julio-Diciembre), págs. 99-112
Idioma: español
DOI: 10.19053/01217488.v13.n2.2022.13650
Títulos paralelos:
- Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
Enlaces
- Texto completo
Resumen
- español
  En geoestadística, bajo estacionariedad, kriging simple (KS) es el mejor predictor lineal (MPL) y kriging ordinario (KO) es el mejor predictor lineal insesgado (MPLI). Cuando el proceso estocástico es Normal, KS no es solo un MPL sino un mejor predictor (MP), es decir que bajo la función de pe ́rdida cuadrática, éste coincide con la esperanza condicional del predictor dada la información. En este escenario, el predictor KO sirve como aproximación del MP. Por esta razón, en geoestadística aplicada, es importante probar el supuesto de normalidad. Dada una realización de un proceso espacial, KS será un predictor óptimo si el vector aleatorio subyacente sigue una distribución normal multivariada. Algunas pruebas de normalidad clásicas como Shapiro-Wilk (SW), Shapiro-Francia (SF), o Anderson-Darling (AD) son usadas para evaluar este supuesto. Estas asumen independencia y por ello no son apropiadas en geoestadística (y en general en estadística espacial). Por un lado, las observaciones en geoestadística son espacialmente correlacionadas. Por otro lado la optimalidad del kriging es fundamentada en normalidad multivariada (no en normalidad univariada). En este trabajo se presenta un estudio de simulación para mostrar por qué es inapropiado el uso de pruebas univaridas de normalidad con datos geoestadísticos. También, como solución al problema anterior, se propone una adaptación de la prueba de Mahalanobis al contexto geoestadístico para hacer de manera correcta el test de normalidad en este ambito.
- English
  Simple kriging is a best linear predictor (BLP) and ordinary kriging is a best linear unbiased predictor (BLUP). When the underlying process is normal, simple kriging is not only a BLP but a best predictor (BT) as well, that is, under squared loss, this predictor coincides with the conditional expectation of the predictor given the information. In this scenario, ordinary kriging provides an approximation to the BP. For this reason, in applied geostatistics, it is important to test for normality. Given a realization of a spatial random process, the simple kriging predictor will be optimal if the random vector follows a multivariate normal distribution. Some classical tests, such as Shapiro-Wilk (SW), Shapiro-Francia (SF), or Anderson-Darling (AD) are frequently used to evaluate the normality assumption. Such approaches assume independence and hence are not effective for at least two reasons. On the one hand, observations in a geostatistical analysis are typically spatially correlated. On the other hand, kriging optimality as mentioned above is based on multivariate rather than univariate normality. In this work, we provide a simulation study to describe the negative effect of using normality univariate tests with geostatistical data. We also show how the Mahalanobis distance can be adapted to the geostatistical context to test for normality.
Referencias bibliográficas
- G. Robertson. “Geostatistics in ecology: interpolating with known variance ”. Ecology, vol. 68, no. 3, pp 744-748, 1987.
- T. Hooks, D. Marx, S. Kachman, J. Pedersen, R. Eigenberg, R. “Analysis of covariance with spatially correlated secondary variables ”. Revista...
- G. Severino, M. Scarfato, G. Toraldo. “Mining geostatistics to quantify the spatial variability of certain soil flow properties ”. Procedia...
- I. Gundogdu. “Usage of multivariate geostatistics in interpolation processes for meteorological precipitation maps ”. Theoretical and Applied...
- R. Giraldo, L. Herrera, V. Leiva. “Cokriging prediction using as secondary variable a functional random field with application in environmental...
- M. Oliver, R. Webster. Basic steps in geostatistics: The variogram and kriging. Springer. 2015.
- E. Lehmann, G. Casella. Theory of Point Estimation. Springer-Verlag, 1998.
- J. Chiles, P. Delfiner. Geostatistics: Modeling Spatial Uncertainty. John Wiley & Sons, 1999.
- O. Schabenberger, C. Gotway. Statistical Methods for Spatial Data Analysis. Chapman & Hall, 2005.
- D. McGratha, C. Zhangb, O. Cartona. “Geostatistical analysis and hazard assessment on soil lead in silvermines area, Ireland ”. Environmental...
- V. Júnior, M. Carvalho, J. Dafonte, O. Freddi, E. Vidal, O. Ingaramoc. “Spatial variability of soil water content and mechanical resistance...
- A. Dexter, A. Czyz, O. Gate. “A method for prediction of soil penetration resistance ”. Soil & Tillage Research, vol. 93, 412-419, 2007.
- K. Kamarudin, M. Tomita M, K. Kondo, S. Abe. “Geostatistical estimation of surface soil carbon stock in Mt. Wakakusa grassland of Japan ”....
- J. Iqbal, J. Thomasson, J. Jenkins, P. Owens, Whisler, F. “Spatial variability analysis of soil physical properties of alluvial soils ”. Soil...
- L. Pozdnyakova, D. Giménez, P. Oudemans. “Spatial analysis of cranberry yield at three scales ”.Agronomy Journal, vol. 97, 49-57, 2005.
- M. Carrara, A. Castrignano, A. Comparetti, P. Febo, S. Orlando. “Mapping of Penetrometer Resistance in Relation to Tractor Traffic Using Multivariate...
- J. Lima, S. Silva. “Multivariate analysis and geostatistics of the fertility of a humic rhodic hapludox under coffee cultivation ”. Revista...
- E. Barca, D. De Benedetto, A. Stellaccic. “Contribution of EMI and GPR proximal sensing data in soil water content assessment by using linear...
- E. Pardo-Igúzquiza, P. Dowd. “Normality tests for spatially correlated data ”. Mathematical Geology, vol. 36, no. 6, 659-681, 2004.
- R. Olea, V. Pavlosky. “Kolmogorov-Smirnov test for spatially correlated data ”. Stochastic Environmental Research and Risk Assessment, vol....
- K. Mardia. “Measures of multivariate skewness and kurtosis with applications ”. Biometrika. vol. 57, no. 3, 519-530, 1970.
- G.Szekely, M. Rizzo. “A new test for multivariate normality ”. Journal of Multivariate Analysis. vol. 93, 58-80, 2005.
- T. Anderson. An Introduction to Multivariate Statistical Analysis. John Wiley & Sons, 1984.
- N. Cressie. Statistic for Spatial Data. John Wiley & Sons, 1993.
- P. Diggle, P. Ribeiro. Model-Based Geostatistics. 14th Simposio Nacional de Probabilidade e Estatística, Associacao Brasileira de Estatística,...
- P. Diggle, P. Ribeiro. Model-Based Geostatistics. Springer, 2007.
- E. Lehmann, G. Casella. Theory of Point Estimation. Springer-Verlag, 1998.
- I. Cardoso De Oliveira, D. Ferreira. “Multivariate extension of Chi-squared univariate normality test ”. Journal of Statistical Computation...
- R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/....
- P. Ribeiro, P. Diggle. “geoR: A package for geostatistical analysis ”. Journal of Statistical Computation and Simulation. vol. 1, no. 2, 14-18,...
- E. Pebesma, R. Bivand. “S classes and methods for spatial data: The sp package ”. R news, vol. 5, no. 2, 9-13, 2005.
- J. Gross, U. Ligges. nortest: Tests for Normality. R package version 1.0-4, URL https: //CRAN.Rproject. org/package=nortest. 2015.
- Dudewicz E, Mishra S. Modern Mathematical Statistics. John Wiley & Sons, 1988.
- H. R. Vega, E. Manzanares, V.M. Hernández, G. A. Mercado, E. Gallego y A. Lorente, “Características dosimétricas de fuentes isotópicas de...
- H. R. Vega y C. Torres, “Low energy neutrons from a 239PuBe isotopic neutron source inserted in moderating media”, Revista Mexicana de Física,...
- N. C. Tam, J. Bagi y L. Lakosi, “Determining Pu isotopic composition and Pu content of PuBe sources by neutron coincidence technique”, Nuclear...
- I. ElAgib, J. Csikai, J. Jordanova y L. OlaAh, “Leakage neutron spectra from spherical samples with a Pu-Be source”, Applied Radiation and...
- J. Bagi, N. C. Tam y L. Lakosi, “Assessment of the Pu content of Pu-Be neutron sources”, Nuclear Instruments and Methods in Physics Research,...
- R. H. Zachary, “Neutron flux and energy characterization of a plutonium-beryllium isotopic neutron source by Monte Carlo simulation with verification...
- N. A. Carrillo y H. R. Vega, “Cálculo de los espectros de neutrones de una fuente isotópica moderada”. Presentado en 5as Jornadas de Investigación...
- B. Pelowitz, “MCNPX User’s Manual version 2.5.0 Los Alamos National Laboratory Report LA-UR-02-2607”. Presentado en Computation Topical Meeting,...