You are on page 1of 169

ONIVERSIDAD DE MALAGA

FACULTAD DE CIENCIAS ECONOMICAS Y EMPRESARIALES.
DEPARTAMENTO DE ESTADISTICA Y ECONOMETRIA.

APLICACIONES DE LA TEORIA DE LAS VARIABLES
REGIONALIZADAS EN ECONOMIA.

Tesis de licenciatura que pres,entael Lcdo.
D. Jorge M. Chica Olmo.

va BG de los Directores Fda: Jorge Chica Olmo.

Fda. D. Jose Maria Otero Moreno. Fdo. D. Mario Chioa Olmo.

Catedratico de Econometria. Doctor en Ciencias.

Universidad de Malaga. Universidad de Granada.

Malaga, Marzo de 1988

A mis padres

AGRADECIMIENTOS

La realizaci6n de este trabajo ha side posible, gracias

a la colaboraci6n de un conjunto de personas que en todo
momento me han ayudado y animado a superar las multiples

dificultades acaecidas en su realizaci6n, a quienss les
manifiesto mi sincero agradecimiento.

Particularmsnts, quisiera expresar mi mas profunda

gratitud al profesor D. Joss M. otero Moreno y a mi hermano
Mario Chica Olmo, ambos directores de este trabajo, por sus

valiosisimas criticas, consejos y e1 a1iento que me han

brindado.

Por otra parte, a1 director da 1a Escuala Universitaria

de Estudios Emprasaria1as de la Oniversidad de Granada D.
Isidoro Gil Roman por faci1itarme a1 acceso a1 microordena-

dor en e1 cual se han rea1izado las practicas expuestas.

A D. Buenaventura Clares, D. Salvador Villena y D.
Alberto Prieto p~r e1 asesoramiento ofrecido en e1 trata-

miento informatico del software uti1izado.

Por ultimo, quiero exponer mi mas ferviente agradeci-

miento a E. Polo, M. Garcia y A. Carvajal por su co1abora-
ci6n y constante apoyo moral; y como no, a las personas que

han posibilitado la impresi6n grafica, a E. Aguilera por sus

magnificos dibujos y a1 Estudio de Informatica de J.A.

Cardenas, en especial a Maria Moratalla per mecanografiar e1
original.

' ..... PLANTEAMIENTOS DEL ESTODIO ". 1.. It It It •• It •• It • It It It It It It It It It ••• It • It It • It •• It .. 1.. . '•.. .. HipOtesis Intrinsica ••••••••••••••••••• 32 . 13 2. OBJETIVOS . V... •• •• •••••••••• 22 4.•• 29 5. 1." • 11 It •• It • • • • • • • • 26 4... INTRODUCCION II ••• ljltll!llllttifllll •• ""lItiI 21 2...••......... LOCALIZACION !Ii iii • :I •• It • It It It It It It It It It •• It It It It It It .' . It .' 01.1... FINALIDAD DE LA T. R. Hipotes is Est ac ionar ia ••••••••••••••••• 31 5. HIPOTESIS ESTACIONARIA E INTRINSECA ••••••••••• 30 5.. Ie I' • • • • • • • 16 PRIMERA PARTE CONCEPTOS BASICOS SOBRE LA TEORIA DE LAS VARIABLES REGIONALIZADAS CAPITULO I: ASPECTOS BASICOS RELACIONADOS CON LA VARIABLE REGIONALIZADA 1.' .' . NOCION DE VARIABLE REGIONALIZADA • •••..... • • • • • • • • • • • • • • • • • • • 22 3.' . III " ... . INTERFERENCIA ESTADISTICA ••••••••••••••••••••••••.2.II.' ". ..2. CONTINUIDAD • It It It It It • It It It It • It • It • • It It It • It • • It It It It It It It It It • • 27 4.3...•• . j if iii • • • • • 26 4...1. IN DICE GENERAL I NTRODOCCI ON 1... CARACTERES DE LAS VARIABLES REGIONALIZADAS II II I" i!I tI I!I '. ANISOTROPIA ••••••• a ••••••••••••• .. . • ~ ~....tllI!Ii!!iilililillllltlltllij 28 5..

.1. INTRODUCCION ••• •••••••••••••. 1...•••••••. 48 2."" II If ••••••• " •• " " !I • III I !Ii iii ii' . Datos regu1 armente espac iados ••'•••'•'.. i!iill!!!!I!!Iii 52 3...•.• 63 ..••••.•. COMPORTAMIENTOS PARTICULARES .... ••""""•• Iii' iii !!II I!! ii' " • " " " " • " 38 CAPITULO III.•..2.•• '.2...illll_ •• "..' II' '. III " " " • 36 3. 56 3.. 1.' . Datos irregularmente espaciadoEi 50 3.••. Datos regularmente espaciadoEi ••••.3. ALGONAS PROPIEDADES DE LA COVARIANZA Y EL VARIOGRAMA "".2.... COMPORTAMIENTO EN EL GRAFICO DEL VARIOGRAMA 51 3..1...•••••...2. """"..4.. 57 3.'..2.•.2. REPRESENTACION GRAFICA DE LA COVARIANZA Y EL VARI OGRAMA •... 1..CAPITOLO II : COVARIANZA Y VARIOGRAMA 1.... Variograma estacionario ......•. Efeoto proporcional •••••• j ••• ~ ••••••••• 62 3...•.... .• 60 3..' ."•••... RELACION ENTRE COVARIANZA Y VARIOGRAMA ••••••• li' .•••....2. 1...... ESTUDIO DE LA ESTACIQNARIDAD ... COMPORTAMIENTO EN EL ORIGEN . 47 2.!I!!!!i!!!!!I!I!!!!I! 41 2.3.•••"•••'...••••••••••••• lJlii...2.• ..•• !!1 35 2. 59 ~ 3.•.'.. 43 2.••••. Anisotropl a ••••••••••.. 1.• 42 2. Datos irregularmente espaciados .... ANISOTROPIA Y EFECTO PROPORCIONAL 60 3.2.3.2.'• 43 2.. ESTUDlO DE LA FONClON VARIOGRAMA 1.'..'.•. VARIOGRAMA EN DOS DIMENSIONES ...•.1... VARIOGRAMA DE UNA DIMENSION ."•..•••••.. 49 2.. Variograma no estacionario 11'lill. '.. CONSTRUCCION Y CALCOLO DEL VARIOGRAMA EXPERIMENTAL .' . .. .

1. NOClON Y CARACTERISTICAS DEL KRIGEAGE " ••••••••••••• 75 2. .. . ERROR DE ESTIMACION POR K... . • ••••••••••••• . .U.....•. II tI " Ii • " rII • 95 2..•••••••• 86 3.2...3. 1..3.. 1.I1I11I. Modelos con meseta .' '"•••••••••••• '" ••••••••• ' . KRIGEAGE SIMPLE .U •••••••••. ~ ... 1.. j • I • • 78 2..... PROPIEDADES Y CARACTERISTICAS DEL KRIGEAGE ••••••• ' •• 88 SEGUNDA PARTE APLICACIONES PRACTICAS A SERIES TEMPORALES ECONOMICAS 1.1..'.•• ... tI.. S. C ONCEPTO Ii I • • • • • " • • • .... .'.'. •• .' 79 2.. SISTEMATICA UTILlZADA . '•••• '..1. • •• '. 88 4.'. • • 69 4. SOBRE EL MODELO DE PREDICCION •••••••••••••••••••••• 97 .. i! I!!i t •• .'••• '. III ••••••••••• 84 3. TIPOS DE MODELOS •••••••••••••••••••••••••••• 66 4. SISTEMA DE ECUACIONES DE K.. ...... AJUSTE DEL VARIOGRAMA A UN MODELO TEORICO ••• . 4. It • II II I!!!III' .•. KRlGEAGE UNIVERSAL ! •••••••••••••••••••• _ ••••••••••• 84 3..... ERROR DE ESTIMACION POR K... I.•. Ii iI II Ii !Ii I II! .'. Modelos s in meseta ••••.' . 67 4. I!!! •• . • " • • • • • • i t I . SISTEMA DE ECUACIONES DE K. • 65 4.••• ! •••••••••• 83 3.. INTRODUCCION..2..IfIItIIIIIIIII .I' 'II I.... II ill '•••••• 78 2. S.3.' • 9S 3. I!!!II'..•••••• 70 CAPITULO IV : METODO DE ESTIMACION: EL KRIGEAGE 1... Modelos part iculares ••••••••••. ~ ...... 1. CONCEPTO ...2.. II1I1.

CAPITOLO V: ANALISIS DE UNA SERlE TEMPORAL CON DERIVA:
EL DESEMPLEO EN GRANADA

1. OBJETIVOS . rtII II tfo iii iii iI •• " !II ••• , " ••••••••• II •• II" II'" 101

2. ANALISIS PRELIMINAR Y ORIGEN
DE LA INFORMACION ..,••......•. '.
• •..............•••• 103
3. CALCOLO Y AJOSTE DEL VARIOGRAMA ..••.•••.•.....•,,',
•'",. 106
4. PREDICCION E INTERPOLACION POR KRIGEAGE ............. 109
5. CONCLOSIONES ••••••• iIi.II~lIlIllilillolll ••••••••• 1II •• ,11", !' ••••• 119

CAPITOLO VI: ANALISIS DE ONA SERlE TEMPORAL CON
COMPONENTE ESTACIONAL

1. OBJ ETI vas III. II !Ii i I' I' III ill II II II! iii it! II Ifi iii • " Ii • • •• 12 1

2. DATOS DISPONIBLES ..•.....•••........•......•.•••.•. 122
3. ESTROCTORA DE LA VARIABLE '.
'.•'............ 123
3.1. ANALISIS DE LA SERlE DESAGREGADA .......•...... 126
3.2. VARIOGRAMA MEDIO .............••.••............ 130
3.3. VARIOGRAMA AJUSTADO " 132
4.PREDICCION Y RESTITOCION .'.;
' ,.•'"",',
,..,..'•.'••• 135
4. 1. PREDICCION It • It! • , " .. if '" j • .. •• 135

4.2. RESTITOCION DE LA SERlE ....•••.•.............. 139
5. CONCLOSIONES .. ~i ••• iiiii! •••••••••••••••••••••••• ,.!!!I!!I!I.j 146

RESOMEN Y CONCLUSIONES ••••••••••••••••• II!!I .. ·.It ... 'jiioll ••••••••• 151

BIBLIOGRAFIA .......•...•... ,. t, 'II I' ... Ii , '" .' ., ... ' .. '" ...... , Iii Iii ..... " t .. • • •• 157

ANEXOS .." iii iii • • Iii • .. .. • .. • .. .. • • • • .. • • .. .. • • ,~ II! f II ,. III II!!! II! !! • • Ii ii Ii' ; 'II • .' ! t • I I • I 165

I N T ROD U CCI 0 N

13

1. PLANTEAMIENTOS DEL ESTODIO

Antes de iniciar e1 desarrollo de los fundamentos te6-

ricos y pr~cticos que componen esta Tesis de Licenciatura,
quiero exponer las razones rn~ssobresalientes que han rnoti-
vado 5U realizaci6n.

Para e110, as conveniente comenzar haciendo referencia

al concepto de Econometria. Segun Barbancho (1) "Ia Econome-

tria es aguella rama de la ciencia econ6mica que trata de
cuantificar, es decir, de representar numericamente las
relaciones econ6micas, 10 cual se realiza mediante una ade-

cuada combinaci6n de 1a teoria econ6mica, matem~tica y de 1a

Estadlstica"; continua diciendo "La Econometrla es una

Estadistica especialmente adaptada a Ia investigaci6n econ6-

mica. Esta adaptaci6n ha supuesto... e1 que los econ6metras
hayan empleado practicamente todos los desarro1los estadis-
ticos existentes" (2). De 10 anteriormente expuesto se dedu-

ce claramente gue la Econometria ha hecho acopio de todas

las tecnicas que Ie proporciona Ia Estadlstica para alcanzar
sus objetivos.

(l)BAR~~CHOl A.S.: Fundarnentos y posibilidades de la Econo·
metri~ (1976), p. 26

(2}Ob, cit. p.la9.

se justifiea la realizaci6n del presente trabajo. principalmente en aque- lIas relaeionadas con las Ciencias de la Tierra. a diferencia de los matodos clasicos. As! misrno. . En aI. Esto supondra para la Econometria la in- corporaci6n de un nuevo instrumento estadistico adicional. se basa en la considera- ci6n de la posici6n en el tiempo 0 en e1 espacio de la variable analizada. hay que considerar que desde e1 punta de vista operativo. que sirva de apoyo para el anal isis cuantitativo de varia- bles econ6micas.enfogue diferente. del hasta ahora utiliza- do. en e1 tratamiento de los fen6menos econ6micosl y gue. EI interas fundamental de ap1icaci6n de la Teoria de las Variables Regionalizadas en Econometrla estriba en que puede aportar un . Por otra parte. se plantea como tesitura la aplicaci6n de 1a misma en e1 tratamiento de datos econ6micos. la realizaci6n de dichas aplicaciones prac- tica5 5610 ha reguerido 1a uti1izaci6n de un microordenador. se exponen las principales bases metodo16gicas de una nueva teoria probabil1stica que ha sido aplicada en otras ciencias. como 10 demuestran las distintas aplicaciones presenta- das en este trabajo sobre variables econ6micas. Esta nueva Teorla se denomina Teoria de las Variables Regiona1izadas y ha sido desarrollada conceptual- mente por MATHERON (1965). pero que dado el caracter general de esta metodologia. 14 Dentro de este contexto. tambian es de interes resa1tar la versatilidad y e1 facil rnanejoque presenta esta metodo10- gia.

que no ha sido posib1e eludir e1 apren- dizaje de una nueva terminologla probabillstica. con disco de 5 MS. escritos en 1enguaje FORTRAN. gracias a 1a utilizaci6n de progra- mas informaticos especlficos. Por ultimo. Este software ha side completado con programas propios elaborados exprofeso. proporciona una herramienta rapida para la obtenci6n de los resultados y. se han obtenido en gran parte. haciendo notar que existe una ausencia total de referencias bibliograficas sabre aplicaciones de 1a misma a1 caso de variables econ6micas. Destaco principalmente. consecuentemente. del Centre de Geoestatistigue et Morphologie Mathematique de Fontainebleau. necesaria para 1a asimilaci6n de los fundamentos te6ricos que componen (!) DATA G~~ERAl. las que se derivan de la uti- lizaci6n de una bibliografia muy especifica que se caracte- riza por su elevada especializaci6n en e1 tratamiento de variables de las Ciencias de 1a Tierra. . quiero hacer referencia a las dificultades que de diversa indole se han prssentado en 1a elaboraci6n de este trabajo. HP1/100. Las ap1icaciones presentadas en este trabajo. para posibi1itar su posterior utilizaci6n. el abaratamiento de los costos de la investigaci6n. principalmente Geo- 16gicas y Mineras. que han side adaptados para ser procesados en el microordenador (1) que dispone 1a Escuela Universita- ria de Estudios Empresariales de Granada. 15 10 que en conjunto. Esto significa.

tambien. Este aprendizaje. creo que este tipo de trabajo. OBJETIVOS El principal objetivo que se ha perseguido en la slabo- raci6n del presente trabajo ha consistido. y por otra. la aplicaci6n practica de la misma dentro del ~mbito de Ia Ciencia EconOmica. ha posibilitado la interpretaci6n y posterior aplicaci6n a variables de tipo econ6mico de todos los conceptos te6ricos asimilados. Para la consscuci6n de este doble objetivo. fuera del contexto da las Ciencias Econ6micas. ha sido . por una parte. Hay que tener en cuenta. Para ella he tenido que reci- bir una formaci6n previa en la Ciencia de la Informatica y en particular en lenguajes de alto nivel -Fortran-. Por las referencias ds qua dispongo. 2. las dificultadss derivadas de la necesidad de dasarrollar y adaptar al software especlfico que se ha utilizado en la realizaci6n de las practicas aqui expusstas. 16 ssta metodologia. todo ello. puede ssr pionero en Ia aplicaci6n de ssta Tsorla sobra variables econ6micas. en Ia exposici6n de las bases conceptuales de esta nueva Teo- ria. con la finalidad de que ssta pueda tener a su alcance un instrumento probabilistico complementario para el anal isis cuantitativo de variables econ6micas.

en este dobls enfogus del trabajo. En la primsra parts. sino tambien complementar dicho enfoque te6rico con ejemp10s practicos de variables econ6micas. siempre que ha side posible. infsrencia estadlstica. 58 define la Variable Regionalizada. se ocupa de analizar y desarrollar varios cas05 practicos obtenidos de la realidad y que tienen como fin ratificar 1a potencialidad de esta nueva teorla. se estudian los utiles de qus dispone esta Teorla para conocer la estructura de 1a variable -varioqrama-. se realiza un introducci6n a los conceptos basicos sobre los que descansa la Teoria de las Variables Regionallzadas y cuyo objetivo 85 pressntar las principa1es conc1usiones metodo16qicas de indole te6rica. Tambien. La segunda parte. Esta parte ss ha i1ustrado. no 501amente abordar en detaIle 105 aspectos te6ricos de un nuevo modelo probabilistico. con ejemplos obtenidos de datos reales econ6- micos. por 10 tanto. ss ha pretendido. Los trabajos aqui expuestos han sido elegidos por su actual inter~s en el campo de la econo- mia. . 17 necasario dividir e1 contenido del trabajo en dos partes esenciales. con 1a esperanza de que sirvan para abrir unas sspectativas futuras de aplicaciOn en al ambito macroe- con6mico y emprasarial. En ella. sus caracteristi- cas y las hip6tesis rsstrictivas necssarias para rea1izar la. dentro del campo econOmico. En resumen. y para hacer frente a 105 problemas de estimaci6n.

PRIMERA PARTE CONCEPTOS BASICOS SOBRE LA TEORIA DE LAS VARIABLES REGIONALIZADAS .

usando harramientas probabilis- ticas. an 1965. 21 CAPITULO I: ASPECTOS BASICOS RELACIONADOS CON LA VARIABLE REGIONAL IZADA 1. Estos estudios se basaron en los realiza- dos por DE WIJS (1951). que aparaca como fruto da las investigaciones gua en al campo da la est·ad! st ica apl icada a la est imaciOn de recursos mineros 5e venlan realizando. ·la Gaoestadistica comienza a sistamatizarse.V. Con la publicaciOn en los affos 1962 y 1963 de las obras "Traits da Geoestatistique Appliquee" y de "La Krigaaga". MATHERON 11agaria a formalizar conceptual- mente esta teoria. Fue en 1962 cuando por primera vez sa utiliza la pala- bra Gaoestadistica. craada por MATHERON (1962).> fue expuesta per MATERN entre los anos 1947-1960. . T. tal y como S8 conoce actualmente. formando una nuava rama de la ciencia. SICHEL (1952). atc. Esta ciencia se utili- za para 18 re50luciOn practica de problemas de estimaciOn y simulaciOn de variables geologicas y mineras en . dos 0 tres dimen5iones. INTRODUCCION La primera presentaciOn de 10 que serla posteriormente la Teoria de las Variables Regionalizadas <abrev. Posterior- menta. KRIGE (1951).R.campos de una. Esta metodolog!a probabil1stica que toma en considera- cion Is posiciOn an al tiempo y/o en al espacio de la varia- ble analizada. di6 lugar al nacimiento de una nueva rama de la ciencia denominada Geoestadlstica.

sa define como aquella variable que sa distribuya en e1 espacio y/o el tiempo. Para MIGUEZ (1984). seta caracte- ristica as uno de los aspectos mas importantes que poseen estas variables. la V. FINALIDAD DE LA T.V. Para MATHERON (1970) 105 objetivos que pretende alcan- zar la T. una aparente estructura de correlaci6n subyacente. y que toma valores para un soporte dsterminado al desp1azarss .R. 2.R.R. Establecer las bases te6ricas que permitan reconocer las caracteristicas estructura1es de los fen6menos analiza- dos bajo una forma matematica apropiada.V. 22 2.R. V. Estos objetivos son generales en e1 6studio de todos aquallos fen6men05 que se caractericen por 1a distribuci6n da una 0 mas variables en el espacio 0 an e1 tiempo. son: 1. Proporcionar un instrumento practico para resolver los diferentes problemas de estimaci6n que se p1anteen a partir de los datos obtenidos an e1 muestreo. y qua presenten junto a un alto grado de irregularidad espacial 0 temporal.> segun MATHERON (1965) se utiliza para calificar un fen6meno que se desarrolla en al espacio y/o en e1 tiempo y que va a presen- tar una ciarta estructura de autocorrelaci6n. 3. NOCION DE VARIABLE REGIONALIZADA La idea de Variable Regionalizada (abrev. En nuestro caso la variable que caractariza a tal fen6meno es de tipo econ6mico.

A continuaci6n. .R. es simplemente una funci6n Z<x>. sa present a un ajemplo de una variable econ6mica en el cua1 S8 ponen de manifiesto las caracteris- ticas 0 aspectos mas relavantes de la V. y Z es a1 valor que toma en dicho punto la caracteristica del fen6meno estudiado (DELHOMME. Sin embargo. y que ya se reflejaban en las definiciones anteriores.1. desde 81 punta de vista matematico. 23 sste en un campo dado. caracterizado por irregularidades locales de los datos en e1 tiampo. se aprecia que e1 desarrollo del mismo es"aparentemente err~tico".V. y gue seran definidos en apartados siguientas. la V.que son esenciales en e1 estudio de la T.R. pero tambien. se puede obssrvar en ssta gr~fico 1a existencia de un "aspecto estructura1" determina- do por los rasgos principales de variaci6n gue prssenta 1a evoluci6n general del fen6meno. Aparecen aqui dos terminos -sopporte y campo. si se axamina 1a evoluci6n temporal del indica general bursatil en Espaffa entre 105 affos 1971-1985 Figura I. Estas dos caracteristicas esencia1es.R. son las gue van a dafinir a las variables regio- nalizadas. As!. donda x as un punto en 81 espacio 0 en e1 tiempo. 1976).

s.R. As1.. pressntan un dobls aspecto aparentemente contradictorio: ALEATORIEDAD.Los valores numericos no son enteramente independientss de su 10calizaci6n.. 24 400 71 Figura I.Los valores numsrico5 de la variable van a variar irregularmente e imprevisiblemente de un lugar 0 momento a otro.s.1. Se dir~ gue los valores en dos puntos pr6ximos presentan autocorrelaci6n. Indice general bursatil entre 1971y 1985. podemos denominar como tales a: e1 . es la principal caracterlstica de las V.. Las V. Si se toma en consideraci6n este doble aspecto~ se puede pensar en fen6menos de tipo econ6rnicoque por cumplir con estas caracter1sticas merecen a1 calificativo de Varia- bies Regionalizadas.R. REGIONALIDAD. Fuente: Revista Situaci6n 1986/2. Esta dependencia del valor de la variable con respecto al punta 0 momento donde ha side tomada.

Supongam05 gue 58 toman dos muestre05 A y B de una variable. los dos presentan igual media XA = XB = 6.7 Desda e1 punto de vista de 1a astadistica c1~siea. . No se ha tenido en cuenta la posici6n de los valores obtenidos en las dos series.1 e igual desviaci6n tipica (fA = (fB = = 5. e1 desempleo. Sean los valores de las dos muestras: A: 1 5 3 12 20 4 2 3 5 B: 20 12 5 4 3 5 3 2 1 XA = 6. etc. que as 10 gue caraeteriza a este tipo de variables.1 (fB = 5. E1 siguiente ejemp10 ilustra la relaei6n existente entre e1 valor de 1a varible y 1a posici6n en el espacio 0 en e1 tiempo en e1 que se mide dicho valor. Representaci6n grjfica de las series A y'B. aspecto gue las dife- reneia como se observa en 1a Figura 1.1 CJA=5. Asi.2. Los muestreos se han realizado a intervalos igua- les de distancia 0 de tiempo. 25 precio del suel0 rustieo 0 urbano. el indice bursatil. los dos muestreos apareeen como igua1es. Z{x) 20 ---A 1\ / \ -8 15 / 10 I I 5 a 2 4 6 Figura I.2.7 XB = 6.7.

En la practica. As!. una caracteristica -Variable Regionalizada. la V. . e1 campo geometrico vendra determinado por e1 periodo de tiempo a ana1izar. Segun JOURNEL (1975) para definir una V.gue debe sar considarada para hacer un anali- sis correcto de las dos series de datos. Los valores que toma la variable en los soportes podran ser puntuales 0 medios de 105 vo1umenes elementales estudiados. 1. LOCALIZACION La V. affo. si se guiere estudiar una serie temporal como la evoluci6n del desempleo. 26 Existe. 4. por 10 tanto.R. CARACTERISTICAS DE LAS VARIABLES REGIONALIZADAS 4. sera preciso disponer de: Su significaci6n Su sopporte Su campo de extensi6n 0 campo geometrico Especificacionss gue seran tratadas en el siguiente epigrafe. se estudia dentro de un espacio al cual se Ie denomina "Campo Geometrico".R. etc.R. vendra medida en puntos del aspacio 0 e1 tiampo que sa denominan "Soportes" que repre- sentan dimensiones finitas y perfectamente determinadas gue en el caso de una serie temporal podria venir dado por el mes.

es la "homogeneidad de la variable".R.Z(xo)] = 0 x-.. debe existir una continuidad en media. As1. sera diferente de la formada por los datos semestrales. su soporte y campo geometrico no deben variar en e1 tiempo. 1975). por ejemplo. 4. que permit ira verificar la homogeneidad de una repartici6n espacial 0 temporal y distinguir datos extremos 0 sospechosos. estas variaciones podran ser muy peguefias0 por el contrario muy grandes.la serie temporal formada por la evoluci6n de los datos trimes- trales del desempleo. A pesar de las complejas fluctuaciones verificadas en los diversos valores de la V.2. en particular en sus dispersiones y va- lores de autocorrelaci6n. porgue ell0 podria enmascarar la estructura de la variable (JOURNEL. estudiada diferente a la primera. Lim E C Z(x) . El histograma sera un util muy simple.xo .R. en general.CONTINUIDAD Esta trata de las variaciones espaciales 0 temporales que se producen en los valores de la variable de un lugar 0 momento a otro. para e110 se debe cump1ir que su significaci6n. Si se varia la medida del soporte para todo e1 campo geometrico dado. 2? Una caracter1stica que debe cumplir la elecci6n de una V.R. se obtendra una nueva regionalizaci6n de la V.

son totalmenta inde- pendientes. que existirAn valores "altos . El variogra- rna es un util qua como sa vera mas adelante permite. . por el contrario. Lim E [ Z(x) . Existen pues. 4. detsrminar la variabilidad del fsn6meno sstudiado..colin- dantes a otros "pobres". se detecta calculando el variograrna en diferentes direcciones del plano. unas direcciones privile- qiadas con mayor variabilidad. existen otros casos en los cuales no se verifica la continuidad en media de los valoreE y surge 10 que se denomina "Efecto Pepita". 85 diferente a la continuidad en otra direcci6n distinta. Esto significa que la continuidad an una determinada direcci6n del plano.3. La anisotropia de la variable. as propia de las variables que se distribuyen en el plano. as dacir.R. senci- llarnente. sa dice que la variable tiene un comportamiento anis6tropo.Z(xo») ¢ 0 x~xo Esto significa que los valoreE que toma la variable en lugares 0 momentos pr6ximoE entre si. Esta caracteristica de continuidad de 1a variable sera detect ada por la funci6n variograma..ANISOTROPIA Esta caracteristica que puede presentar la V. 28 Pero. Cuando la variable se despliega en un espacio de dos dimen- siones y presenta direcciones particularss de variabilidad.

INFERENCIA ESTADISTICA El objetivo que persigue la inferencia estadistica consiste en generalizar a un "todo" las conclusiones deduci- das de una "parte". como el resultado de una tirada al azar de un conjunto de funciones (DELHOMME.A.Z..A.A. 1978). 0 al menos sus primeros momentos. es haciendo uso de la interpretaci6n probabillstica de estas variables a partir de las F.). Una forma facil de estudiar las dos caracteristicas basicas de la V. La V.•Z(xn) J Los valores que toma el fen6meno 9studiado z(xj).A. Z( x 2)' •.. se interpreta como una realizaci6n particular de una F. 29 5.s. sea un campo qeometrico D al cua! esta asociado un conjunto de variables aleatorias Z(xi). seria ideal disponer de un numero suficiente de realizaciones de la variable analizada gue permita reconstruir la ley de probabilidades de la funci6n aleatoria Z(x) <abrev. son considerados como sl se hubieran obtenido simultaneamente por una tirada al azar efectuada segun la ley de probabili- .R. As!.Z. es decir. F. cada una de las cuales se dice que es una realizaci6n de la F. A cada variable aleatoria Z(xi) se Ie puede asoclar un conjunto de valores Z(xj) con una determinada ley de proba- bil idad. Z( xi). f (Z( x£ ).R. para 10 cual.:aIeatoriedad y regionalidad.

Este es el caso del conjunto de los fen6menos econ6micos donde. y cada uno de estos valores que toma sera considerado como una realizaci6n particular de la V. como sa saba. Z(xi) y el conjunto de todos los valoreE.A.Z.en la practica. que permitan superar la imposibilidad antes aludida. La utilizaci6n de la teoria de las funciones aleatorias para realizar la inferencia estadistica implica conocer la ley de distribuci6n de Bstas. implica la introducci6n de una serie de hip6tesis suplementariasl que son la hip6tesis estacionaria y la hip6tesis intrinseca que de una forma esguematica se desarrolla seguidamente.A. . una realizaci6n particular del conjunto de variables aleatorias. tan 5610 se dispone de una unica realizaci6n del fen6meno analizado. generalmente.A. 0 bien a sus incrementos de primer orden. en base al trabajo realizado por MATHERON en 1970. 5. HIPOTESIS ESTACIONARIA E INTRINSECA La inferencia estadistica a partir de una unica reali- zaci6n de la V. 1.R. gue por definici6n tambien 10 es de la F. la inferencia estadistl- ca regulere la introducci6n de hip6tesis restrictivas sobre la F. deducir sus prime- ros momentos que. es a EU vez. 0 al menos. Estas hip6tesis afectan a los dos primeros momentos de la funci6n Z(x). Por esta raz6n.dad de la variable aleatoria. no es posible realizar a partir de una sola realizaci6n.

Para cada par Z(x) y Z(x + h) 1a covarianza existe y 5610 depende del vector h en magnitud y direcci6n. de ser invariab1es por traslaci6n. 31 5. Hip6tesis Estacionaria Una F. Hip6tesls estacionaria de 2D orden: La F..A. tiene cierta hornoganeidadespacial 0 temporal. a1 reemplazar las medias que se obtie- nen sobre a1 conjunto de rea1izaciones por las medias obte- nidas sobre la unica raalizaci6n.1.. Z(x) es estacionaria de orden 2 51: 1.1.La 8speranza matematica existe y no depends del punto da soporte. De 10 anterior se deduce que cada realizaci6n particular as sufi- ciante para generar a1 conjunto de rea1izacionas. Esta hip6tesis sa va a limitar a los dos primeros momentos de 1a lay. Esto as 1a covarianza entre los puntas x y x + h no depends separa- .A. 0 10 qua es igua1. Por 10 tanto la inferencia astad1stica a partir de una realizaci6n es entonces posible. 2. Esto significa que el fen6mano observado es estaciona- rio si. 1a media as supuesta constanta: E [Z(x») = m(x) = m = E [Z(x + h)] independiente de x. se dice estacionaria S1 1a ley de probabilidad de los valores tornadospor esta funci6n en K puntos arbitra- rios del espacio 0 al tiarnpoas invariable por traslaci6n del conjunto de estos.

1. Por 10 tanto habra gue suplir esta hip6tesis por otra mas debiL 5. para todo vector h e1 incremento Z(x + h) . En ella se supone que los incrementos de primer orden de la variable son Bstacionarios. mJ C Z< x + h} .Z(x) tiene una esperanza matematica nula y una varianza independiente del punto x. C( h) = E \ ( Z( x) . Por tanto. La estacionaridad de la covarianza implica la de 1a varianza. . Bajo esta hip6tesis se supone 1a existencia de una varianza finita que en teorla debe de coincidir con el valor de la varianza experimental de los datos. 32 damente de los dos puntos de apoyo sino solamente del vector h. Pero sin embargo pueden existir fen6menos econ6micos que presenten una capa- cidad de dispersi6n i1imitada y por 10 tanto no presenten una varianza a priori finita.2.mJ J En particular: 2 C< 0) = E I(Z( x) mJ J = Var [Z(x}J independiente de x. Hip6tesis Intrlnseca Una hip6tesis menos restrict iva que 1a anterior es la hip6tesis intrinseca.

Z( x» ) La funci6n YCh) se denomina "semi-variograma". Ia F. aunque genaricamente se la da e1 nombre de variograma. existe un crecimiento constante en la evoluei6n de los datos.Z.. E [Z< x )J = m Y.Z(x)J = 2 = 112 E [( Z( x + h) . R. &(h) = 1/2 Var[(Z(x + h) . al menos a una escala grande de trabajo. distantes h.Z(x») = m(x) ¢ 0 .la esperanza existe y no depende del punto de soporte.A. Estos fen6menos se presentan en a1 campo de Ia acono- mia con ragularidad~como es el caso de Ia evoluci6n de Is inflaci6n 0 del desampleo. 33 As1. En numerosos fen6menos se presenta deriva en los datos.A. cada pareja de valores Z(x). E [Z(x + h) .Para cada par Z(x) y Z(x + h) e1 variograma existe y 5610 depends del vector h en magnitud y direcci6n. Cuando e1 fen6meno cumple alguna de estas hip6te5is. x. por citar aIguno. La hip6tesis estacionaria de orden 2 impliea Ia intrln- seca pero no al contrario. Z(x + h) de la V. 2.<x) es intr1nseca 51: 1.. siendo posible la estimaci6n de los momentos de la F. pueden ser consideradas como reali- zaciones diferentes de la variable aleatoria. en los cualas Ia hip6tesis estacionaria puede no cumplirse.

34 Habra que aplicar en estos casos. . 1969) que permits filtrar 1a deriva. la formulaci6n del Krigeage Universal <MATHERON.

RELACION ENTRE COVARIANZA Y VARIOGRAMA Una consecuencia inmediata de la hip6tesis de estacio- naridad de 2~ orden es que implica la estacionaridad del variograma y de la covarianza. (h) ::: C(o) . son utilizados como instrumentos para reconocer de manera eficaz las caracterls- ticas estructurales de los mismos. m] [Z<x + h) mJl 2 En particular: C(o) = E frZ(x) . la covarianza se define como: C(h) = E l[Z(X) . Estas funciones consti- tuyen el ~til de base para realizar el anal isis estructural. 1. Z( x) J 1 Desarrol1ando: 2 2 O(h) = 1/2 !E [Z(x + h) J + E [Z(x) J . m J ~ = Var (Z(x» Y el variograma se define como: 2 ( h) = 112 E t [ Z( x + h) . bajo esta condici6n se demuestra que la relaci6n entre la covarianza y el variogra- rna es : (CHICA-OLMO.. 1981). As1. y ademas permiten gue sea posible conseguir el objetivo final de la estimaci6n. 35 CAPITOLO II COVARIANZA Y VARIOGRAMA Las funciones variograma y covarianza son dos instru- mentos que debido a su capacidad para representar la varia- bilidad de los fen6menos analizados.C(h). 2 E [Z(x + h) Z(x} Jl Sabiendo que bajo la hip6tesis de estacionaridad se cumple: .

. ALGONAS PROPIEDADES DE LA COVARIANZA Y EL VARIOGRAMA Las principales caractari5ticas que prasentan las funciones covarianza y variograma son al ra5ultado da Ia teoria da 105 procasos astocasticos. sa resuman en: a.m 2 2 C( 0) = E [Z( x) ) . C(h) Esta es la relaci6n gue exists entre a1 variograma y la covarianza para aguellos fen6menos que son estacionarios.La varianza a priori BE no nagativa. 1977. C(o) = Var (Z(x)J >= O. Esta reIaci6n va a permitir utilizar a las funcionas covarianza y variograma como dos herramientas equivalentes para caractsrizar Ia autocorrelaci6n entre las variables Z(x) y Z(x + h). que segun JOURNEL.m Sustituyendo gueda: 2 2 l<h) = 1/2 \2 [C(o) + m J .Propiedades de la eovarianza. 1. 36 C< h) = E l[Z( x + h) . 2. Otra relaci6n de inter~s entre e1 variograma y Ia covarianza as Ia que ofraee a1 corralograma p(h): G( h) t( h) p(h) = ---------.mJ [Z( x ) .2 [C<h) + m )J= G{o) . = 1 ..----- C< 0) C( 0) El corralograma as una covarianza raducida.mJJ = 2 = E [Z< x + h) Z( x) J . .

implica: 1. C( h) . « h) >= 0. ( h) = t"< -h) • El variegrama es siempre positivo (h) = «-h) >= 0 mientras que la covarianza puede presentar valores negati- vos .. C( h) = C( ... llegando a ser nula a partir de cierta distancia.A.Desigualdad de Schwarz. b.h) • 3. «0) = O.. el grade de correlaci6n entre los valores que toma la variable en dos puntas distantes h. Par otra parte la existencia de la eovarianza provoca la del variograma: ¥( h) = C( 0) .Funei6n positiva.Funci6n simetrica. C( h) =< C( 0) • En general.Funci6n simetrica. La definici6n del variograma como varianza de los in- crementos de la F. .Propiedades del variograma. 3? 2.. Por 10 que la forma de la funci6n covarianza suele Eer decreciente a partir del origen y practicamente nula cuando h >= a. 2. Z(x + h) y Z(x) decreee al aumentar la distancia h.

. en Bste caso la F.R.. que indica la zona de "influencia" de la V. 3.1). para la cual 58 cumpla que C(h) = O. 38 El variograma en general crecera a partir del origen. 2 C(O) = E {[Z(x) . Un variograma con astas caracteris- ticas representa un fen6meno de transici6n.REPRESENTACION GRAFICA DE LA COVARIANZA Y EL VARIOGRAMA Para poder representar la funci6n C(h) para los distin- tos valores de h. La variabilidad del fen6meno tendera en ocasiones a estabili- zarse a partir de una distancia h > a. La funci6n covarianza tiene la particularidad.mll= ~exp. eS necesario tener en cuenta las propie- dades de esta funci6n. es estacionaria e intrinseca. de que para h = 0 coincide con la varianza experimental de los datos. a medida que aumenta h. al reflejar la desviaci6n cuadratica media entre los puntos Z(x) y Z(x + h) distantes h. . Se denomina por "alcance" a la distancia a. a partir de la cual la variable aleatoria esta incorrelacionada y por 10 tanto C(h) = 0 Y (h) = CCo). y sera decreciente a medida que h crece anu- landose para h )= a (Figura II. Por 10 que la funci6n covarianza tendra en el origen el 2 valor ffexp.A.mJ [Z(x) . como se puede apreciar segun su primera propiedad.

1a funci6n t(h) crece. Funci6n covarianza La funci6n variegrama 5e repre5snta a partir de 5U relaci6n con 1a funci6n covarianza. h Figura 11.1. Mien- tras que 5i 5e re1aciona con 1a covarianza. Asl.2. hasta estabilizarse a partir de una distancia h )= a cuye valor 56 denomina "meseta".' 1 --l-~---. . .. a medida que h crece. segun su primera propiedad 1a funci6n variograma se anu1a para h = O.cr~elCf' ~ h) C(o) ETA 1 0 h o t--ALCANCE -t h Covcrionzo Variogrcma Figura II.. C(h) d'( h) &'. Relaci6n gr&fica entre 1a funci6n covarianza y variograma en 1a hip6tesis estacionaria. vaase Figura II. 39 C(h) ~ & .. 2.

como un todo.R. que seran realizadas a partir de N valores experimentales. Z( x)] } El variograma de una F. 41 CAPITOLO III: ESTODIO DE LA FUNelON VARIOGRAMA 1. cuya ley de distribuci6n de probabilidades es desgraciadamente desconocida. se ha llegado a la introducci6n del concepto de funci6n variograma: 2 ( h) = 1/2 E { [Z( x + h) .A. Este conjunto de datos constituyen. intrlnseca es por definici6n: (h) = 1/2 Var (Z(x + h) .Z(x)J Si se supone que: E [Z(x + h) .INTRODUCCION Existen fen6menos de tipo econ6mico que por sus particularidades cump1en las caracter1sticas vistas en los ep1grafes anteriores. Desde e1 punta de vista practico 10 que interesa es realizar estimaciones sobre este tipo de fen6menos econ6micos.. Z( x)] J .A. una unica realizaci6n de una F.s. Par 10 cuaL es necesario introducir hip6tesis suplementarias de estac10naridad de los valores 0 de los incrementos. por 10 tanto pueden ser interpretadas como V. As1.Z(x)] = 0 (Hip6tesis intrlnseca) 5e l1ega a la f6rmula de la funci6n variograma: 2 r< h) = 112 E [t Z( x + h) .

debe de efectuarse un anal isis previo de los datos experimentales que definen 1a V. 1975). gue cuantifica probabillsticamente Ia variabilidad temporal y espacial del par~metro y gue esta definida por 1a esperanza de SUE incrementos cuadr~ticos medios (MATHERON. estudiada. 42 En sentido matem~tico e1 variograma es una funci6n vectorial.. (MARECHAL. 1970). El procedimiento para Ia construcci6n del variograma experimental dependera en gran medida de que la informaci6n sea homogenea y regular. Tambien* se puede interpretar probabilisticamente Ia funci6n variograma como Ia varianza del error que Se comete al 8stimar un valor desconocido en x + h can 1a ayuda de un dato Z(x) situado en x.CONSTRUCCION Y CALCULO DEL VARIOGRAMA EXPERIMENTAL Antes de realizar e1 calculo del variograma experimental. Sagun que 105 datos experimentalas se distribuyan en e1 tiempo 0 en el plano. para 10 cual es necesario realizar una crltica de los datos experirnentales. dependiente del vector h. etc. sa distingusn dos casos: Variograma en una dirnensi6n Variograma en dOE dimensiones . detectando en su caso errores en los datos. elecci6n del soporte de estimaci6n. 2.R. valores aberrantes.

y van a coincidir con el escalar h. el mes. 1981). El variograma experimental se calcula para valores multiples del paso h. Esta as Ia situaci6n mas general que se presenta en 91 estudio de variables microeconomicas y macroecon6micas que se distribuyen en e1 tiempo.1. Los tramos de medida 0 soportes vendran dados por el dia.. 2. mediante la f6rmu1a: . m's frecuentes en Econometria.. etc. es decir. que determina el paso del variograma. la axpresi6n del variograma experimental para el paso h se caloula con la siguiente expresi6n: 2 (( (h) = N 1 t i=1 [z( ti + h) z( t i) J 2 Donde h es un vector que define espacios de tiempo. 43 2. Si se dispone de N parejas de datos distantss h.VARIOGRAMA EN UNA DIMENSION Es el oaso que corresponde a datos de series temporales. Se distinguen esencialmente dos configuraciones de datos segun que estos se encuentren distribuidos de forma regular 0 no (CHICA-OLMO.Datos regularmente espaciados.1. todos los espacios de tiempo tienen igual duraci6n y son sistematicamente analizados. 91 trimestre.1. Corresponden al caso en que los datos se encuentran espaciados de forma regular.

1155 -------~----------------~-------------~-------~------------------- Para al paso h = 1: 90tS 1°7.Z( t i) J = 103 2x9 i=l (D Fuenh: Larreil Ere?ioJ S. pag. por las Cajas de Ahorro.4 74 81 90. Oiagn6stico de la agroindustl'ia espa[!Dla: por debajo de sus posibilidades.5124. Un pequeffo ejemplo puede ilustrar 1a facilidad de su aplicaci6n: se dispone de la evoluci6n de los craditoE concedid05 a1 sector agrario. 1 NP( h) 2 0< h) = L C z( t i + h) . . Revista Situacion 19B312.5 124. en miles de mi110nes de pesetas (1). para el periodo comprendido entre 1973-1982. Z(ti + h) y Z(ti) = valores que toma 1a variable en los puntas del tiempo (ti + hI Y ti. ~ [ Z( t i + 1) .1 61. 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 Creditos57. NP(h) = numero de parejas para al paso h. Z( t i ) J 2 NP< h) i = 1 donde: h = paso del variograma.4 61. --------[---------------------------------------------------------- af'[oe.5 107.1 155 4 5 6 '----'" 7 '----" 8 <:> 9 1 9 2 ~(1) = -----. 10.4 58.

Este varioqrama caracteriza a una variable gue presenta una dsriva en al . 4 984.9 311. se obtiene e1 siguiente cuadro: -------------------------------------------------2------------.8 5 5 10 14321.8 103 2 8 16 4988.l se encuentran reprssentados los valores experimentalss obtenidos de (h). 1 6 4 8 16318. etc.4 4792 CUADRO III.1 1432. h = 5. 1 En la Figura III. 8 3 7 14 8674.Z(ti)] 2 = 311. 45 Para e1 paso h = 2: o( 2) = 1 2x8 t i=l [Z(ti + 2) .6 4 6 12 11811. Paso h NP(h) 2NP(h} [Z(ti + h) .8 Si se continua de igual forma para: h = 3~ h = 4.9 3312 9 1 2 9584.9 619.2 2039 7 3 6 15803 2633 8 2 4 13249.Z(ti)] t(h) 1 9 18 1853.

46

tiempo y que por 10 tanto no cumpIe Ia hip6tesis estaciona-

ria.

4000

2000

o 3 4 5 6 7 8 9 h

Figura III.l. Variograma experimental de los cre-
ditos concedidos a1 sector agra-
rio entre 1973 y 1982.

En e1 cuadra 111.1 puede observarse como a medida que
crece e1 paso h menor es e1 numero de parejas formadas

NP(h); aspecto que infIuye en el significado del valor

obtenido de O(h), ya que depende directamente del numero de

parejas utilizadas. Como regIa general para ha11ar e1

variograma experimental, se debe de tamar un valor maximo de

h hasta la mitad de la longitud total del campo geometrico
(JOURNEL, 1975).

Un caso particular 10 constituye cuando los datos se

presentan de forma regular, perc no todos los tramos son

sistematicamente ana1izados, es decir, gue falta el valor de
alguno de los datos, como se observa en Ia Figura 111.2. En

esta caso, se procede como en 81 caso general de datos
regularmente espaciados.

4?

--~I~--rl--~O~--~I---+I---+I--
Z(tJ Z{tJ Z(tJ Ztts) Z(tJ

Figura 11I.2. Ausencia de datos experimentales.

La ausancia de datos 5610 influye sobre e1 numero de

parajas formadas para a1 c~lculo del variograma y, por 10
tanto, sobre la estimaci6n y fiabilidad de este.

2.1.2.- Datos irregularmente espaciados.

Cuando los datos se encuentran espaciados de forma
irregular sa pueda proceder de las siguientes formas, segun

el caso:

a. 8i los tramos 0 periodos de medida no son de lon-

gitud constante, pero son todos analizado5 de forma conti-
nua, &e puede reconstruir soportes de longitud constante L,

formados por uno 0 varios fragmentos de tramos reales, vease
Figura III.3.

nEAL

nECONS TnUIOO

Figura 111.3. Reoonstruoci6n con soportes de
lonqitud constante L.

48

La reconstrucci6n provoca un error de alisamiento

debido a la implantaci6n de un soporte constante L. La
dimensi6n del soporte L a reconstruir debe de sar superior a

1a dimensi6n media de los soportes reales.

b.- Implantaci6n de una malla aleatoria pura. Para
construir en este caso a1 variograma experimental, se nece-
sita agrupar las parejas de datos disponibles por

clases de distancias. Se toman para la construcci6n del
variograma, todas aquellas parejas que se encuentren distan-
tes h ± C<h); siendo C(h) la tolerancia de la distancia.

Esta debera ser mas debi1 para pequeffasdistancias de h y
mas fuerte para grandes distancias de h.(Figura III.4) •

._ h • I§~l
---+.~~-~-~-~.+---_.----------~---
Z(t,) Z(tz) Z(tJ

Figura III.4. MalIa aleatoria pura.

2.2.- VARIOGRAMA EN DOS DIMENSIONES

Cuando el fen6meno que se estudia se desarrolla en e1
plano, 1a distancia h viene dada por las componantes en x, y

(h~, hz.),0 an coordenadas po1ares por e1 m6dulo [h]= Vh~ + hi

v el angulo 9-.

Del estudio del comportamiento del variograma en las

conforme a una malla regular (Figura III. MalIa regular. 49 diferentes direcciones se establece la anisotropla 0 isotro- pia del fen6meno. . [Z(xi + h) .Z(xi)] donde: 0{ = es 1a direcci6n en e1 plano. 2.2.Datos regularmente espaciados.5). xi + h> segun la direcci6n 0(.5. NP<h~) = es e1 namero de parejas (xi.. e1 variograma se obtiene can la ayuda de la siguien- te f6rmula: 1 O(~) = ---------. Segun como esten distribuidos los datos en al plano. Cuando los datos de tipo econ6mico se encuentran dis- tribuidos en el plano. 1 2 Direcciones 3 Principales 4 L Figura 111.1. 56 pueden distinguir las siguientas formas de obtenci6n del variograma experimental.

'leass Figura I1I. C&lculo del varioqrama en el plano. para una determinada direcci6n ~(angu10 de 1a direcci6n) se utilizara cada dato Z(xo). asociado con todos 105 datos situados en un angulo e"± J& (5 iando 19' la tolerancia angular) y a una distancia h ± E.6.6. Hay por 10 tanto.2. . El variograma experimental obtenido. e1 variograma experimental se calcu1a de la si- guiente forma: Se agrupan 105 datos experimentales por clase5 de an- gulos y de distancias. Cuando los datos 58 distribuyen en e1 8spacio de rnanera irregular. Asi.2. contendra todas las variaciones direccionales del intervalo ( 9'+ <f(?). un alisarnientogue en ciertos casos podria provocar e1 enmascaramiento del comportamiento espacial del fen6rneno.2.) Figura III. definido por cla5e5 de angulos y de distancias.Datos irregularmante espaciado5.. (h) Csiendo e<h) la tolerancia de la distancia). Z(x.

Figura I1I. y regularidad de la Estacionaridad. La estacionaridad refleja la zona de influencia de un dato respecto a otro. En primer lugar al analizar e1 comportamiento en el origen del grafico de la funci6n variograma. VARIOGRAMA Anisotroplas. . La Figura 111.7 representa graficamente la informaci6n que se puede derivar del grafico del variograrna. COMPORTAMIENTO EN EL GRAFICO DEL VARIOGRAMA Del anal isis del compo~tamiento del graficD del vario- grama. Esta influencia sera menor a medida gue la distancia que separa dichos puntos es mayor. Informaci6n deducible del grafico de la funci6n variograma.7. se puede abtener una descripci6n sintetizada de 1a estructura del fen6rneno. se obtiene informaci6n sobre a1 grado de continuidad y ragularidad del fen6meno analizado. Comportamientos particulares. 51 3. Distin- guiendo entre variables estacionarias y variables con deriva o tendencia.

las variables pueden presentar comportamientos particularss diferentes a los anteriores.S. Este comportamiento se produce para pequeffasdistancias de h. .. comportamientos que se deducen del gra- fico de la funci6n variograma.COMPORTAMIENTO EN EL ORIGEM Se pueden distinguir cuatro tipos de comportarnientosen el origen del grafico de la funci6n variograrna. y caracteriza a una variable con un alto grado de .1. etc. <)'(h) h h h Po ro oollco Linea I Discontinuo Aleotorlo Figura III. vease Figura III.Comportamiento parab61ico. con superposicion de estructuras de diferentes escalas. 1. 52 La anisotropla informa si la variable analizada presen- ta direcciones particulares de variabilidad en a1 plano. 1976). Esta caracteristica 5610 se presenta en las variables espa- ciales. Comportamiento del variograma en e1 origen. 3...8."-" (DELHOMME. en funci6n del grado de continuidad y regularidad de la variable. periodicidad. Por ultimo.

<Figura III.oinos debido a la Guerra Civil espa1.8). 9. 2. Como ejemplo practico.o1a. per 10 que caracteriza a una variable menos regular que en 61 caso anterior. obtenidcs de los Padrones rectificados. Vease Anexo 4..Comportamiento lineal.8>.N.". Granada. .osdichos Padrones en 64 nunicip ios gr-ar.9.E. 53 regularidad.Fuente: I. Variograma experimental de la serie poblaciOn en el periodo 1924-1954. • t(anos) Figura III. (Figura III. he detectado este tipo de comportamiento en el origen en el estudio de la evoluci6n de la poblaci6n de la provincia de Granada entre los affos 1924 y 1954 (1) vease Figura III. (1) Los datos ut il lzadcs :·DI1 anual~s. El variograma experimental presenta un comportamiento lineal en el origen. Se han el iminado los datos Hferentes a los affos 1936 y 1937 par W' irr·e1evanies al no podersE reaiizar en estos ar.

Vease Figura III.10. Una discontinuidad en e1 origen del grafico del vario- grama experimental representa a una variable extremadamente irregular. t(trimos) Figura 111.. etc. 10. Vease Anexo 1. A esta discontinuidad en e1 origen se Ie denomina "efecto pepita".Comportamiento discontinuo.8). gue suele deberse a errores de tipo humano. . de medida# analisis.(Figura 111.. 3. desempleo en Granada. 54 Un ejemplo de ests comportamiento del grafico S8 ha obtenido a1 calcu1ar e1 variograma experimental de 1a serie temporal econ6mica. 0 a 1a existencia de fen6menos regionalizados de escala inferior a la analizada (DELHOMME. 1978). desempleo en Granada. En e1 variograma experimental del numero de empleados en establecimientos comerciales e industriales para 1977. Variograma experimental de 1a serie econ6mica.

. Variable numero de empleados por municipio. ~(h)x10" 6 h(km) I I . an el que se pre- santa una ausencia de correlaci6n entre cualquier par de valores tornadosde la variable regionalizada. (1982).. Es el casa limite de irregularidad. Esta Figura representa el variograma medio de la serie analizada en el plano.. por municipios (1). 297 . vease Figura III. Vease Anexo 5. 4.Efecto de pepita puro. 11. Univ.(Figura III.8>. La industr a en l a prOVincia d~ Granada. presenta un comportarnianto en el origan con efecto de pepita. 55 en la provincia de Granada. de Granadal p. (1) Valor~s exper m~ntales tornados de Garcia Rulzi A. o 20 40 80 Figura 111.11. Variograma experimental medio en el plano con efecto de pepita.

Variograma experimental de la serie venta a plazos. Vease Anexo 3. ESTUDIO DE LA ESTACIONARIDAD Sa va a analizar an 6sta apart ado a1 comportamiento del grafico de la funciOn variograma cuando h .I. 12.Variograma no estacionario 0 indefinidamen- te cree iante. raalizadas en Espaffa desda 1980 a 1983 (1).E. Sa pueden presentar dos casos: Variograma estacionario 0 limitado.~~'-~~--~--~~~--~----~--r------ 15 10 5 t (meses) o 1 5 10 15 Figura III. a. .12. (1) Fu~nt~: Bol~iin d~ Esiadistica.N.2. 3. 56 Un variograma de este tipo sa ha prasantado al estudiar las ventas a plazos por masas. Figura 111. . reflejara la estacionaridad 0 no de la varia- ble. La estabi 1iZa- ciOn 0 no del crecimiento' de la funciOn variograma a medida gue crece h.

Variograma estacionario. 1« 00) = constante Verificandoss gue exists sstacionaridad de 2D orden y por 10 tanto cump1e: o(h) = C<o) .1. Hay gue destacar que 1a estacionaridad es re1ativa a 1a eseala de observaci6n y por 10 tanto un fen6meno que no es estacionario a gran escaIa. 1a covarianza se anula y e1 variograma a1canza 1a meseta C. En ssts caso e1 fsn6meno ss estacionario y a1 variograma crece hasta un limite denomina- do meseta. puede convertirse en 8stacio- nario a una escala menor de observaci6n (cuasi-estacionari- . que coincide con 1a varianza a priori. a partir del cua1 la funci6n se estabi1iza..2. Variograma estacionario. 57 3. 13. Es aquel variograma que para valores de h grandes tiende a encontrar un techo.C(h) Esto significa que a medida que creee h y a partir de que h = a. 2 2 C(o) = E{[Z(x) .13.m ] J= Var [Z(x)] = (J expo n h Figura III. Figura III.

anulandose para una distancia igual 0 superior a 65 krn. 14. en e1 affo 1977 (l).N. . que representa a un fen6meno estacionario con alcance igual a 65 km.I. qua la poblaci6n en la provincia de Granada no se encuentra distribuida de manera tota1mente aleatoria. Un ejemplo de variograma con meseta. La Figura 111. de Granada. esto es. Redificaci6r.E.14 corresponde al varioqrama experimental medio de la variable analizada. Variograma medi~ en a1 plano~ de la poblaci6n en Granada per municipios en 1977. Vease Anexo 5. 58 dad) . que existe un grado de autocorrelaci6n mas alto entre la poblaci6n censada en municipios cercanos entre 51. se ha obtenido al analizar la poblaci6n de derecho en 100 municipios de Grana- da . o 80 Figura III. del Padr-6nt1uIlicipai de habitantes referido al 31-12-1987. y mas bajo a medida que la distancia de separaci6n entre el10s es mayor. {DFuenh'. Esto significa.

Variograma experimental con deriva de la serie paro en Granada. En el estudio del numero de desempleados en la provin- cia de Granada para el periodo 1976-1985. El efecto de deriva se traduce sobre el variograma experi- mental por un fuerte crecimiento de tipo parab61ico.2. vaase Figura III.2.Variograma no estacionario. (l)Esta serie es analizada ~n ~. 59 3. En este caso la hip6tesis de estacionaridad de 2Q orden no sa cumpla. o ~(t) ----==.A.( 1) se ha detectado un variograma con deriva. capitulo V.. . 15. m( x) = E [Z( x)] t E [Z( x + h)] La funci6n m(x) 85 llamada deriva de Ia F. ------- 100 50 1(tri o 4 12 16 Figura 111.15. tomando valores que sobrepasan netamente el valor de la varianza de los datos. Z(x).

3.3. ANISOTROPIA Y EFECTO PROPORCIONAL

Si una regionalizaci6n distribuida en un espacio de dos

dimension65, representada por Y<h), 5610 depende del m6dulo

del vector h, se denomina is6tropa; y si depende de Ia

dix:-ecci6n de dicho vector, 5e denomina anis6tx:-opa (MIGUEZ,

F. 1984>. La ani50tropia 5610 puede aparecer en aquellas

variables que se di5tribuyen en e1 plano.

Para detectar las anisotropias en Ia practica, 10 que

se debe hacex:-es comparar los divex:-sosvariogramas direccio-

nales.

Cuando 56 advierte una posible anisotropla debe de

buscarse una raz6n genetica que explique tal comportamiento,

de 10 contrario la raZ6n de Ia existencia de direcciones

particuIare5 de variabi1idad podrls ser debida a otros fac-

tares como: la heterogeneidad de los datos, 6xistencia de

efeeto proporcional, fluctuaciones experimentales, etc,

(JOURNEL, 1977).

Existen dos tipos de anisotropla:

Anisotropla geometrica

Anisotropla zonal

3.3.1.- Anisotropla

a.-Ani50tropia geometriea

Exists anisotropia geometriea 0 aflnl euando los vario-

gramas de las distintas direcciones en el plano, presentan

61

igual V'arianza. Cuando los variogramas son sstacionarios,

prsssntar~n igual meseta y distinto5 alcancss; misntras que
5i son variogramas no 8stacionarios, presentaran igual ori-
gen y diferente pendiente, vease Figura 111.16.

~(h)

o Q, OJ h o
Q&
h
Lin~QI
Esferico

Figura III.16. Anisotropla geometrica.

La anisotropia geometrica S8 denomina asl porque afecta

a las caracteristicas geometricas de variaci6n de la varia-
bIe, dejando invariable la varianza. Esto se puede expresar

gr&ficamente repressntando los diferentes alcances en una
rosa de datos.(Figura 111.17).

Expr8sando el lugar geometrico de dichos parametros
direccionaIes, qU8 formaran una elipse -caso anis6tropo- 0

un clrculo -caso is6tropo-.

62

Figura 111.17. Rosa formada por los alcancss de
los variogramas direccionalss.

b.- Anisotropla zonal.

La anisotropia zonal afecta al conjunto del variograma,

es decir, tanto a sus caracteristicas de variabilidad como
geometricas, asl los variogramas direccionales presentaran

diferentes mesetas yalcances. (Figura III.18).

~(h)

o a, h

Figura 111.18. Anisotropia zonal.

3.3.2. Efecto Proporcional.

El efecto proporcional se produce cuando 61 valor medic

de los datos evoluciona con la variabilidad de estos.

4. sa prasentan comportamientos parti- culares del variograma como son: periodicidades. 5e distinguen tras tipos fundamentalas de comportamiento parti- cular de 1a funci6n variograma: . El efecto proporcional es directo si las mesatas de los variogramas experimentales aumentan al aumentar 1a corres- pondiente media experimental. COMPORTAMIENTOS PARTICOLARES En la practica. e inverso si las rnesetasdis- minuyen al aumentar la media. Efecto proporcional.19). 63 Se dice qua existe efacto proporcional. h Figura III.(Figura111. Asi. cuando los diversos variogramas exparimentales se corresponden por un a1cance cornuny diferente rneseta. etc.19. superposi- ciones de variaciones a escalas diferentas. 3.

Pero una parte de esta sucesi6n de variabilidades sera 1a que mas interese. se caracteriza por 1a existencia de valores de «h) simetricos. e1 variograma estara compuesto por una sucssi6n de estructuras a sscalas diferentes. La V. La Figura VI. ~ (h) Y las hiperes- tructuras ~ (h).< h) + ~ < h) + b5< h) + ~( h) i=l Las pr imeras microestructuras ~ (h)..< h) + t.< h) + 0. Las macroestructu- ras saran las mas interesantes Og( h). 1975). 6 O( h) = L ~i( h) = 0. 2.2 representa un variograma de tipo peri6- dico. a los cuales hay gue affadir una variabilidad adicional debida a errores de medida. En este variograma 5e ..-Estructuras con periodicidad. con superposici6n de variabilidades a diferentes escalas para un mismo fen6meno. Un variograma con estructura peri6dica. puede mostrar una organizaci6n jerarquizada. La serie analizada esta formada por e1 numero de personas de nacionalidad sspaffolaque han pernoctado en hoteles de 1a provincia de M~laga..Estructuras superpuestas. ~ (h) rspresentan variabilidades parasitas que deberan sar reducidos a1 maximo para no influanciar sobre 1a astimaci6n. En el caso general. R. 64 1. ~(h) que no t endran ninguna inf1uenc La sobre 1a estimaci6n < JOURNEL. consecuen- cia de una correlaci6n de tipo positiv~ y negativo.

65 aprecian ciclos regulares que expresan una alternancia en 1a variabilidad de 1a serie.o. F. Se trata ahora de elaborar un modele te6rico que tenga en cuenta las principa1ss caracteristicas estructurales del fen6meno ob- servado. 3. Cuando e1 crecimiente correspendiente a1 varioqrama experimental no es mon6tono. se dice que prssenta efecto de pozo 0 de hoyo <MIGUEZ. de maxima a minima (Vease e1 capitulo VI). La elabo- raci6n de estos mede1es se justifica en la necesidad de hacer manejable 1a infermaci6n que se desprende del analisis del variograma experimental. 1984).8stimaci6n. se ha rea1izado un tratamiento que ha dado lugar a1 ca1cule del variograma experimental. 4. puesto que en estos modelos . AJOSTE DEL VARIOGRAMA A ON MODELO TEORICO Con 1a informaci6n experimental disponib1e sobre 1a variable estudiada. Este tipo de estructura se ha presentado a1 obtener s1 variograma experimental de 1a serie PERNA fi1trada (vease e1 capitulo VI).parici6nde aste tipo de estructuras a fen6me- nos que possen alguna components peri6dica 0 sBudo-peri6di- ca.-Estructuras con sfecto de poze. Estas estructuras pueden presentar 0 no meseta. y gUB sirva para realizar 10. Se acredita 10.

Modelos sin meseta. Modelos particulares. 4. 1. . TIPOS DE MODELOS En 1a practica S8 uti1iza generalmente alguno de 105 siguientss modelosl 0 combinaci6n apropiada de elIas (vease modelos particulares). son: Tomar en consideraci6n las principalas caracteristi- cas estructurales de 1a ragionalizaci6n observada. simples y adaptables. En la practica. e1 ajuste de estos modelos te6ricos a1 variograma experimental sa hace de modo graficol mediante un proceso iterativo con diversas tentativas. 66 8stan tabulados 105 parametros que se utilizaran posterior- mente para 1a sstimaci6n. Los modelos teoricos se pueden clasi- ficar principa1mente an: Modslos can meseta.Deban ser operaciona1es. Los requisites gue deben cumplir los mode10s1 segan JOURNEL (1975). . Deban garantizar que 1a varianza de 1a combinaci6n 1 ineal: y = f i=1 ~i Z( x i) sea siempre posit iva.

1.(-~-) ~ para h =< a c para h > a siendo: a = Alcance. Corresponden a aquel10s variogramas limitados 0 esta- cionarios que presentan un crecimiento rapido en e1 origen. .un comportamiento lineal en e1 origan y daspues as creciente hasta alcanzar e1 valor de meseta £ (Figura III.. h = Paso del variograma. Su ecuaci6n as: '0< h) = c ( 3 h 2 a . a)Modelo esferico 0 de MATHERON. Modelo esferico 0 de MATHERON. 6? 4.20).20. Este tipo de modelo presenta.Modelos con meseta. 2 c = U expo ~(h) c -------1---~----- / o h Figura III. para despues estabilizarse en torna a la meseta.1.

68 E1 a1cance viene determinado por 1a tangente a 1a curva en e1 origen. c=l- Q.e -(~) 1 para h )= 0 Siendo a a1 a1canca. vease Figura 111.21.21. 8sta alcanza su meseta de forma asint6tica para h = ~ . En 1a practica sa sue1e tomar como valor del alcance a = 3a. Guando no hay efacto de pepita. Es un modelo que como a1 esferico reprasenta un fen6me- no estacionario. . Paro en cambio. su ecuaci6n as: = c (1 . b)Mode1o exponencia1 0 da FORMERY.95 o a 30 h Figura III. que corta con e1 valor de 1a meseta a una distancia igua1 a 2/3 a. que viane determinado por e1 corte entre 1a tangents a1 origen y 1a meseta. Modelo exponencia1.

Como e1 exponencia1 alcanza la meseta de forma asint6- tica <Figura 111.2.22. V3. e para h )= 0 6(h) c=1 0.Modelo5 sin meseta. En 1a practica 5e toma como a1cance a1 valor a = a. pero pre5enta un comportamiento parab61ico en al ori- gen. Modelo de Gauss. Se trata del modelo variografico mas regular posible. Es e1 modelo mas general en variables que presenten . Este modelo tambien repressnta un fen6meno 6staciona- rio.22). 69 c>Modelo Gausiano. Son aquellos modelos que se van a ajustar a variogramas 6xperimentalss que no presentan meseta en au crecimiento. A Modelo en h .95 o a aYj" h Figura 111.. 4. El ajuste a este modela 5e realiza por: 'D( h) = c [1 .1.

Ihl para h ~- con 0 < A =< 2 Siendo Puna constante. 4. y puede servir para ajustar en las pequeffasdistancias cualquier otro mode- 10 gue presente ese comportamiente en el origen (Figura III. se ha decidido denominarles como particulares. . Para 1 < A< 2 los modelos h presentan un efecte de deriva parab61ica. Estos modelos pueden aparecer con cualguiera de los modelo5 anteriormante tratados. 23).dariva. Cuando x= 1 se llama "modelo lineal". En este apartado sa prssantan aquellos modeles te6ricos gue por ser una combinaci6n lineal de las anteriores a par ne poderse incluir dantro de alguno de los dos apartados anteriores.23 Modelo potencial.3.. Sa pressnta bajo la forma: A ~. o h Figura 111. Modelos particulares.1.0 f(h) = P. con 0 sin msseta.

+ C.Observacio I 2:. P Estruc. es igua1 a1 mayor de los alcances. Estas estructuras compuestas estaran formadas por 1a super- posici6n de varios medeles te6ricos sencillos. En 1a Figura 1I1. ~( h) C. El caso mas frecuente es el de compoeici6n de dos modeloe esfericos. Ajuste a un modelo compuesto esferico + esferico. EI a1cance correspondiente a1 modele ajustado. sa represanta el modele ajustado al variograma experimental obtenido en e1 estudio del nurnero de estab1ecimientos cornercialese industriales en la provin- . Cada modelo esta caracterizado por un alcance a~ y at y una meseta ct Y Cz diferente. c.24. vease Figura 111. En la practica se obtienen variogramas experimentales que pertenecen a estructuras imbricadas y gue por 10 tanto no 56 adaptan a ninguno de los madeIo5 te6ricos descritos.Estruc. h Figura 11I. Y la meseta as igual a 1a Burnade elIas (c1 + c~). 71 a)Modelo te6rico con estructuras imbricadas. Estruc.24.25. o 0.

Estableci- mientos por municipiti en Granada. (Figura III. La ecuaci6n general de ests madelo es: sen Ihl O<h) = c r 1 . y masetas c!= 2600.--------] [h] (1) Va)or~s experirnentales tornados de GarcIa RUt2. compu9sto por dos modelos ssfericos con alcancss a{= 25 km. A.25.. .. Ajuste con un modele compuesto al variograma experimental. 276-282.Estruc. {1982} Ob. Vease Anexo 5. cit. c~ = BOO. Pag. b)Modelo te6rico con efscto ds pozo. 72 cia de Granada en el affo 1977 < 1). a~ = 65 km. . Se caracteriza par e1 crecimiento no mon6tona de «h). c. o h Figura I11.=. ~(h) 2~ Estruc.25>.

. En e1 caso de que cualquiera de los modslos descritos presentase un efecto de pepita Co. 58 podra entonces reemplazar e1 efecto de pepita Co por una componen- te esferica de meseta Co y de alcance inferior al paso del variograma. Modelo con efecto de pozo. 73 c a h Figura III.26. c) Modelizaci6n del efeoto pepita. sera suficiente con affadira dicho modela la cantidad Co: «h) = t<h) + Co para h * 0 «h) = 0 para h = 0 En los casos que e1 efecto de pepita sea debido a la existencia de una microregionalizaci6n que no ha side tenida en cusnta al calcular sl variograma experimental.

Sea Is F.Informaci6n e xper imantal: dada par los datos nume ricos Z( x 1) . y la necesidad de ajustar un modele interpretativo a1 variograma experimental. Sa canace 131momenta de 2~ orden: . Esta informaci6n puede ser : . Z(x) una funci6n estacionaria con esperanza matematiea E (Z(x)] = m (caso particular) constante y desconocida. 75 CAPITOLO IV: METODO DE ESTIMACION: Et KRIGEAGE. para 10 cual se recurrira a la teorla del krigeage. El krigeage consiste en un metoda de estimaci6n qua pretende encontrar e1 mejor estimador lineal posible a par- tir de la informaci6n disponible. Entendiendo estas como el calculo del valor estimado mas probable para cada periodo en cuesti6n. y predicciones futuras. El siguiente paso consistira en realizar la 1nferencia esta- dlstica. En el caso de series temporales. que se podra aplicar a variables espaciales y temporales. 1. NOCION Y CARACTERISTICAS DEL KRIGEAGE. Hasta ahara se ha expuesto la gran importancia que tiene la funci6n variograma como instrumento para analizar la estructura del fen6meno estudiado.A. el krigeage permite realizar estimaciones hacia atras. hist6r ieas.Informaci6n estructural: dada por la funci6n variograma 0 la covarianza.

1a. Vease Figuras IV.. de forma qua la varianza de estimaci6n sea minima..) Z(tz) ••• • • • • • • • • Z(tj) Z(tj~l) ••••.mJ)= C(h) covarianza. conocar e1 valor qua toma dicha funci6n Z<x) en otro punto xo. 76 E ([Z(X) . Este metodo consists en pondsrar adecuadamsnte a1 valor de cada Z(xi) que interviene en a1 ca1culo de la astimaci6n. o o o o ~a) o ~ o ~ o o o Z(xn) Figura IV. <estimaci6n puntual). .) Z(ts) •. Estimaci6n de Z(to) par interpo1aci6n y extrapolaci6n. Lo qua sa pretends as. Estimaci6n de Z(xo).• • • • • • • • • • •• Z(t n) L{t.) Z(. sobre al valor a astimar Z(xo>.1a Y IV.•.lb. Z(t.mJ (Z(x + h) . conocidos los valores exps- rimenta1es que toma 1a variable en n puntas del 8spacio 0 al tiempo Xi' x2 ••••• xn que se rapresentan por Z(x1).Z(x)J ) = 2 r<h) variograma. Variable temporal. Variable espacial. Z(~ ••• Z(xn).lb. 2 E (rz(x + h) .) EXTRAPOLAC 19~ Figura IV.••• Z(t.

y mas fuertes a los mas pr6ximos.Krigaage Universal 0 can deriva (K.S. teniendo en cuenta las caracterlsticas geome- tricas de 1a ragionalizaci6n y no de los valores particula- res de la variable en cada punto. como en 131 caso de que 56 quiera conocer 131 valor media que torna 1a funci6n en un dominic 8 (estimaci6n zonal). Esto 85 posible can 5610 conocer la estructura aspacial 0 temporal del fen6meno que viana dado por 131 variograma.Krigaage Simple 0 sin deriva (K. de aqul 1a importancia que 513 Ie ha dado en 131 presente trabajo. insesgado y de varianza de sstimaci6n minima. tanto a variables espacialas como tamporales y dantro de astas ultimas en casos de intarpolaciOn 0 de extrapolaci6n. Segun que 1a variable presente 0 no deriva en 105 datos. la estimaci6n dependera en gran medida del anali- sis estructural a variografico raalizado con anterioridad. par 10 tanto. El krigeage atribuye pesos mas dabiles a los valores mas alejados del punto a estimar Z(xo). Por ultimo. lineal. El krigeaga tiena 1a vantaja de que 513 puede aplicar.) .) .U. sa puede clasificar la tecnica de krigeage en . ?7 n El est i mador ZK = ~ Ai z< xi) es un estimador i-= 1. hay que destacar que ssta metodologla sa puede aplicar tanto en 131 caso de qua 513 raalice una estima- ci6n de datos can soporte puntual (estimaci6n puntual).

asta sstimaci6n podra sar: . ?8 2. E1 problema consista an ancontrar los pesos que prasenten la mejor estimaci6n posible.Z( x)] I 2 . E1 krigeage simple as una tecnica gue sa aplica en aguallas variables regionalizadas que cumplen con la hip6te- sis de estacionaridad. KRIGEAGE SIMPLE 2. sa adopta una media pondsrada de n datos d1sponibles: n ZK = ~ Ai zc x 1) i=l Este astimador es una cornbinaci6nlineal de los datos expsrimentalas Z(xi) con los ponderadoras ~i gua afectan a cada dato experimental que interviene en la estimaci6n. E [ Z(x)J = m = constanta y desconocida. Sa supone conocido e1 momento de segundo orden: 1 2 0' (h) . son conocidos y S6 decide estimar el valor gue puede tomar la variable en el punto xo.•..1.~ Z(x) ds S s Para estimar Zo..Z(xo) Estimaci6n zonal: Zo = _:-.xn. E [r Z( x + h) . xz' .Est1mac16n puntual: Zo . CONCEPTO Los valores gue toma la variable Z(x) estudiada en n puntos experimentales x~. gue como se ha dicho.

i= 1 j=l j E [Z( xi) . ze» . S. 2 E [(ZK .Zo i . t=. Z( xi») = ~ Ai. A J=1 j < Z( x j) . Zo») = . Zo) J = E(C 'L)d Z(xi) .. Zo)] = n n = L L Ai>. (Z( x j) . E [ZK] = E r ze i Para ell0 es 5uficienta con suponer qua: n ~ Ai = 1 i=1 Al 5ustituir: n n E [ZK] = E r ~ Ai.Zo) J = minima 2 Desarrollando E [(ZK .ZOJ)= E(rt=Ai (Z(]ci) .Zo) J 2 n 2 n 2 E [(ZK . ?9 2. Para calcular al estimador ZK sa imponen dos con- diciones: 1) El estimador ZK debe sar insesqado.Zo)] )= i=l 1=1 n n 1::1 E [ LXi i= L (Z( xi) . SISTEMA DE ECUACIONES DE K.2.ZoJ = 0 2) La varianza da astimaci6n dabe sar minima. E[ Z( xi) J = m i= 1 i= 1 y como: E [Z(xi)J = E [Zo] = m queda: E [ZK .

2 .Zo). n n ~ Ai = 1 i=l .xo ) ..ez( xj) .~ ( L Ai .Zo) ( ze x j ) . 1) i= 1 Siend0.xj)]= i= 1 f= 1 :: 2 f. f i=l j= 1 n ~ AiAj ( xi .xo> . 1967). xj) Esta axprasi6n a5 una funci6n cuadratica con inc6gnitas.xj) = 1/2 E (C(Z(Xi) .Zo)J sustituyendo queda: 2 n n E [( ZK . (xi . para 10 que sa utiliza la tecnica del i=1 multiplicador de LAGRANGE <MATHERON. Utilizando 1a funci6n variograma: 2 texi ..ZO)]) = nxi . dando lugar a la funci6n: 2 n F = 1/2 E C(ZK . « i=1 i xi . Dicha funci6n hay que minimizarla bajo la n condici6n L ~i = 1. Zo) J :: L L Ai Aj (0< xi ..V e1 factor de Lagrange. Esta funci6n sa minimiza derivando parcialmante respec- to a )d y JI e igualando a cero. Con e Ll o S8 obtiene a1 siguiente sistema de ecuaciones: para j = 1.Sistema de Krigeage Simple- . E [eZ(:xi) ...xo ) + 6< x j .xo) + l(xj .).xo) . ze» J .

. La soluci6n al sistema con5istir~ en calcular la matriz de ponderadorss CAo] -1 [ A 0] = t xe i .. Una vez calcula- dos los ponderadores Ai sa sustituye en la expresi6n del estimador ZK y se obtendra e1 valor estimado 0 valor .. ..l por: K"i.3 I .. "-' 02..0 02.j = '( (xi xj) ti.1 r.o = 0< xi xo) donde Oi~ j y (i. [Mo ] -1 Siendo [Ko] la rnatriz inversa de Krigeage..3 ..0 x = on. 0 1 1 1 1 o I' 1 o bien: [ Ko J. xj y xi y e1 punta a estimar xo. n 1 A2 0'2...2 01. n 1 Al 01..v - siendo n e1 numero de datos qua intarvienen en la estima- ci6n. 0 son los valores del variograma te6rico para la distancia dada respectivamente entre los puntos experimentales xi.. Tomand:. 2. 2 o 1 An on. 61 Eate sistema est~ formado por n + 1 ecuaciones con n + 1 inc6gnitas -los ponderadores Ai y e1 factor de Lagrange. Escrito en forma matricial queda: 0 (1. 1 on. [A 0J = [Mo J donde: [Ko] es la matriz de Krigeage. (1.

y por otro lado. Hasta ahora. 8i el numero de datos gue interviene en dicho calculo esta compuesto por 1a totalidad de los datos disponib1ss. En e1 caso de gue se real ice una estimaci6n zonal. 56 uti1iza entre 10 y 20 datos situados 10 mas pr6ximos a1 punto a estimar para obtener e1 valor del estimador. aungue debe indicar gue Eli numero exacto depende directamente de las caracteristicas del variograma ajustado. 82 n kr igeado ZK = ~ Ai Z(xi). debido a las dificu1tades numericas gue implicarla 1a uti1izacion de todos los datos para realizar la inversion de 1a matriz [KoJ. sa suele utilizar una vecindad parcial de datos. cuyo numero debe ajustarse por ensayos sucesivos. gue e110 no mejorarla sustancialmente 1a estimacion. Generalmente. y cuando solo intervien8 una parte del total de datos 58 denomina vecindad ligada. se habla de vecindad unica. los calculos seran semejantes a los anteriores con solo reemplazar los val ores: . se ha considerado que 1a variable ana1iza- da 58 presentaba distribuida en Eoportes puntuales -estima- ciOn purrt ua lr-. En la practica. e5 necesario determinar el numero de ponderadorss Ai y de datos Z(xi) que intervienen en e1 cal- cuIo del estimador. i= 1 Para realizar los calculos anteriores y as1 obtener e1 valor estimado ZK.

0 la variabilidad del punta xo con respacto a al mi5mo que as igual a cero.Zo) = Donde ~K5 65 la varianza de 6stimaci6n zonal por Krigeage.S. 5 t Biendo [ A J la matriz transpuesta de los ponderador6s. Matricialmente: 2 t ()Ks = [A J • [Mo J .s = 115 ~ (xi .3. 2. 5 porO'o. ERROR DE ESTIMACION paR K.]. r 5.x)dx gue es a1 valor madio del variograma entre los puntos xi y los puntos di5cratizados de 1 dominio S. 2 En el caso de estimaci6n puntual ~Ks se obtiene con 5610 sustituir en la expresi6n anterior: O'i. 83 (i.xo) por Oi. 0 8iendo 00. 5 por {{i. Cuyo valor se calcula con s610 sU5tituir Ai y jJ por sus valores hallados. [Mo ] .o = (xi .0 ([5.s siando ai. El error 0 varianza de estimaci6n gue 5e comets al estimar un valor Zo por otro ZK e5: 2 ~Ks = Var(ZK . Por 10 gue quada: 2 n O"'Ks= ~ Ai i= 1 Matricialmente: 2 t O""K5 = [).

no estacionaria en el espacio 0 en el tiampo. CONCEPTO Inicialmente la metodologia presentada del Krigsage simple es aplicable an aquallos cases en los cuales la variable analizada as sstacionaria.A.U) que es una adaptaci6n de la tacnica del Krigeage que permite realizar estimaciones de variables no estacionarias. Tambian. por diversas razones. 1. es necesario tener en consideraci6n aquellos fenOmenos de tipo econ6mico que. 84 3. 0 que ss puada conside- rar una vecindad de astimaci6n cuasi-estacionaria. como al Krigeaqe Universal (K. KRIGEAGE UNIVERSAL 3. Sea Z(x) una F. . Es entonces necesario tenar en cuanta la deriva 0 tendencia a gran escala del fen6meno estudiado. sa llama funci6n deriva a la esperanza no 8staciona- ria: E [Z<x>J = m(x>~constant8 La funci6n m(x) representa la tendencia del fan6mano y debe ser 10 suficientamente regular como para sar axpresada como una funci6n polinOmica de orden K. Para filtrar la deriva es necesario recurrir a otros modelos interpretativos. no cumplen con la hipOtesis de estacionaridad.

Estas funciones representan a variables unidirnensio- nales -variable temporal-.. Este es el caso del Krigeage simple.y) = ao + a1x + aa_Y + a3 x + a4 y + a..f (x) 1=0 donde: k = as el orden de la deriva al = son coeficientes desconocidos 1 f = monomios de grado igual 0 inferior a k.seran: Deriva 1ineal: m(XI y> = a6 + a. en e1 cual se cumpls la hip6tesis de estacionaridad 0 esperanza constants. 113 f'Unci6nZ(x) se puede representar mediante la descomposici6n en dos ter- minos.. y cuando son bidimensionales variable espacial. X + az y Deriva cuadratica: 2 2 m(x..xY Una vez determinada la funci6n deriva. 85 k . La funci6n deriva puede adoptar frecuentements una forma polin6mica limitada al primer 0 segundo grado: deriva lineal 2 deriva cuadratica. Un caso particular as el gue sa presenta cuando la deriva as de primer orden: o m(x) = ao f(x) = ao o donde f(x) as la funci6n identidad gue es igual a 1. uno Y(x) gus rspresenta una variable aleatoria esta- . m( x ) = L a1.

Z(x) = Y(x) + m(x) k 1 Z(x) = Y(x) + 2: al.ZoJ = 0 2 E r(ZK . se trata de obtener el 8stimador ZK bajo las condiciones de insesgado y de varianza de esti- maci6n minima. f ( x 1) 1=0 Igual que en el K. gue define la tendencia del fen6meno a gran Bscala.ZoJ = 1= I n k 1 k 1 =L Ai ~ al.f(xo) = 0 i= 1 1=0 1=0 .2. SISTEMA DE ECOACIONES DE K. ~ al.f(xi) . 51 5ustltui- mos en dicha expresi6n ZK por su valor. 5e obtiene que: n E [ZK .U. E [ZK .f(x) 1=0 3. 86 cionaria que va a tamar en cuenta la variabilidad local del fen6meno y otro termino m(x) que representa la funci6n deriva.ZoJ = E [ ~ Ai Z( xi) .S.Zo) J = minima Baja la condici6n de estimador insesgado. El estimador de Krigeage Universal tiene la forma lineal: n ZK = ~ Ai Z(xi) = i 1 pero ahora se tiene que: k 1 E [Z( x i r J = m(xi) = ~ a 1.

58 minimiza la funci6n F corre5pondi6nte sujeta ahora a k + 1 condiciones y bajo la condici6n de estimador ins6sgado. cuando no exists deriva 1 = 0. . Para establecer el sistema de ecuaciones del Krigeage Universal. 91 Krigeage Universal cumple con la condici6n impuesta porel Krigeage Simple de que la suma de los ponderadores es igual a la unldad. 8? k nIl ~ al rLAi f(xi) .1 = 0 i=l -condici6n de universalidad-. Este resultado esta de acuerdo con e1 Krigeage simple. Se introducen ahora k + 1 multip1icadores de Lagrange y 5e obtiene aSl un sistema de n + k + 1 ecuaciones con otras n + k + 1 inc6gnitas: los n ponderadores y los k + 1 coeficientes de Lagrange. queda gue: n 1 1 ~)i f(xi) f(xo) = 0 i=1 n Donde para 1 = 0 guedarla ~ Ai . Es decir. f(xo)] = 0 1=0 i=1 Debido a que 105 coeficientes al deben de ser distintoE de cero. 56 realizan calculos semejantes al caso anterior.

.0 BS igua1 a cero. fn 0 0 0 )Jl fo k k k k fl f2 * iI II II! • II I~ • fn o o o fo 3. En e1 Krigeage Universal la varianza de estimaci6n BS: 2 t (f"ku:::: [ ~ u J • (Mu J .0 1 .... I . S r o tarnbien5e pUBde Bscribir: 2 n k 1 (fku = ~ i= 1 Ai r i. 1 • • i I I I •• 1 0 0 0 flO. 4. 1 (n.2 0 1 fn fn x An = 6n. 88 El sistema resultants gueda expresado en forma matri- cia 1: 1 k o 1 fl £1 AI' 1 k o 1 f2 f2 A2 1 k on. ERROR DE ESTIMACION POR K.5. 0 + 1=0 L jJl f0 . PROPIEDADES Y CARACTERISTICAS DE KRIGEAGE PROPIEDADES: 1. .(5. y por 10 tanto ofrece una unica soluci6n..5 = 00. 05.Se demuestra que 81 sistema de krigeage es sismpre regular..U.. 1 1 1 1 1 fl f2 it • II..3.5 Si la estimaci6n 85 puntual.

k 1 m(x) = L a 1• f ( x ) . d) La estructura de variabilidad temporal 0 espacial del fen6meno.El sistema de krigaage y la varianza de estimaci6n sa pueden rapresentar con las notacionas de variograma 0 cova- rianza indistintamente. 4.La varianza de estimaci6n a-k = t A J. k = orden de la deriva 1=0 2 t 5.El sistema de krigeage tiene an consideraci6n los si- guientes elementos: a) Geometria del dominio a estimar: to.. [MJ .o = 0 en la estimaci6n puntual.o. ai. 89 2. caracter izado por 1a funci6n '((h). tan frecuentementa aplicado en Econometria. a) Forma de la dariva de los datos experimentales.s no depende mas qua de la estructura y de las geometrlas ..rs. c) Gaometria interna de los puntos experimentales. . 3. b) Posici6n relativa del dominic 0 punto a estimar con los puntos experimentales. si al soporte V a estimar se confunde con el 50porte xi de una da las informacionas disponibles.s en la estimaci6n de valores me- dios.El krigeage es un estimador lineal insesgado y tambian un interpolador exacto. Esta caracteristica no sa varifica an otros proce- dimientos de estimaci6n como el de mlnimos cuadrados. es decir.. trs. al krigeage prasentara un valor de V igual al de xi y una varianza de krigeage nula.

85 mas pronunciado cuanto peor sea 1a estirnaci6n. es decir. Histogramas real yestimado Sin embargo.2. y no de 105 valores experimentalss. es mas alisada (JOURNEL. Bsto va a significar que los histogramas obtenidos de los valores reales y estimados.indicadas. 0 sea: 2 2 D [ZK(x)J < D [Z(x)J -Relaci6n de alisado- 2 2 donde D [ZK(x») y D [Z(x)] son respectivamente la varianza de dispersi6n de los va10res krigeados y realest Este hecho. cuando se disponga de un nivel de informaciOn pobre y una mala .. sa demuestra que la dispersi6n de los valores krigeados en relaci6n a 1a dispersiOn correspondien- te de los valores experimentales. prever 1a calidad del krigeage para una determinada configuraci6n de la informaciOn. 1975). coincidan en sus medias. gue 85 cornun a cualquier estirnador. Esto permiti- ra conocido ~. 81 krigsags permits gus 18 sstima- ci6n sea insesgada. o m Z Figura IV. veass Figura IV.Alisamiento del estimador de Krigeage Como ya se ha vista. CARACTERISTICAS: 1.2.

una vez que se dispone del modelo ajustado a1 variograma experimental.Comprobaci6n del modelo estructural adopt ado En la pr&ctica. uno tras otro..ZKI) 0 i= 1 . la serie or iginal. Con ello sa pretende visua1izar la repartici6n temporal 0 espacial de los errores y hacer asi un an&lisis estatico del fen6mano y. 91 astructuraci6n de la variable. en caso contrario. Esta valor dabe aproxlmarsa a cero sl no hay sesgo en 1a astima- ci6n.El error madio. 2. El metodo consiste en suprimir ficticiamente los puntos experimentales de 1a serie. 51 al valor del estadlstico es mayor que cero. hace falta varificar la validez de los parametros estructurales obtenidos. De esta forma Se obtienen tanto al valor astima- do. conocar en que medida al modelo describe al comportamianto acon6mico de la muestra anal izada. Los astadisticos qua sa utilizan genaralmenta son: 1. n Error medio = lin (Zi . como los errore& de astimaci6n y las desviaciones tipi- cas ta6ricas. y reconstruir por medio del krigeage y a partir de los datos vecinos.. sa astara en el caso de subestimaci6n y si es inferior al estimador sobreestima a los datos. por 10 tanto. base para las estima- ciones posteriores por krigeage. qua vandra dado por la madia aritmetica de las dasviaciones entre al valor real y 81 estimado.

obviamente este valor debe ser cercano a la unidad.. 2 n (ZKi . e1 primero de forma practica y e1 segundo de forma te6rica.~ 1 i= 1 2 (fk 2 3.puesto que tanto e1 numerador como e1 denorninadorde la expresi6n representan en distinta forma e1 error de estimaci6n. 92 2. que cuantifica la varia- ci6n que se produce entre las desviaciones reales del valor estimado y e1 real con respecto a 1a varianza de estimaci6n.. representado por E[Zi-ZkiJ que debe ser minima para el major modela utilizado.El error cuadratico reducido. .Error cuadratico total.Zi) Error cuadrat ieo reducido = lin ~ ---------.

SEGUNDA PARTE APLICACIONES PRACTICAS A SERIES TEMPORALES ECONOMICAS .

se exponen 105 resultados numericos obtenidos en la aplicaci6n practica de 1a Teoria de Variables Regionalizadas a1 estudio de series temporales econ6micas. Al escoger cada una de las variables tratadas. 95 1. ademas de tener interes en a1 anal isis da estudio5 econ6micos. La elecci6n de un modelo probabillstico. se justifiea par 1a prapia natura1eza de las variables econ6micas que se han utilizado. ya expuestos. se ha tenido presents que debian cumplir con los requisitos. . donde 1a variabilidad de 105 fan6menos que intervie- nen sugieren la utilizaci6n de un modelo de interpretaciOn probabilistica y no determinista. 2. se repressnta en forma de diagrama de f1ujo las fases 0 etapas en las cuales se ha dividido cada una de las practicas que se presentan en los capltulos siguientes. INTRODUCCION En esta segunda parte. SISTEMATICA UTILIZADA A continuaci6n. limitando 105 objetiv05 de estas aplicaciones a 1a predicci6n a corto plazo y a 1a restituci6n de 1a serie. como el krigeage. Las bases te6ricas de cada una de las etapas representadasl han side expuestas en 1a primera parte del presente trabajo. La Economla 5e considera generalmente como l).na Ciencia Social. de: aleatoriedad y estructuraci6n.

EL SOPORTE Y EL PERIODO DE OBSERVACION CONSTRUCCION Y ANALISIS DEL VARIOGRAMA EXPERIMENTAL At~ALISIS ESTRUCTURAL AJUSTE A UN MODELO TEORICO PREDICCION RESTITUCION DE A CORTO PLAZO LA SERlE VERIFICAGION DE LA BONDAD DEL MODELO ADOPTADO Dlagrama de f1ujo para e1 estudio de una serie temporal . 96 ANALISIS DE LOS DATOS EXPERIMENTALES DEFINICION DE LA VARIABLE.

Al utilizar un modelo no causal para realizar predicciones. En los dos casos sa ha p1anteado a1 objativo de cons- truir un modelo predictiv~ para el futuro pr6ximo. Es conveniente aclarar gue por razones puramente prag- maticas se han realizado prsdicciones tipo ex-post. de realizar extrapolaciones de los valores pasados hacia al futuro. ya gue estas permitsn valorar 1a capacidad predict iva del modelo utilizado. hay que tener en consideraci6n que una pOEible . Las dos series ternporalestratadas. tienen caracteris- ticas estructurales rnuydiferentes. SOBRE EL MODELO DE PREDICCION En los capitulos V y VIse exponen dos caS05 practicos de aplicaci6n de la T. con los valores raales. asl mientras gue en el capitulo V se estudia e1 comportamiento de una serie tempo- ral con tendencia en los datos.V. Los modelos predictivos utilizados en estas aplica- ciones se enmarcan dentro de los denominados no causales. pU6stO gue fundamentalmente se trata. donde 58 abordan principa1mente 1a problernatica de 1a predicci6n a corto p1azo y 1a restituci6n de 1a seris. a series temporaI8s econ6rnicas.R. a1 posibilitar la comparaci6n de los resultados nurnericos obtenidos en 1a predicci6n. a partir de la informaci6n temporal existents. en e1 capitulo VI se analiza una serie temporal con componente esencialmente astacional. 9? 3. deEds a1 punto de vista matematico.

pag. p. AsL para HerrnandWold (1) "cualguier predicci6n basada en un modelo predictivo impliea una exten- si6n del modelo respecto al material empirico sobra a1 gue fua construido". Cuando 10 gue 5e pretende es realizar pron6sticos para e1 futuro pr6xirno. 218-219. La elecci6n del metodo a aplicar dependera. generalrnente. On factor importante que hay gue considerar en e1 momento de la elecci6n del metodo predictivo a . per 10 que sar~ necesario proteger Ia extensi6n mas alIa da la muestra observada por la citada cla6sula. es evaluar adecuadarnentee1 coste de la predicci6n. en tsrminos de rentabilidad de la relaci6n entre e1 coste de la inversi6n realizada y las expectativa5 de benefici05 futuros (2). como en cualquier otra tecnica predict iva causal 0 no. que claro esta. . 98 a1teraci6n en e1 comportamiento de las variables puede pro- vocar predicciones incorrectas. lcar.M. es necesario determinar e1 periodo de tiempo para a1 cual se va a realizar la predicci6n. 1a clausu- 1a "Ceteris paribus". se suele utilizar. por 10 tanto. J.. Es necesario inc1uir. (197B).372 (2) Otero Moreno. Para esto. ap. L6grca y lirnitaciones de la Econornetria.. cuando es posible la aplicaci6n de rnetodos diferentes de predicci6n alternativos. la unidad de tiempo por Angel Alcaid~. 1972. estara en funci6n de la calidad de ssta. .

. que vendra determinada por la sscala de tiempo gue presentsn los datos experimenta- les. asi. en cada casa. la serie mediante interpolaci6n y extrapolaci6n. 51 105 datos son mensuales las predicciones se realizaran para el mes siguiente al periodo muestral. utilizando como instrumentos de verificaci6n la restituci6n de. y la utilizaci6n de tests estadisticos que permiten verificar la bondad del modelo. En cuanto a la bondad del modele utilizado en cada una de las aplicaciones practicas. 99 inmediata al periodo de observaci6n. se ha realizado la comproba- ci6n del modele adaptado.

P..A.ANALlSIS DE UNA SERlE TEMPORAL CON DERlVA: EL DESEMPLEO EN GRANADA 1. Reyista f.V. pag. El interes de dichas apllcaciones descansa principalmente en la utilidad que estos modelos pueden pro- porcionar para realizar pron6stlcos de la variable. desde el punto de vista de la T. que sirva de base para realizar estirnaciones de este parametro - desemp1eo. se pretende a1canzar entre otras fina1i- dades las sigulentes: 1.Establecer un modelo de predicci6n a corto plaza. (1) Se consideran parados al grupo de personas (on edad~s comprendidas entre 16 0 rnas a~Dsl que ~st~n d~5ernpleados0 buscan su primer ernpleo. tanto descriptiva como cuantltativa. Wl CAPITULO V. para su ssimilsci6n e interpretaci6n. La presente aplicaci6n tiene por objetivo realizar una aproxlmaci6n . para e1 futuro pr6ximo.. del comportamiento temporal del numero de parados (1) en la provincia de Granada para el periodo muestral que abarca desde 1976 a 1986.R. a los cuales interesa aplicar modelos matern~ti- cos y particularmente probabillsticos.12 . En concreto. OBJETIVOS En aconomia se dispone can frecuencia de largas series de datos que presentan deriva en la evoluci6n temporal de los mismos.

interpolaci6n y extrapolaci6n. Se obtendra as1. al interes natario da mostrar la potenciali- dad que afreee asta metodologla -T.A. can los datos experimenta1es y con los va10res estimados por intarpo1aci6nr para medir de 8sta manera la bondad del modele adoptado en la predicci6n. considerando que las pautas de comportarniento de 1a variable desernp1eono van a variar de forma brusca para a1 pr6ximo futuro.Complementariamente S8 ha realizado 1a restituci6n de la serie observada. atendiendo ados tipos de configuracione5 diferentss. La restituci6n de 1a serie por interpolaei6n oosdeee.V. por vpnir asi impu!sto par la fuente de obtenridn de los datos.?.R. 1a restituci6n de la serie experimental par 8xtrapolaci6n tiane por finalidad eomparar 105 resultados obtanidos. a1 valor mas probable del numero de dessmplaados en 1a provincia de Granada para al trimestre (1) siguiente a1 periodo muestral. 2.. (1) Se ha uti) indo como IInidad de tiempo e l trimg{r'e. como ya se ha comentado.en la aplieaei6n al cornpletadode series de datos incompletas. Re~ista E. 102 Sera inevitable. . conoeer la eapacidad que posee el modelo para representar la rea 1idad.. por una parts. incluir la fatldica clausula ceteris paribus que permits garantizar 1a validez de las prediccionss. Por ultimo. y por otra parte.

2 50.P.8 31. 1 58.N.4 --------------------------------------------------- Cuadro V.6 44.A. por 10 tanto.9 43.5 22. momento en a1 cua! sufre una fuerte reactivaci6n.2 24.2 26. .------. ANALISIS PRELIMINAR Y ORIGEN DE LA INFORMACION El periodo de observaci6n de la variable abarca desde el tercer trimestre de 1976 al cuarto trimestre de 1986. La serie temporal oonsta. ------- 48.3 45.1.3 47. Fuente: I.7 75. Parados en Granada (en miles).6 43.2 33.I.E.. 41. vease cuadro V. hasta e1 final del periodo muestral. 1976-77 1978-79 1980-81 1982-83 1984-85 1986 ----. 63.7 28. la variable presenta un suave crecimiento.3 40.5 23.2 57.7 62.3 19.5 71.1) desds 1976. 43.------- 38.4 62. ambos inoluid05.9 71.9 25. Revista E.1 35.9 45. 10 que supone un periodo musstral total de 10 aftosy 6 meses. de 42 datos obtenidos a int~rva10s rsgulares de tiempo de tres meses. al cuarto trimestre de 1986.9 57. 1 62.9 48. 103 2.6 26.7 44. Como 5e aprecia en 1a repre5entaci6n grafica de la evoluci6n temporal del n6msro da dasampleado5 en 1a provin- cia de Granada <Figura V. casi estacionario hasta finales de 1979.6 ------- 58.7 62. que sa mantsndra creciente con psriodos de aparente estabiliza- ci6n. 27.4 23.2 21.9 26. desds e1 tercer trimestre de 1976.7 27.

---~--r-~r---r---.---r---. p.A. Z(t)X10'l 70 50 30 10~. Alcaide (1) sa cons ide- ran los principales rasgos que han motivado la evoluci6n temporal del paro en Espaffa y que se concretan en 1a evo- luci6n de la poblaci6n influenciada por e1 crecirniento veqe- tativo. W-AndrE'u. J: Rasgos basicos del desempl~o en Espana.l Un anai isis de la econooda espa1'!Dla. 1980. J. 1983/4. Andreu y J. sin embargo. R~\lish 5i ha. se puaden tomar como referencia para su anal isis las que.59 . los movirnientosmigratorios. Evoluci6n temporal del numero de parados en 1a provincia de Granada de 1976 a 1986. Aunque# este trabajo no tiene por objetivo analizar las causas geneticas que han motivado este comportamiento. como seffala M. ti. -Aicaide-!~(haust~.---r---~--~t~ 85 87 Figura V. que desencadenan en un crecimiento constanta del numero de para- dos.M. unido todo e110 a 1a propia crisis econ6mica de los affos 70. 'I D~ La Fuente. Pipeles de Economia n° 26.I. los cambios de 1a 8S- tructura sectorial del ampleo y 1a tasa de actividad.:i~fl.

E. evi- deneia un eomportamiento general con tendencia erecienta en a1 tiempo gue. 00. provincia de Granada en e1 periodo muestra1 analizado. y 1a ot ra a1 Par. por 10 gue ssta medida as mas un indicador de la actitud de los parados a inscribirse 0 no en las oficinas de empleo. en los cuales S8 8studian las caracterlstieas de la (DOe tiiguel.O/l e~hdlstica del empleo y ei para.A.N.tal vez. por los beneficios sociales gue e1 registro en tales oficinas conlleva.P. Una de elIas se trata de 1a Revista trirnastralPoblaciOn Activa aditada por eI 1.A. gue un parametro cuantitativo del nivel de para en a1 sentido econ6mieo gue interasa. Origenes de 1a informaciOn En Espaffaexisten dos fuentes basicas para conocer 113. r1. N. Aunqua cada vez exists menos diferencia entre las astadlsticas del I.) se realiza trimestralmente par 81 LN.. n· 26.M. E. 105 En resumen.E. N. J. Eneuesta de Pobla- ci6n Activa <abrev. cit.E. magnitud del paro (1). La Estadlstica del Para Ragistrado se realiza mensual- mente en base a las demandas registradas en las oficinas de dicha Instituto.S (2}Anor·eu.(2) Por otra parte. (1986). La rr.000 ho- gare5.N. Papeles de Economia. p. C. .edic.E. rnotivado.M. 1a estadlstica de 113.oRagistrado por a1 I.t~t )' De La Fu~»te. as detectada numericamenta par a1 tipo de comportamiento del variograma experimental de los datos. E. 113. evoluei6n de las eifras de parD para 113. como se vera mas adalante. en base a una encuesta aleatoria en 60. y del I.

para t = 1. la gue permits esti- mar 61 paro en el aspecte analitico que aqui conviene. vease cuadra V.:. •. Por 10 tanto. Z(ti)J 2NP(t) i= 1 donde: t = 85 el paso del variograma (1'..• 20 (DEl lldmer·o maximo tl~ p . los datos experimentales 5e presentan distribuidos regularmente en al tiampo <trimestres).. Para la alaboraci6n del variograma experimental de la serie temporal estudiada. 3. las informaciones correspondientes a la poblaci6n act iva -forma- da por las personas disponibles para la producciOn de bienes y servicios esten parados U ocupados-. la f6rmula utilizada para calcular los valores 6xpe- rimentales del variograma es: 1 NP( t ) 2 o<t) = ~ tZ(ti + t) .A. Ademas. obteniendose de esta manera el valor del pare como la diferencia entre ambas magnitudes. y a la poblaci6n ocupada. se pueden obtener gracias a ssta fuente.s ~legidDs es 201 qij~ es apraximddamente 1/2 del ndmero de datos experimentalw5 ..1. por 10 tanto. 106 actividad econ6mica de sus miembros. En ests caso. ss han utilizado los datos correspondisntes al periodo musstral analizado.P.. CALCULO Y AJUSTE DEL VARIOGRAMA La estructura del fen6meno 85 detectada par la funci6n variograma. es 103 informaci6n proporcionada por la E.

esta es. "lfTcOrco 200 t~ ------------------ 100 t~rimest""" o S 10 lS 20 Figura V. mientras que a grandes distancias se aprecia un rapido crecimiento gue trasciende e1 valor de la varianza experimental de los datos. con efecto de deriva. 107 NP(t) = es e1 numero de parejas. . Variograma experimental y te6rico de la evoluci6n temporal del paro en Granada . Este efecto se podia apreciar de forma intuitiva. 300 . La Figura V.2 representa el variograrna experimental calculado. en la grafica de la evoluci6n de los datos experimentales. como ya se advirti6. para 91 paso t Z(ti+t) . 't ExperirTl(!ntal _. donde se observa un crecimiento lineal en e1 origen. 10 gue indica un comportamiento regular de la varia- ble en 81 tiempo.Z(ti) = valores experimentales que toma la varia- ble en e1 tiernpo.2. De 10 anterior se deduce gue la variable refleja a grandes distancias un comportamiento no estacionario.

El valor de 105 parametros PYA se han calcu1ado par 81 metoda de m1nimos cuadrados. El paso siguiente al calculo y anal isis del variograma experimental.194 x It I donde: o < 1. IDe Ajuste a un modelo te6rico autorizado. El modelo ajustado a1 variograma experimental es un esquema del tipo: A rct) = P. En la Figura V. Es conveniente que esta circunstancia sea considerada en a1 momenta de raalizar 81 ajusta del modalo te6rico.239 < 2 EI modele ajustado cumple con la condici6n de 1 < A< 2 que ~ presentan los modelos t con deriva parab6lica. It! 1. e5 ajustar un modelo autorizado.2 ssta representado e1 variograma te6ri- co ajustado. . ya que para e1 calculo de 105 primeros valores del variograma experimental se utilizan el maximo numero de parejas.239 modelo ajustado: «t) = 5. cuidando que se aproxime 10 mejor posib1e al variograrna experimental para va10res pegueffos de t. donde se aprecia que e1 ajuste es "mejor" para pequeffos valores de t. y esto porque es en estos puntas donde sa localiza mayor informa- ci6n.

por 10 tanto la hip6tasiE de eEperan- za constanta no se cump1a E [Z(t») = m. e1 que permite rea1izar estimaciones cuando la hip6tesis de estacionaridad no sa cumple: E [Z(t)J = m(t) ¢ m. tambien es conveniente determinar la configuraci6n 0 configuraciones que deben ser utilizadas en la eEtimaci6n. Para realizar 1a predicci6n y la restituci6n de la serie. que en esta ocasian se han elegido ocho. para ella se proponen cinco tipos de configu- raciones. Es el Krigeage Universal. PREDICCION E INTERPOLACION POR KRIGEAGE La sarie ana1izada presenta deriva en 1a evoluci6n temporal de 105 datos. vease 81 cuadro V. La elecci6n del numero de ponderadores depende de las caracte- risticaE del variograma ajustado.4. Ello obliga a determinar a priori el numero de ponderadores que van a intervenir en 1a eEtimacian. . Por otra parte.2 dond8 las cuatro primeras 58 denominan asimetricas y 1a ultima simetrica. as necesario plantear y resolver a1 sistema de ecua- ciones de Krigeage Universal.

19 12.68 41.72 21.49 12.OD 7.68 64.00 4.00 0.00 1.1841.68 41.00 5.49 31.19 0.72 1.30 64.68 1.19 12.00 5.00 5.18 21.72 21.72 5.00 2.00 5.00 1.00 6.49 12.18 21.19 0.00 0.72 5.49 31.00 5.61 52.19 0.00 5.68 52.61 31.19 0. 110 Puntos a est imar GonfiguraoiOn ---------------.61 1.18 1.49 12.00 5. se obtiene e1 siguiente sistema de ecuaciones para la extra- polaci6n e interpolaciOn simatrica.00 6...00 }.4931.49 12.6 52.00 1. Clases de configuraciones6 donde "0" es el punto a estimar Sustituyendo los valores de gamma en el sistema de ecuaciones de K.72 5.4 31.00 ).00 2.30 52.18 41.49 31.00 0.72 5.18 21.18 21.00 1.00 0. ----------------- del 9 al 43 ·1 · · · · · • 8.18 41. 0.19 12.6152.1 5.19 12.00 )ii 0.00 8.7221.00 4.D.00 Sistema de ecuaciones para Ia extrapolaciOn .19 0.00 1.00 7..61 31.72 21.30 1.00 5.61 31.72 12.00 ~8 76.00 x }.61 41.00 }.49 12.2.49 21.1912.5 = 41.72 5.00 po 1.19 5.00 >'7 64. 0 Extrapolaci6n del 2 al 41 ·1 2· 0 del 3 al 40 · 3• · · · 2 0 Interpolacion del 4 al 39 · • :3· 4•0 I I del 5 al 38 · · · 4· 5· · 0 Cuadro V.18 31.00 LOO 1.00 1.19 0.00 1.00 5.00 AZ 12.49 1.3 21. por los valores del variograma te6rico.00 8.19 l.00 3.00 ).72 21.00 1.19 0.72 5.41 1.00 3.19 12.

00 0.68 1.68 64.18 12.19 12.0502 0.. fi1 0.30 52.41 64. se obtiane al valor de los ponderadores correspondientes a cada configuraci6n.00 -3. para 10 cual basta con sustituir.0500 -0.00 LOO 2.49 LOO 1. ----------------------------------------------------_.19 52.~ 12.5569 -0.]2 5.00 A8 31.61 21.19 :1..00 2.0025 -0.30 76.18 41.00 -3.0025 -0.18 21.72 5.U.00 5.0008 0.72 21.UO -4.00 fo 1.5582 0.49 12.19 0.72 64.00 At 31..00 5.18 41.49 31.00 )\6 12.00 1.0025 -0.00 5.72 31.7 21.19 41.18 1.0028 -0.61 31.3.0028 -0. vease cuadro V.00 -1.49 12.0080 -0.61 52.0110 -0.0015 -0.00 -2.5568 0.19 12.00 5.00 5.00 1.00 1.30 1.18 5.00 0.00 1.00 1. segun el tipo de configuraci6n.00 3.1622 -0.0015 0.00 r.19 0.49 76.0044 0.30 52.68 41.6841.03 3.0041 -------------------------------------------------------------------- 8 donde se cumple: L Ai = 1 i=l En ultimo lugar.00 1.5636 -0.00 -2.00 4.-------------- TABLA DE PONDERADORES A~ CONFIGURACIONES 1': L 3027 -0.00 1.41 I.19 0.0003 0.0016 -0.61 52.49 31.00 4.61 31.0502 -0.0008 -0.0070 3":-0.72 21.61 31.49 41.00 ).00 )\4 5.00 .00 1.4857 0.72 21.00 0. se obtienen los valores gue componen la serie estimada.61 LOO -1.0599 0.19 0.68 64.0187 -0.00 -4.61 52.5567 -0.19 0.00 X 1.0015 -0.0216 -0. e1 valor de los ponderadores calculados en la expresi6n del estimador de K. 111 0.00 Ai 21.19 12.00 )0.0502 -0.49 12.18 21.0016 5": -0.72 1.49 5.72 5. .0001 4':-0.1225 2": 0.0502 -0.19 21.18 41.00 12.5 = 5.72 0.72 21.68 41.49 12. 0041 -0.5567 0.0495 0.72 5.19 12.00 5.19 0.00 .5558 -0. Sistema de ecuaciones para la interpolaci6n simetri~C:I Resolviendo los sistemas de ecuaciones planteados.

Estos valores se encuentran representados en las Figuras V. donde la columna: ELEMENTO reprsssnta el orden del elemento a sstimar. .4 Y V.S. V. ± 2 ITt son dos columnas gus presentan la surna algebraica del valor estimado mas. 112 8 Zku = ~ Ai Z( t i ) i=l Utilizando para la predicci6n el valor de los pondera- dorS5 de la primera configuraci6n. VALOR VARIABLE 85 el valor experimental de la variable. V.S. ERROR es la diferancia antra al valor real y al estima- do. menos dos vecss la dss- viaci6n tlpica del error Uku. KRIGE. Los r.4 Y V. VALOR KRIGE as el valor estima- do. y para la intarpolaci6n los correspondientss a la 61tirna.3.esultados numericos se presentan en los cuadros V.

785 -3.262 4..435 32 57.400 14 31.196 40..737 26.600 46..646 1. ' ' ELEMENTO VALOR VARIABLE VALOR KR1GE ERROR !).700 49.170 35 62. I 28 44.800 67.009 57. .812 39...2.. -6.-----._. .550 68.116 57..786 -7." • ~ oJ ( 51. -.o tl.236 17 35.850 54.000 -3.522 15 38.994 2..428 70.542 -0. -.751 .. _ .400 63.900 72.751 33 58..334 1._.44 t 58.O..786 47.lBG 79.45D 42 75.334 0.200 47...973 53.632 37..651 29. Restituci6n de la sarie por extrapolaci6n ..400 46.083 -2.. _ .. _ _ '} Lr::1 9 24.335 34.712 19 43.945 71.700 40.~.950 69.993 34 .000 33.666 39... ....9B1 67.~.659 71.-I ( ~ I.3DO 20 2D1 t 10 26..642 C.591 71 .096 1.378 "1 '"'1'0 . --.720 3.495 58..270 66..167 44.391 -2.620 16..KRIGE +2{J( V.-----.229 29.700 27.506 32rS83 19.61c 1 3~.459 38 63.j .718 57.341 40 71.816 -2.\_f"':~-( j 42.200 4~ 71.662 ~0..:.498 16..486 0. ..91.i 57.036 41...500 81...17a -~--------------------------------------------------------------------------- Cuadro V.~.087 53... 40..300 23.100 26.723 22 47.100 50.645 37.902 29 45.410 50..071 8.751 .949 0..493 31 58.----------.114 55...945 -2.822 40....._ .984 7.:~ 13 23.026 ~:3.306 30..927 27 48.m z(t) z*(o ~ U(t)+2(]k 2*< tJ-2(Jk --------.113 0.533 26 45.. 165 l..568 23 48.300 -3.104 50.300 47. j i f () .. J.321 39 62.053 4 QC... ..600 48.269 54..618 -6....490 0..36t. . .544 17.000 45.11 vu 44.700 62.039 36.987 24 43. 113 --------~ ..-_ .097 r..754 53..092 52. ---.750 8..5.800 64.-------------.719 1.267 21 45....811 29.396 36 62.600 22.I.300 64.300 56.900 1....188 4.87! 5..4 421I 51.883 26.4..50D 75.533 44.--------------.069 25 nn 41. 12 23. ~~--.784 18 40.000 64.....7no 60.638 16 33.-----------.900 36.~ .000 33.592 38.328 -1.500 61.~ 33.273 -1..'-I 4)-.t.900 43..900 59.000 40.-~-.223 47..547 3D 50..445 11 26.. .300 23. _ ..638 42.. ..909 '''.KRIGE .477 5.400 57."...90D 50.451 -4.983 50.216 53. ...529 t. ..200 44.941 20 44.

114

------------------~-----------------------------------------------------------,_
ElEHENTO ~'ALOR VARIABLE t.lALOR KRIGE ERROR tJ,KRIGE+201< \), KRI GE -20""'v.
t Z(t ) tHO e Z*O) +20'.< U(t)-dIT.
--------- --------------- ------------ -------------- __ ... _-------
- ...

'!' ~I\O
E;
25.600 24.592 1 I :_IU:~ 28,571 20,i512
"
6 27.500 26.641 0,859 30r620 221661
7 27,200 27.058 0,142 31,038 23.078
8 26.200 25,543 n
CJ ,,\hJ{ .I~" 291523 21.564
9 24.100 26.186 -2 ~O815 30, 115~ '1" ":'1"7
'::"LIL.IJ;

10 26.300 25.524 0,776 29,504 21,544
11 20.900 25.035 La6S 29.015 21.05£
12 23.700 24.830 -1 130 J 28.809 20,8.50
13 23.600 26.976 -3.376 30.955 22 ';'9,5
I

14 31.300 31.022 0.27S 35.002 27.043
15 38,000 32,409 5.591 3.5.389 28.429
16 33.000 36.573 -.) .),.).
"I I:i"l
40.553 32.593
17 35.000 36,564 -1.564 40.543 32.584
,,!"":
1"
10 40.900 ,))'
"rtf
: ._ll_11_~ l' ~394 43 4fL5
r 35 521~'
t

19 43,900 43.020 0,880 4.5.999 39,D40
20 44,600 4~.719 -0.119 48.699 qO.739
...
')1 45.300 45.946 -0.646 49.926 41.966
22 47,200 471273 -0,073 51,252 43,292
23 48,600 45.7B3 2.817 49.763 41.808
24 43.900 44.681 -0.781 48.661 40.701
25 41, 100 44.419 -3,319 48.399 40.440
"I'
!tl 45 703
I 44,753 0,947 48.733 40.774
27 48.400 45.331 3.069 49.311 41.351
28 44,700 46.649 -1.749 50.629 42.669
29 45.200 46.715 -1.515 50.695 42.735
3D 50,000 51.675 - " ',1:
1 I C(,._'E 55,654 47.695
31 58.100 53.909 4,191 57.889 49,930
').,
oJ .. 57.500 58.769 -1. 2~.9 c.2.749 54.7B9
33 58.900 60.183 -1.283 64.163 56,203
34 62.700 60,531 2.169 64.511 56.551
35 c.2.000 ,52.989 -0.989 66,969 59.009
36 62.400 59.529 2~871 t.3.509 :,5.549
37 ~!7.800 62.'122 ~5.122 66.902 58.942
38 63.400 59.226 4.174 63.206 55,246
----------------------------------~-------~---------------------~------------

Cuadre V.S. Rastituci6n de la sarie per
interpolaci6n

115

. ',It)
t. _ I
-- Dotos reales
- - - Datos cstirrodas
:" ••::::- ZK!Z(fi<
I
~I

0' 10
...

Figura V.3. Serie estimada por extrapolaci6n

60 -- Datos reales
- - - Do1C& estimodos
:-:".. :-:-:-ZK! 20if

o 5 to 15 20 25 30

Figura V.4. Serie estimada por interpolaci6n

- --Ext~iOn
Errot IZo-Zl(JxIXXl --I ntef"poIac iOn
6
,
4

-2

-4

ZIt
5 30

Figura V.5. Representaci6n de los errores
cometidos en ambas estlmaciones"

116

EI valor previsto del paro en la provincia de Granada

para e1 primer trimestre de 1987 as de 78.361 parados, gue
si se campara con 131 valor real para e1 mismo periodo de
79.700 parados, se observa que existe una subestimaci6n de
1. 339 par ados; 10 gue eguivale a un error del 1.7% sobra 131

valor real.

Par otra parte, la desviaci6n tipica de Krikaage para

la extrapolaci6n y 1a interpolaciOn son respectivamente

~ku = 3.275 parados y rrku ~ 1.990 parados. Esto BS 131
error con e1 que se realiza la estimaci6n en cada caso.

Estos valores 59 puedan comparar can las medias de los datos

experimentales en tanto par ciento.

As!, la desviaciOn relativa en % para la extrapolaciOn
es 6.9% Y para la interpo1aci6n es de 4.7%.

Cfku
Desviac i 6n r e 1at iva % = --------- x 100
X

Si se analiza la serie de valores 8stimados en funci6n
de 1a desviaci6n tlpica del arror, para cada caso, se obser-

va gue en 1a extrapolaci6n a1 82.4% de los valores
experimantales estan comprendidos dentro del intervalo for-

made por 105 valores estimados mas, menos dos veces la
desviaciOn tipica del error; mientras que para 1a interpola-

ci6n as de un 88.3% (veas8 Cuadros V.4, V.5 Y Figuras V.3 y
V.4).

Tambien, se puaden comparar las dos series. 9xperimen-
tal y estimada, en media, varianza y desviaci6n tipica. Asi

en e1 cuadra V.6 se observa gue las series estirnadas por

6 14.Tipica D.3 42. Media Media* Varianza Varianza* D. n 2 me = 1/n L (Z i . 81 valor de ests test se debe aproximar a la unidad. se rsalizan lossiguientes tests estadis- tieos. -------.6 Par ultimo. Cuadro V.2 2.3 12.5 47. 117 extrapolaei6n e interpolaei6n se ajustan tanto en media como en desviaei6n tipica a la serie experimental.2 209.05.2 165.6 Donde q*" corresponde a la serie 8stimada.Tipiea* ----.8 12.Zki 2 err = lin L [--------]~ 1 i= 1 Oku 3) Error real cuadratieo medio.4 14. --------- Extrap. n me = lin L (Zi . 47. euyo valor 85 manor para el mejor modelo. para comprobar e1 modele estructural adop- tado en cada caso. 1) Error real media.4 Interp.Zki)~O i= 1 2) Error cuadratico redueido medio.5 160. n Zi . el valor de sste estadlstico debe de aproximarse a cero. 42. -------. --------.Zk i) i= 1 . esto signifiea que el afeeto de suavizado provoeado par a1 modelo es prac- ticamente irrelevante. -----.

. _-----.59 .... ------------- me 0.. 67 1.95 5. 41 me 17. 118 Los resultados de 105 tests anteriores para la extrapolaci6n e interpolaci6n son: Extrapolaci6n Interpolaci6n ----_ ..25 0..09 Or 1.

como 10 atestigua la bondad de los resultados obtenidos en e1 8studio pressntado.parados.~ku = 3. Los resultados obtenidos. en a1 tratamiento de series temporales econ6micas con deriva en la evoluci6n temporal de los datos. de facil elaboraci6n e indudable rapidez. 119 5. CONCLUSIONES La aplicaci6n de Ia T.. El metodo de estimaci6n de Krigeage puede Ser utilizado como modelo de predicci6n de valorss a corto p1azo. los resultados son aun mas alentadores.L' basta con comprobar gue la prsdicci6n (ex- post) realizada por al modelo para a1 primer trimestre de 1987.R.. . difiers del valor real en tan 5610 1339.275 parados." ~ ~. diferencia gue se situa dentro del margen de la desviaci6n tipica del error de estirnaci6n. En 10 relativo a1 caso de interpolaci6n de datos. como asi 10 verifican 105 valores numericos prasentados por la dssviaci6n tipica de Krigeage (~ku = 1990 parados) y por Ia calidad de los tests estadlsticos efectuados. an serias acon6rnicas con tendencia. 1\. an al estudio realizado. presanta un interes manifiesto.V. donde 1a ausencia ds alqun dato obliga a sstimar e1 valor mas probable para ese periodo. Tambien as un metoda fiable en Ia recons- trucci6n de ssries incompletas de valores. aplicando la axtrapolaci6n pueden considerarse como satis- factorios.

Por ultimo. . Esta cuesti6n no debe guedar como un problema puramente te6rico. en base a ella. lID Hay que destacar tambien que en ambos casos (extrapola- ci6n e intsrpo1aci6n) sl efscto de suavizado provocado a1 estimar 1a serie es practicamente desechab1e. hay que 5e~alar que ests metoda ha permiti- do cuantificar e1 error de estimaci6n cometido en 1a predicci6n e interpolaci6n. se toman en politica econ6mica. ya que 1a incertidumbre sabre e1 canocimienta de 1a variable afectara a las declslo- nes que.

se ha creido conveniente realizar un estudio de la misma. utilizando Ia metodologla tradicional del anal isis de regresi6n y el m's moderno de Box-Jenkins. aprovechando esta circunstancia. es ineludible para describir la evolu- ci6n temporal de los datos. Beto es. 1.R. analiza detenidamente la serie PERNA. bajo un enfoque probabillstico diferente. Se analiza en este capitulo una nueva serie temporal.M. comprobar la validez del metodo . OBJETIVOS. Otero y F. y que se denominar~ en 10 sucesivo por PERNA. Trujillo: "AnAl isis estadlstico de la actividad tur1stica en M'laga 1974-1986". can la finalidad de contrastar los datos estimados con los valores reales disponibles hasta el momenta. La investigaci6n realizada por los profesores J. aplicando Ia metodologla que ofrece la T. El principal objetivo del estudio expuesto consiste en Ia elaboraci6n de un modele de predicci6n de los valores de la serie para el pr6ximo periodo.V. affo 1987. formada por el numero de personas de nacionalidad espaffola que pernoctan en Establecimientos Hoteleros de la provincia de M~laga desde Julio de 1974 a Enero de 1986. Por otra parte. No obstante. ANALISIS DE UNA SERlE TEMPORAL CON COMPONENTE ESTACIONAL. 121 CAPITULO VI.

N. 1. {1> La representaci6n grafica de la serie experimental puede apreciarse en la Figura VI. que comprenden e1 periodo de observaci6n que va desde Julio de 1974 hasta Enero de 1986. 18. 2. DATOS DISPONIBLES La serie PERNA esta compuesta por 139 datos mensua1es. F. (1) Serie experimental tornadade Otero. y Trujillo. . I. realizando la restituci6n de la saria. Repre••ntaci6n gr4fica de 1a serie PERNA . Ver Aoexo 2. P. An~ljsis estadistico de ia ac!ividad turistica en M~laga 1974-1986. 500 400 300 200 100 j I Figura VI. (19g6). J.datos mansuales-. 122 utilizado.

El movimiento peri6dico de los valoras viene caracteri- zado por un incremento de la demanda hotelera que alcanza el maximo en las epocas estivales~ para mas tarde descender hasta a1 minimo en la apoca invernal. La Figura VI. que co inciden con ]as epocas vacacionales. que es a1 variograma.. para pasos regulares de un meso En esta funci6n experimental calculada puede apreciarse la aparici6n de cic10s regu1ares. En cambia sa apracia claramanta la existencia de una componente estacional que se pre5enta a intarvalos de tiempo regulares con amplitud de un aHo. la variabi1idad pasa a ser de maxima a minima cada 5eis . aunque sea somaramente.Vsasa Figura VI.R.V. de Navidad y Semana Santa .consBcutiVQs. 123 Como aspectos mas destacados de este grafico. de 12 pasos . en torno a la varianza expe- rimental de los datos. sa advierte 1a presencia de variaciones estacionales durante los meses de Diciembre y Abr i 1. la serie a partir de la representaci6n qrafica de 1a misma. respect i- vamente. ESTROCTURA DE LA VARIABLE Una vez analizada. se ob5erva que aparentemente hay ausencia de componente secular o tendancia a largo tiampo.meses . se va a continuar el estudio utilizando e1 principal instrumento que nos proporciona la T. Junto a este movimiento. Asi. 1 3.2 rapresenta graficamente al variograma de la serie original PERNA.

se obtiene un variograma de tipo periOdica. G 3 o 36 Figura Vl. como era de esperar dadas las carac- taristicas ya mencionadas de la variable. que se trataran en los apartados siguisntes.. 124 masss alternativamente. QCt)X1000 12 9 (tt. en especial an a1 ajuste del variograma experimental a un modelo autorizado. y e1 desbordamiento que implicarla dicha estudio. Variograma experimental de la serie PERNA para pasos regulares de un meso Vease anexo 2. es canveniente comentar que 1a seris Bstu- diada ha sido tratada con la metodologla que proporciona e1 anaIisls de Fourier.. para verificar Ia existencia de compo- nentes peri6dicas que quedan reflejados en e1 grafico de la . Por tanto. ssts se va a dirigir hacia otras solucionss alternativas. con periodos rsgu- lares de 12 pasos. Ante estas dificu1tades planteadas.2. El tratamiento de un variograma de este tipo puede presentar problemas de muy diversa indole. Pero antes.

. S8 ha pretendido desestacionalizar la serie. Gr'fico del espectro de frecuencias de Is var iable PERNA. para 5U posterior tratamiento..4. aplicando el conocido procedimiento de calcular las diferencias entre cada dato experimental y su doceavo anterior. en el cual se detecta un valor "pico" que pertenece al periodo anual. por 10 cual 5e procedi6 hacia otras alternat ivas. se intent6 filtrar esta componente pero los resultados obtenidos no fueron todo 10 sati5factorios que hubiesen side deseables.A. POWER 3700- 1850- A. El variograma experimental de la serie formada por la diferencias obtenidas.3. se representa en la Figura VI. 125 Figura VI. .A) \.3. Tambien. ) A o I 12 24 36 F Figura VI. Posteriormente.

0 sea. la variabilidad es minima. se ha procedido a la obtenci6n del variograma experimental correspondiente. es necesario recabar la atenci6n en e1 variograma experimental de la serie ana1izada. para cada una de las docs subseries obtenidas.4. como puede intuirsa faeilmente. Posteriormente. que entre 105 valores equidistan- tes doce mesas 0 multiplos de doce exists 1a m~xima autoco- o rrelaei6n entre los datos. farmada cada una de elIas par los datos disponibles de cada mSE. 24.1. 3. se deduce que es preferible realizar la desagregaci6n de 1a serie original en otras doee subseriss. 36. Esto signifiea. minimo valor de ~(t).••. donde se o observa que cada doee pasos el valor de O(t). 126 o 12 48 Figura VI.. De 10 anterior. ANALISIS DE LA SERlE DESAGREGADA. Aunque la proporci6n de datos . para t = 12. Variograma de la serie PERNA filtrada. En primer lugar.

no obstante. .29. l~ disponibles es un tanto exigua para el desarrollo de los c~lculos necesarios. al examinar los variogramas experimentales de cada uno de los doce mesas . lectivas de colegios y universidades~ con los cierres por vacaciones de fabricas y comercios. ". Como indica Cruz de la Rosa (1) " • If ••• . la concentraci6n de demanda se produce coincidiendo con las vacaciones.El producto turlsti- co. . C. ~. hasta encontrar sus cotas mini- mas en la estacion invernal. a VI. y por e1 contrario. con el mejor planteamiento climatico mediterraneo . 16... Marbe- l1a-Malaga. (l)Cruz de la Rosa. . si se considera que en estos meses la demanda hotelera se hace mas estable. Simposio scbre la estacionaiidad turistica.son los que presentan variogramas con un comportamiento mas regular que los del resto de los meses. (1984). .5. fuera de astas epocas de demanda dasciende. de la administraci6n.. Esta situaci6n era de esperar.veanse las Figuras VI.1Z~ .5. concretamente para analizar la repre- sentatividad de los variogramas obtenidos. y VI. con las tradicionales vacaciones.. Los cornportamientos vacacionalfs y Ii @stacionalidad. se aprecia qua 105 corraspondientes a los mesas de Enero y Agosto veanse Figuras VI.

~i) ~(t) 700 500 300 100 o o 234 5 Fig.Figura VI. Fig.6. por tanto. por las mismas causas aludidas. Fig.VI. Datos de Febrero. su variograma particular pre- senta ausencla total de autocorrelaci6n. Datos de Marzo.8.Variograma experimental Datos de Enero.7.8. Datos de Abril. ~(t) 400 ~(t) GOO 400 200 100 a 2 3 4 5 6 o 2 3 4 Fig. 128 Aunque tambien era de esperar. .5.VI. se asocia principalmente a una componente esta- cional variable y.VI. motivado posiblemente por la inestabilidad de las vacaciones de Semana Santa en 81 Calendario Oficial.VI. un comportamiento similar en e1 variograma experi- mental del mes de Abril y.Variograma experimental. El movimiento caracterlstico de la serie PERNA en este ultimo mes.Variograma experimental. sin embargo. representa este a una variable con un comportamiento extremadamente irregular .Variograma experimental.

12.. 14. Datos de Agosto. VI. 1600 800 2':~ 1 o t QI 2 3 4 5 6 Fig. F~. 13. Datos de Mayo..:n:1e'nt~l.Var iograma exper i men t a 1.VI. 2 3 4 I 5 I 6 t . Datos de Octubre.. VI.VI. Variograma expera.VI.Variograma experimental. Datos de Septiembre.Variograma experimental. Fig. 129 300 jt:io v 0 2 3 4 5 6 C 23456 Fig. Fig. 11.Variograma experimental Datos de Julio.jV~.Variograma experimental. Datos de c1unio. o 2 3 c 5 6 0. lO. Fig. . 9.

e1 preEtigio.Variograma experimental. p. l~ I I I I I .VI. sin dejar de lade otroE de caracter. Datos de Noviembre. Db. provocada par a1 turismo interior en la provincia de Malaga en e1 mes de Agosto. etc. la fama. y en busca de una alternativa para so1ucionar las distintas dificultades presentadas en e1 eplgrafe anterior.VI. es la consecuencia del principal atributo objetivo de eEte producto. Fiq.2 VARIOGRAMA MEDIO.•.15. C. e1 clima. La exp1icaci6n del comportamiento regular de la demanda hotelera. la ilusi6n. 28. o 2 3 4 1 2 3 ~ 5 6 Fig. en "los cornportamientos vacacionales •.".( I>. mas 0 menos subjetivo como 10 pueden ser.cit. como se ha comentado anteriormente. se ha procedido a la obtenci6n de un variograma medio que representa la variabilidad media de los datos experimentales de cada meso (1)V4ase Cruz de Ia Rosa. Datos de Diciembre.16.Variograma experimental.(1984). . En segundo lugar. 3.

para t = 12. . de cada uno de los doce variogramas experimantales de cada mes del aHo..36 .17 sa han representado los seis o primeros puntos de O<t).. para t = 12. se demuestra que 1a media aritmetica de los i valores de 6"< t). de la serie original PERNA.. 24. 131 As i. y se ha utilizado como meseta 1a media aritmetica del valor de las rnesetasde los variograrnasexperirnantalesde cada serie mensual.. es o igual al valor de C(t). = 0(24) 12 12 i L 0'(3) i= 1 o = 0(36) 12 En 1a Figura VI. para t = 1. y sucesivamente: 12 i L1 i= 0'(1) 0 --------------.= 0< 12) 12 12 i L i=1 0< 2) 0 --------------.

~. t(24) representa la variabilidad media de todos los meses distantes dos affos. 1a funci6n variograma o oct) para conocer la estructura de la variable. 3. . por tanto.. As i . hubiesen arrojado mejores resultados para su posterior utilizaci6n en la predicci6n. 132 ~t) 1800 ~ (J.IS .. etc . VARIOGRAMA AJUSTADO o Al variograma experimental oC t) se ha ajustado un modelo autorizado de tipo esf~rico .. Aungue hubiese side deseable que los doce variogramas experimen- tales de cada mes.v~ase Figura VI...3.17. Se ut iIi z ara. tambi~n hubiesa convenido haber dispuesto de un mayor numero de datos para cada mes en custi6n. El nuevo variograma obtanido representa la variabilidad media de los valores de cada mes para cada o periodo. '(C 12) • indica la variabilidad media de o todos los meses distantes un affo. 1000 500 o 2 3 4 5 G Figura VI.Variograma medio. como ya se dijo. Por otra parte.

Los dos modelos ajustsdos son de tipo esfe- rico. .20. C = meseta = 291 Co = efecto pepita = 50 a = alcance = 6 b) Variograma te6rico mes de Agosto. Para1elamente. Figura VI. Variograma ajustado al variograma experimental medic.19. Figura VI. IS.se ha real izado e1 ajuste de los vario- gramas experimentales relativos a los meses de Enero y Agosto per ser estes los mesas gue presentan una mejor estructuraci6n. . con los siguientes parametr~s: a> Variograma te6rico mes de Enero. 133 con los siguientes parametr~s: C = meseta = 1090 Co = efecto pepita = 600 a = alcance = 3 ~t) o (\ t Figura VI.

el valor del a1cance para el variograma media no ha coincidido con el alcancB de los variogramas desagragadoE anteriores.20. 156 Co = efecto pepita = 1. Este parametro indica.Variograma te6rico. la zona de influencia de la varia- bIe.Variograma te6rico~ Fig. .250 a = a1cance = 6 o a 1 o a t Fig. sagon se vi6 en la parte primera. El valor obtenido para e1 alcance (a = 6 affos) es e1 mismo para los dos caS05.VI. e1 valor a partir del cual no existe autoco- rrelaci6n entre los datos de la variable. Por otra parte. Bste efecto se debe probablemente a la influencia gue sabre aguel han ejercido 105 meses gue presentan ausencia de autocorrelaci6n. 19. para el mes de Agosto. esto es. para al mas de Enero.VI. 134 C = meseta = 4.

El estimador lineal de Krigeage Simple.S). la configuraci6n del punta a estimar y del conjunto predictiv~ tiene la siguiente forma: tiempo: t-3 t-2 t-l t t+l configuracion: o ponderadores: ------------------------------------------------------------- donde: 0 es el punto a estimal'. 4. por presentar la variable estudiada un variograma te6rico esta- cionario. PREDICCION Y RESTITOCION. Para obtener e1 valor de los ponderadores Ai se ha de resolver el siguiente sistema matricial. . presenta la siguiente forma: n ZK = L Ai. z< t i) i=l n donde : L Ai = 1 i= 1 En el caso de la predicci6n del valor en el tiempo t + 1. 135 4. referido en otras ocasiones. PREDICCION. El metodo utilizado para realizar 1a predicci6n y 1a restituci6n de 1a seire ha sido e1 Krigeage Simple (K. 1.

que intervienen en e1 calculo del error de estimaci6n. Los . 136 0 '(1 l)2 (3 1 ~l ~l )(1 0 1 t2 1 A2 02 '(2 (1 0 01 1 x A3 = 03 03 ~2 (1 0 1 >\'4 04 1 1 1 1 0 )1 1 Donde Oi es el valor del variograma te6rico para la distanc ia (en aHo5) i . a1 5er los datos puntuales y por 10 tanto la variabi1idad de cada valor con re5pecto a a1 mismo e5 igual a cero.41 835.41 835.41 1090 1 Al 835.926 1017.41 1017. cada elemento por los valores correspondientes del variograma te6rico resulta: 0 835..S.v . El numero de ponderadores elegidos 0 vecindad de Krigeage. L 1 J Resolviendo este sistema se obtienen los valores de los cuatro ponderadores Ai. tra5 los resultados de diferentes ensayos. i = t" j ..i ).926 1017. que 5e ha elegido.926 0 1 ~4 1090 I I 1 1 1 1 0 J I' . < t j.41 1 A2 1017. en 4 ponderadores. y del factor de Lagrange . ssta influenciado par el valor del alcance del variograma te6rico.926 1 x A3 = 1090 1090 1017.926 0 835. Sustituyendo en el sistema de K.926 0 835.916 835. En el sistema anterior 00 = 0.

21. Representaci6n grafica de la serie original PERNA y los doce valoree estimados para el siguiente periodo . zc t i) . se ha obtenido e1 valor estimado para cada mes del siguiente periodo. 13? valores numericos deducidos son los siguientes: Tabla de Ponderadores }.21.2232 f = 293..a~o 1986 . 100 ~ \ Figura VI.(trazo d iscont inuo) • .i1 ~. 4 ZKj = L Ai. i=l 0 . j=1.I ! .4 = 0. 1446 ~3 = O.255 4 donde: ~ Id = 1 i=l Con a1 resultado de los ponderadores obtenidos y 105 datos de los cuatro ultimos a~os de cada mes Z(ti). 1822 Al = 0.2 12. que estan represent ados en la Figura VI. ~ " ~I 300 !i Ii 200 !I .45 A2 = O.

558 300. corresponde al mes de Enero que es uno de los meses gue presentaban mejor estruc- turaci6n temporal.4 Enero 69.954 28.435 205.746 8.805 1.6 Sept.6 Oct.437 411.8 Marzo 107.766 8.I. 367 128.855 52. provocado muy posiblemente por la inestabilidad. 264. 132 15.401 11. 755 7.071 5.8 Junio 185. pasa al mes de marzo en 81 afio .978 149. En el Cuadro VI.871 168.324 24.746 Febrero 81. Tambien hay que destacar que.359 -45. gue el error absoluto m~s pegueffo.2 Agosto 447. en los periodos ante- riores.603 136. se encuentra el error cometido en la predicci6n al comparar el valor estimado de cada mes con el valor real correspondiente disponible hasta el momento. 143.317 Cuadro VI. 1.481 -58. 1 58 aprecia. en el Ca- lendario Oficial.7 Mayo 137. en el mes de Abril. 691 -35. han sido 105 meses de Marzo y Abril los que han pr8sentado mayor error relativo en % en la estimaci6n.303 10. 106. par el contrario. 95.472 153.real)xlOO -----------------~-----------~------------------------ 70. 533 70.2 Julio 275. 138 En 91 cuadro VI. de la festividad de Semana Santa gue habiendose encontrado generalmente.1 Nov.415 Dic.568 17. Abri 1 181. 059 -------------- 1.887 30. cometido en la estimaci6n. ANO -1986 Mes Valor estimado Valo:t"real Error (Error/V.532 -7.512 40.733 -11.

578 10 Cuadra VI.2.269 411. y Vl. se observa que en ambos casas los datos presentados son semejantes.811 70. 139 1986. presentando los siguientes resultados. vesse Cuadro VI. referidos en los Cuadros VI. para realizar la predieei6n de la serie en general. Para el10 se ha replanteado el modelo anterior.2 RESTITUCION DE LA SERlE. El segundo objetivo planteado es la restituci6n de Ia serie.805 -4. el numero de ponder adores utili- zados ha sido de seis. Mes Valor Estimado Valor Real Error (Error/V.Real>x100 Enero 65. par 10 tanto. 4. Esto signifiea gue la alternati- va expuesta en el apartado 3.2. quedando ahora la configuraci6n del punta a estimar y del eonjunto estimador de la siguiente forma: . Si se comparan 105 valores estimados. gue con 81 caso del variograma medio. se ha procedido de igua1 forma.I.2 es valida para conocer Ia estructura de la variable y. pero a partir de los variogramas desagregados de los meses de Enero y Agosto y con la salvs- dad de que en estos casas. a Ia predicei6n de los vaIores para el pr6ximo periodo.691 -41. Posteriormente.2.994 7 Agosto 453.

S.A3 = ifl t3 t2 (1 (0 1 A4 K'2 1 1 1 1 0 r 1 Sustituyendo cada elemento por su valor correspondiente del variograma te6rico y resolviendo e1 sistema asl plantea- do resulta: Tabla de Ponderadores Al = O. queda de Ia siguiente forma: ro (1 (3 t3 1 Al (2 tl to (2 (3 1 A2 (1 t3 (2 '(0 6'1 1 x .3436 ~4 = O. 1564 J' = 185. como interpolador en la configuraci6n anterior para Ia serie de cada mes. 1564 ~3 = 0.3436 A2 = 0. se obtiene la serie Krigenda por interpolaci6n - Figura VI. 140 t iempo: t-2 t-l t t+l t+2 configuraci6n: o ponderadores: donde: 0 e5 e1 punta a estimar. 22. i=l Aplicando e1 estimador lineal insesgado de K.S. 158 4 donde: L Ai = l. En este caso 81 sistema de K. .

Puede obssrvarse que e1 grafico de la serie simu1ada se ajusta.210). a la serie original y en particular a los valores de Enero y Agosto para e1 periodo de tiempo analizado.22. en mayor 0 menor medida. (ms/X) x 100 = 3.ZK<ti) me = L ---------------- = 5. 6 15 i=1 n Este estadistico representa 81 error medio cometido a1 comparar 105 valores reales de la serie con los valores estimados. Los 9stadisticos calculados son los siguientes: 1. para tener una medida del valor obtsnido por ests astadistico se va a comparar con la media aritmetica de los datos de 1a serie (X = 169. RepresentaciOn gr4fica de la serie restituida (trazo discontinuo) y real (trazo continuo). Error real medio : n Z<ti) . 141 Figura VI.3% .

manoS dos veces la des- viaci6n tlpica del error (~k = 32.830).08 i=l crk siendo: Ok = 32. el valor real .para cada mes.VALOR VARIABLE -.VALOR KRIGE . n Z(ti) .ZK(ti) 2 ~r = I/n~ [--------------J = 1. . Error cuadratico raducido medio. 2. En e1 Cuadrado VI. el error cornetidoen la estirnaci6n .ERROR .3.y e1 valor estimado mas. 142 que as un valor relativamente bajo.830 El valor de este estadlstico se ajusta casi perfecta- mente al valor te6rico ( ~r = 1). se presentan los valores numericos de la serie estimada .

8 87.811 21..661 IS.911 -25.-.089 141.975 2.000 lOt.257 ~.900 150. _--------..506 87.000 152.-------------- 3 118.411 6.000 89. ENERO ----------------~---------------------------------------------.000' 187.682 158.183 FEBRERO ElEI1EIHO VALOR VARIABLE VALOR KRIGE ERROR V.000 93.876 IS5.000 185..524 4 91.175 9 124.205 11~. 675 5 107..405 -16. KRIGE .000 94.656 -18._---- .320 -6..072 23.589 155.314 8 96. KRIGE .554 171. 836 -5.527 -1.379 119.189 192.318 30. --..273 5 96.000 184.844 142..-_ .000 109.IGE . _----.000 97.320 158.006 86.554 -7.338 252.-------..-----..317 20.195 12. -----------. -----------.686 111.836 167.579 5 192.664 182.000 77 .2De ---_-.2De -----.744 7 89.505 11..000 146.844 -10.025 163.677 8 186..497 36. KRIGE + 2De U.-----------.656 152. ElEMEHTO I.-------------- ') " 146.336 34.128 9.-------------.000 117.467 U.239 -83.596 10.404 141..595 37.239 281.185 4 133.. 936 S 76. 143 Cuadro VI.572 10..472 61..-_----_ .---.-------------. KlUGE + 2De I).185 18.658 ABRIL -----------------------------------~--------------------------- ElEMEHTO VALOR VARIABLE VALOR KRIGE ERROR V.000 105.--_ .000 91.815 164.999 121.000 99.866 9 80.750 6 75..893 5 87..456 251.250 7 100..000 75. KRIGE + 2De V.000 8.544 6. 215 6 84. KRIGE + 2De U. -------_ . .997 51.057 .934 -11.597 29.876 -12.537 54.-------------- 3 148.527 143.533 141.000 126.979 27.883 6 204.718 -35...025 26.534 '3 149._-------.659 6 68.-------------..975 242.000 102.----._----.338 -9.150 4 152.000 93..636 32. KP.000 216..2De -.2De .000 173.981 27.-------------- 3 268.lALORVARI~8LE VALOR KRIGE ERROR u.•911 175. . 3.405 157.064 160.-------------.250 MARZO ELENEHTO VALOR VARIABLE VALOR KRIGE ERROR I).856 107.. KlUGE ..188 11.154 218.806 9 66.995 7 86.000 76.000 177.846 33. 364 7 178.718 250. 33'..000 81..-----.215 39.846 115.066 25. -.. ----_ .805 238.936 51. --.572 44.000 75...660 119.934 168.275 4 98.000 75..911 4.-------------..

191 44. ?S6 6 414.246 354. -----------.344 165.aOO 255.-------------- 3 455.-------------.417 473.905 206.431 97.434 8 143. -------------.000 1 ao. -----------.927 -28.216 202..910 334.595 90.751 465.706 -43.280 4.674 351.000 148.000 173.653 115.. 624 SO.927 332.000 249.660 238.123 JUNIO ELE~EIHO VALOR 'JARIABLE UALOR KRIGE ERROR IJ.508 17a.417 -25.770 228.317 2%.445 71.963 2! 1.078 341. -------------- o'" 343.346 214.000 400.015 34..000 151.367 197.754 75.000 266.58B 20 I.000 159.115 9 215..941 350.459 -33. 144 MAYO ELEMEHTO UALOR VARIABLE ')ALORKRIGE ERROF.2D~ -.013 25.654 30. _ ----_ .767 85..-------------..1Gb 216.996 -11. KRIGE + 2D~ U.770 -29. KRIGE . 500 225.985 320.000 420.463 102.. 789 -20.000 407.437 118.000 136. -----------.000 243.093 -4.302 9 154. 266 5 219.80g 235.657 184.839 ? 166..000 145.993 4 155. KRIGE . KRIGE . _-----.537 418.. -------------- 3 229. _-----.331 e .588 7 421.000 141.683 112...799 5 382.776 249.124 286.022 4 238.106 -18.-----.354 AGOSTO ELEMEIHO UALOR VARIABLE VALOR KRIGE ERROR V.UOO 230.249 13. KRIGE ~ 2De IJ.830 -32.I 153.--_ .445 6 137.852 104.676 189.776 -19.000 172..ZDe -------. -------------.432 7 152.660 -6.000 262. 000 416. _------.802 4 373. KRIGE . KRIGE + 2De V. -------------.996 315. ~34 4 133. ----.459 472.095 10.924 9 443.2De ---_ .706 328..720 481.000 352. _-- 3 221.491 207.000 183.169 9 290..000 141.. KRIGE + 2De U.321 106.0no 170. -----. -----------...161 93. -----_ ..963 -2. :352 .335 7 291. 186 8 240.De .756 75.789 239. -----------.120 340.315 82. ----""------.992 246.847 47.530 JULIO ElEIiEHTO UALOR VARIABLE UALOR KRIGE ERROR U.830 338.045 1) 238.619 8 422.999 8 164.153 309.2% 64.. 'J. 129 6 171.585 1.450 1es.987 482. -----------. 992 -25.415 486.734 17..000 417. _----_ .109 s 133.405 196..500 11.000 162..---_---------.000 272.093 206.000 406.000 130.

.378 2.502 212.000 121.537 102..594 '5 98.000 256.227 65.----_ .253 213.-_ .000 91..906 47.065 6 98.000 94.444 301.0..726 -5..2DE' ..281 178. 498 166. ---_ .062 134.913 290. .000 107.000 233.----..066 173.. 5~(I OCTUBRE ELE"EHTO VALOR VARI~8LE VALOR KRIGE ERROR U..245 310...493 B 95.105 169. _----. KRIGE .744 ~ J 102..584 4 99.741 4 228.469 198.872 9 ?9. KRIGE . .533 30. KRIGE .402 62.467 156.000 90.. -------.-------------- 3 143.000 127..441 75.000 140._-_ ..--.000 95..939 7 245.109 29.592 6 148.815 28.373 62..-----------.555 7 113.-------------- 3 136.755 178. ----------.94n 1%.444 -30. _ .163 80.071 222.000 131.448 161.912 190.. --------------- 3 195.000 167.584 B 277.726 173..916 57.261 167.780 206..783 6 226.810 NOVIEMBRE ELEKEHTO VALOR VARIABLE VALOR KRIGE ERROR U.. -------------.876 -26..000 146.215 5 137.119 '3 167. KRIGE +. 600 -7.216 -6. KRIGE + 2De U.337 ..906 179.253 -11.-..00 235. KRIGE + 2D~ U.251 1.000 244.192 66.. _ -------------.288 193.727 42...000 102.066 55. 145 SEPTIEMBRE ElE"EHTO VALOR VARIABLE VALOR KRIGE ERROR 1).039 36.245 29.000 156.159 34..999 39.--_ ..959 .000 148.000 100.2De U. -----------.._--.590 91..502 -28.255 -20.780 -0.. KRIGE .000 105.255 188.531 34.000 245.4ns 6 105.620 32.. ---------- 3 263.000 132..721 25..000 104.905 7 118. ----.---------.216 169.276 233.434 197..846 159. ----.712 8.000 200. ------_ . 060 3. 566 16. KRIGE + 2De U..00(1 113.617 8 121.000 108.000 225.380 310.-------------.194 24..405 -22.2D€' ..498 -21..717 7 98. -.405 187.600 299. ----------.622 168. ---.448 -19.2De -------.338 -7.749 321.748 159.000 123..426 5 205.268 4 141.787 DICIEMBRE ELEKEHTO VALOR VARIABLE VALOR KRIGE ·ERROR O. 258.-------------.877 38.087 2. ----.066 -10.---_ .338 170.. -----.. .20e -------.._----.051 4 103.245 -0.154 18.929 38.914 82. 841 8 140..387· 42.399 9 76.598 266..

con la saivedad de los errores eometidos para los meses de Marzo y Abril. en primer lugar. Asi. con cierta facilidad. un error cuadratico reducido medio (~r = 1. de predecir el futuro prOximo y segundo. son porcentualmente pegueffos.615). puede concluirse gue estos son aceptablemente buenos. tanto en e1 aspecto de 1a predicciOn como en e1 de Ia restituciOn. En esta segunda ap1icaciOn se ha realizado e1 analisis de una serie temporal con componente principalmente estacio- na1 con el objetivo primero. En relaci6n a la restituci6n de Ia serie. a Ia resoluci6n de Ia problematica gue BSts tipo de series presenta. si se compara porcentuaimente con Ia media aritmetica de Ia serie original ( (me/X) x 100 = 3. Y en segundo lugar. por las razones ya expuestas. A 1a vista de los resultados obtenidos en e1 trabajo. Se ha tratado de dar a1gunas a1ternativas pasib1es para solucionar los problemas de estimaci6n abordadas a partir de la metodologia expuesta. se constata numericamente gue los errores cometidos en Ia predicc6n para los doce meses siguientes. los estadls- ticos de comprobaci6n aplicados presentan. vease Cuadra VI.3%).08) gue se ajusta a1 valor te6rico. . un error real media relativamente pequeffo (me = 5. demostrando ssta gue puede adaptar- se. 146 5. correspondientes al affo 1986. 1. de realizar la restituci6n histOriea de Ia misma. CONCLUSIONES..

mejorando los resultados obtenidos. todo este desarrollo tiene 1a ventaja de admitir 1a modificaci6n de a1guno de 105 supusstos asumidos en base a 1a informaci6n experimental. La ap1icaci6n de 1a presente rnetodologlaa series tem- porales guedara expuesta a una mayor profundizaci6n en el estudio de dicha teor1a. 147 Ahora bien. que junto con otros metodos c1~si- cos <metodos autoregresivos) sirvan de base para e1 estab1e- cimiento de decisiones dentro del marco macroecon6mico y empresaria1. . que podrian modificar las cifras resu1tantes.

RES U MEN yeo N C L U S ION E S .

El objetivo que me ha motivado a aplicar este instru- Mento probabillstico que se utiliza en diferentes discipli- nas para resolver problemas de estimulaci6n y simulaci6n. se aborda uno de los principales problemas que tanto preocupa en Econometrla. la inferencia estadlstica en series temporales econOmicas. desde e1 punto de vista practi- co. 151 En resumen. se han realizado dos aplicaciones practicas. interesa a1 economista. 1a otra 10 hace con una componente principalmente estaciona1. posee dentro del ambito de las Ciencias Econ6micas Bsta Teorla. y . como es. y un conjunto de aplica- ciones gue ilustran las diferentes posibilidades practicas que . sin lugar a dudas. utilizan- do series econ6micas temporales con caracteristicas estruc- turales muy diferentes. En esta santido. mientras que una de las s·eries presenta deriva en la evoluci6n temporal de los datos. se presenta una sintesis de esta metodologla destacando principalmente las caracte- rlsticas mas relevantes gue. he procurado adaptar utilizando para ello ejemplo5 de variables econ6micas. ha sido probar que es igualmente aplicable en Econometrla para e1 anal isis cuantitativo de fen6menos econ6micos. La aplicaci6n de esta metodologia ob1iga a utilizar una terminologia que teniendo sus origenes en las Ciencias de 1a Tierra. e1 trabajo expuesto presenta los princi- pales fundamentos te6ricos en los cuales descansa 1a Teorla de las Variables Regionalizadas. As!. En 105 capitulos del I a1 IV. Para el10.

Hay que resaltar que la T. como temparales. la mecanizaci6n y el bajo costo. junto con la teorla del Krigeage posibilitan obtener estimaciones 6ptimas del valor mas probable. 152 cuyos resultados numericos se exponen en los capitulos V y VI. confirman la indudable utilidad que proporciona la aplicaci6n de esta tecnica a variables econ6- micas. Hay que . sin olvidar que permite cuantificar a priori (antes de realizar la estimaci6n) el error de estimacion. La bondad de los resultados obtenidos en las practicas expuestas. en el sentido de utilizar un estimador que es insesgado y de varianza de estimaci6n minima.R. valor que no debe ser relegado. es gue este metodo innovador es un util que per- mite resolver facilmente algunos de los problemas que tradi- cionalmente son tratados por 105 scon6metras. tanto a variables espaciales. El calificativo de versatil hace referencia a la posi- bilidad de ser aplicado. A esta metodologla se Ie atribuyen como caracteristicas mas sobresalientes: la versatilidad. usualmente. La conclusion fundamental.V. el facil manejo. Estos proble- mas son: la predicci6n y la restitucion de datos en series temporales. Esta caracteristica la distingue de atras tecni- cas que. se aplican en Econometria. si 58 contempla 61 interes que este tiene en el campo de la toma de decisi6nes. gU8 58 deduce de todo 10 expuesto.

. que aunque en este trabajo 5610 se ha aplicado en la estimaci6n de series temporales econ6micas. Asi e1 procadimiento descrito tiene la ventaja de ssr rentable. Por ultimo. en un futuro. debido a su bajo costo. ello no es 6bice para que. hay que tener en cuenta que en el ambito smprssarial interesa la utilizaci6n de tecnicas que perrnitan obtener e5timaciones ~fiables" pero cuyos costos no sean superiores a los beneficios esperados. 153 aclarar. se pueda aplicar a variables espaciales econ6micas.

BIB L lOG R A F I A .

1a. J.P. 15? ALCA!DE" A. ALBARRACIN.. E.M. (1983). M. 1983/2. Rasgos b§sicos del desempleo en Espaffa. . Pape1es de Econornia.T.BANGO DE BILBAO. . La Bolsa espaf'folahoy. J. LINDE RODRIGUEZ.A. 50 p. de Granada. (1986). pp. Grados.A. 5-88.ALCAIDE-INGHAUSTI. Diagn6stico de 1a agroindustria espaf'fola:por debajo de sus posibilidades. 1986/2.ANDREU. S. pp.. Lecturas de Econometr. pp.. (1986). (1982). 402 p. Magnitudes Socio-econ6micas de la provincia de Granada.ALFARO. Introducci6n a 1a Geoestadlstica operativa.A. DE LA FUENTE. Ed. LOPEZ CASAS. Revista Situaci6n 1983/4. 81 empleo y e1 paro en e1 periodo 1964 a 1980. Banco de Espaf'fa. Aplicaciones de 1a Geoestadistica en Hidrogeologla. A. J. Tesis de Licenciatura. A. Las tendencias basicas de 1a poblaci6n. CARREA ERE~O. . CABELLO JURADO. M. BB. (1982). Ed. (1983). n~ 26.M. Univ.S.G. Revista Situaci6n. M. Ariel. Exma. (1974). (1976). (1972). Un analisis de la economla espaffola. de Ingenieros de Minas U. Diputaci6n Provincial de Granada. 151 p. C. (1981). M. FundarnentoE y posibilidades de 1a Econornetria. . . 219 p. Banco de Bilbao. 279 p. CHICA OLMO. BARB~iCHO. 59-73.

M. pp. C. . DELHOMME. Ana1isis Geoestadistico en e1 estudio de 1a explotaci6n de los recurs os minerales. Statistics of ore distribution. Applications de la theorie des variables regionalisess dans les sciencies de l'eau.G. . Applications du Krigeage a l'optirnisation d'une campagne pluviometrique en zone aride. E. Neth. 158 CHICA OLMO. These Docteur IngBnieur.N. 130 p.M. (1976).. J. J.. Sec. Papeles ds Economia. J. La rnedici6n estadistica del empleo y el paro.P. 2-25. III. . Los comportarnientos vacacionalss y 1a sstacionalidad. G..25-35.S. 13 p.P. nG4. (1986).P. H.M. N-427.DELHOMME.R. < 1979). Sors. Pierre et Marie Curie. Univ. Ed. nD 26.P. M. Soc 11-1951/6-1953. CRUZ DE LA ROSA. (1973>. ..R.M. C. DELHOMME. J.DE MIGUEL. J. . (1987). ( 1984). (1978). Simposio sobre la estacionalidad turistica. (1973). Geol.DELFINER. de Granada. pp. Tesis Doctoral. Applications de 1a theori8 des variables regionalisees dans les sciencies de l'eau. (1951).M. Interpolation optimale et Cartographie. 20 p. J. MATHERON. . pp. El producto turistica.CHILES.P.P. Statistics and data analysis in Geology.G. G. Bulletin du B. R/73/74.J. E.S. Marbella.G. P. 387 p. Min.DE WIJS. Centre Inforrnatigue Geologique. John Wiley. 341-375. Univ.N. .DAVIS.

Tome II (1963). Min. Univ.P. 735 p. Traite de Geoestatistique Apliquee. 172 p. (1977). Modelos ARIMA. 1986/1 . (1962). 451/452.G. Metall. ( 1979). (1982). KRIGE. Vol. MARECHAL. 159 EZEQOIEL URIEL (1985). A. MATHERON. D. pp. Techin. pp. These Docteur. Ed. 52. Tecnica. . J. de Granada. Annales des mines. E.L.JOURNEL.GIRALDEZ PIDAL. Algunas consideraciones en torne a su comportamiento sec- torial y 8spacial durante la crisis de los ~etenta. A. (1951). A statistical approach to some basic mine valuation problems on the witwatersrand. Gaoestatistique miniere. G. Soc. Ed. (1986).M. Afr. JOORNEL. 119-139. La inversi6n industrial. Guide practique de Gsoestatistique miniere. E. .M.M. . Paris.G. pp. ( 1975) • Geoestat ist ique at apl icat ions miniares.N. La industria en la provincia de Granada. Paraninfo. A. GARCIA ROIZ. 87-97. GARCIA PEREIR~ M. 299 p. 1D Seminario de Geomatematica. 241 p.S. Banco de Bilbao. 12 p. (1975). 62-85. G. Introdu~ao al variavals regionalizadas. Analisis de series temporales. Lisboa. Chern. A. Revista Situaci6n.

MATHERON.P. F. Fasc. 18) MATHERON. J. (1984). C. E. Paris. . de Valen- cia. MATHERON.M. 70. Univ.Transactions. nD 1. pp. Fasc. nU 5.P.MATHERON.. Les variables regionalisees et leur estimation.. Le . .M. La theorie des Variables Regionalisees et ses applications. . Introducci6n a la Teoria de la Variable Regionalizada. .G.M. . Z. G. < 1986).M.P. (1969). (1972). .M. Masson y Cie. 240-244. Aplicaci6n de la morfologia matematica al estudio de variables administrativas: los resultados electorales en la provincia de Valencia. C. Ed. G.M. M. G.MIGUEZ. J. Madrid.S. C. de Malaga.• 212 p. M.N. revelateur de structure d'un champ bidimensional. TRUJILLO. Kriging or Polynomial Interpolation Procedures.M.MONTES.REMACRE. ICE. (1978). (1984). La Krigeage Universal.M. 82 p. F. (1965). E. J. E. 212 p. L'estimation du rscuperable local.. 17 p.I.S. Univ. Le Varioqrame.OTERO MORENO. BORDET.S. vol.P .N.MONGET. Analisis estadlstico de la actividad turistica en Malaga 1974-1986.M. (1983). J. < 1970). Premio a la investigaci6n. (1967). G. L6gica y limitaciones de la Econometria.OTERO.N. F. Ed.M. 118 p. .

: Centre de Geostatistiqua at de Morphologie Mathemat i que. London Vol.M.M.P. Abreviaturas: E.M. C. Ins. Thess Docteur. I.M. (1952). C. 161 conditionnsment uniforms.G.P. Min.M.M.: Universidad Politecnica de Madrid.?: Ecole Nationals Superieure des Mines de Paris.: Cando Inst.S.S. Min. Trans. Na\11 Methods in the statistical evaluation of mine sampling data.M.N. E. Metall. Metall. SICHEL~ MS. 511 261 p. U.N. .

ANEXOS .

O.5308E 2 7.263E "'1 .1539E 2 2.lS5E 2' M II M O. ORDEHADAlGAMMA 41 0. 31 o .). 40 O.340£ 3! 37 0.278E 31 33 0.139E 31 24 O. O.371£ )1 39 0.43193E 2 UARIAHZA =0. 9.1351E 3 12.8397£ 2 9. IJARIOGRRMA : PARO REFEREHCIA : "EOIA DE lOS DATOS =0.216£ 31 29 0. 1172E 3" 11.232E 3' 30 0. 0. 464E ~ j( II 0. DIST.2428E 3 17. 0.201E 31 28 O. 0. 0. O.386£ ?I ~. 0. 0.2661E 2 4.31)9£ 21 II ~.10 BE 3! 22 O. 0.1777E ~ " 14.24727E 3 HUMERO DE DATOS = 42 ESCAlA VERTICAL =0.2147£ 2 3. 0.2649E 3 '18. 165 ANEXO 1 Variograma experimental de la saris temporal formada por e1 numero de desempleados en 1a provincia de Granada.2870E 3 19. .294E 31 )f 34 a. 0.773E 2' O.613E 21 9.1028£ ? 10.6757E 2 8.OuOE 00---------------------------------------------------------------------------------------. 0. ~~ = ~alores del varlograma experimental. 0. it 32 0.3170E 3 20.4963£ 2 6.10000E 1 He GAMMA DIST. 0. UARIANZA-!---------------------------------~-----------------------------------------------------. 0.185E 31 27 0.325£ 3! * 36 0. ~ i2 3 4 5 10 20 30 40 Donde: NC = n~ero de parejas.15454E 2 PASO DEL IJARII)6RAI'!A =0.355E 31 38 0.124E 31 23 O.1576E 3 13.3882E 2 5.2151E 3 16.170E 3! 26 O.30'~E 31 35 0. 0 .155£ 31 25 0. Bar ie PARO.1917E 3 15. = distancia del varioQrarna. O.927E 2! O.7806E 1 1.

. ...I. ------- 1974 7 188 8 255 9 176 10 121 11 112 12 99 1975 1 90 2 96 3 137 4 124 5 133 6 134 '7 219 8 292 9 169 10 125 11 97 ''? . Pernoctacione5 de viajero5 nacionales (en miles de personas). Sarie PERNA..! 126 6 147 7 234 8 346 9 185 10 196 11 140 12 196 1977 1 118 2 146 3 148 4 269 5 221 6 229 7 343 8 455 0 J 263 10 195 11 143 12 136 1978 1 91 2 98 3 152 4 133 5 133 . 166 ANEXO 2 1. A~O MES PERNA ----. 121 1976 1 113 2 95 3 105 4 168 ~ -..

.."". PERNA ----.4 7 240 8 42.2 9 277 .... ------- 1978 6 155 7 238 8 373 9 228 10 141 11 99 12 103 1979 1 96 2 87 3 107 4 192 5 133 6 153 7 219 8 382 9 205 10 137 11 102 12 98 1980 1 75 2 68 3 84 4 204 5 137 6 171 7 238 8 414 9 226 10 148 11 98 12 105 1981 1 89 2 86 3 100 4 178 5 152 6 166 .. 16? Continuaci6n ------------ A~O M~C! .. 291 8 421 9 245 10 118 11 113 12 97 1982 1 87 2 76 3 96 4 186 5 143 6 H:. ----.

1aci6n MO MES PERNA 1982 10 140 11 95 12 121 1983 1 66 2 80 3 124 4 149 5 154 6 215 7 290 8 443 9 258 10 167 11 76 12 79 1984 1 67 2 63 3 75 4 185 5 124 6 167 7 230 8 377 9 233 10 126 11 69 12 85 1985 1 64 2 94 3 121 4 188 5 136 6 195 7 307 8 490 9 273 145 11 137 12 92 . 168 Contin\.

81 46 86 7250.Valores del variograma experimental de la ssris PERNA.54 45 87 9170.592 13 119 3978.8 33 99 9315. 12856.3 7 125 12214.3 8 124 10140.33 15 117 10050. NP.52 27 105 10493.4 12 120 903.97 48 84 698. DIST. 169 2.6 42 90 13099.88 11 121 3932.39 2 130 7157.82 . 26 106 8107.8 3 129 9514.7 41 91 12177. 66 40 92 10527.3 30 102 13653. 20 112 10619.65 39 93 9961.6 29 103 12745.3 44 88 9911: •.41 47 85 3994.4 28 104 11226.2 43 89 12443. GAMMA -----.5 17 115 12810.44 23 109 4177. 21 111 9855. 2 19 113 12886.54 10 122 7373.96 14 118 7774. 1 32 100 10032.61 25 107 4074.57 4 128 10301- 5 127 12026.562 37 95 3784. 1 50 82 7649. ------- ~ .. 14 34 98 7267.8 6 12f.518 49 83 3657.6 36 96 667.6 18 114 13781.6 31 101 12690..3 16 116 10868.8 38 94 7680. 9 123 9510.21 24 108 1029.32 22 110 7708.36 35 97 3850.L 131 3410.

------- 51 81 9962.3 57 75 9138. l'iU Continuaci6n -------------- DIST.8 77 55 1:p238.".f- 76 9936." 61 .76 71 61 4104.7 63 69 10111.8 65 67 12108.5 54 78 12978. GAMMA -----.56 62 70 7869.2 53 79 12154.52 59 73 4147.24 70 62 7089..1 80 52 9992..6 79 53 12689. .l. 3867.3 72 60 1138.46 .4 67 65 12512.87 60 72 965.4 66 56 13168.34 69 63 9102.6 c: co_ _ .417 .6 64 68 10716.31 74 58 7817.23 75 57 10206. 68 64 9949.4 78 54 13272.4 55 77 12429.82 73 59 3810.6 76 56 10947.79 58 74 7238.52 52 80 10523. NP.

----------------------------------------------------------- ENERO FEBRERO MARZO ABRIL MAYO JUNIO Dist. DCERE. ----. . OCTUBRE NBRE. 1?1 3. NP Gamma Gamma Gamma Gamma Gamma Gamma ----.j 8 186 463 625 618 543 436 4 7 261 359 545 1367 418 692 5 6 262 612 727 1149 608 860 6 5 416 609 817 2012 523 342 ---------------------------------------------------------- -----------------------------~---------------------------- JULIO AGOSTO SEPTB.L 11 ----- 1921 1891 571 552 ----- 438 339 2 10 1923 2445 1033 1016 1508 651 3 9 2767 3380 1082 688 492 552 4 8 662 2503 753 e. ----. ----- 1 10 III 354 543 1860 915 920 2 9 158 409 542 1981 924 1008 '"' . Dist. ----- .. NP Gamma Gamma Gamma Gamma Gamma Gamma ----. -. ---.79 310 450 5 "7 F 1626 3459 841 761 448 460 6 6 1528 4960 1784 417 758 540 --------------------------------------------------------- . ----.Va10res de 105 variogramas experimentales de 1a serie PERNA dasagregada. ----.

480 3 32.N. 3 32.248 2 25.951 8 17.168 10 27.087 5 25.925 7 25.870 6 29..E.283 4 26. ------------------- 1980 12 27..6 I 23.407 12 34.. 143 8 19. A~O MES VENTAS ( en miles) ----.Sarie ventas a plazo mensualss realizadas en Espaffa 1980-1983.949 6 28.587 4 24. 172 ANEXO 3 1.865 9 27.977 9 24.192 11 26.564 11 25. 23..342 7 24.521 £.971 5 27.671 1983 1 18.491 33.553 12 35.317 Fuente: Bol~tin de Estadlstica I. .973 .170 10 25.299 10 29..561 12 26.283 1982 1 28.821 2 23.356 5 26.271 '3 25.877 11 27.274 1981 1 23.602 4 28..354 8 17.980 .205 3 29.

.. ...:) 1 I 1 I..::.. s· erIe ventas a p 1azo 1980- 1983.Variograma 8xperimenta.: " q.... ccs N .. I I I I I I .. ro = '-..:r."" = Ln .') .LI - X LLI UJ LLI "oJ LLI UJ LU "'-" ... .. =.. - ~ <J:: 0-- 0.LI :a: :z: ".. <:r:: N N .J c: N C··J .= -e... -- . r .. -. "" ~...<.. N '0 00 Lf') o. = c:. I 1 . . I 0 I ~ I I I " 1 Q: ...0 0.co N "-D ('"> oM N N "."l") ~.. u.-) f a: lo: I a:: ==_..:. I I LLJ t "'" 1 I <::> lit: I 0<: LLJ = I I "'" '" UJ :&:: <=> '" I =- :z: =- c:> 1 r r :« :« -I ee- '" " _.. r...J -.-.: f .-.-.~ C"> f:<? ('<J ("71 ('~ .::..:: I :#...=- o..J <'J 0-' "" l"J "" ('o.>" <:> """ =- ('.J ..D tr> ....::::. I I .......::> <=> <-> = 0-- <» ...N <=> w ..... <:J": I I ....1 x: <X e» :to: I I I <X ('-...a:.J <X I .J-= ~ .I ..LI W LL. -tt t- Ln ::::> ".U t. M .-" .r I.. ® .-. I I I I I I I I I ..r.:' '-:-") r'_ 0< t ('<) 'x =....J .:"..1 ..::. ~ = <=> <:::> = -= = 0.LI LLI UJ W UJ L._.... \.J_1 eo = .-....~...... = U) 1 I ...y:. r·....l) &t') ... '" 0 I <J: --' I "" <:J: N = I lI( == s::: <--> ~. c... -= c· = = <=> <:> (Y) -= = - C> .::::> _.I ~. .. UJ l<' LLI UJ UJ LU LJ.0 r.~ "" <'A ... "'" """ . I .J .> = ... on <'..0 -.... C·.. I r ..of.- <:> LLJ x: UJ UJ LLI LLJ ~ W UJ LLI UJ W W LLI L. c~• r.:> ......::> .. = = ...=...:r.J 00:: <X: <=> ee ::> <::> <=> = <=> "'" "'" .'. I 1 1 -' LU 1 " (I> ..::. d..>.... 1 s::: -ee 1 1 I "'" <=0 ~ .. d.. <X 1 ::> I :« f "'" <X ~ lo: I ...:: UJ ::> :00. = oM cr- <=> <:> <::> 0. a: 0 00 0. ~ ==<=> c::. r·~ '-'" I"~ ~r '-:""J e::::.::> <=> t:"::)I =- cr. .->r-.. .JJ W LLJ l.~ .. LLJ '" <J:: --' "'- <.. I 1 . w N =.. <=><=> eo r-.. I I . .. r I I I 1 1 lI( :.c:... N NNN N (".eo _0'" r-...z: <:::> .J t'... r. I L... ."'" - 10 V"J .0 .'J <-<> . _ ""> =- C> " <::> <C '" <" (. '~. ... =" '-='.:x....::._. I W I :::r: I. UJ I 0. N N C'>...J ('~ OD ('oj r. <C c» '-L.. .. 1 I r .0 at:: = II'"> ('.J ... ('"J N "-' r.~ <:> <r <=> (f) . 173 2. ('0. I I .<=> <=> <:> co -a» . M -.> ex> ".J -= "" <:> = -e. I .. . 0 0 .:::::.N N = co - <=> = ._ 1. I 1 " 1 ce: UJ . ' de la ... u-._ -= -= =N = .. 1 I 1 C> t-. "" (-. I Ln "'" :to: I -e- r LU '" (..> :a:. 00 . 1 1 I ~)!:.....J N ('.._:: N ('"> .t..J :z: UJ u. . .~ -""" --' U) S:! ("0••• LLI ..y:...".. "" N N ~ .-..

656 1948 810. I.969 1935 661.787 1928 633.631 1942 767.540 1943 782.-Saris poblaci6n en Granada dssde 1924 a 1954. 409 1950 793.325 1945 771.670 1932 680. 825 1936 410. ----------- 1924 591. Affo Poblaci6n ----.715 1926 512. ccnsider-edos los val ores correspor.489 1947 795.432 1954 842.851 1927 623.999 1939 723. de Granada mErt los atjos 1936 y 1937 <1 padr6n ne se pudo real izar· en 64 ITflJfiicipiDS dp.648 (1) 1937 411.398 FY~nte: EJaboraci6n prDpia a partir del Padr6n rettificado.652 1940 747.601 1930 656.E.381 1941 755. 758 1946 782.338 1951 805.di~!'1tes a estes anos.254 1944 792.845 1953 829.266 1934 707. 174 ANEXO 4 I.112 1952 817.380 (1) 1938 692. l a provincia de Granada por 10 que nil han side.N.791 1925 599.708 1929 645.097 1949 821.396 1931 666.335 1933 693. .

''''..r UJ UJ LJ.. .-:.n ..) r-~_ ':':- ...:::. ('~I ...... .. ...:. M r-.....= ...= Lt. I I I .. I M .:: 1. . I '" => :z: "..:..::::10 <:::> = . <=> I I = rq a-.....:. = t I I '" "'" """ --. -' Lt... .:) UJ co r-._ -. . .. . ':->.. = .... ....J 0:'1 ...::!r ... ..J = ..-:. ... ..:.... .-e.....:z: ~ I . .... . UJ ~ "" '-'" Lt...... .. Q:) <:> -"'" <:l: <-> l- W ~ >0: I I '*I I I I lO: :. .-....:' I = <::<: A......u In LU IS') C" ('... .J W LJ.0 0... 'D I ..J r...:::_. I I <r ..LJ 0". <=> .. ..-e.. ...> ". ~. W 2:: lI!:: x: <C <. .' .1'') ... ex.......1") I I '" co.. .T' co r. ¢ ..J .....= 1. I I =-: 'f"> I :~: ~.... I I I .0 ........ <......J 0::0 ( . ...£) •... ~.. = <::> .. ... ..... «r "I' ..... 0:....~... = = c::.:r: 0...lI') N <a .:0 c-» ... .: I " « <:r --' I I '" = <X: I :II!:: <:I: '" ::z: .= <=...... ..__ co 0:> r~ - tr.... . = .:\ lr' (" 0'- N co -e..' ( ...0") 1. ox oc: ..". .<) 0- <. I I I -' UJ I I " 0') Co I =-ec I <::> I 0.... = ce-.N <-........ = I I UJ !:t::: """ =. -~ ...- - (..~ '0 t. I.J (">. I I c:::· I I ~ . = = .> cO I~"J ("J J:.... . ..LJ I :.~ O~ .....= 0:::...::..: I N <X .... . (V) -e.... . .. ('>~ c. ....'? <:::> -e- ..'" <C "'" o» = = .." . ..-:. I I I I. - <X .:.... ('J M c-.... . r·~ l.:::... ::: .. . . ) .LJ " -' :00: I I IX <:0 (....... . .".."'-'.... '~") .:'_. ..::::> -= <=> 0::::-0 ::> '= e...J ('<) "'~ ('...) (""'.... . ..... ....... ""'" ....... I ... ('.0 Ot< l... I '*' ..... .. -e- Lt...... cs: ....:z: ... ..."'" ... . =. . . .. UJ lI!:: <s» ".....". (. '" (J') = I- ott % UJ 0....1 ..T' - "" CY a: Co c-» ...:o In "" 0:"':'_ 1..... ...J cr- (.....IJ UJ I. I 1:"'-1 - z..-'> " .a: ~ (J I I I = I.. 0:..... = . Lt.. I .. 175 2..J LLJ Lt. .. 'D . I I I I I I . .j I:"'I~ -= ('. UJ a:> ...---' '. <:II: "'" c.. c...::-.. CC> c-» to r-.J 0:> er.. 0:> .... Variograrna experimental de 1a serie poblaci6n sn 1a provincia de Granada 1924-1954.......::0:. - Lt....:::-:.J I. I -e- ..-e.t" I I.. -= <X I .I.... -e...".II:: .......... .0 ". I I W I = M I I = a:: UJ .1....1 <. u-) '... . . "" ':=. C·.LJ UJ I I IX <=> I UJ u...:... . r-.. 0:: ......> %: . tr. "". -e. .0 . ~. I........r. . _...... .. ..~'" <:T.... "".': 1 .J UJ LU lLJ LU UJ In c.. '.. -e. .::>- I I I lO: ~ .J r-. = "" <X = ... I I = I " <J: I I I :z: . .... 0- -a-..

144 Chauchina 36 106 3. 144 Deifontes 15 36 2.776 Castril 29 61 4. 477 Benamaurel 31 55 3. 159 Almuffecar 169 783 16. 166 Algarinejo 36 103 6. Municipio Establecimientos<1) Empleados( 1) Poblaci6n<2> --------- Agr6n ------------------- 1 ------------ 3 ------------ 606 Almedinilla 9 17 1. 410 Albolote 46 363 6. 1?6 ANEXO 5 1.485 Gogollos de Guadix 9 16 1.430 Cortes de Baza 32 54 3.283 Oilar 7 13 1.884 Chimeneas 15 31 2.Poblaci6n. affo 1977.174 Alfacar 70 361 3.602 Benalua Villas 8 22 1.648 Cozvijar 7 16 1. 295 06lar 6 9 876 Escuzar 4 7 1.790 Baza 280 1.555 Albond6n 18 63 2.942 Aldeire 7 11 1.675 Dehesas de Guadix 6 12 1. 105 Albuffo1 50 136 5. 516 . 319 Fonelas 5 60 2.400 Bsrchules 5 6 1.982 Albuffuelas 10 27 1..194 Alquife 6 20 2.396 Freila 12 20 1.046 Arenas del Rey 9 43 2.288 Beas de Guadix 4 5 611 Benalua de Guadix 32 480 3. numero de empleados y establecimientos comerciales en 100 municipios de 121 provincia de Gra- nada.488 Caniles 51 649 8.584 Capileira 3 7 759 Castillejar 14 20 2.672 Alcudia de Guadix 14 21 2.212 Alhendin 32 238 3. 151 Alicun de Ortega 6 17 1. 283 21. 007 Cogollos Vega 8 23 2.082 Colomera 13 28 2.889 Cacln 4 7 989 Cadiar 18 41 2.969 Alhama 40 111 7.056 Darro 9 14 1.

797 Torvizcon 12 25 2. 167 Montefrio 55 134 10. 1?? Continuaci6n Municipio Establecimiento Empleado5 Poblacion Fuente Vaqueros 19 59 3. 790 Pinos Puente 108 372 13.362 Jayena 4 11 2. 125 23.626 Montejicar 18 38 3.530 Pedro Martinez 26 47 2. 833 Pinos del Valle 10 21 1. 727 Lachar 20 67 1.425 Huelago 5 13 893 Husneja 7 10 2.055 Piffar 13 34 1.894 Hustor Vega 19 108 4.437 Padul 47 151 6.915 Lanjar6n 66 162 4. 625 Moraleda Zafayona 17 45 2.018 Guadahortuna 24 41 2.158 Gor 17 29 2.296 Illora 97 189 9.989 Iznalloz 60 189 7.030 Peza (La) 17 32 1.617 Murtas 12 22 1. 548 Purullena 29 68 2. 322 Ugijar 28 59 3. 282 Motril 402 2.083 .544 Moclin 35 78 5.011 Sa 1obrefl:a 72 777 8. 149 Mont illana 15 32 1.247 Valor 9 11 2.676 Gabia 48 285 5.558 Monachil 32 96 3.182 Lugros 2 4 699 Lu.472 Santa Fe 86 589 11. 195 Lenteji 3 6 412 Loja y Zagra 215 1.594 Guadix 243 1.925 Pitres 6 11 1.052 Sorvilan 5 16 1. 406 Polopos 12 29 1. 100 Hustor Tajar 69 426 6. 788 Orgiva 37 109 5.389 Moreda 9 16 1.004 20. 159 Torrecardela 12 18 1.020 Jares de Marquesado 17 45 1.971 38.481 Rubite 5 11 804 Salar 16 37 3.ar 2 5 848 Mala 6 18 1.680 Pel igros 52 934 4.061 Gorafe e 21 1.047 Trevelez 6 16 1.966 Guejar Sierra 7 17 3.826 Gualchos 23 63 2.

cit. 118 Zujar 48 129 6.073 Zafarraya 12 22 2. de la provincia de Granada. Db.276-282. A.(19B2). segun la rectificaci6n del Padr6n Municipal de habitant!!s referido al 31-12-1977. 1?8 Continuaci6n Municipio Establecimientos Empleados Poblaci6n Villanueva Torres 12 35 1.511 Zubia (La) 52 336 6. . p.366 Fuente: (1) Tornado de Garcia Ruiz. (2) Poblaci6n de Derecho en los municipio.

. "'" :IE: <7- o... c.... .-....f.:.. ... = = :=> I . N In u» ... ... ("') " en C> ?E . .... .. ~ c> I :z::: (' . C. I ~'" = . <=> er..~~'...... .' . LU ........ CO .a: ::> ::> ('U I I . j ... 0' ". .:::..... . .. M 0..J ".'Y:' 0....: ''X ". "" ("... .. j =- . U. . -e. ... ('oj <:> ... . -X (":' .: I . E: <:r: j co:: lO: . "....... t7'..... <=.. .:.D r-... .:. = M .. c. =...D ..... -= .... cr-....".. Cf' 0:> <'-I . • -= ee a:. .. .. -=. ... ..c ..::) ... '" ~ "" -= <=> ~-....n 0=> =<=> I I ."-J•• . .. <T"- oQ: x ...... . -= . ... I ... <:J: M c» . LU I c> 0:: I . ~. <:> -s» <=> ~ CIt! I .. I . -= -' 0........> I ........ ..~. c:...' r....... ... .. ...:. . cr.". . :z: r............. .J .. I..) :z "" .1" ....) .. .. ... 00 ... .. 0::- - .........: vr- r~":' M <X .. '" ll"t = «r... .. "........... <=> en -= <::> c::> ~ c::> c:> = <::> -= <% ::> Q c:> = c:> c> <::> ~ c::> -= cs.....v ~ ('. .a (... c:> .... o» .Variograma experimental de la serie espacial Estableci- mientos (1977) an 100 municipios de la provincia de Granada..:r: ...-:.... ...-~ .........n ... .. .... r-.._ on c'> = r-. ~ ..~ . '"' .<> ..... 0.. .. <::> ~ = <:> .... ..--= -= I...:::. ..U .... - C> <% ac ..'4 .D .. ... ...D ....' -- <1: 1....... I " . v. LAJ I . .. ...... . e-» N o· r-..... ... 179 2.....">...:.· .... .. ...... c::> =» I I .~r...........- UJ o.. .-.. I "'" <r .. ~.... .. ".. . I •.:=0 G" o..... 'u LU ..' .u. .... - <r l. '*'•I... 0- <J) M LU ..... .LI _>" I •......> <r -... .....oo -= "... ..~ ..... 0::..J .. ..... t:v> 1/"....1 <=> :IC :IC . ...... . ..--.. e.. •...I ....ce: I I .... . t. I . c:> -.:::. = o..... ..:J: I . ... ...... C· . .-" M <=> ..... ... C> ... . ...:.. :.. -L> (") ~ In or. . .. . W a:: <X ...-..t I~' ....c " <r _.... .... ~ ....... ....... .... ~ <-> :z::: .. . ... x: .. loy) .. = ......... a: 0... LU .co 0- -a: .. ao:: M ('oj N ('U ('U . to ~ I I . 00 - <....... ...::::.> ('. <X <% •....... . -= =...... I :.. ro Lf'") c:> <.:.. ... a" ... C"- = 0- ..... -= <::> <:> 'D .....o:: C= • .j <") ~ = c::. -= .n 0- <X <J) « I . .J . ....... . . ..'......:> 107- . 10") ." ... <=0 <=> ... ..H LU ...-.c> . .. ...... . (..

. "". :or: :or: T. <J: ~ c:. -.....:.D . .) ..) N r "~ ~. 180 IN w - . c:o...1 -- w ..:.. .... '-=' r··..0< .....) 00 <r (..) :z: - IJ"...-... ~ '~'~..0... ('0..... UJ In <!> LL.:r-....> :z: ..::.. .:J <:> Co - :z: <><: ...... "'" ~ :z: c::> <:> . 0. . ...> z: -- 0.) a<: LLI (I') C> «t» .:' c:. 0- UJ - tr> e-.. ~ "..." <:OJ . " =:z:: en -0 (. ...) « (. C"') -... M <II: "'-' <"... ..._ (. N -- CO C") .:> UJ 10 ezz- ..:... t. IX . If') co '-. I - CO ee . ...... Clt =- (. .. ll: o» = <=> ... r··.. ex) 1"\..... = ..&> ...-..: -<1:"'" <. CO -.

I = If') V> I = t- 00 V> .:: I.. 0:::> .... I a. W w = ww . UJ UJ LLI W UJ W ...0 .co <$. In r-.. ~... <::> <=> :> <X: ....: = .. <r.' = ....... 0 =II I . t I .. co LLJ .r ::0: = :z:: ('"> 11") r co •..0 .. """ c:> W If') 0.... .' ..0 ... . oJ:> a) ... "'. = .. I Ir) -or . -= J I " <J: oCr ~ I .0 '. .0 0::> c.......:0 -= <% <-> I.. LLJ 1... <J: :IE: . I ..J ....... 00 If"> :II:: <x c» ... I <"" .. "''' ¢ a: .0 ...... "'" = ..I. = U> =-' .«> ('. op a...0 r-.....:.... =c...~ 00 <X _..... <r =:> I .... ~ .... I a: = ~ ....... 181 3...:: lI!:: . I 0 I .... "'~ I Q.. I c..~) .. o '* '-'- I.... C> 0.1 ~) -e. . I ... 00 •I I I .:: c:> '" I . I -' I " .....0 ... <::> <=> :z: . r I :0< . ..0.. If') If') oM 0. ." ...~ . N - (Y) U) ('0.E: "'" <c» I ... . e-.::> r<......_....>= <=> .0.... .....~ r~·. . <:::> <r.. .. _.. 0 I :00: 0 0 ....0 .... <% I E: 0: 0. r-."'- N = N co .c..... ~ ... I W = .. .t...:..... x:: '.. ••.. co M co N r-.') -. ....s:J . 00 -="'" -:r It'> In '" -.._ oJ:> co <=> t.0 0...=: -=" .000 U"') r-~.. '_J .....1<: <r. on t- <I: oO """ N N ..:: .. I I • I I c.. .s:. -... -= cr....LI ee- ~<J . U> UJ "'" => C> Co< .. <=> <=> c:> U ..~.. (f) % UJ W UJ UJ J... .: <=> <=> <=> ... I = ("1':- .... 0::. = Q a: " <J: '" ....0 .. <'~ N ". ...0 --- <X W ... ..I:> ~ ....J N c:> <"> V> tr.. I e:..... C' do "'" ("') If") ~ r»: <=> <::> <=> 0> d.0 <= 11 ... .LI N W .1 W .:::- '... t ...o~· I I •.. o Varlograma . I 0:::> M "'.0 0 -.. ~ "" "'" U) . I I .. M .~ I I .U oC> c=._ .... I I ... <:7' UJ LLJ W UJ UJ W <'..LJ W ~ = . If') 0:> = 0:::> <::> <:::> = <:0 <=> <=> -= ...0 (") <o (Y) ~ W -or <:C .....o "" In .....0 L!") on tn tn en If") II'> If') Cf') -e.....J UJ I......J <=> <X .....0 '..........._ .....::> ..0 -. I """ <r N :2:: :z:: <:r "-' . .. .. .... I >r..... I .0 In - <-> t- CO<: UJ . Co<: . experlmen tIde a la ssrlos ss"acial ~ Empleados (1977) en 100 municipios de la provincia de Granada. =: I I 0 I !!! r-.. U") 00 c:> N 0"..

.J "'~ I"'.. = 11') ~ w :z: 0:.. '::-0 C.:: <.. cr- . UJ If') a... Q> c- (.) % ... "..)<I: = ~ <% UJ :z:: _ (..(".~) Cf' r-..... <x .:.:> = 0::> = . DC c:...........:z: . '.L.I cs» . DC co () '* * '"" :...:: c» 0.. J ('. ) co r-. <2: '. u..:: 0.. ('V f:'."..0 "'" - LU 5 ($) :z: <=> = " ~= W W = <:) 0... -" <I: <:> us E <=> -= w = :z: 1'.... = In ..-. 'D ..... 182 ~ :z: = <n <::> " <X u .0. ct:: C> a. ..J ('...:> LLJ W :x: 0.:: l...... - ..:: ... - UJ 0..:lO: )I( (J') c:> Co Q: 1... '·0 a:: - (!) - LU LU UJ IJ") 00 ~ . cry == = u -a: U> oC w .

I .. or) L-" ..' 0-.:: LU I I = I 1..1 Lo.J -e- r. <r.. :« ..... r-...::!:~ . CJO co <XI Q:) 0:.J N . _..... I I c:· ""~ = .. (J~ M = (>.. ..... "'" = ....1 00 co co ee 00 ...::..... 0> 'X :=> I I . .... Ir... 0:> 0':". r'~ "- :w: I ...... r-..J .... I <:t: "'" -.<::> <=> <:> - :. "" - 0. . -s» W . I LLJ -' " ..A . :::t:~ '"'" I t I ... In a."... tr._ r. <7'.(J c> I "'" "" .. I . co == ... <:::> ~ <X " q: -' f . en <=> = <=> = == <=> = <::> .. = " <l: I ::E:: I .""' . " <r.:: to...=: W ....oX . <=> = c::> ~ ..:"\j <=> C() C' r-..:: = ..1 L~.~ . eo 00 co <lO oo ex» co CCl cs» co . (>....... t .t> I -0: <I:: f ... 0 <... cs» 0.".J h . co I 4X: ~ ..I I I I -.." N I. If' - In '" ..-:1 = ..I W LU -'" Z UJ LLJ LLI LU W Lt...J ..J ~:-'-) .J :z: w ..::> LU tL I .~ :z: "J 1"'.~ = = . ..J = <::> 'of..... <=> ....:t... :::> =...cc .. <""> I:"") cr» M (Y) M 0... ::... N <=> r-c.") <'J " ~. ..... I I ~ r.:.J (Y) .... . o"t) r~... oC::...I: UJ J!:: lo:: :a:: = ...... '.. UJ . = -a: <t: ". on <""> -~ .:'> '=' """ = ..::..~ ....:: '" LLJ .~ . <:o.:: X I .J nJ ..0 . C.0 00 a: I~·I "<T 'J:) co (Y•• M U. I 0 LLJ '"' = "'" tr) f .."') N ... '0 -a: . <... '-> ~ = IX> o:r- ('..__. M If") ... 0:> = ........J UJ lJJ LU W LU 1.. -' UJ . :IE: :It: <X: <:) <O::J: <X) eo cr. . r-.-.c> Ct" '. <... UJ "'" <II: t .T'= ~ -e.::~ I I I I I I ~........ 00 . ."::'10 . . Co r-.:-. Variograma experimental de la ssrie espacial Poblaci6n (1977) en 100 municipios as la provincia de Granada ..:.~_.. ...0 In II. In r" c.a. .. .~ '-D <:r: 0<: ~ . oro -0 . 183 4. I ... (Y) LAJ In 0".J l- IX I ... _..- I (..:.J.= In -= <=> . M 0-. .J LU 0 ..I . "-I .. = . "'" ~ CO· ee. ~-:r- I I I .. "'7" r.:.".::...'.:> Q = <."._ W UJ LLJ LU LI....:t: I :00: I (.o 0 '0( I .' I 1 t C:"· r-...:. w =. . ..eo "'~ .. 0.l Lt... "" a» .. . <X t os... ...1 .. 1'. ".... - I ".. in 'D ('..::) UJ UJ W LU W W ~ "" (>.~ I I .. = r-..J <=> .. •..... "<T - W f = => <......

.J II 0::> <=> ..:....... r. r'·... 0.. ..... C> <=> = <'..{I :~ C"'> :z: U) = o c.. .. .:.- e-.. t:'"....·._.:::0 u..::..I. 0 00 ... f'.J '-"":1 "" . t. . :z: t. <'J <:0 ..... cr- ...~ lA.)') (. <...' ¢ a: a.._ "'" . 184 '.J e- = = = = u.:.f'.) 0<: " W '. -....~ ..o. ( ) (""..J (:.- <=> = o» C) 0:=' .) a: <-) eo:: l..f r"'~ V> (/. J . r-... ':::". UJ rJ':1 c:> u. <><: :0: >I( r-.. . a:: w a. <.:=...-" <:X: .....J .r --~ ..t:: a~ ....J co r.') ::z: <=> Co 0:::> =..I o:..0 O:7J .._ <J:: LU % O:! ."> -- "- -s- -e- =- = <::> r ...J '.J LJ.:: ~ ~ :..J '..-'. "" ee- = ~-<C <J: (.::> ('.::':I It"'') ...0 "'"= ...y.:..·.. M -..

.1..j"'''''' (i. 0 ..o para j=1. E [Z(x+ h) ...1 ~ i Yi.l(x)] yO 0: m(x) /. ERRATAS AOVERTIOAS Pesina L:[nea Dice Debe decir ? 13 GARACTERES GAAACTEAISTICA6 7 16 INTERFEAENCIA INFERENCIA 6 11 VAAIOGAAMA OE VAAIOGAAMA EN 17 3 un introduccion una introduccion 26 ? Su sopporte " Su soporte n ·:C-· n 00 17 .2•••n 33 24 E(Z(X+h) -Z(x)] .j+j' = (j.o A ~"'f1 j"O i.2 ••• n para i .