Professional Documents
Culture Documents
GEOESTADISTICA
7 30' W
MAR CARIBE
Boca de la
Barra
300
C. Clarín 280
260
240
220
R. Sevilla 200
C. Grande
180
160
R. 140
Ar
ac
at 120
ac 10 45' N
a
R. Fundacion
Teoría y Aplicación
UNIVERSIDAD
NACIONAL
DE COLOMBIA
Sede Bogotá
Facultad de Ciencias
Departamento de Estadística.
INTRODUCCION A LA
GEOESTADISTICA
7 30' W
MAR CARIBE
Boca de la
Barra
300
C. Clarín 280
260
240
220
R. Sevilla 200
C. Grande
180
160
R. 140
Ar
a ca
ta 120
ca 10 45' N
R. Fundacion
Teoría y Aplicación
2
Contenido
Prefacio
Introducción
3
4. Predicción Espacial
5. Temas Especiales.
6. Apéndice
7. Referencias.
4
Prefacio
1
Proyecto "Análisis y aplicación de técnicas geoestadísticas en la modelación de procesos estocásticos
relacionados con variables ecológicas en ambientes estuarinos", cofinanciado por INVEMAR y
COLCIENCIAS.
5
Introducción
6
En el tercer capítulo se describen los procedimientos empleados para identificar de
manera experimental (con base en datos muestrales) la estructura de autocorrelación
espacial, para algunas distancias dadas, de un conjunto de datos de una variable. Se muestra
también como generalizar dicha estructura para cualquier distancia entre los sitios de
observación. Una vez detectada la autocorrelación espacial, el siguiente paso es la
predicción en sitios de la región de estudio donde no se ha hecho medición de la variable de
interés. Esto es llevado a cabo por medio de alguno de los procedimientos kriging que son
descritos en el capítulo cuatro. Por último, en el capítulo cinco, se hace referencia a temas
especiales dentro del análisis geoestadístico como cokriging, componentes principales
regionalizados, diseño de redes de muestreo y simulación. En cada sección del documento,
después de que han sido expuestos los aspectos teóricos esenciales de cada técnica, se
muestran aplicaciones practicas.
7
Capítulo Uno
Datos Espaciales y Análisis Exploratorio
8
• Lattices (enmallados): Las ubicaciones s pertenecen a un conjunto D discreto y son
seleccionadas por el investigador (D fijo). Estas pueden estar regular o irregularmente
espaciadas. Algunos ejemplos de datos en lattices son los siguientes: Tasa de morbilidad
de hepatitis en Colombia medida por departamentos, tasa de accidentalidad en sitios de una
ciudad, producción de caña de azúcar en el departamento del Valle del Cauca según
municipio, colores de los pixeles en interpretación de imágenes de satélite. En los ejemplos
anteriores se observa que el conjunto de ubicaciones de interés es discreto y que estas
corresponden a agregaciones espaciales más que a un conjunto de puntos del espacio. Es
obvio que la interpolación espacial puede ser carente de sentido con este tipo de datos.
• Patrones Espaciales: las ubicaciones pertenecen a un conjunto D que puede ser
discreto o continuo y su selección no depende del investigador (D aleatorio). Ejemplos de
datos dentro de esta área son: Localización de nidos de pájaros en una región dada, puntos
de imperfectos dentro de una placa metálica, ubicación de los sitios de terremoto en
Colombia o cuadrantes de una región con presencia de una especie particular. Debe notarse
que en los ejemplos anteriores hay aleatoriedad en la selección de los sitios, puesto que la
ubicación de los nidos de los pájaros, de los imperfectos dentro de la placa metálica, de los
sitios de terremoto o de los cuadrantes con presencia de la especie, no dependen del
criterio del investigador. Una vez se ha hecho la selección de sitios es posible hacer
medidas de variables aleatorias en cada uno de ellos. Por ejemplo si en primera instancia se
establece la ubicación de árboles de pino dentro de un bosque, es posible que sea de interés
medir en cada uno de los árboles el diámetro o la altura. En general el propósito de análisis
en estos casos es el de determinar si la distribución de los individuos dentro de la región es
aleatoria, agregada o uniforme.
1.3. Datos Georrferenciados
Las mediciones de las características de interés en un estudio regionalizado tienen
implícitamente asociadas las coordenadas de los sitios en donde estas fueron tomadas.
Cuando el área de estudio es considerablemente grande se usa un geoposicionador para
establecer dichas coordenadas. En otros casos, por ejemplo en diseños experimentales con
parcelas, es suficiente con hacer asignaciones según planos cartesianos. Un esquema
general de datos georreferenciados es el siguiente:
Sitio Latitud Longitud X1 X2 . . . Xp
Norte Este
1 − − x11 x12 . . . x1p
2 − − x21 x22 . . . x2p
3 − − x31 x32 . . . x3p
4 − − x41 x42 . . . x4p
. − − . . . . . .
. − − . . . . . .
. − − . . . . . .
n − − xn1 xn2 . . . xnp
9
pueden estar más intensamente muestreadas que las otras (xij faltantes). Las coordenadas
pueden ser planas, geográficas (grados, minutos y segundos) o cartesianas. Sin embargo la
posible utilización de unas u otras depende del software empleado para los análisis.
1.4. Justificación del Análisis Exploratorio de Datos Espaciales .
En la aplicación de la geoestadística es de suma importancia, al igual que en otros
procedimientos estadísticos (por ejemplo los modelos ARIMA dentro de la teoría de series
de tiempo), el análisis gráfico. La identificación de valores extremos y su ubicación
geográfica, la evaluación de la forma de la distribución y el cálculo de medidas de
localización, variabilidad y correlación es muy importante para establecer si algunos
supuestos necesarios para la aplicación de la teoría geoestadística son válidos o para definir
que procedimiento de predicción es el más conveniente. Por ejemplo, como se verá en el
capítulo cuatro, la decisión de usar kriging ordinario o kriging universal se fundamenta en
identificar si la media es o no constante en la región. El uso de kriging log-normal se basa
en un criterio empírico relacionado con la forma asimétrica de la distribución de los datos
muestrales. La decisión de emplear cokriging depende de la detección de asociaciones
entre las variables.
1.5. Gráficos Exploratorios
Al igual que en un estudio exploratorio clásico, cuando se dispone de información
georreferenciada se pueden emplear histogramas, diagramas de tallos y hojas y de caja y
bigotes (Hoaglin et al., 1983) con el propósito de identificar localización, variabilidad,
forma y observaciones extremas. Adicionalmente los gráficos de dispersión son muy útiles
tanto para la detección de relaciones entre las variables como para la identificación de
tendencias en el valor promedio de la variable en la región (relación entre la variable
medida y las coordenadas geográficas). Un supuesto fundamental en el análisis
geoestadístico es que el fenómeno es estacionario, para lo cual, entre otros aspectos, el
nivel promedio de la variable debe ser constante en todos los puntos del área de estudio.
Una detección de tendencia en el gráfico de dispersión puede ser una muestra de que no se
satisface dicho supuesto. El gráfico se construye tomando como eje de las abcisas la
variable que representa la coordenada geográfica y en el eje de las ordenadas la variable
cuantitativa de estudio. La observación de la nube de puntos resultante, incluso el ajuste de
una línea de regresión, permite establecer de manera empírica si existe dicha tendencia. Un
gráfico de dispersión entre valores de la variable separados por una distancia espacial dada
(dispersograma rezagado) es útil en la detección de autocorrelación espacial. Otro gráfico
que tradicionalmente se emplea en la descripción de datos espaciales es el de datos
clasificados según puntos de referencia (media, mediana, cuartíles). Este permite comparar
zonas del sistema de estudio respecto a las magnitudes de las variables.
10
1.6 Aplicación: Estudio exploratorio de la distribución de datos fisicoquímicos y
biológicos medidos en el estuario Ciénaga Grande de Santa Marta en Marzo de 1997.
Figura 1. Área de estudio y cuadrículas en que fue subdividido el sistema Ciénaga Grande de Santa Marta
para realizar la toma de muestras. Cada una de las 115 cuadrículas tiene un área de 4 km2. Los datos fueron
tomados en el centro de cada una de ellas.
11
Tabla 1. Medidas de localización y variabilidad de algunas variables medidas en la superficie de la columna
de agua del estuario Ciénaga Grande de Santa Marta en Marzo de 1997.
Medida Salinidad Seston (mg/l) Nitritos (umol/l) Silicatos Clorofila a
(umol/l) (ug/l)
Media 17.6 218.28 0.436 244.94 132.44
Mediana 16.9 215 0.350 251.83 137.37
Mínimo 13.02 103 0.01 10.98 2.91
Máximo 34.9 318 1.61 358 198.3
Cuartíl Inferior. 15.97 191 0.210 226.52 124.43
Cuartíl Superior. 18.04 248 0.6 278.43 149.29
Desviación Estándar 2.79 41.1 0.309 61.43 31.30
Coeficiente de Variación 16.1 18.8 70.8 25.07 23.7
7
Medida Estandarizada
5
3
1
-1
-3
-5
Salinidad Seston Nitritos Silicatos Clorofila
Variable
Figura 2. Diagramas de caja de algunas variables medidas en la superficie de la columna de agua del estuario
Ciénaga Grande de Santa Marta en Marzo de 1997. Las variables fueron estandarizadas antes de construir los
diagramas.
12
la entrada del río Fundación) en el comportamiento de esta variable. Los valores
relativamente altos, respecto a los antes descritos, en la zona occidental pueden ser
consecuencia del proceso de lavado de suelos hipersalinos que se da en época de lluvias en
el complejo Pajarales (sistema con el que tiene frontera la Ciénaga) y que llegan al sistema
a través de los Canales Grande y Clarín (Fig. 5). Los valores "altos" en la zona sur pueden
ser de igual forma causados por la influencia del canal Grande y por circulación de las
masas de agua dentro del sistema (contrario a las manecillas del reloj)
13
a). Salinidad b). Seston
e). Clorofila a.
Bajo 2,11,17,43,54,58,75
8 9 7
10 10 04
21 11 01233334579
41 12 00033444666677788899
(18) 13 001124444556788889
47 14 001111123334444567899
26 15 0011333444467788
10 16 0266
6 17 00138
Alto 198
Figura 3. Diagramas de tallos y hojas de algunas variables medidas en la superficie de la columna de agua
del estuario Ciénaga Grande de Santa Marta en Marzo de 1997.
14
35
30
Salinidad (o/oo)
25
20
15
10
5
0
1675000 1680000 1685000 1690000 1695000 1700000 1705000 1710000
Latitud Norte
35
30
Salinidad (o/oo)
25
20
15
10
5
0
950000 955000 960000 965000 970000 975000 980000
Longitud Este
Figura 4. Gráficos de dispersión de valores de salinidad respecto a las coordenadas geográficas de medición.
Datos tomados en la superficie de la columna de agua del estuario Ciénaga Grande de Santa Marta en Marzo
de 1997.
15
7 30' W
MAR CARIBE
Boca de la
Barra
C. Clarín
13.00 to 16.40
16.40 to 17.30
17.30 to 18.40
18.40 to 35.00
R. Sevilla
C. Grande
R.
Ar
ac
at
ac
a
10 45' N
R. Fundacion
Tabla 2. Matriz de correlación calculada con base en información de algunas variables fisicoquímicas y
biológicas medidas en el estuario Ciénaga Grande de Santa Marta en marzo de 1997. Los coeficientes que
aparecen en negrita son significativos.
Salinidad Seston Nitritos Silicatos Clorofila a
Salinidad 1 -0.09 -0.10 -0.60 -0.47
Seston 1 -0.33 0.06 0.45
Nitritos 1 -0.08 -0.23
Silicatos 1 0.46
Clorofila a 1
16
Capítulo Dos
Definiciones Básicas de Geoestadística
17
aleatorias pueden representar la magnitud de una variable ambiental medida en un conjunto
de coordenadas de la región de estudio.
2.3. Momentos de una Variable Regionalizada
Sea {Z(x) : x ∈ D ⊂ Rd}el proceso estocástico que define la variable regionalizada.
r
Para cualquier n puntos x1, x2, ..., xn, el vector aleatorio Z ( x ) = [Z ( x1 ), Z ( x 2 ), L, Z ( x n )]
T
V (Z ( xi )) = E [Z ( xi ) − m( xi )] = σ i2
2
•
• [ ]
C (Z ( xi ), Z (x j )) = E [Z ( xi ) − m( xi )] Z (x j ) − m(x j ) : Función de autocovarianza
1
• γ (Z ( xi ), Z (x j )) =
2
[ ]
E Z ( xi ) − Z (x j ) : Función de semivarianza
2
2.4. Estacionariedad
La variable regionalizada es estacionaria si su función de distribución conjunta es
invariante respecto a cualquier translación del vector h, o lo que es lo mismo, la función de
r
distribución del vector aleatorio Z ( x ) = [Z ( x1 ), Z ( x 2 ), L, Z ( x n )] es idéntica a la del vector
T
r
Z ( x ) = [Z ( x1 + h ), Z ( x 2 + h ), L, Z ( x n + h )] para cualquier h. La teoría geoestadística se
T
18
La existencia de la covarianza implica que la varianza existe, es finita y no depende de
h, es decir V (Z ( xi )) = C (0) = σ 2 . Así mismo la estacionariedad de segundo orden implica
la siguiente relación entre la función de semivarianza y la de autocovarianza:
1
γ (Z ( x + h ), Z ( x )) = γ (h ) = E [Z ( x + h ) − m − Z ( x ) + m]
2
2
1
=
2
{ 2 2
}
E (Z ( x + h ) − m ) + E (Z ( x ) − m ) − 2 E (Z ( x + h ) − m )(Z ( x ) − m )
1 1
= σ 2 + σ 2 − E{(Z ( x + h ) − m )(Z (x ) − m )}
2 2
= σ − C (h ) .
2
Figura 6. Representación de una superficie interpolada para una variable regionalizada estacionaria
Existen algunos fenómenos físicos reales en los que la varianza no es finita. En estos
casos se trabaja sólo con la hipótesis que pide que los incrementos [Z(x+h) - Z(x)] sean
estacionarios, esto es (Clark, 1979):
a. Z(x) tiene esperanza finita y constante para todo punto en el dominio. Lo que implica que
la esperanza de los incrementos es cero.
E [Z (x + h ) − Z ( x)] = 0
b. Para cualquier vector h, la varianza del incremento está definida y es una función única
de la distancia.
V [ Z(x+h) - Z(x)] = E [Z ( x + h) − Z ( x )] = 2 γ (h)
2
19
Es claro que si una variable regionalizada es estacionaria fuerte entonces también será
estacionaria débil. El concepto de estacionariedad es muy útil en la modelación de series
temporales (Box & Jenkins, 1976). En este contexto es fácil la identificación, puesto que
sólo hay una dirección de variación (el tiempo). En el campo espacial existen múltiples
direcciones y por lo tanto se debe asumir que en todas el fenómeno es estacionario. Cuando
la esperanza de la variable no es la misma en todas las direcciones o cuando la covarianza o
correlación dependan del sentido en que se determinan, no habrá estacionariedad. Si la
correlación entre los datos no depende de la dirección en la que esta se calcule se dice que
el fenómeno es isotrópico, en caso contrario se hablará de anisotropía. En Isaaks y
Srivastava (1989) se definen los posibles tipos de anisotropía y se proponen algunas
soluciones. Cressie (1993) discute cual debe ser el tratamiento en caso de que la media no
sea constante.
En casos prácticos resulta compleja la identificación de la estacionariedad. Suelen
emplearse gráficos de dispersión de la variable respecto a las coordenadas, de medias
móviles y de valores clasificados según puntos de referencia, con el propósito de identificar
posibles tendencias de la variable en la región de estudio. L a isotropía es estudiada a través
del cálculo de funciones de autocovarianza o de semivarianza muestrales (capítulo3) en
varias direcciones. Si estas tienen formas considerablemente distintas puede no ser válido el
supuesto de isotropía. Finalmente una variable regionalizada será no estacionaria si su
esperanza matemática no es constante, esto es si E [Z ( x )] = m( x ) . En la figura 7 se
representa una variable regionalizada en la que existe tendencia en el valor promedio de la
variable, lo cual es claro indicador de no estacionariedad.
Figura 7. Representación de una superficie interpolada para una variable regionalizada no estacionaria
20
Capítulo Tres
Correlación Espacial Muestral y Ajuste de Modelos
= E ((Z ( x + h) − Z ( x ) ) ).
2
γ ( h) =
∑ (Z ( x + h) − Z ( x)) 2
2n
donde Z(x) es el valor de la variable en un sitio x, Z(x+h) es otro valor muestral separado
del anterior por una distancia h y n es el número de parejas que se encuentran separadas por
dicha distancia. La función de semivarianza se calcula para varias distancia h. En la
práctica, debido a irregularidad en el muestreo y por ende en las distancias entre los sitios,
se toman intervalos de distancia {[0, h], (h, 2h], (2h, 3h], L} y el semivariograma experimental
corresponde a una distancia promedio entre parejas de sitios dentro de cada intervalo y no a
una distancia h específica. Obviamente el número de parejas de puntos n dentro de los
intervalos no es constante.
Para interpretar el semivariograma experimental se parte del criterio de que a menor
distancia entre los sitios mayor similitud o correlación espacial entre las observaciones. Por
ello en presencia de autocorrelación se espera que para valores de h pequeños el
21
semivariograma experimental tenga magnitudes menores a las que este toma cuando las
distancias h se incrementan.
3.1.2. Covariograma y Correlograma.
La función de covarianza muestral entre parejas de observaciones que se encuentran a
una distancia h se calcula, empleando la formula clásica de la covarianza muestral, por:
n
∑ ( Z ( x + h)−m)(Z ( x) − m)
C (h ) = COV (Z ( x + h), Z ( x) ) = i =1
n
n
∑ (Z ( x + h) ⋅ Z ( x ) )
= i =1
− m 2 = C (h)
n
22
44 40 42 40 39 37 36
42 43 42 39 39 41 40 38
37 37 37 35 38 37 37 33 34
35 38 35 37 36 36 35 200
36 35 36 35 34 33 32 29 28
38 37 35 30 29 30 32
100
Tabla 3. Valores de la función de semivarianza experimental en dos direcciones para el conjunto de datos
hipotéticos.
Distancia Semivarianza Semivarianza
Sentido Izquierda-Derecha Sentido Inferior-Superior
100 1.45 5.34
200 3.30 9.87
300 4.31 18.88
400 6.69 27.53
23
30
Semivarianza
25
20
Izq.-Der.
15
Inf.-Sup.
10
5
0
0 100 200 300 400 500
Distancia
Figura 8. Función de semivarianza experimental en dos direcciones para un conjunto de datos hipotéticos.
Como se verá a partir del capítulo cuatro la solución del problema de predicción
espacial kriging requiere del conocimiento de la estructura de autocorrelación para
cualquier posible distancia entre sitios dentro del área de estudio. En la presentación del
semivariograma experimental dada anteriormente se indicó que este es calculado sólo para
algunas distancias promedios particulares. Por ello se hace necesario el ajuste de modelos
que generalicen lo observado en el semivariograma experimental a cualquier distancia.
Existen diversos modelos teóricos de semivarianza que pueden ajustarse al semivariograma
experimental. En Samper y Carrera (1990) se presenta una discusión respecto a las
características y condiciones que éstos deben cumplir. En general dichos modelos pueden
dividirse en no acotados (lineal, logarítmico, potencial) y acotados (esférico, exponencial,
gaussiano) (Warrick et al., 1986). Los del segundo grupo garantizan que la covarianza de
los incrementos es finita, por lo cual son ampliamente usados cuando hay evidencia de que
presentan buen ajuste. Todos estos modelos tienen tres parámetros comunes (Fig. 9) que
son descritos a continuación:
Efecto Pepita
Es la cota superior del semivariograma. También puede definirse como el limite del
semivariograma cuando la distancia h tiende a infinito. La meseta puede ser o no finita. Los
semivariogramas que tienen meseta finita cumplen con la hipótesis de estacionariedad
fuerte; mientras que cuando ocurre lo contrario, el semivariograma define un fenómeno
natural que cumple sólo con la hipótesis intrínseca. La meseta se denota por C1 o por (C0 +
C1) cuando la pepita es diferente de cero. Si se interpreta la pepita como un error en las
mediciones, esto explica porque se sugiere que en un modelo que explique bien la realidad,
la pepita no debe representar mas del 50% de la meseta. Si el ruido espacial en las
24
mediciones explica en mayor proporción la variabilidad que la correlación del fenómeno,
las predicciones que se obtengan pueden ser muy imprecisas. En la figura 9 se representa
este parámetro para el caso de uno de los modelos acotados.
2,0
Meseta (C0 + C1)
1,6
Semivarianza
1,2 SEMEXP
MODELO
0,8
Figura 9. Comportamiento típico de un semivariograma acotado con una representación de los parámetros
básicos. SEMEXP corresponde al semivariograma experimental y MODELO al ajuste de un modelo teórico.
Rango
Tiene un crecimiento rápido cerca al origen (Fig. 10), pero los incrementos marginales
van decreciendo para distancias grandes, hasta que para distancias superiores al rango los
incrementos son nulos. Su expresión matemática es la siguiente:
3 h 1 h 3
C 0 + C1 − h ≤ a
γ ( h )= 2a 2a
C
0 + C1 h>a
25
3.2.2. Modelo Exponencial
− 3h
γ (h) = C0 + C1 1−exp
a
30
25
Semivariograma
20
Esférico
15 Exponencial
Gaussiano
10
0
0 50 100 150 200 250 300
Distancia(h)
Figura 10. Comparación de los modelos exponencial, esférico y Gaussiano. La línea punteada vertical
representa el rango en el caso del modelo esférico y el rango efectivo en el de los modelos exponencial y
gaussiano. Este tiene un valor de 210, respecto a una escala simulada entre 0 y 300. El valor de la meseta es
30 y el de la pepita 0. El 95% de la meseta es igual a 28.5.
26
Su fórmula matemática es la siguiente:
γ ( h) = kh θ 0<θ<2
Obviamente cuando el parámetro θ es igual a uno el modelo es lineal y k representa la
pendiente de la ecuación de regresión con intercepto cero. Gráficamente se pueden
representar así:
160
140
120
Semivarianza
40
20
0
0 5 10 15 20 25 30 35
Distancia (h)
C0
Figura 12. Modelo de semivarianza teórico para variables sin correlación espacial.
27
La estimación de los parámetros de los modelos teóricos descritos puede ser llevada a
cabo, entre otros métodos, por máxima verosimilitud (Cressie, 1993) o regresión no lineal
(Gotway, 1991). Algunos paquetes de computo geoestadísticos como GS+ (Gamma Design
Software, 1999) traen incorporados procedimientos iterativos como el de Gauss-Newton
para llevar a cabo la estimación. Otros como GeoEAS (Englund y Sparks, 1988) sólo
permiten el ajuste a sentimiento por el método de ensayo y error.
Como se mencionó en la sección 4.2. cuando la autocorrelación no es igual en todas las
direcciones entonces se dice que hay anisotropía. Esa puede ser geométrica o zonal. La
primera se presenta cuando los semivariogramas calculados en varias direcciones tienen
igual meseta pero varían en el rango. En el segundo caso todos los semivariogramas
direccionales tiene igual rango pero diferente meseta. Algunas transformaciones apropiadas
para solucionar la anistropía y hacer válida la construcción de un semivariograma
omnidireccional se pueden encontrar en Isaaks y Srivastava (1989), Samper y Carrera
(1990) y Cressie (1993) .
28
(a ) ( b)
25 16
14
Semivarianza
20
Semivarianza 12
15 10
8
10 6
4
5
2
0 0
0 5000 1 0 0 00 1 5 00 0 2 0 00 0 0 2000 4000 60 0 0 8 0 00 1 0 0 00 12000 14 0 0 0
D is t a n c ia (m ) D is ta n c ia ( m )
(c ) ( d)
2500 0 .1 4
0 .1 2
Semivarianza
Semivarianza
2000
0 .1
1500 0 .0 8
1000 0 .0 6
0 .0 4
500
0 .0 2
0 0
0 5 0 00 1 0 00 0 1 5 00 0 2 0 00 0 2 5 00 0 0 5 00 0 1 00 0 0 15 0 0 0 20 0 0 0 25000
D is t an c ia ( m ) D is ta n c ia ( m )
(e ) ( f)
1200 0 .2
1000
Semivarianza
Semivarianza
0 .1 5
800
600 0 .1
400
0 .0 5
200
0 0
0 5 0 00 1 0 00 0 1 5 00 0 2 0 00 0 0 5 00 0 1 00 0 0 15 0 0 0 20 0 0 0 25000
D is t an c ia ( m ) D is ta n c ia ( m )
Figura 13. semivariogramas experimentales (calculados con los datos muestrales) y ajustes de modelos teóricos para las variables medidas en la superficie de la
columna de agua de la Ciénaga Grande de Santa Marta en marzo de 1997. a) salinidad; b)oxígeno; c) sólidos en suspensión; d) nitritos; e) clorofila a;
f)profundidad.
29
(a) (b)
14 6
12 5
Semivarianza
Semivarianza
10
4
8
3
6
4 2
2 1
0 0
0 5000 10000 15000 20000 0 2000 4000 6000 8000 10000 12000 14000
Distancia (m) Distancia (m)
(c) (d)
2500 0.2
Semivarianza
2000
Semivarianza
0.15
1500
0.1
1000
500 0.05
0 0
0 5000 10000 15000 20000 0 5000 10000 15000 20000
Distancia (m) Distancia (m)
(e) (f)
1400 0.0016
1200 0.0014
Semivarianza
Semivarianza
1000 0.0012
800 0.001
0.0008
600
0.0006
400 0.0004
200 0.0002
0 0
0 5000 10000 15000 20000 0 5000 10000 15000 20000 25000
Distancia (m) Distancia (m)
Figura 14. Semivariogramas experimentales (calculados con los datos muestrales) y ajustes de modelos teóricos para las variables medidas en el fondo de la
columna de agua de la Ciénaga Grande de Santa Marta en marzo de 1997. a) salinidad; b)oxígeno; c) sólidos en suspensión; d) nitritos; e) clorofila a; f)
transparencia.
30
Tabla 4. Modelos teóricos ajustados a semivariogramas experimentales de variables fisicoquímicas y
biológicas medidas en dos niveles de la columna de agua de la Ciénaga Grande de Santa Marta, durante una
jornada de muestreo realizada en marzo de 1997.
Variable Nivel Modelo Pepita Meseta Rango (m) r2
31
Capitulo Cuatro
Predicción Espacial
anterior indica que para encontrar el predictor óptimo se requiere conocer la distribución
conjunta de la n+1 variables aleatorias.
2
La palabra estimación es utilizada exclusivamente para inferir sobre parámetros fijos pero desconocidos;
predicción es reservada para inferencia sobre cantidades aleatorias.
3
Algunos textos indican que en español la palabra adecuada sería krigeado.
32
Los métodos kriging se aplican con frecuencia con el propósito de predicción, sin
embargo estas metodologías tienen diversas aplicaciones, dentro de las cuales se destacan
la simulación y el diseño de redes óptimas de muestreo (capítulo 5).
4.3. Kriging Ordinario
Suponga que se hacen mediciones de la variable de interés Z en los puntos xi, i= 1,
2,..., n, de la región de estudio, es decir se tienen realizaciones de las variables Z(x1), . . . ,
Z(xn), y se desea predecir Z(xo), en el punto x0 donde no hubo medición. En esta
circunstancia, el método kriging ordinario propone que el valor de la variable puede
predecirse como una combinación lineal de las n variables aleatorias así:
Z*(x0) = λ1 Z(x1) + λ2 Z(x2) + λ3 Z(x3) + λ4 Z(x4) + λ5 Z(x5) + . . . + λn Z(xn)
n
= ∑ λ i Z ( xi )
i =1
en donde los λi representan los pesos o ponderaciones de los valores originales. Dichos
pesos se calculan en función de la distancia entre los puntos muestreados y el punto donde
se va a hacer la correspondiente predicción. La suma de los pesos debe ser igual a uno para
que la esperanza del predictor sea igual a la esperanza de la variable. Esto último se conoce
como el requisito de insesgamiento.
Estadísticamente la propiedad de insesgamiento se expresa a través de:
( )
E Z * (x 0 ) = E (Z (x 0 ))
∑ λ E (Z (x )) = m
i =1
i i
∑λ m = m
i =1
i
n n
m ∑λi =1
i =m ⇒ ∑λ
i =1
i =1
Se dice que Z*(x0) es el mejor predictor, lineal en este caso, porque los pesos se obtienen
de tal manera que minimicen la varianza del error de predicción, es decir que minimicen la
expresión:
(
V Z * ( x 0 ) − Z (x 0 ) )
33
Esta última es la característica distintiva de los métodos kriging, ya que existen otros
métodos de interpolación como el de distancias inversas o el poligonal, que no garantizan
varianza mínima de predicción (Samper y Carrera, 1990). La estimación de los pesos se
n
obtiene minimizando V [Z * (x0 )− Z(x0 )] sujeto a ∑ λi =1 .
i =1
n
De lo anterior COV [ Z * ( x0 ),Z ( x0 )] =COV ∑ λi Z ( xi ),Z ( x0 )
i =1
n n
= ∑
i =1
λ i COV [ Z ( x i ), Z ( x 0 )] = ∑λ C
i =1
i i0
n
Luego se debe minimizar la función anterior sujeta a la restricción ∑ λi =1 . Este problema
i =1
de minimización con restricciones se resuelve mediante el método de multiplicadores de
Lagrange.
n n n n
σ k2 =∑ ∑ λi λ j Cij −2∑ λiCi0 +σ 2 + µ
2{ ∑ λi −1
i =1 j =1 i =1 Multiplicador 1i =1
4 2 43
de Lagrange
0
Siguiendo el procedimiento acostumbrado para obtener valores extremos de una función, se
deriva e iguala a cero, en este caso con respecto a λi y µ:
n n n n n
∂ (σ k2 )
∂ (λ12 C11 + 2λ1
∑ λ j C1 j + ∑∑ λ i λ j C ij )−2 ∑ λ i C i 0 +σ 2 + 2µ
∑
i =1
λ i −1
j =2 i = 2 j =1 i =1
=
∂λ1 ∂λ1
n
∑
= 2λ1C11 + 2 λ j C1 j −2C10 + 2µ
1444 j =2
424444 3
⇓
n n
=2 ∑
j =1
λ j C1 j −2C10 +2 µ = 0 ⇒ ∑λ C
j =1
j 1j + µ = C10 (1)
34
De manera análoga se determinan las derivadas con respecto a λ2 , ..., λn :
n n
∂ (σ k2 )
∂λ 2 j =1
∑
= 2 λ j C 2 j −2C 20 + 2µ = 0 ⇒ ∑λ C
j =1
j 2j + µ = C 20 (2)
M
n n
∂ (σ k2 )
∂λ n j =1
∑
= 2 λ j C nj −2C n 0 + 2 µ = 0 ⇒ ∑λ C
j =1
j nj + µ = C n 0 (3)
n n
∂ (σ k2 )
∂µ
= 2 λi − 2 = 0 ⇒
i =1
∑
i =1
λ1 = 1 (4) ∑
De (1), (2), (3), (4) resulta un sistema de (n + 1) ecuaciones con (n + 1) incógnitas, que
matricialmente puede ser escrito como:
C11 . . . C1n 1 λ1 C10
. . . . . .
. . . . . .
=
. . . . . .
C n1 . . . C nn 1 λ n C n0
1 . . . 1 0 µ 1
Cij • λ = Ci0
por lo cual los pesos que minimizan el error de predicción se determinan mediante la
función de covariograma a través de:
λ = Cij -1 • Ci0.
Encontrando los pesos se calcula la predicción en el punto xo. De forma análoga se procede
para cada punto donde se quiera hacer predicción.
• Varianza de Predicción del Kriging Ordinario
Multiplicando (1), (2) y (3) por λ i se obtiene:
n
∑
λi λC + µ = λi C i0 ∀i, i = 1, 2, L , n.
i ij
j =1
∑ ∑
i =1
λi
j =1
λ i C ij + ∑
i =1
λi µ = ∑λ C
i =1
i io
n n n n
∑∑ λ λ C
i =1 j =1
i i ij = ∑λ C
i =1
i io − ∑λ µ
i =1
i
35
n n n
σ k2 = σ 2 + ∑i =1
λi C i0 − ∑
i =1
λi µ − 2 ∑λ Ci =1
i i0
n
σ k2 = σ 2 − ∑λ C
i =1
i i0 −µ (5)
Reemplazando (6) en (1), (2) y (3) se determinan los pesos óptimos λ en términos de la
función de semivarianza:
∂ (σ k2 ) n n
∂λ1 ∑
= λ j C1 j + µ − C10 =
j =1
∑λ
j =1
j (σ
2
−γ 1 j ) + µ − (σ 2 −γ 10 )
1 n
=σ 2 ∑
j =1
λj − ∑λ γ
j =1
j 1j + µ − σ 2 +γ 10
n n
=σ 2 − ∑
j =1
λ j γ 1 j + µ −σ 2 +γ 10 ⇒ ∑λ γ
j =1
j 1j − µ =γ 10
36
Similarmente,
n
∂ (σ k2 )
∂λ 2
= ∑λ γj =1
j 2j − µ = γ 20
M
n
∂ (σ k2 )
∂λ n
= ∑λ γj =1
j nj − µ = γ n0
El sistema de ecuaciones se completa con (4). De acuerdo con lo anterior los pesos se
obtienen en términos del semivariograma a través del sistema de ecuaciones:
γ 11 . . . γ 1n 1 λ1 γ 10
. . . . . .
. . . . . .
=
. . . . . .
γ n1 . . . γ nn 1 λ n γ n 0
1 . . . 1 0 − µ 1
Para establecer la expresión de la correspondiente varianza del error de predicción en
términos de la función de semivarianza se reemplaza (6) en (5), de donde:
n
σ k2 = σ 2 −
∑ λ (σ i
2
)
− γ ij + µ
i =1
n n
σ k2 = σ 2 − σ 2 ∑
i =1
λi + ∑λ γ
i =1
i ij +µ
n
σ k2 = ∑λ γ
i =1
i io + µ
Los pesos de kriging ordinario también pueden ser estimados mediante el uso del
correlograma aplicando la siguiente relación: ρ ij = C ij σ 2 , caso en el que la correspondiente
varianza de predicción estaría dada por (Isaaks y Srivastava, 1989):
σ k2 =σ 2 1 −
∑ λi γ io + µ
• Validación del kriging.
37
de semivariograma escogido, predecir vía kriging el valor de la variable en estudio en la
ubicación del punto que se excluyó. Se piensa que si el modelo de semivarianza elegido
describe bien la estructura de autocorrelación espacial, entonces la diferencia entre el valor
observado y el valor predicho debe ser pequeña. Este procedimiento se realiza en forma
secuencial con cada uno de los puntos muestrales y así se obtiene un conjunto de n “errores
de predicción”. Lo usual es calcular medidas que involucren a estos errores de predicción
para diferentes modelos de semivarianza y seleccionar aquel que optimice algún criterio
como por ejemplo el del mínimo error cuadrático medio (MECM). Este procedimiento es
similar a la conocida técnica de remuestreo Jacknife (Efron, 1982) empleada en diversos
contextos estadísticos para calcular varianzas de estimación, entre otros aspectos. Una
forma descriptiva de hacer la validación cruzada es mediante un gráfico de dispersión de
los valores observados contra los valores predichos. En la medida en que la nube de puntos
se ajuste más a una línea recta que pase por el origen, mejor será el modelo de
semivariograma utilizado para realizar el kriging.
• Representación de las predicciones
Una vez se ha hecho la predicción en un conjunto de puntos diferentes de los
muestrales vía kriging, se debe elaborar un mapa que dé una representación global del
comportamiento de la variable de interés en la zona estudiada. Los más empleados son los
mapas de contornos, los mapas de residuos y los gráficos tridimensionales. En el caso de
los mapas de contornos, en primer lugar se divide el área de estudio en un enmallado y se
hace la predicción en cada uno de los nodos de éste mismo. Posteriormente se unen los
valores predichos con igual valor, generando así las líneas de contorno (isolíneas de
distribución). Este gráfico permite identificar la magnitud de la variable en toda el área de
estudio. Es conveniente acompañar el mapa de interpolaciones de la variable con los
correspondientes mapas de isolíneas de los errores y de las varianzas de predicción
(posiblemente estimados a través de métodos matemáticos), con el propósito de identificar
zonas de mayor incertidumbre respecto a las predicciones.
• Intervalos de Confianza.
Asumiendo que los errores de predicción siguen una distribución normal estándar y que
son independientes, un intervalo de confianza del 100(1-α)%, 0<α <1, para Z(x) es:
z * (x ) − z σ k , z * ( x ) + z1−α σ k con z * ( x) el valor calculado de la predicción y z1−α 2 el
1−α
2 2
percentil de una normal estándar.
38
• Ilustración
Suponga que se tiene una configuración de datos como la que se presenta en el
esquema de abajo. Con base en siete datos observados (valores al lado del signo + por fuera
de los círculos numerados de 1 a 7) se quiere predecir un valor de la variable en el punto
donde se encuentra el signo de interrogación, por fuera del circulo con el número cero.
6
+791
2
+696
5 +606
1
+477
?
0
3 +783
7
+227
4
Asumiendo que la estructura de correlación espacial entre los datos es estimada por un
modelo exponencial γ (h ) = 10 (1 − exp(− 3h 10)) (pepita cero, meseta 10 y rango 10) o en
términos de la función de autocovarianza por C (h ) = 10 (exp(− 3h 10)) , se encuentran las
siguientes matrices que permiten encontrar los pesos para la predicción:
39
C11 C12 C13 C14 C15 C16 C17 1 10 5.11 0.44 0.20 0.49 0.26 0.05 1
C 21 C 22 C 23 C 24 C 25 C 26 C 27 1 5.11 10 0.36 0.20 0.91 0.49 0.06 1
C C 32 C 33 C 34 C 35 C 36 C 37 1 0.44 0.36 10 2.90 0.20 0.11 0.36 1
31
C C 42 C 43 C 44 C 45 C 46 C 47 1 0.20 0.20 2.90 10 0.24 0.15 1.22 1
C ij = 41 =
C 51 C 52 C 53 C 54 C 55 C 56 C 57 1 0.49 0.91 0.20 0.24 10 5.11 0.22 1
C 61 C 62 C 63 C 64 C 65 C 66 C 67 1 0.26 0.49 0.11 0.15 5.11 10 0.19 1
C 71 C 72 C 73 C 74 C 75 C 76 C 77 1 0.05 0.06 0.36 1.22 0.22 0.19 10 1
1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0
7
con σ k2 = σ 2 − ∑ λ i C io − µ = 10 − [(0.173)(2.61) + L + (0.086 )(0.18)] − 0.907
i =1
40
4.4. Otros Métodos Kriging
A continuación se mencionan algunos aspectos generales de otros métodos de
predicción espacial. Un estudio riguroso de ellos puede hacerse en Cressie (1993), Deutsch
y Journel (1998) y Samper y Carrera (1990).
Suponga que hay una variable regionalizada estacionaria con media (m) y covarianza
conocidas. De manera análoga a como se define en modelos lineales (por ejemplo en
diseño de experimentos) el modelo establecido en este caso es igual a la media más un error
aleatorio con media cero. La diferencia es que en este caso los errores no son
independientes.
Sea Z(x) la variable de interés medida en el sitio x.
E [Z ( x )] = m
Z ( x ) = m + ε ( x ) , con E [ε ( x )] = 0 .
n n
Z * ( x0 ) = m + ∑ λi (Z ( xi ) − m ) = m + ∑ λi ε ( xi )
i =1 i =1
41
La estimación de los pesos del método kriging ordinario se obtiene de tal forma que
se minimice V (ε * ( x0 ) − ε ( x0 )) .
( ) (
V ε * (x0 ) − ε (x0 ) = E ε * (x 0 ) − ε (x0 ) )2
2
n
= E ∑ λi ε ( xi ) − ε ( x0 )
i =1
n
n n
= E ∑ λi ε ( xi ) ∑ λ j ε (x j ) − 2 E ∑ λi ε ( xi )(ε ( x0 )) + E (ε ( x0 ))
2
i =1 j =1 i =1
n n n
usando:
i. E [ε ( x0 )] = 0
ii. E (ε ( xi )ε (x j )) = COV (ε ( xi ), ε (x j )) = C ij
iii. E (ε ( xo )) = σ 2
2
n n n
(
V ε * ( x0 ) − ε (x 0 ) = ) ∑∑ λ λ C i j ij − 2∑ λ i C i 0 + σ 2 (7)
i =1 j =1 i =1
(
∂V ε * (x 0 ) − ε ( x0 )
=
)∂ 2 n n n n
λ1 C11 + 2λ1 ∑ λ j C1 j + ∑∑ λi λ j C ij − 2λ1C10 − 2∑ λi C i 0 + σ 2
∂λ1
∂λ1
j =2 i= 2 j =2 i=2
n
= 2λ1C11 + 2∑ λ j C1 j − 2C10
j=2
n
= 2 ∑ λi C1i − 2C10
i =1
igualando a cero
n
∑λ C
i =1
1 1i = C10 .
42
C11 C12 L C1n λ1 C10
C 21 C 22 L C 2 n λ 2 C 20
M =
M O M M M
C L C nn λ n C n 0
n1 C n 2
n n
σ k2 = ∑ λ i C i 0 − 2∑ λ i C i 0 + σ 2
i =1 i =1
n
σ k2 = σ 2 − ∑ λi C i 0
i =1
En los dos métodos kriging hasta ahora descritos el objetivo ha estado centrado en la
predicción puntual. A menudo, sin embargo, se requiere estimar un bloque, o más
precisamente, estimar el valor promedio de la variable dentro de un área local.
n
Z ( A) = ∑ λ i Z ( xi )
i =1
43
Del sistema de ecuaciones para el kriging ordinario se tiene:
C11 . . . C1n 1 λ1 C1 A
. . . . . .
. . . . . .
=
. . . . . .
C
n1 . . . C nn 1 λ n C nA
1 . . . 1 0 µ 1
donde el vector de covarianzas al lado derecho de la igualdad en el sistema anterior es
contiene las covarianzas entre las variables Z ( x1 ), Z ( x 2 ), L, Z (x n ) y el bloque A donde se
quiere hacer la estimación.
1
C iA = ∑ CiA .
A j / j∈A
La varianza del error de predicción del kriging en bloques está dada por:
n 1
2
σ kB = C AA − ∑ λ i C iA + µ , con C AA = 2 ∑ ∑ C ij igual a la covarianza entre
i =1 A i / i∈A j / j∈A
pares de puntos dentro del bloque.
Isaaks y Srivastava (1989) muestran a través de ejemplos que el kriging en bloques
coincide con el promedio de predicciones hechas por kriging ordinario sobre cada uno de
los puntos del enmallado dentro del bloque. Así mismo indican que en la práctica es
suficiente con un enmallado cuadrado (6x6) para obtener estimaciones estables en los
bloques.
44
4.4.3. Kriging Universal.
En los supuestos hechos hasta ahora respecto a los métodos kriging se ha asumido que
la variable regionalizada es estacionaria (al menos se cumple con la hipótesis intrínseca).
En muchos casos, la variable no satisface estas condiciones y se caracteriza por exhibir una
tendencia. Por ejemplo en hidrología los niveles piezométricos4 de una acuífero pueden
mostrar una pendiente global en la dirección del flujo (Samper y Carrera, 1990). Para tratar
este tipo de variables es frecuente descomponer la variable Z(x) como la suma de la
tendencia, tratada como una función determinística, más una componente estocástica
estacionaria de media cero. Asuma que:
Z ( x ) = m( x ) + ε ( x )
con E (ε ( x )) = 0 , V (ε (x )) = σ 2 y por consiguiente E (Z ( x )) = m( x ) .
La tendencia puede expresarse mediante:
P
m( x ) = ∑ a l f l ( x )
l =1
E (Z * ( x0 )) = m( x0 )
n
E ∑ λ i Z ( x i ) = m( x 0 )
i =1
n
∑ λ i m( x i ) = m( x 0 )
i =1
n
P p
∑
i =1
λ i ∑ a l f l ( x i ) = ∑ a l f l ( x 0 )
l =1 l =1
p
n p n p
∑
l =1
a l ∑ λ i f l ( x i ) = ∑ a l f l ( x 0 )
i =1 l =1
⇒ ∑ λ f (x ) = ∑ f (x )
i =1
i l i
l =1
l 0
4
Piezómetro: Instrumento utilizado para medir coeficientes de compresibilidad de sólidos, líquidos y gases
45
La obtención de los pesos en el kriging universal, análogo a los otros métodos
kriging, se hace de tal forma que la varianza del error de predicción sea mínima.
( ) (
V Z * (x0 ) − Z (x0 ) = E Z * (x0 ) − Z (x0 ) ) 2
2
n
= E ∑ λi (m( xi ) − ε (xi )) − (m( x 0 ) − ε ( x0 ))
i =1
2
n n
= E ∑ λi m( xi ) − m( x0 ) + ∑ λ i ε ( xi ) − ε ( x0 )
i =1 i =1
n
2
= E ∑ λi ε ( xi ) − ε ( x0 )
i =1
n n n
= ∑∑ λ λ E (ε (x )ε (x )) − 2∑ λ E (ε (x )ε (x )) + E (ε (x ))
i =1 j =1
i j i j
i =1
i i 0 0
2
Usando
C ij = COV (ε ( xi ), ε (x j ))
σ 2 = E (ε ( x0 ))2
se tiene
n n n
( )
V Z * ( x0 ) − Z ( x0 ) = ∑ ∑ λ i λ j C ij − 2∑ λ i C io + σ 2 .
i =1 j =1 i =1
n P
∑λ γj =1
j ij + ∑ µ l f l ( xi ) = γ i 0 i = 1, 2, ..., n
l =1
n
∑ λ f (x ) = f (x )
j =1
j l j l 0 j = 1, 2, ..., p
46
en términos matriciales
γ 11 γ 12 L γ 1n f 11 L f p1 λ1 γ 10
γ 21 γ 22 L γ 2n f 12 L f p 2 λ 2 γ 20
M M O M M O M M M
γ n1 γ n2 L γ n2 f 1n L f pn λ n = γ n 0
f f 12 L f1n 0 L 0 µ1 f 10
11
M M O M M O M M M
f p1 f p2 L f pn 0 L 0 µ n f p 0
donde f lj = f l (x j ) es la l-ésima función en el punto j-ésimo.
La varianza de predicción del kriging universal está dada por (Samper y Carrera, 1990):
n p
σ ku2 = ∑ λi γ i 0 + ∑ µ f (x ) .
l l 0
i =1 l =1
La técnica kriging residuales empleada bajo las mismas circunstancias del kriging
universal, es decir en aquellos casos en que la variable regionalizada no es estacionaria
debido a la presencia de tendencia espacial en el valor promedio de la variable. La hipótesis
central del kriging residual consiste en suponer conocida la tendencia m(x). A partir de ella
se calculan los residuos con base en los cuales se aplica kriging ordinario. La estimación de
la tendencia es generalmente llevada a cabo por medio de mínimos cuadrados. La
predicción en un sitio no muestreado es igual a la tendencia estimada más la predicción del
error, es decir:
Z * ( x0 ) = mˆ ( x0 ) + e * ( x0 )
n
e * ( x 0 ) = ∑ λ i e( x i )
i =1
los pesos o ponderaciones son estimados por kriging ordinario como se muestra en la
sección 4.2. La varianza de predicción de la variable de interés coincide con la varianza de
predicción de los errores. En la figura 15 se muestra un esquema con el procedimiento
kriging residual en el caso de una tendencia lineal.
47
Figura 15. Representación del procedimiento kriging residual. La superficie interpolada (arriba) es igual a la
suma de la tendencia lineal (centro) más la predicción de los errores (abajo).
48
4.4.5. Kriging Indicador
{
Suponga que se tiene una variable regionalizada Z ( x ) : x ∈ D ⊂ R d estacionaria. Se }
define la siguiente transformación:
1 Si Z (x i ) ≤ z l
I (xi , z l ) =
0 Otro caso
Algunas propiedades son las siguientes:
i. Pr (I ( x, z l ) = 1) = Pr (Z ( x ) ≤ z l ) = F ( z l )
ii. E (I (x, z l )) = 1 Pr (I ( x, z l ) = 1) + 0 Pr (I ( x, z l ) = 0)
= 1 Pr (I ( x, z l ) = 1) = F ( z l )
i. 0 ≤ I * (x, z l ) ≤ 1
ii. I * (x, z l ) ≤ I * ( x, z l′ ) si z l ≤ z l′
Una condición suficiente para que estas restricciones se cumplan es que
λi ( z l ) = λi con 0 ≤ λi ≤ 1 , ∀i, ∀z l .
Sin embargo en la práctica las ponderaciones se estiman de tal forma que el predictor sea
insesgado de varianza mínima.
Para la condición de insesgamiento:
E (I * ( x0 , z l )) = E (I ( x0 , z l )) = F ( z l )
n
∑ λ (z )E (I (x , z )) = F (z )
i =1
i l i l l
n n
∑ λi (zl )F (z l ) = F (z l ) ⇒
i =1
∑ λ (z ) = 1
i =1
i l
49
n
∑ λ (z )γ
i =1
i l ij + µ = γ i 0 i=1, 2, ..., n
n
∑λ
i =1
i = 1.
50
probabilidad acumulada corresponde a Fn (Z ( x )) . En otras palabras se encuentra
U ( x ) = Φ −1 (Fn (Z ( x ))) .
1.20 1.2
1.00 1.0
Prob. Acumulada
0.80 0.8
0.60 0.6
0.40 0.4
0.20 0.2
0.00 0.0
0 20 40 60 80 -3 -2 -1 0 1 2 3
Z(x) U(x)
51
4.5.1. Mapas de Distribución
Salinidad.
Los valores medidos oscilaron entre 13.02 y 34.9 en el nivel superficial de la columna
de agua y entre 13.94 y 33.9 en el fondo de la misma, con valores promedios de 17.6 y
18.04, respectivamente (tabla 6). De los mapas de isolíneas de distribución de dicha
variable (Fig. 17), es posible concluir que existe gran homogeneidad en todo el cuerpo de
agua, con excepción de la zona nororiental, puesto que los valores máximos y mínimos
predichos varían sólo alrededor de 14 y 19 unidades.
En los dos mapas (superficie y fondo) de la figura 17, se evidencia la influencia que
tienen las entradas de agua dulce y marina sobre la magnitud de la variable dentro del
sistema. Las salinidades máximas se encuentran en la zona nororiental (zona estuarina)
donde hay entrada de agua marina a través del sitio denominado Boca de la Barra (Fig. 1),
encontrándose allí valores superiores a 30 unidades. Hacia la zona centro del cuerpo de
agua se presentan las menores magnitudes de la variable, valores entre 15 y 16 unidades, lo
que parece ser consecuencia del aporte de agua dulce que se da en la desembocadura de uno
de los tres ríos (Río Sevilla) que baja de la Sierra Nevada de Santa Marta (SNSM). Así
mismo se puede observar que en el sector occidental del sistema se presentan valores
intermedios a los de las zonas antes mencionadas (alrededor de 19 unidades). Lo anterior
puede deberse al efecto de intercambio de aguas, por medio de los canales Grande y Clarín,
con el ecosistema Complejo Pajarales (Fig. 1), en donde se da un proceso de lavado de
suelos hipersalinos en época de lluvias o cuando hay inundaciones. Dada la similitud en
magnitud y forma de distribución que se observa en los mapas de superficie y fondo (Fig.
17), se podría pensar que para la época seca del año, no existe estratificación de la columna
de agua respecto a esta variable.
Los valores de salinidad observados y predichos a través de la técnica kriging, resultan
bajos respecto a los registrados para esta misma época en otros estudios (Giraldo et al.,
1995). Lo anterior podría deberse a un posible aumento en los caudales de los ríos que
desembocan en la CGSM, durante los meses de lluvia precedentes al muestreo, como
consecuencia del efecto del fenómeno del niño en la región a finales del año 1996. No
obstante lo anterior, puede pensarse, dada la gran homogeneidad en la distribución, que
para la fecha del muestreo no se estaban presentando aportes considerables de agua dulce,
por parte de los ríos que desembocan en la CGSM, lo que significa un período de relativa
calma para los organismos que dependen de la salinidad para sus funciones y distribución
(Reid y Wood, 1976).
Oxígeno Disuelto.
Los valores medidos de esta variable oscilaron entre 3.03 (mg/l) y 16.2 (mg/l) en la
superficie de la columna de agua y entre 2.09 (mg/l) y 13.4 (mg/l) en el fondo de la
misma, con valores promedios de 8.8 (mg/l) y 5.68 (mg/l), respectivamente (tabla 6).
Las correspondientes isolíneas (Fig. 18), indican que en el fondo de la columna de agua se
presenta mayor homogeneidad en la distribución, puesto que los valores predichos varían
entre 4.5 mg/l y 6.5 mg/l, con excepción de una pequeña zona en el sector nororiental frente
a la desembocadura del río Sevilla (valores entre 6.5 y 9.5 mg/l), mientras que en superficie
52
existe considerable diferencia entre los valores ajustados en el centro del sistema (entre 9
mg/l y 13 mg/l) y los estimados para la zona sur y noroccidental del mismo (magnitudes
alrededor de 4 mg/l). Lo anterior sugiere la ocurrencia de procesos de estratificación en el
sistema hacia la zona central del espejo de agua, donde la productividad se concentra
aportando grandes volúmenes de oxígeno al agua durante el día (Reid y Wood, 1976;
Welch, 1992; Mancera y Vidal, 1994). Las isolíneas, para ambos niveles de la columna de
agua, muestran que hacia las fronteras del sistema los valores del gas disminuyen. Este
comportamiento podría ser explicado al considerarse que en estas zonas existe intercambio
de flujos entre el sistema y otros cuerpos de agua, además de aportes de hojarasca y
material orgánico, provenientes del manglar.
Sólidos en suspensión.
Los valores para la variable, presentan algunas diferencias entre los dos planos de
muestreo. Los mínimos y máximos fueron de 103 mg/l y 318 mg/l en la superficie de la
columna de agua y de 86 mg/l y 310 mg/l en el fondo de la misma, con promedios de 218.2
mg/l y 215.3 mg/l, respectivamente (tabla 6).
El mapa de distribución superficial (Fig. 19), revela la influencia que tienen los aportes de
agua sobre la magnitud de esta variable en el sistema. Se observa que las mayores
concentraciones se presentan en las zonas de las desembocaduras de los ríos Fundación y
Aracataca además de la del caño Clarín (por medio del cual se da el aporte de agua del río
Magdalena) y que las menores magnitudes se dan en el sector de intercambio de agua dulce
y marina (desde la zona centro y nororiental hacia el sitio denominado Boca de la Barra).
Una excepción a este comportamiento se da en la desembocadura del río Sevilla y del caño
Grande en donde las concentraciones de los sólidos en suspensión son muy similares a las
observadas en el resto del cuerpo de agua.
El patrón de comportamiento de la variable en el fondo de la columna de agua es muy
similar al descrito en el párrafo de arriba respecto a los valores superficiales; es decir
mayores concentraciones hacia las desembocaduras de los ríos y caños (zonas sur y nor-
occidental) y menores magnitudes en la zona nororiental. Sin embargo, la diferencia entre
los valores predichos en estas fronteras y los del resto del sistema (valores entre 220 mg/l y
210 mg/l), no resultan significativos como en el caso de la distribución superficial (valores
entre 245 mg/l y 175 mg/l).
Una posible explicación a la diferencia en magnitud de los valores de superficie y
fondo es que los flujos de agua dulce son menos densos y presentan mayores
concentraciones de sólidos en suspensión, por lo cual al ingresar al sistema y encontrarse
con las aguas salobres del mismo (más pesadas), tienden a permanecer en la superficie (lo
cual puede causar estratificación. (Wheaton, 1977; Welch, 1992 ; Jay et al, 1997; Nixon,
1997).
Nitritos.
El ión nitrito presentó valores entre 0.01 µmol/l y 1.61 µmol/l para la superficie de la
columna de agua y entre 0.01 µmol/l y 2.39 µmol/l en el fondo de la misma. Los valores
promedios fueron de 0.43 µmol/l y 0.42 µmol/l, respectivamente (tabla 6).
53
Las mediciones superiores a 1 µmol/l se dieron en dos estaciones de muestreo, ubicadas en
la zona norte del sistema (cuadrículas 14 y 15, Fig. 1). Dado que lo anterior no fue el patrón
generalizado, las isolíneas de distribución en superficie y fondo (Fig. 20) presentan sólo
valores alrededor de los promedios arriba mencionados. Este resultado es esperable, puesto
que los nitritos generalmente se dan en bajas concentraciones (Mancera, 1990; Hernández y
Gocke, 1990). Day et al. (1989), indican que esto puede ser debido al consumo continuo de
las comunidades fitoplanctónicas y a la precipitación en los sedimentos como consecuencia
de lo cambios en las condiciones del agua estuarina.
En ambos casos (superficie y fondo) los valores interpolados (entre 0.2 µmol/l y 0.7
µmol/l) para esta variable, revelan la presencia de un gradiente sur-norte, dándose las
mayores concentraciones en el sector más estuarino. Lo anterior podría ser consecuencia de
aportes de materia orgánica por parte de las poblaciones cercanas a esta zona (Welch,
1992). Los mapas de distribución espacial no revelan estratificación de la columna de agua
para esta variable, dada la similitud en los valores predichos en superficie y fondo (Fig.
20).
Clorofila “a”.
Los valores medidos de clorofila “a” oscilaron entre 2.91 µg/l y 198.35 µg/l en la
superficie de la columna de agua y entre 2.91 µg/l y 194.75 µg/l en el fondo de la misma.
Los valores promedios fueron 132.44 µg/l y 136 µg/l, respectivamente. Los bajos
coeficientes de variación (menores del 30%), en ambos casos (superficie y fondo), indican
relativa homogeneidad en las mediciones de esta variable (tabla 6). Las isolíneas de
distribución calculadas con los datos predichos (Fig. 21) presentan algunos aspectos
comunes. En ambos mapas (superficie y fondo) se observa que los valores máximos
(alrededor de 160 µg/l) se dan en el sur del sistema hacia la desembocadura del río
Fundación y las menores concentraciones se presentan en el sector más nororiental (valores
menores de 50 µg/l). La diferencia radica en el comportamiento en la zona centro del
espejo de agua. Mientras que en la superficie se presenta alta variabilidad (valores entre 90
y 160 µg/l), en el fondo de la columna de agua los valores son muy homogéneos (entre 130
µg/l y 150 µg/l) y se ajustan claramente a una tendencia creciente en sentido sur -
nororiente. El comportamiento distribucional representado en los mapas de isolíneas puede
estar de acuerdo con las condiciones climáticas de la época. Bula-Meyer (1989) y Sánchez
(1996), indican que en la época más seca del año (época en la que se realizó el muestreo)
predominan los vientos Alisios y que la circulación de las masas de agua en el sistema
obedece a la fuerza del viento y a los cambios de marea en el Mar Caribe. Esto hace pensar
que los flujos de agua son más lentos en la zona centro del sistema y por consiguiente, al no
presentarse un recambio de agua muy fuerte, se favorece el desarrollo de las comunidades
fitoplanctónicas, puesto que estas consumen los nutrientes que se liberan desde el
sedimento por acción de los vientos (Welch, 1992).
Giraldo (1996), encontró un comportamiento similar en la distribución de esta variable
con datos promedios de la época, calculados con información de varios años anteriores a
1995. Sin embargo en la zona de la desembocadura de los ríos, específicamente en la del
Fundación, los valores reportados por dicho autor resultaron considerablemente más bajos a
los encontrados en el presente estudio. Lo anterior puede estar indicando, como se
mencionó en la interpretación de los resultados obtenidos con la salinidad, una disminución
54
de la entrada de agua dulce en esta zona, causándose así el mismo efecto de baja
circulación y alta asimilación de nutrientes, comentado en el párrafo de arriba para la zona
centro del sistema.
55
7 30' W 7 30' W
C. Clarín C. Clarín
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
Ar Ar
ac ac
at at
ac ac
a a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 17. Distribución espacial de la salinidad del agua en la Ciénaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997. El mapa de
la izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
56
7 30' W 7 30' W
C. Clarín C. Clarín
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
A ra Ar
ca ac
ta at
ca ac
a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 18. Distribución espacial del oxígeno disuelto (mg/l) en la Ciénaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997. El mapa
de la izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
57
7 30' W 7 30' W
C. Clarín C. Clarín
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
Ar Ar
ac ac
at at
ac ac
a a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 19. Distribución espacial de los sólidos en suspensión (mg/l) en la Ciénaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997.
El mapa de la izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
58
7 30' W 7 30' W
C. Clarín C. Clarín
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
A ra Ar
ca ac
ta at
ca ac
a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 20. Distribución espacial de nitritos (µmol/l) en la Ciénaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997. El mapa de la
izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
59
7 30' W 7 30' W
C. Clarín C. Clarín
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
Ar Ar
ac ac
at at
ac ac
a a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 21. Distribución espacial de clorofila a (µg/l) en la Ciénaga Grande de Santa Marta durante una jornada de muestreo realizada en marzo de 1997. El mapa de la
izquierda corresponde a los valores en la superficie de la columna de agua y el de la derecha a los niveles en el fondo de la misma.
60
7 30' W 7 30' W
C. Clarín C. Clarín
R. Sevilla R. Sevilla
C. Grande C. Grande
R. R.
A ra Ar
ca ac
ta at
ca ac
a
10 45' N 10 45' N
R. Fundacion R. Fundacion
Figura 22. Distribución espacial de la profundidad (m) (izquierda) y transparencia (m) (derecha) en la Ciénaga Grande de Santa Marta durante una jornada de muestreo
realizada en marzo de 1997.
61
Capitulo Cinco
Temas Especiales
En este capítulo se presentan algunos temas que no aparecen explícitamente en libros
clásicos de geoestadística, tales como el diseño de redes muestrales o el análisis de
componentes principales sobre variables regionalizadas. Así mismo se revisa la teoría del
análisis cokriging y de simulación de fenómenos espaciales, bajo el supuesto de normalidad
multivariada.
5.1. Cokriging Ordinario
Si se tienen dos variables regionalizadas Zv1(x) y Zv2 (x) tomadas en sitios de la región de
estudio, no necesariamente iguales, entonces el semivariograma cruzado entre ellas, se
estima por:
nh
1
γ v1v2 ( h)=
2 nh ∑ {Z v1 ( x }{
+ h )− Z v1 ( x ) Z v2 ( x + h )− Z v2 ( x ) } (9)
donde γv1(h) y γv2(h) son los semivariogramas simples, γv1v2(h) es el semivariograma cruzado.
γ0(h), γ1(h), . . ., γm(h) son los modelos básicos de semivariograma y α, β y δ son constantes.
Matricialmente:
γ v1 (h) γ v1v2 (h) m
Γ(h)=
γ
12
v v (h) γ v2
(h ) ∑
= Bsγ s (h) , donde
s=0
α s δs γ s (h) 0
B s = γ s ( h )= (11)
δs β s 0 γ s ( h )
62
• Predictor Cokriging
n1 n2
Zˆv*1 (xo)= ∑a Z (x )+∑b Z
i =1
i v1 i
j =1
j v2 (x j ) (12)
La matriz del lado izquierdo contiene los valores de las funciones de semivarianza y de
semivarianza cruzada calculadas para todas las distancias entre las parejas de puntos
consideradas. Las dos ultimas filas de dicha matriz son las correspondientes a la restricción
de insesgamiento del predictor. ai y bj con i = 1, 2, ..., n y j = 1, 2, ...., m, son los parámetros
a estimar, µ1 y µ2 son los multiplicadores de Lagrange empleados para la restricción de
insesgamiento y el vector del lado derecho contiene los valores de la funciones de
semivarianza y semivarianza cruzada evaluados para las distancia entre los sitios de
muestreo (de ambas variables) y el sitio donde se desea hacer la predicción. Las dos últimas
filas del vector están asociadas a la condición de insesgamiento. La correspondiente
varianza de predicción del método cokriging se calcula como (Bogaert et al, 1995):
n m
σ k2 = Cov(Z v1 ( x0 ), Z v1 (x0 )) + µ 1 + ∑ ai Cov(Z v1 ( xi ), Z v1 (x0 )) + ∑ b j Cov(Z v 2 (x j ), Z v 2 ( x0 )) (11)
i =1 j =1
63
donde µ1 es el multiplicador de Lagrange empleado para la restricción dado por la condición
n
de insesgamiento ∑ ai = 1 .
i =1
Cov (Z vi ( x k ), Z vi ( xl )) = σ vi − γ vivi (k ,l ) es la función de covarianza espacial de la variable i,
2
Es un predictor basado en cokriging que utiliza como variables predictoras una variable
indicadora y una variable generada a través de la transformación uniforme.
Sea Z(xi) la variable observada, i = 1,2, . . ., n, entonces se definen las siguientes
transformaciones:
1 Si Z ( x i ) ≤ z
• I ( xi , z) =
0 Otro caso
R( Z ( x i )
• U ( xi ) = para todo i, i = 1,2,. . . , n.
n
con R( Z ( x i )) igual al rango (posición que ocupa dentro de los datos ordenados de menor a
mayor) la i-ésima observación muestral. La predicción de probabilidad de éxito en el sitios
de interés está dada por:
n n
I ( x0 ) =
*
∑ λ I ( x , z) + ∑ v U ( x )
i =1
i i
i =1
i i
64
El procedimiento se puede realizar con matrices de correlación obtenidas para diferentes
distancias (fijadas de antemano) y calculadas a través de la función de semivarianza,
covarianza cruzada o de correlación cruzada (si las variables tienen diferentes escalas de
medida se recomienda emplear la función de correlación cruzada). Lo anterior implica que
n
se deben calcular funciones de correlación espacial cruzada, siendo n el número total de
2
variables involucradas en el estudio. Esto puede ser una limitante computacional del
método, cuando se incremente el número de variables. En la práctica se acostumbra a
seleccionar grupos de pocas variables (alrededor de 5, consideradas como las más
relevantes) que estén muy relacionadas espacialmente y con base en la información de estas
hacer el análisis para dos o tres matrices de corregionalización (incluyendo la de distancia
cero).
• Correlación Intrínseca.
Se dice que un conjunto de variables regionalizadas tiene correlación intrínseca cuando
la estructura de correlación de las variables es independiente de la distancia espacial (puede
haber correlación para distancia cero), es decir cuando las funciones de semivarianza
cruzada, covarianza cruzada o correlación cruzada, entre las variables, son constantes en
función de la distancia. La detección de correlación intrínseca puede hacerse a través de las
variables originales o por medio de los componentes principales generados. En la sección
6.4.2., se menciona que los ejes principales deben ser independientes, luego se espera que
para cualquier distancia la función de semivarianza cruzada entre cualquier para de
componentes principales esté alrededor de cero. En caso contrario habrá relación espacial
entre las variables. Existen dos formas de llevar a cabo el ACPR dependiendo de si las
variables tienen o no correlación intrínseca.
• ACPR en Presencia de Correlación Intrínseca.
El algoritmo en este caso se inicia con el cálculo de la matriz de corregionalización para
distancia cero (matriz de correlación clásica) (en las otras distancias no hay correlación entre
las variables). Posteriormente se aplica el ACP clásico se generan ejes factoriales que
explican, se espera que en un alto porcentaje, la variabilidad contenida en el conjunto total
de variables (idealmente dos o tres componentes deberían explicar más del 90% de la
varianza total). Con base en la magnitud y le signo de los vectores propios se identifica el
peso de cada variable original en los correspondientes ejes. Finalmente se obtiene un mapa
de distribución espacial, cumpliendo con las etapas básicas del análisis geoestadístico, que
permita dar una interpretación simultánea del comportamiento de las variables involucradas
en el análisis.
• ACPR sin Correlación Intrínseca.
En este caso se debe establecer en primer lugar un modelo lineal de corregionalización
entre las variables originales. Con base en este se calculan varias matrices de
corregionalización (una para cada distancia h fijada) y con cada una de ellas se realiza un
ACP clásico. Los resultados obtenidos en cada análisis permiten establecer relaciones entre
las variables que no son observados en análisis clásicos de correlación .
65
5.3. Diseño de Redes de Muestreo
• Selección de Variables
Cuando se va a iniciar el estudio de un ecosistema natural, deben establecerse aspectos
referentes a su ubicación geográfica, a las condiciones climáticas, hídricas y geológicas del
mismo. La revisión debe incluir los antecedentes históricos de las variables ecológicas e
incluso los factores económicos, socio-culturales y demográficos que enmarcan a la región
de estudio. Todos estos aspectos permiten planear, desde un punto de vista logístico la
realización del muestreo.
Podría decirse que existen dos tipos de variables que deben tenerse en cuenta cuando se
realiza un estudio ambiental. Aquellas que están directamente relacionadas con el fenómenos
ecológico de estudio (contaminación, calidad del agua, manglar, bentos, plancton, etc.) y
aquellas que permiten decidir respecto a aspectos relacionados con las frecuencia del
muestreo (variables climáticas) y la ubicación estratégica de sitios de muestreo (por ejemplo
variables hídricas como dirección y velocidad de las masas de agua, fuentes de entrada y
salida, etc)
Así mismo la selección de las variables es consecuencia del tipo de estudio que se quiere
llevar a cabo. Estos pueden ser de línea base, monitoreo y evaluación. En el primero de estos
no hay antecedentes históricos respecto al fenómeno de interés, se asume total
desconocimiento respecto a la relación, comportamiento y distribución de las variables en
el ecosistema y por consiguiente se debe evaluar un número grande de variables, con amplia
intensidad de muestreo en la que se cubra toda la región de estudio, de forma tal que se
pueda caracterizar de manera general el sistema. Si existe conocimiento de la región de
estudio, hay estudios preliminares que posibilitan el planteamiento de estructuras de
correlación espacial y temporal de las variables y se quieren establecer los cambios que se
están dando en el ecosistema, por ejemplo por actividades antrópicas, es entonces un estudio
de monitoreo. En este caso debe establecerse con base en la información disponible tanto la
frecuencia como la ubicación de los puntos de muestreo. Por último cuando hay
conocimiento del ecosistema respecto al fenómeno de interés y se quieren observar posibles
variaciones muy puntuales respecto al patrón temporal o espacial tradicionalmente
observado, el estudio se denomina de evaluación. En este último caso el objetivo puede ser
el de conservar o mitigar posibles daños más que el de hacer diagnóstico como en el caso del
monitoreo.
• Selección de la Red Optima de Muestreo
Como en cualquier procedimiento estadístico en el que se hace inferencia, en
geoestadística cuando se hace predicción en sitios o puntos de la región de estudio no
observados, a través de cualquiera de las técnicas kriging, es necesario evaluar la precisión
de tal predicción. Lo anterior se realiza, como se estableció en el capitulo 4 y en la sección
5.1, por medio del cálculo de la varianza del error de predicción. De la sección 4.2, para el
caso del kriging ordinario, la varianza de predicción se calcula por:
66
n
σ = ∑ λiiγ io + µ
2
i =1
aleatorias en n sitios de muestreo de interés x1, x2, ..., xn. Asuma que el proceso estocástico
tiene vector de medias y matriz de varianzas y covarianzas
µ (x1 ) σ 12 C12 L C1n
r r µ ( x 2 ) C σ 22 L C 2n
( )
E Z (x ) = µ (x ) =
M
, Σ = 21 ( ( )) .
, con C ij = COV Z ( x i ), Z x j
M M O M
µ ( x ) C L C nn
n n1 C n2
67
5.5. Aplicaciones
5.5.1. Comparación de los métodos Kriging y Cokriging con base en resultados de análisis
espaciales de Variables Fisicoquímicas y Biológicas Medidas en el Estuario Ciénaga
Grande de Santa Marta.
Se emplea la información de las variables profundidad (m), secchi (cm), salinidad,
oxígeno (mg/l) y clorofila "a" (µg/l) descrita en la aplicación 3.3. para mostrar las ventajas
del método cokriging respecto al kriging.
Se mencionó en la sección 4.1. que la técnica cokriging es preferible al kriging cuando
hay información de variables auxiliares relacionadas espacialmente con la variable de interés
y ésta última tiene altos costos de muestreo. En este caso se usan como variables auxiliares
profundidad, secchi, salinidad y oxígeno y como variable objetivo clorofila "a". Las cuatro
primeras tienen bajos costos de muestreo (son medidas in-situ) mientras que los altos costos
de los insumos de laboratorio necesarios para la obtención de las medidas de clorofila "a"
pueden ser limitantes del uso de una red de muestreo densa para dicha variable. Aunque no
se presentan en el trabajo los semivariogramas cruzados entre las variables consideradas
como auxiliares y clorofila "a", estos muestran la presencia de fuertes estructuras de
dependencia espacial entre ellas.
Debido a que la aplicación del método cokriging resulta dispendiosa cuando se
consideran dos o más variables auxiliares (es complejo el ajuste del modelo lineal de
corregionalización), se decidió tomar la información de las variables auxiliares de forma
"condensada" a través del indicador IGCi(4) (Giraldo, 2002; apéndice, sección 6.1),
calculado con base en la información dicotomizada de dichas variables.. El criterio para
dicotomizar cada variable fue el de comparación de cada valor observado con su
correspondiente mediana. Se asignó el valor 1 para valores mayores o iguales que la mediana
y 0 en caso contrario. Se aplicó el método cokriging para realizar predicciones de la variable
clorofila "a" con base en sus observaciones e información auxiliar del indicador IGCi(4).
Para detectar la eficiencia del método se redujo a aproximadamente la mitad (54 datos) la
información original de clorofila "a" (en adelante se denomina a ésta como CLORO 2) y se
dejó la información completa (114 datos) del IGCi(4).El ajuste del modelo lineal de
corregionalización y el cálculo de las varianzas de predicción fue realizado en el software
The Spatial Interpolation of Agroclimatic Data (Bogaert et al., 1995).
• Resultados y Discusión
En primera instancia se calcularon semivariogramas simples de las variables CLORO 2
e IGCi(4) y los semivariogramas cruzados entre estas tres variables. Sólo se muestra el
semivariograma experimental cruzado (Fig. 23). Este indica que las dos variables
consideradas presentan correlación espacial inversa, es decir que valores altos de
productividad biológica (alta clorofila "a") están asociados con valores bajos del indicador
IGCi(4) en zonas circundantes (incluso mayores a 10 km). Los valores bajos del indicador
IGCi(4) están asociados a magnitudes por debajo de la mediana en las variables profundidad,
secchi, salinidad y oxígeno disuelto (ver tabla de interpretación del IGCi(4) en el apéndice).
De lo anterior se concluye que zonas con alta biomasa fitoplanctónica están asociadas a baja
profundidad, alta turbidez y a masas de agua con baja salinidad y bajo nivel de oxígeno (tal
vez como consecuencia del consumo de éste durante las horas del día).
68
Semivarianza Cruzada
0
-10
-20
-30
-40
-50
0 5000 10000 15000 20000 25000
Distancia (h)
Figura 23. Semivariograma experimental cruzado entre las variables clorofila "a" (54 datos) e IGCi(4).
Información tomada en marzo de 1997 en la Ciénaga Grande de Santa Marta.
69
Tabla 8. Varianzas de predicción mínima, máxima y promedio ((µg)2 /l) para la variable clorofila "a", usando
los métodos kriging y cokriging (con base en información auxiliar de la variable IGC(4)). Entre paréntesis se
encuentran la ganancia en precisión respecto al método kriging con información incompleta.
MÉTODO VARIANZA DE VARIANZA DE VARIANZA DE
PREDICCIÓN PREDICCIÓN PREDICCIÓN
MÁXIMA MÍNIMA PROMEDIO
Kriging con datos en 107 sitios de 379 (25%) 0
muestreo (información completa)
Kriging con datos en 54 sitios de 506 (0%) 0 194.147(0%)
muestreo (información reducida)
Cokriging con datos en 54 sitios de 488 (4%) 0 190.06 (2.1%)
muestreo para la variable clorofila
"a" y 114 datos para la variable
IGCi(4)
70
requeriría del cálculo de matrices de corregionalización para diferentes distancias. En el
documento se presenta sólo el caso en que la distancia es cero, puesto que el propósito es
identificar la distribución espacial de las 5 variables de forma simultánea .
Las variables de mayor importancia en la construcción del primer eje principal son salinidad
(en sentido directo), silicatos y clorofila "a" (en sentido inverso). Análogamente las variables
de más peso en la construcción del componente dos son sólidos en suspensión y clorofila "a"
en sentido directo y nitritos en sentido inverso (tabla 10).
Tabla 9. Porcentajes de varianza explicados por los componentes principales generados con información de
cinco variables fisicoquímicas y biológicas medidas en el estuario Ciénaga Grande de Santa Marta en marzo de
1997.
COMPONENTE VALOR PROPIO % DE VARIANZA % ACUMULADO
1 2.23 44.610 44.610
2 1.34 26.962 71.562
3 0.70 14.124 85.746
4 0.37 7.426 93.172
5 0.34 6.828 100.000
71
Figura 24. Función de semivarianza cruzada entre los dos primeros componentes principales generados con
información de algunas variables fisicoquímicas y biológicas medidas en marzo de 1997 en el estuario Ciénaga
Grande de Santa Marta.
7 30' W
MAR CARIBE
Boca de la
Barra
C. Clarín 2.00
1.00
R. Sevilla 0.00
C. Grande
-1.00
R.
Ar
ac
at
ac -2.00
a 10 45' N
R. Fundacion
Figura 25. Distribución espacial del primer componente principal generado con información de variables
fisicoquímicas y biológicas medidas en el estuario Ciénaga Grande de Santa Marta en marzo de 1997.
72
7 30' W
MAR CARIBE
Boca de la
Barra
C. Clarín
1.50
0.50
R. Sevilla -0.50
C. Grande
-1.50
R. -2.50
Ar
ac
at
ac
a 10 45' N
-3.50
R. Fundacion
Figura 26. Distribución espacial del segundo componente principal generado con información de variables
fisicoquímicas y biológicas medidas en el estuario Ciénaga Grande de Santa Marta en marzo de 1997.
5.5.3. Diseño de una Red de Muestreo para el Estuario Ciénaga Grande de Santa Marta.
En esta sección se hace una aplicación de la metodología propuesta por McBratney et al
(1981) con el objetivo de diseñar una red óptima de muestreo para la CGSM (ampliamente
descrita en secciones anteriores). En las dos últimas décadas la CGSM ha venido dando
muestras de deterioro y por ello se han implementado algunas obras civiles que buscan su
recuperación. Para el monitoreo de los cambios que se están dando en el ecosistema se hace
necesario contar con un conjunto de sitios de muestreo que haga posible lograr una visión
integrada del comportamiento de las principales variables que rigen sus procesos de
productividad.
Se analizaron datos en la superficie de la columna de agua de las variables temperatura,
salinidad, seston total, profundidad, silicatos, clorofila, oxígeno disuelto, nitritos y clorofilas
“a” y "c" tomados en los mismos puntos de muestreo descritos en la sección 3.3.
Se simularon redes de muestreo con cuadrículas de 4, 9, 16, 25 y 36 km2,
respectivamente (Fig. 27) y se estimaron las correspondientes varianzas de predicción de
cada variable en cada época tomando como base los modelos de correlación espacial
estimados en la sección 3.3.
La comparación del error estándar de predicción y de los costos asociados al muestreo
de cada variable en cada red, posibilitó el establecimiento de un conjunto de sitios de
muestreo óptimo bajo estos dos criterios.
73
Figura 27. Redes de muestreo bajo las cuales se hicieron las estimaciones de las varianzas de predicción de
cada una de las variables consideradas, asumiendo los modelos de semivarianza estimados. Distancias entre
puntos de muestreo: a) 2000 m; b) 3000 m; c) 4000 m; d) 5000 m y e) 6000 m.
• Resultados y Discusión
Si bien es posible que en la fecha del muestreo se estuviese dando un fenómeno de
intervención debido a los cambios climatológicos dados en el año inmediatamente anterior a
este, para los propósitos del trabajo esto no resulta ser un inconveniente puesto que de hecho
se asume que el establecimiento del conjunto óptimo de puntos de muestreo no depende de
74
la magnitud de la variables sino de la estructura de dependencia espacial presente en la
región de estudio para cada una de ellas.
Como era de esperarse los errores estándar de predicción estimados son crecientes en
función de la distancia que existe entre los puntos de muestreo (tabla 11). La variable en la
cual se consigue mayor ganancia relativa en precisión al pasar de la red menos densa (Fig.
27 e), a la más densa (Fig. 27.a) es la salinidad. En dicha variable se consigue aumentar en
un 35 % la precisión (tabla 12). Otras variables como temperatura, oxígeno disuelto, silicatos
y clorofila “a” tienen aumentos en precisión que oscilan entre 15.9 y 23.8 % (tabla 12). Por
último en las variables profundidad, nitritos, seston total y clorofila "c", sólo se consigue
aumentar la precisión en porcentajes que están entre el 5,7 y el 10.1 % (tabla 12).
Obviamente si se comparan las redes intermedias, redes con distancias entre puntos de
muestreo de 3000, 4000 y 5000 m (Fig. 27.b, 27.c y 27.d), con la red de 6000 m (Fig. 27.e),
resultan mucho menores los incrementos relativos en precisión (tabla 12).
Tabla 11. Error estándar (raíz cuadrada de la varianza) de predicción máxima de cada variable considerada
para redes de muestreo con cuadrículas de 4, 9, 16, 25 y 36 km2.
TAMAÑO DE LA RED
Variables (Distancia entre los puntos de muestreo en metros)
2000 3000 4000 5000 6000
Profundidad (m) 0.2825 0.2874 0.2930 0.3002 0.307
Temperatura (°C) 0.6380 0.6690 0.7046 0.7632 0.8373
Salinidad 0.9096 1.0511 1.1676 1.2965 1.4075
Oxígeno disuelto (mg/L) 1.5145 1.5917 1.6752 1.7977 1.9431
Seston total (mg/L) 35.6363 36.4021 37.0459 37.8076 38.5197
Nitritos (umol/L) 0.2832 0.2875 0.2913 0.2958 0.3003
Silicatos (umol/L) 47.6524 50.207 52.3806 54.6797 56.6932
Clorofila a (ug/L) 19.4634 21.2041 22.5233 23.5582 24.2163
Clorofila c (ug/L) 6.1071 6.2977 6.4536 6.6336 6.7967
Tabla 12. Ganancia en precisión en porcentaje (cociente entre los respectivos errores estándar de predicción)
de cada una de las redes de muestreo (observada y simuladas) en cada variable respecto a la red de 6000 metros
(la menos densa).
TAMAÑO DE LA RED
Variables (Distancia entre los puntos de muestreo en metros)
2000 3000 4000 5000 6000
Profundidad (m) 8.0 6.4 4.6 2.2 0
Temperatura (°C) 23.8 20.1 15.8 8.8 0
Salinidad 35.4 25.3 17.0 7.9 0
Oxígeno disuelto (mg/L) 22.1 18.1 13.8 7.5 0
Seston total (mg/L) 7.5 5.5 3.8 1.8 0
Nitritos (umol/L) 5.7 4.3 3.0 1.5 0
Silicatos (umol/L) 15.9 11.4 7.6 3.6 0
Clorofila a (ug/L) 19.6 12.4 7.0 2.7 0
Clorofila c (ug/L) 10.1 7.3 5.0 2.4 0
75
1200000
1000000
800000
Costo ($)
600000 Red 6000
Red 5000
400000
Red 4000
200000 Red 3000
0 Red 2000
Profundidad
Temperatura
Salinidad
Oxígeno dis.
Seston total
Nitritos
Silicatos
Clorofila "a"
Clorofila "c"
Figura 28. Costos de muestreo de variables fisicoquímicas y biológicas en la Ciénaga Grande de Santa Marta,
según diferentes espaciamientos entre sitios de muestreo (se asumen muestreos sistemáticos de cuadrículas).
De otro lado si se estudian los costos de muestreo asociados a cada variable bajo cada
una de las densidades muestrales (Fig. 28), se observa que existe considerable diferencia,
con excepción de las variables temperatura, profundidad y salinidad, entre la red de 2000 m
y las restantes respecto a dichos costos. Para algunas de las variables (oxígeno disuelto,
silicatos y clorofilas) pasar de la red de 3000 m a la 2000 m, implica incrementar el costo de
muestreo de cada una de ellas en más de $300000
En conclusión para las variables temperatura y salinidad sería mucho más conveniente
hacer un muestreo intensivo (red más densa) dado que se consigue, comparando con la red
menos densa, aumentar la eficiencia en porcentajes considerables (23 y 35%,
respectivamente, tabla 12), con costos netos que se incrementan sólo alrededor de $100000
(Fig. 28). En la variable profundidad, si bien los costos de muestreo no se incrementan
significativamente (Fig. 28), es más aconsejable muestrear en la red menos densa dado que
la eficiencia se incrementa en máximo un 7% al compararla con las restantes redes (tabla
12). En las variables nitritos, seston total y clorofilas "a" y "c" hay poco aumento de la
eficiencia al pasar de la red de 6000 m a otras con mayor número de puntos (tabla 12) y por
el contrario los costos, especialmente en la red de 2000 m, tienen aumentos considerables,
lo que hace que se planteen las redes menos densas (5000 m y 6000 m entre puntos de
muestreo) como las más adecuadas para el seguimiento de estas variables. En las restantes
variables (oxígeno disuelto, silicatos y clorofila “a”) es un poco más compleja la decisión
dado que se obtienen aumentos considerables en los costos (Fig. 28), pero también
incrementos de eficiencia (tabla 12). De todas formas es claro que se debe descartar en este
caso la red con distancias entre puntos de muestreo de 2000 m dado que entre esta y la red de
3000 m, la eficiencia relativa aumenta en un máximo del 8 % (tabla 12) con costos que se
duplican o triplican para algunas variables (Fig. 28).
76
Apéndice
Sitio X Y V1 V2 L VP
1 x1 y1 0ó1 0ó1 L 0ó1
2 x2 y2 0ó1 0ó1 L 0ó1
3 x3 y3 0ó1 0ó1 L 0ó1
M M M M M M M
n xn yn 0ó1 0ó1 L 0ó1
∑η
j =1
ij = ηi• , ∀i , i = 1, L , n
∑η j =1
ij = η• j , ∀ j , j = 1,2 ,L , P
77
Además sea:
P j Siηij = 1
Ki = ∑δ ij , donde δ ij =
j =1 ηi• − P Siηij = 0
a0 = 0
con : , m = 1, 2 ,L
am = am−1 + (m 2 + m)
b0 = − 1
y , m = 1, 2 ,L
bm = bm−1 + (m − 1)
78
Para ilustrar el cálculo de la variable IGC(P), se presenta en la tabla 14 el caso particular de
P = 4. Se utilizan todos los posibles arreglos de ceros y unos que se pueden formar con 4
datos.
Tabla 14. Cálculo de los valores de la variable IGCi(4) con todos los posibles arreglos formados con 4
símbolos de dos tipos (ceros y unos).
ARREGLO η i1 ηi2 ηi3 ηi4 η i• δ i1 δ i2 δ i3 δ i4 Ki P( P − 2 ) IGC ( P )i
1 0 0 0 0 0 -4 -4 -4 -4 -16 8 0
2 1 0 0 0 1 1 -3 -3 -3 -8 8 1
3 0 1 0 0 1 -3 2 -3 -3 -7 8 2
4 0 0 1 0 1 -3 -3 3 -3 -6 8 3
5 0 0 0 1 1 -3 -3 -3 4 -5 8 4
6 1 1 0 0 2 1 2 -2 -2 -1 8 5
7 1 0 1 0 2 1 -2 3 -2 0 8 6
8 0 1 1 0 2 -2 2 3 -2 1 8 7
9 1 0 0 1 2 1 -2 -2 4 1 8 7
10 0 1 0 1 2 -2 2 -2 4 2 8 8
11 0 0 1 1 2 -2 -2 3 4 3 8 9
12 1 1 1 0 3 1 2 3 -1 5 8 10
13 1 1 0 1 3 1 2 -1 4 6 8 11
14 1 0 1 1 3 1 -1 3 4 7 8 12
15 0 1 1 1 3 -1 2 3 4 8 8 13
16 1 1 1 1 4 1 2 3 4 10 8 14
79
6.2.1. Matriz
Una matriz A de tamaño (mxn) es un arreglo rectangular de m filas con n columnas.
a 11 a12 . . . a1n
a 21 a 22 . . . a 2n
. . .
A=
. . .
. . .
a m1 a m2 . . . a mn
80
la inversa de una matriz 2x2, si existe, puede determinarse fácilmente por medio del
siguiente cálculo:
−1 a 22 − a 12
a11 a12 ∆
= −a ∆ a 11
a 21 a 22 21
∆ ∆
6 3 1 0
A − λI = 0 ⇒ − λ =0
3 4 0 1
6 3 λ 0
− =0
3 4 0 λ
(6 − λ ) 3
= 0
3 (4 − λ )
(6 − λ )(4 − λ ) − 9 = 0
λ2 − 10λ + 15 = 0
− b ± b 2 − 4ac
λ=
2a
81
− ( −10) ± 100 − 4(15) 10 ± 40
λ= =
2 2
λ = 81623
. , λ = 18377
.
Para cada valor propio existe un vector propio, el cual se obtiene reemplazando el valor
propio correspondiente en la primera expresión de la página anterior y usando la condición
de que los respectivos vectores propios estén normalizados.
x1
Un vector x = se dice que está normalizado si satisface que x12 + x 22 = 1 .
x2
Teniendo en cuenta lo anterior se calculan los vectores propios de la siguiente forma:
(A - λI)x = 0
(6 − λ ) 3 x1 0
=
3 (4 − λ ) x 2 0
(6 − λ ) x1 + 3x 2 = 0
3x1 + (4 − λ ) x 2 = 0
(1 − λ ) x 2
x1 =
(3 − λ )
(
x12 1 + 13847
. )
2 = (13847
. )2
(13847
. )2 13847
.
x12 = ⇒ x1 = = 0.8107
(1 + 13847
. 2
) (
1 + 13847
. 2
)
x1 0.8107
Reemplazando el valor de x1, obtenemos que x 2 = = = 0.5855 .
13847
. 13847
.
82
x1 0.8107
Luego el vector propio asociado al valor propio λ = 8.1623 es =
x 2 0.5855
Efectuando un procedimiento similar se puede comprobar que el vector propio asociado al
x1 −0.5847
valor propio λ = 1.8377 es =
x 2 0.8113
Si X es una función que le asigna a cada uno de los resultados de un experimento aleatorio
(aquel cuya respuesta no puede ser establecida de antemano) un número real, entonces X se
llama una Variable Aleatoria. Estas pueden ser discretas o continuas.
i. f (x ) ≥ 0 ∀x ∈ R X
ii. ∑ f (x ) = 1 .
x
i. f (x ) ≥ 0 , − ∞ < x < ∞
∞
ii. ∫− ∞ f (x )dx = 1
b
iii. P(a < X b ) = ∫a f (x )dx para cualquier a y b, entonces f(x) es la función de densidad de
probabilidad de la variable aleatoria continua X.
83
La función de probabilidad acumulada, notada como F(x), es igual a P( X ≤ x ) y se evalúa a
través de una sumatoria o de una integral dependiendo de si X es discreta o continua.
∑ g (x ) f (x ) X discreta
E (g ( X )) = ∞x
∫ g (x ) f (x )dx X continua
−∞
∑ xf (x ) X discreta
E ( X ) = µ = ∞x
∫ xf (x )dx X continua
−∞
∑ (x − µ )2 f (x ) X discreta
V ( X ) = σ 2 = E ( X − µ )2 = ∞x
∫ (x − µ )2 f (x )dx X continua
−∞
Se cumple que:
Modelo Binomial
Suponga que hay un experimento que consiste en examinar n individuos y evaluar o medir
en cada uno de ellos si tienen o no una característica dada (sólo hay dos posibles
resultados).Sea p la probabilidad de ¨éxito¨ y q = 1-p la de ¨fracaso¨ en cada uno de los n
ensayos. Se asume que esta probabilidad es constante en cada uno de ellos.
84
Sea X = Número de éxitos en los n ensayos, entonces asumiendo conocido p entonces es
posible establecer las probabilidades de ocurrencia de cada evento mediante la siguiente
ecuación, denominada modelo de probabilidad binomial:
n
P( X = x) = p x (1 − p) n−x x = 0, 1, 2, . . ., n
x
En este modelo:
µ = E ( X ) = np
σ 2 = V ( X ) = np (1 − p )
Modelo Normal
Obviamente resultaría muy dispendioso tener que calcular estas integrales para cada valor de
a, b, µ y σ . Por esta razón se acude a un procedimiento llamado estandarización, el cuál
consiste en hacer la transformación Z = X − µ . La variable anterior tendrá (si la distribución
σ
de frecuencias de X se ajusta a un modelo de probabilidad normal con media µ y varianza
σ2) una distribución de frecuencias que se ajusta a un modelo de probabilidad normal con
media cero y varianza uno, es decir que:
z2 1
a − µ b − µ 1 − z2
P( a ≤ X ≤ b ) = ≤Z ≤ = (z1 < Z < z2 ) = ∫ e 2
σ σ z1 2π
La ecuación anterior también puede resultar difícil de evaluar, sin embargo para cualquier
valor de a, b, µ y σ las correspondientes probabilidades pueden hallarse, sin necesidad de
resolver la integral, empleando la tabla de distribución acumulada normal estándar que
aparece en los textos de estadística.
i. f (x , y ) ≥ 0 , ∀ x , y ∈ RX , RY
ii. ∑∑ f (x , y ) = 1
x y
85
Si existe una función f (x , y ) tal que la probabilidad conjunta:
b d
P[a < X < b , c < Y < d ] = ∫ ∫ f (x , y )dydx
a c
∞ ∞
para cualquier valor de a, b, c y d en donde f (x , y ) ≥ 0 , −∞ < x , y < ∞ y ∫− ∞ ∫− ∞ f (x , y )dydx = 1 ,
entonces f (x , y ) es la función de probabilidad bivariada de X y Y.
f (x ) = ∑ f ( x , y )
y
si X y Y son variables aleatorias discretas
f ( y ) = ∑ f (x , y )
x
ó por
∞
f (x ) = ∫ f (x , y )dy
−∞
∞
si X y Y son variables aleatorias continuas
f (y) = ∫ f ( x , ydx )
−∞
f (x , y )
f (x / y ) = , donde f ( y ) es la función de probabilidad marginal de Y de manera tal que
f ( y)
f (y) > 0 .
86
f (x , y )
f (y / x) = , donde f (x ) es la función de probabilidad marginal de X de manera tal que
f (x )
f (x ) > 0 .
f (x , y ) = f ( x ) f ( y )
∑∑ g (x , y ) f (x , y ) si X y Y son discretas
E (g ( X ,Y )) = ∞ ∞x y
Si X y Y son dos variables aleatorias con densidad conjunta, entonces se cumple que:
1. E ( X + Y ) = E ( X ) + E (Y )
2. V ( X ± Y ) = V ( X ) + V (Y ) ± 2Cov( X ,Y )
87
n n n
3. V ∑ ai X i = ∑ ∑ ai a j Cov (X i , X j ) .
i =1 i =1 j =1
3. Si E ( X ) = E (Y ) , entonces
1
2
[ 1
] 1
E ( X − Y )2 = V ( X ) + V (Y ) − Cov( X ,Y ) .
2 2
6.4. Algunos Métodos Estadísticos.
6.4.1. Regresión Simple
En el modelo de regresión simple se establece una relación lineal entre la esperanza
condicional de una variable aleatoria Y dados unos valores fijos de una variable X.
Modelo Poblacional
Yi = β 0 + β 1 xi + ε i
E (Y / X i ) = Ŷi = β 0 + β 1 xi
1. E (ε i ) = 0
2. V (ε i ) = σ
2
(
3. Cov ε i , ε j = 0 )
4. ε i ∼ N (0 , σ 2 )
Modelo Muestral
yi = βˆ 0 + βˆ 1 xi + ei
yi = ŷi + ei
88
βˆ 0 y βˆ 1 son las estimaciones de los parámetros con base en la información muestral.
ei : i-ésimo erro muestral.
Estimación de β 0 y β 1
n n n
∑ ε i2 =∑ (Yi − Ŷi )
2
= ∑ (Yi − β 0 − β 1 x i )2 . Derivando e igualando a cero se obtiene:
i =1 i =1 i =1
n n
∂ ∑ ε i2 n
∂ ∑ ε i2 n
i =1
= − 2∑ (Yi − β 0 − β 1 x i ) = 0 y i =1
= − 2∑ X i (Yi − β 0 − β 1 x i ) = 0.
∂β 0 i =1 ∂β 1 i =1
n n
∑ Yi = n β 0 + β 1 ∑ x i
i=1 i =1
n n n
∑ xi Yi = β 0 ∑ xi + β 1 ∑ xi2
i =1 i =1 i =1
Las dos ecuaciones anteriores se conocen como ecuaciones normales. Dadas las
realizaciones y 1 , y 2 , K , y n las ecuaciones pueden resolverse para encontrar los estimados de
los parámetros:
n n
∑ yi = nβˆ 0 + βˆ 1 ∑ xi
i =1 i =1
y = βˆ 0 + βˆ 1 x
βˆ = y − βˆ x
0 1
n n n
∑ xi yi = (y − βˆ 1 x )∑ xi + βˆ 1 ∑ xi2
i =1 i =1 i =1
n n
∑ yi ∑ xi
n i =1 n n
∑ xi yi = n − β 1 i=1n
ˆ
∑ i x + ˆ
β 1 ∑ xi
2
i =1 i =1 i =1
89
2
n n n
∑ y ∗ ∑ x ∑ xi
n i i n
∑ xi yi = i =1 n i=1 − βˆ 1 n + βˆ 1 ∑ xi2
i =1
i =1 i =1
n n
∑ y i ∗ ∑ xi n
∑ x i y i − i =1 n
i =1
∑ (x i − x )( y i − y )
βˆ 1 = i =1
2
= i =1
n
n
n
∑ xi
∑ ( x i − x )2
i =1 i =1
∑ i x 2
−
n
i =1
Se puede demostrar que los errores estándar estimados de los estimadores de los parámetros
corresponden a:
n n
∑ x i2
∑ ei2
( ) y s(βˆ 0 )
s
s βˆ 1 = =s n
i =1
, con s = i =1
n n−2
n∑ ( x i − x )
2
∑ (x i − x )2
i =1 i =1
90
Generación de los Componentes Principales
Se ha dicho que los componentes principales tienen ciertas características que son
deseables:
a) Los componentes principales no están correlacionados.
b) Cada componente principal sintetiza la máxima variabilidad residual contenida en los
datos. Es decir, el primer componente sintetiza la máxima variabilidad posible en el
conjunto de datos originales; el segundo componente sintetiza la máxima variabilidad
restante, sujeta a la condición de no correlación con el primer componente, y así hasta el
p-ésimo componentes.
c) Cada componente contiene información de todas las variables pero en diferentes
proporciones.
Matricialmente se expresa la generación de los componentes a través de:
Y(nxp ) = X (nxp ) L( pxp ) D(−pxp
1
)
donde :
Y: Matriz cuyas columnas representan las nuevas variables (componentes principales).
Estas tienen la propiedad de ser no correlacionadas.
X: Matriz de datos originales
L: Matriz de vectores propios de: a) XTX, si X es la matriz de datos originales; b) S (matriz
de varianzas y covarianzas) si X es centrada; c) R (matriz de correlación) si X está
estandarizada.
D: Matriz diagonal con valores en la diagonal iguales a la raiz cuadrada de los valores
propios de XTX , S o R.
La transformación lineal para generar los componentes principales (matriz Y) se fundamenta
en el proceso de diagonalización de una matriz, XTX , S o R., según el caso, a través del
teorema de descomposición del valor singular
91
Referencias
Anderson, T. W. 1984. An Introduction to Multivariate Statistical Analysis.
John Wiley & Sons, New York.
Biau, G., E. Zorita, H. von Storch & H. Wackernagel. 1997. Estimation of
precipitation by kriging in EOF space. GKSS, 97, E45.
Box, G. E. P. y G.M. Jenkins. (1976). Time Series Analysis Forecasting and
Control. Holden -Day, San Francisco.
Bogaert, P., P. Mahau & F. Beckers. 1995. The Spatial Interpolation of
Agroclimatic Data. Cokriging Software and Source Code. FAO, Rome.
Bula-Meyer, G. 1985. Un nuevo núcleo de surgencia en el Caribe colombiano
detectado en correlación con las macroalgas. Bol. Ectrópica 12:3-25.
Carr, J. , D. Myers y Ch. Glass. 1985. Cokriging - A Computer Program.
Computers & Geosciences. 11(2), 111-127.
Clark, I. 1979. Practical Geostatistics. Elsevier Publishing, New York.
Cressie, N. 1989. Geostatistics. The American Statistician. 43(4): 611(23).
Cressie, N. 1993. Statistical for Spatial Data. John Wiley & Sons, New York.
Cressie, N. & M. M. Majure. 1995. Non-Point Source Pollution of Surface Waters
over a Watershed. Programme Abstracts of the third SPRUCE International
Conference. Merida, Mexico.
Day, J., C. Hall, M. Kemp, & A. Yánez-Arancibia. 1989. Estuarine Ecology. John
Wiley & sons, New York.
Deutsch , C. V. & A. G. Journel. 1992. GSLIB: Geostatistical Software Library
and User´s Guide. Oxford University Press, New York.
Díaz- Francés, E. (1993). Introducción a Conceptos Básicos de Geoestadística.
Memorias Seminario Estadística y Medio Ambiente. Centro de Investigación
en Matemáticas, CIMAT. Guanajuato, México.
Diggle, P., L. Harper y S. Simon. (1995). Geoestatistical Analysis of Residual
Contamination from Nuclear Weapons Testing. Programme Abstracts of the
third SPRUCE International Conference. Merida, Mexico.
Englund, E. & A. Sparks. 1988. GeoEAS, User´s Guide. EPA, Las Vegas.
Evangelos A. & G. T. Flatman. 1988. On Sampling Nonstationary Spatial
Autocorrelated Data. Computers and Geosciences. 14(5): 667(86).
Gamma Design. 1995. GS+. Geostatistical software for the Agronomic and
Biological Science, version 2.3. Plainwell, Michigan.
Garmin International, Inc. 1993. Garmin Communication and Navigation. GPS
100 SRVY II personal surveyor. Owner´s manual. Lenexa..
Giraldo, R., D. Ospína & N. Méndez. 2001. Design of a Sampling Network for an
Estuary in the Colombian Caribbean. Rev. Acad. Col. Cienc. 25(97):509-518
Giraldo, R. 2002. Construcción de un Indicador para el Estudio Conjunto de la
Distribución Espacial de Múltiples Variables Binarias. Tesis de Maestría en
92
Estadística. Departamento de Estadística. Universidad Nacional de
Colombia, Bogotá.
Giraldo, R. 1996. Geoestadística Aplicada a Datos Multivariados Provenientes
del Monitoreo de las Aguas de la Ciénaga Grande de Santa Marta y el
Complejo Pajarales, Caribe Colombiano. tesis de grado Especialización en
Estadística. Universidad Nacional de Colombia..
Giraldo, R., J. Martínez, L. H. Hurtado, S. Zea & R. Madera. 1995. Análisis de
Clasificación de Series Temporales: El Caso de la Salinidad en la Ciénaga
Grande de Santa Marta, Colombia. An. Inst. Invest. Mar. Punta Betín 24:
123-134.
Hernández, C.A. & K. Gocke. 1990. Productividad Primaria en la Ciénaga
Grande de Santa Marta, Colombia. An. Inst. Invest. Mar. Punta Betín 19
- 20 : 101 - 119
Hoaglin, D. F., F. Mosteller & J. Tukey. 1983. Understanding Robust and
Exploraory Data Análisis. John Willey & Sons, New York.
IGAC, 1973. Monografía del Departamento del Magdalena. Inst. Geogr. Agustín
Codazzi, Bogotá.
Isaaks, E. & R. M. Srivastava. 1989. Applied Geostatistics. Oxford University
Press, New York.
Jay, D.A., R.J. Uncles, J. Largier, W.R. Geyer, J.Vallino & W.R. Boynton. 1997. A Review
of Recent Developments in Estuarine Scalar Flux Estimation. Estuaries. 20(2): 262-
280.
Journel, A.G. y Ch. J. Huijbregts. 1978. Mining Geostatistics, Academics Press,
New York.
Krige, D. G. 1951. A Statistical Approoach to Some Basic Mine Valuation
Problems on the Witwatersrand. Journal of the Chemical, Metallurgical and
Mining Society of South Africa, 52: 119-139.
Lebart, L. A., A. Morineau & M. Piron. 1995. Statistique Exploratoire
Multidimenssionnelle. Dunod, Paris
Mancera, J. E. 1990. Caracterización Ecológica de la Salina Artificial Pozos
Colorados, Caribe colombiano. An. Inst. Invest. Mar. Punta Betín 19-20 :
121 - 138.
Mancera, J. E. & L. A. Vidal. 1994. Florecimiento de microalgas relacionado con
mortandad masiva de peces en el complejo lagunar Ciénaga Grande de
Santa Marta, Caribe colombiano. An. Inst. Invest. Mar. Punta Betín 23:
103 - 117.
Matheron, G. 1962. Traite de Geostatistique Apliquee, Tome I. Memoires bureau
de Recherches Geologiques et Minieres, N 24. Editions Bureau de Recherche
et Minieres, Paris.
McBratney, A. B., Webster, R. and Burgess, T. M. 1981. ‘The Design of Optimal
Sampling Schemes for Local Estimation and Mapping of Regionalized
Variables I’, Computers and Geosciences. 7(4): 331-334
Mood, A., F. A. Graybill & D. C. Boes. 1974. Introduction to the Theory of
Statistics. McGraw-Hill, New York.
Myers, D. E. 1987. Optimization of Sampling Locations for Variogram
Calculations. Water Resources Research. 23(3): 283(93).
93
Nixon, S.W. 1997. Prehistoric Nutrient Inputs and Productivity in
Narrangansett Bay. Estuaries. 20(2): 253-261
Petitgas, P. 1996. Geostatistics and Their Applications to Fisheries Survey Data
5: 114-142. In: B. A. Megrey & E. Mosknes, (E). Computers and Fisheries
Research. Chapman-Hall, Londres.
Pla, L.1986. Análisis Multivariado: Método de Componentes Principales.
Monografía No 27. Serie de matemática. Secretaría General de la OEA.
Reid, G. K. & R. D. Wood. 1976. Ecology of Inland Waters and Estuaries. Second
edition. D. Van Nostrand, New York
Roldán, G. 1992. Fundamentos de Limnología Neotropical. Editorial
Universidad de Antioquia, Medellín.
Robertson, G. P. 1987. Geostatistics in Ecology: Interpolating with Know
Variance. Ecology 68(3) : 744-748.
Samper, F.J. & J. Carrera 1990. Geoestadística. Aplicaciones a la Hidrogeología
Subterránea. Centro Internacional de Métodos Numéricos en Ingeniería.
Universitat Politécnica de Catalunya. Barcelona.
Sánchez, C. 1996. Variación Espacial y Temporal de la Ictiofauna de la Ciénaga
Grande de Santa Marta, Complejo de Pajarales y Ciénagas delCostado
Occidental de la Isla de Salamanca, Caribe colombiano. Tesis Biología.
Fac. Cienc. Depto. Biol. Univ. Nacional de Colombia, Santafé de Bogotá.
Vidal, L.A. 1995. Estudio del Fitoplancton en el Sistema Lagunar Estuarino
Tropical Ciénaga Grande de Santa Marta, Colombia, durante el año 1987.
tesis de grado M. Sc. Universidad Nacional de Colombia, 270 pp.
Wackernagel. H. 1995. Multivariate Geostatistics. An Introduction with
Applications. Springer-Verlag, Berlín.
Warrick, A. W., D. E. Myers & D. R. Nielsen. 1986. Geostatistical Methods
Applied to Soil Science. Methods of Soil Analysis. Part 1. Physical and
Mineralogical Methods- Agronomy Monograph 9: 53 - 81.
Wheaton, F.W. 1977. Aquacultural Engineering. Krieger Publishing Company.
Malabar, Florida.
Welch, E. B. 1992. Ecological Effects of Wastewater. Applied Limnology and
Pollutant Effects. (second edition). Chapman & Hall, Londres.
Wiedemann, H. V. 1973. Reconnaissance of the C.G.S.M., Colombia: Physical
Parameters and Geologid history. Milt. Inst. Colombo-Aleman Inv.
Cientif. 7: 85-119.
94
ÉXITO David Valois
1
ÉXITO David Valois
2
ÉXITO David Valois
Información Legal
La información de este libro está protegido por Copyright y no se puede reimprimir, copiar, distribuir o
Publicar, tanto en papel como electrónicamente, sin el consentimiento expreso de MasEficaz.com con todos los
Derechos Reservados. Todo el contenido es una opinión expresa del autor, acumulado tras años de experiencia.
Use la información por su propia cuenta y riesgo. El autor y editor, deniega cualquier litigio por cualquier
pérdida ocurrida por el uso o mal uso de esta publicación.
Está prohibido revender o compartir este libro. Pero para cualquier pregunta contactar a
webmaster@maseficaz.com .
3
ÉXITO David Valois
4
ÉXITO David Valois
www.MasEficaz.com
5
ÉXITO David Valois
6
ÉXITO David Valois
PRÓLOGO
CAPÍTULO 0
Hay principios inmutables para el éxito
Tu secreto: Guarda tus planes para ti
I
ACTITUD INTELIGENTE
CAPÍTULO 1
¿Porqué unos triunfan y otros fracasan?
¿Si el éxito y la felicidad se pueden conseguir porqué no lo
consigue más gente?
El peligro de la dejadez
Cómo fracasar
Se trata de elegir
7
ÉXITO David Valois
CAPÍTULO 2
La manera de pensar que te llevará al éxito
Todos tus pensamientos y malas elecciones vienen de años
acumulando información errónea
CAPÍTULO 3
El éxito se atrae, no se persigue
La gente no cambia, cámbiate tú
Todo importa
8
ÉXITO David Valois
CAPÍTULO 4
Formación, la gasolina para triunfar
Formación, el atajo al éxito
9
ÉXITO David Valois
II
BUENOS HÁBITOS
CAPÍTULO 5
El milagro de los buenos hábitos
Está probado que con buenos hábitos lograrás el éxito
CAPÍTULO 6
Cómo conseguir la autodisciplina
¿Qué es lo que hace falta para conseguir una buena disciplina?
Deja tu casa
10
ÉXITO David Valois
CAPÍTULO 7
Los hábitos del éxito
Haz tu lista
11
ÉXITO David Valois
III
METAS
CAPÍTULO 8
Todo tiene que estar acabado para poder empezar
La inspiración automática
Es imprescindible planificar
CAPÍTULO 9
Cómo diseñar tus metas
Estás a tiempo
12
ÉXITO David Valois
2 El poder de “Yo”
CAPÍTULO 10
Cómo planificar tus metas
La Planificación te ahorrará días enteros de trabajo
13
ÉXITO David Valois
14
ÉXITO David Valois
IV
ACCIÓN
CAPÍTULO 11
Acción
La razón porque algunos fracasan y otros triunfan puede ser
asombrosa
CAPÍTULO 12
Urgencia y concentración
Muévete con urgencia o sal del camino
15
ÉXITO David Valois
V
PERSEVERA
CAPÍTULO 13
Perseverancia
Perseverancia, el último ingrediente
No es el talento, es la perseverancia
CAPÍTULO 14
La felicidad te llevará al éxito y no al revés
Podemos ser felices ahora
NOTA FINAL
16
ÉXITO David Valois
Prólogo
17
ÉXITO David Valois
Por eso tú estás a tiempo. Y por eso una visión tuya antes de morir,
visualizando lo que no quieres que ocurra puede ayudarte mucho y
cambiar tu vida.
Y te vas a convertir en alguien mejor. Para tener más primero hay que
ser más. El esfuerzo constante y una planificación cuidadosa serán tu
gran baza para conseguir tus sueños. Yo te enseñaré cómo hacerlo
fácilmente para que se convierta en un hábito.
18
ÉXITO David Valois
David Valois
19
ÉXITO David Valois
0
Hay principios inmutables para el
éxito
He dividido el libro en cinco pasos. Unos dirán que son tres los
principios fundamentales del éxito, otros que siete, otros que diez… pero
al final son unas pocas cosas las que hay que seguir para tener éxito.
Son estos 5 pasos: tener una inteligente manera de pensar y actitud
ante la vida, dominar buenos hábitos, tener unas metas que perseguir,
ser una persona de acción y finalmente perseverar.
No soy tan listo ni presuntuoso para decir que tengo todas las
respuestas o que mis respuestas son las únicas. Lo que descubrirás en
el libro son los 5 pasos fundamentales para tu éxito que probadamente
20
ÉXITO David Valois
21
ÉXITO David Valois
Los celos y las envidias están a la orden del día, forman parte del ser
humano, ayer, hoy y siempre. Es posible que si vas pregonando por ahí
lo que estás haciendo, muchos intenten hacerte desistir de tus ideas.
Verán que tú estás cambiando, que les estás diciendo adiós a ellos y a
tu antiguo yo, y no estarán contentos quedándose solos en peor
situación.
Te voy a dar una buena noticia: no importa qué edad tengas para
empezar de nuevo y tener un éxito increíble. Siempre tendrás tiempo
para hacerte rico, para ser más feliz, para tener mejores relaciones o
para llegar a dónde tú quieras. Tienes en tus manos un documento que
contiene una fuerza imparable y estoy seguro que tendrás tanto interés
leyéndolo como yo cuando lo escribí.
Lo que vas a ver no son palabras impresas. Son palabras e ideas con
un poder único. Tu objetivo y el mío será transformar estas palabras
escritas en las herramientas de tu nueva vida. Una nueva vida con un
deseo imparable de conseguir cualquier cosa que quieras y de
22
ÉXITO David Valois
23
ÉXITO David Valois
24
ÉXITO David Valois
1 ACTITUD INTELIGENTE
2 BUENOS HÁBITOS
3 METAS
4 ACCIÓN
5 PERSEVERANCIA
25
ÉXITO David Valois
1
¿Porqué unos triunfan y otros
fracasan?
¿Por qué unos triunfan y otros no? Una pregunta que intriga a la
humanidad a lo largo de la historia. Las características de cada uno
arrojarán bastante de luz sobre este tema, pero todo empieza por tener
una sólida actitud. Una actitud que te haga cambiar buenos hábitos por
malos, que te haga aprender del pasado, que te haga planificar
constantemente y que te de la disciplina de seguir cuando la mayoría
abandona.
Si das un pequeño paso cada vez, hacer todo esto que el éxito
requiere es bastante fácil. Cambiar errores por buenos hábitos es fácil.
Llegar al éxito es fácil. Es fácil porque en pequeños pasos todo es
posible y la prueba es que otros lo han conseguido ya.
26
ÉXITO David Valois
El peligro de la dejadez
Las cosas que son fáciles de hacer también son fáciles de no hacer. Y
la principal razón porque la mayoría de gente no lo está haciendo tan
bien como puede se resume en una palabra: dejadez.
No lo hacemos porque, como te dije antes, las cosas que son fáciles
de hacer también son fáciles de no hacer. Así de sutil es el fracaso.
No hacer las cosas que sabemos que deberíamos hacer nos hará
sentir culpables. Esa culpabilidad atacará a nuestra autoconfianza. Y
27
ÉXITO David Valois
Cómo fracasar
¿Y por qué somos tan incautos de repetir esos errores día tras día?
Porque creemos que no importan.
28
ÉXITO David Valois
posponiendo.
Cómo no nos pasa nada horrible por repetir errores y malos hábitos,
como no hay consecuencias que llamen la atención, pasaremos los días
repitiendo errores, pensando pobremente y tomando decisiones pobres.
Como el mundo no se acabó ayer, lo que hicimos fue inofensivo. Como
parece que no hay consecuencias medibles, no pasa nada.
Desgraciadamente el fracaso no avisa. Si viene una tormenta nos
protegemos, si vemos un animal peligroso nos da tiempo de reaccionar,
pero el fracaso no avisa.
¿Podemos esperar a que ese error se repita otra vez? No. Tenemos
que actuar como si realmente viniera la tormenta y apartarnos al
momento. Por eso tenemos que tener una manera de pensar poderosa.
Con una poderosa filosofía personal que te guíe en cada paso, serás
mucho más consciente de tus errores y podrás mejorar lo inimaginable.
Y para eso es imprescindible que tengas un pensamiento y unos hábitos
sólidos.
29
ÉXITO David Valois
30
ÉXITO David Valois
Por eso tienes que ignorar los intentos de esa voz negativa que te
lleva al fracaso y hacer caso a la voz del éxito. Cada nuevo paso que
des al escucharla, junto a lo que aprenderás en este libro, fortalecerá tu
nueva actitud y multiplicará tus posibilidades de una gran vida.
Se trata de elegir
31
ÉXITO David Valois
Está claro que nunca borraremos totalmente la voz del fracaso. Estará
siempre allí agazapada esperando su turno. Pero podremos silenciarla
desarrollando una filosofía personal fuerte, una buena actitud que
nacerá de perseguir un gran futuro. Vigilaremos de reojo las costumbres
de repetir costosos errores y los sustituiremos por buenos hábitos.
Porque para aislar al fracaso podemos elegir.
Podemos hacer esa llamada adicional y trabajar esa media hora más,
o podemos invertir ese tiempo en no hacer nada.
32
ÉXITO David Valois
Se trata de elegir. Hace diez mil años era igual, los perdedores y los
triunfadores también tenían que elegir.
33
ÉXITO David Valois
2
La manera de pensar que te
llevará al éxito
34
ÉXITO David Valois
Imagina el clásico cliché de que sólo los ricos salen con guapas. Si
creemos que los hombres que quieran tener éxito con las mujeres
necesitan ser ricos, cada vez que veamos una mujer atractiva con
alguien rico reforzaremos nuestra teoría. En cambio no haremos caso de
las veces que veamos una mujer atractiva con un hombre que no es
rico. ¡Aunque pasen mil veces delante nuestro!
35
ÉXITO David Valois
practica una y otra vez ese buen hábito que tan buen resultado le da,
también lo hará de acuerdo a su filosofía. Lo mismo que el que hace el
trabajo justo, pasa sus ratos libres viendo la televisión, se dedica al
politiqueo y abandona algo en cuanto se pone difícil, él también actúa
correctamente de acuerdo a su filosofía.
Por eso tienes que tener una sólida manera de pensar, para no
distorsionar tu cabeza con falsas ideas y buscar la verdad.
36
ÉXITO David Valois
Pero no podremos ser una persona mejor hasta que borremos una
pobre manera de pensar con una actitud inteligente. Porque la
recompensa no es para el que la necesite, sino para quien hace el
esfuerzo. Y si tú haces tu parte con una buena actitud, los resultados
vendrán. Seguro.
37
ÉXITO David Valois
toma decisiones buenas, a otros que las toman mediocres, lo justo para
sobrevivir, y a algunos que sistemáticamente eligen siempre el peor
camino… que casi siempre coincide con el más fácil.
Nuestro día a día es una carretera llena de cruces donde siempre hay
que tomar una dirección. Elegimos madrugar o dormir más tiempo,
elegimos acostarnos pronto y estar más descansados o ver la televisión
toda la noche. Elegimos aumentar los conocimientos necesarios o no
aumentar el que tenemos.
Nuestras decisiones nos alejan del éxito o nos acercan. Algunas son
decisiones menores, pero otras son importantes. Y todas estas
decisiones nos llevarán a algún sitio en el futuro. Decisiones y más
decisiones, cada una nos da otra oportunidad de decidir la calidad de
nuestro futuro.
Por eso tenemos que tener una actitud inteligente. Para enfrentarnos
a esas elecciones que se presentarán sin avisar. Sólo una actitud
inteligente nos hará tomar una y otra vez las decisiones inteligentes.
38
ÉXITO David Valois
algunos el pasado pudo ser una enseñanza muy dura, pero igualmente
tenemos que dejar que nos enseñe.
39
ÉXITO David Valois
La quinta manera es ver los errores como amigos. Los errores son el
gran aliado de los triunfadores. Los beneficios de cometer errores son
inmensos. Los errores pasados te avisarán de objetivos que podrían
causarte la ruina. Los errores te dicen exactamente dónde puedes
mejorar y te abrirán el camino a otras oportunidades. Bienvenidos sean.
J.K. Rowling, la creadora de los exitosos libros Harry Potter, pasó por
todo eso antes de conseguir el éxito más absoluto y una fortuna
inmensa. En un discurso que dio en la Universidad de Harvard explicó
claramente los beneficios del fracaso: “El fracaso es el camino. Al
fracasar, tuve que detenerme para entender que tenía que dirigir todas
mis energías a lo que me interesaba... aún tenía una máquina de
escribir y grandes ideas”.
40
ÉXITO David Valois
41
ÉXITO David Valois
42
ÉXITO David Valois
Lo primero que hay que tener claro es lo que de verdad te gustaría ser
y tener. A partir de ahí vendrá el resto. Los grandes inventos se hicieron
porque primero alguien imaginó que eran posibles. Así se descubrieron
los continentes, el motor, la electricidad y los viajes espaciales. Nuestro
futuro dependerá de nuestra habilidad para ver ese mismo futuro. Y
todos tenemos la habilidad de soñar, diseñar y sentir ese futuro gracias
al poder de nuestra imaginación. Y lo que la mente tiene capacidad de
imaginar, también lo tiene de crear.
43
ÉXITO David Valois
3
El éxito se atrae, no se persigue
44
ÉXITO David Valois
45
ÉXITO David Valois
Para atraer más cosas buenas hay que hacerse mejor. Si la solución
para tener más es ser más, tenemos que buscar siempre maneras de
ser más. Tenemos que buscar siempre maneras de controlarnos, de
actuar cuando hay que actuar, de dedicar más tiempo a pensar, de
formarnos más, de practicar buenos hábitos, de tener la actitud
adecuada y de trabajar en lo que importa.
46
ÉXITO David Valois
Todo importa
Si antes has hecho poco lo notarás ahora. Alguien con poca actividad
47
ÉXITO David Valois
48
ÉXITO David Valois
Cuanto más lejos quieras llegar, más atento tendrás que estar a
cualquier error. No puedes esperar unos años a ver si tu plan ha
funcionado. Necesitas vigilar constantemente que tus planes den
resultados. No hacerlo puede salir muy caro.
49
ÉXITO David Valois
Todos los que deambulan con pobres resultados siempre tienen una
lista de argumentos que justifican su pobre situación. La culpa nunca es
de ellos. La culpa siempre es de su jefe, de sus amigos, de sus
compañeros, de su mala suerte, de la situación política o de quien sea.
Pero la verdad es que no pasa nada con su jefe, con sus amigos, con
sus compañeros, con su suerte ni con la situación política. Su jefe puede
ser bueno o malo, pero es él quién decide cambiarse de trabajo o
mejorar en todo lo que hace. Sus amigos son como los de todo el
mundo, los tendrá mejores y peores, al igual que sus compañeros. Y la
situación política no influye en la fuerza de voluntad.
Es mejor pensar que cada nuevo hábito que elijamos, cada nueva
50
ÉXITO David Valois
51
ÉXITO David Valois
Sólo por la emoción del reto merece la pena, sólo por no pasar los
siguientes años arrepintiéndonos de hasta dónde podríamos haber
llegado, merece la pena.
52
ÉXITO David Valois
53
ÉXITO David Valois
4
Formación, la gasolina para
triunfar
Lewis Carroll
Hay gente que gana hasta cien veces más tu salario. ¿Eso significa
que sean 100 veces más inteligentes o productivos que tú?
Si preguntas a los que han logrado el éxito qué es lo que más les
54
ÉXITO David Valois
55
ÉXITO David Valois
contagiosa.
56
ÉXITO David Valois
Tus nuevos héroes serán los que han triunfado en lo que te interesa.
Lee sus libros, haz sus cursos y pasa tu tiempo almacenando sus
conocimientos. Nunca dejes pasar los libros que pueden cambiar tu
vida.
Todos los libros que necesitamos para hacernos ricos, estar sanos,
ser felices, saber tratar con gente o cualquier tema que se te ocurra ya
se han escrito. Y fíjate bien que digo todos.
57
ÉXITO David Valois
58
ÉXITO David Valois
Lee, lee y lee, nunca podré insistir suficientemente en esto. Las cosas
59
ÉXITO David Valois
¿No tienes tiempo para leer cómo quisieras? Pues aprovecha las
increíbles ventajas de los audiolibros y programas formativos de audio.
He aquí como lo obtendrás.
60
ÉXITO David Valois
61
ÉXITO David Valois
62
ÉXITO David Valois
1 ACTITUD INTELIGENTE
2 BUENOS HÁBITOS
3 METAS
4 ACCIÓN
5 PERSEVERANCIA
63
ÉXITO David Valois
5
El milagro de los buenos hábitos
64
ÉXITO David Valois
El éxito actúa igual, pero más rápido. Si tienes un plan para realizar
cinco llamadas hoy y superas tu cuota hasta llegar a siete, has
adelantado dos llamadas. Si actúas hoy igual con tus otras acciones y
con tu plan de ahorro, pronto verás los frutos. ¡Y no digamos dentro de
un año! La disciplina te abrirá las puertas de la riqueza y la felicidad, te
dará el placer de estar orgulloso de ti mismo y de saber que puedes con
todo. Luego esa confianza en ti mismo te abrirá más puertas, empezarás
a tener mejores relaciones y aumentarás aún más tus riquezas.
65
ÉXITO David Valois
mísero sueldo, será más duro trabajar en un empleo que odies, será
más duro estar encerrado en esa oficina con un trabajo gris, será más
duro estar todo el día sin inspiración y será más duro no ganar mucho
más dinero del que puedes.
Los hábitos que decidirán tu futuro están ahí, lo que comes, el tiempo
que dedicas a leer, cómo gastas tu dinero, cómo distribuyes tu tiempo, lo
que dices a la gente, si eres puntual, cómo atiendes al teléfono o cómo
organizas tu casa decidirán tu vida. La suma de tus hábitos dirá dónde
estás y de lo que eres capaz. Es bastante predecible. Por ejemplo, si no
eres puntual tu estrés será alto y tendrás varios problemas por falta de
seriedad. Pero si tu puntualidad es un hábito, eliminarás muchos
problemas y tendrás fama de persona seria.
66
ÉXITO David Valois
67
ÉXITO David Valois
68
ÉXITO David Valois
69
ÉXITO David Valois
clave es que empieces con los hábitos que te permitan llevar la vida que
te guste, que no andes agobiado por el dinero y tengas la tranquilidad de
saber que el futuro está en tus manos.
Los hábitos que desarrolles desde hoy serán los que dirán dónde
acabas. Dirán si serás rico o pobre, si tendrás salud o no y si serás feliz
o no.
70
ÉXITO David Valois
Pero en cambio hay otros con buenos hábitos que sí están viviendo la
vida que les gusta vivir. Y eso es la prueba de que se puede. Si quieres
crecer, si realmente quieres crecer, sal del cubículo y empieza a pensar
en grande. Puedes darle la vuelta. Puedes reconvertir los malos
resultados del futuro en resultados positivos. Sólo tienes que sustituir tus
malos hábitos por buenos.
Para tener éxito y lograr grandes cosas tienes que tener costumbres y
hábitos sólidos. Imagínate este escenario: llamas al arquitecto de tu gran
edificio y le dices “Quiero construir un edificio de treinta pisos en esta
misma base donde está mi casa de un piso. ¿Me puedes ayudar?”
Mirará tu propiedad y te dirá que sí, que puede construir una casa de
treinta pisos, pero que primero tiene que deshacerse de la estructura
existente y construir un base nueva y más profunda. “¿Pero no podemos
utilizar la base actual?”, querrás saber tú para hacer una transacción lo
más cómoda posible. Y la respuesta lógicamente será que no, para un
edificio mayor necesitarás una base nueva y más profunda.
71
ÉXITO David Valois
Tus hábitos son algo que puedes controlar. Y te aseguro que ya estás
equipado para poder cumplir cualquier expectativa. No hay nada que no
puedas conseguir, pero sin una base sólida no es posible. Los buenos
hábitos tienen que estar en todos los órdenes. Muchos verán a ese tipo
gordo que es millonario y pensarán: “Pues lo ha conseguido sin tener el
hábito de dominar su dieta y su cuerpo”. Lo ha conseguido
financieramente, sí, ¿pero a qué precio? A mí no me gustaría tener unos
cuanto millones en el banco y un ego y un peso patéticos. No quiero el
mejor coche y negocio a costa de mis relaciones. No quiero éxitos
materiales si no tengo tiempo de ser feliz con las personas que quiero.
No quiero una vida llena de dinero pero breve. Quiero que mi cuerpo y
72
ÉXITO David Valois
mi mente puedan vivir a gusto con mis éxitos. Y eso significa construir
una buena base para dominar el cuerpo y la mente.
¿Por qué tantos famosos tienen problemas con el alcohol, las drogas,
la comida y otras adicciones? Porque no han mejorado otros hábitos
distintos a los de ganar dinero. Porque llevan más peso del que su
cabeza les deja manejar. Correr un maratón de 42 kilómetros cuando no
eres capaz de correr 3 kilómetros seguidos y cuando tu sobrepeso no te
deja apenas moverte es, en el mejor de los casos, ridículo, y en el peor,
peligroso.
Recuerda a ese actor que tras varios años consiguió un enorme éxito
con su película y de la noche a la mañana se hizo famoso y millonario.
73
ÉXITO David Valois
74
ÉXITO David Valois
Por eso tenemos que rastrear cada pequeña indisciplina para corregir
errores y mejorar nuestros resultados. Hay que ir a por el más
insignificante de los errores. Si lo transformamos en un buen hábito el
beneficio será exponencial. Así, cuando tu nueva vida de disciplina
empiece, estos errores darán paso a grandes beneficios.
Pero recuerda siempre: tan fácil como hacer las cosas que traen el
éxito es fácil no hacerlas.
75
ÉXITO David Valois
6
Cómo conseguir la autodisciplina
Todos tenemos esa voz dentro. Nadie se libra. Pero el truco está en
tener la disciplina de no obedecerla. Dile que no le vas a hacer caso.
Dile lo patética que es. Cuando empieces a reírte de ella y a no
escucharla retomarás el control de tu vida.
76
ÉXITO David Valois
77
ÉXITO David Valois
No digas nunca más “Si pudiera lo haría”. A partir de hoy di: “Si
quiero, puedo”. Empieza tu nuevo estilo de vida de disciplina con poco:
cinco minutos más trabajando, diez minutos más madrugando, dos hojas
más escritas o un armario ordenando. Empieza con poco pero mantente
firme.
78
ÉXITO David Valois
79
ÉXITO David Valois
80
ÉXITO David Valois
81
ÉXITO David Valois
Deja tu casa
¿Sabes por qué sigues con hábitos que ya sabes que te perjudican?
Porque es como estar en tu casa. Te sientes en casa con ellos. Y ya se
sabe, como en casa en ningún sitio.
82
ÉXITO David Valois
Todos pagan.
Para hacerte mejor tienes que empezar desde donde estás. Para
ganar tu primer millón tienes que ganar un céntimo primero. Por eso los
que son incapaces de ganar un poco no pueden ganar mucho. La
disciplina que se necesita para ganar los primeros céntimos es la misma
que se necesita para manejar billones.
No hay nada malo en jugar a tener éxito por placer. Nada malo. Pero
no esperes a jugar en primera división si sólo entrenas los domingos por
la tarde. No puedes dedicar parte de tu tiempo libre a una afición y
pretender un oro olímpico.
La gente muchas veces me dice: “Me gusta tal o cual cosa pero no
tengo ni el equipo ni las facilidades adecuadas.”
Mentira.
83
ÉXITO David Valois
84
ÉXITO David Valois
Te aseguro que existe y está en la zona del miedo, por eso tienes que
lanzarte en carrera a por él. Lánzate a las cosas que te den miedo, sal
de tu zona de comodidad y el miedo desaparecerá automáticamente. En
cuanto empieces con ese proyecto que tanto te impone o en cuanto
hables con todas esas personas que también te imponen, notarás al de
tres segundos que has perdido el miedo y que nada es lo que parecía.
85
ÉXITO David Valois
Tu mente hará lo que más deseas, pero si tu miedo es más fuerte que
tus deseos, éste se manifestará de mil maneras distintas. El enemigo
más feroz es el enemigo interno, el autosabotaje, y el único amigo que le
puede derrotar es el amigo interno. Porque se trata realmente de que
seas un vigilante. Se trata de que seas firme y auto disciplinado.
86
ÉXITO David Valois
87
ÉXITO David Valois
positivo.
Otra vez:
88
ÉXITO David Valois
1. Di “No”
Sé lo que piensas, que no puede ser tan fácil. Pero lo es. Lo que no
será fácil será pasarte el día deprimido sin intentar esta técnica y
agobiado por los pensamientos negativos. Somos lo que pensamos. Si
piensas en luz tendrás luz. Y si piensas en la oscuridad, tendrás
oscuridad.
89
ÉXITO David Valois
Serás como esa persona que siempre tuvo suerte. Cuando empezó
era el que más vendía, cuando subió en su empresa era el que más
ganaba. Cuando se cambió a un puesto mejor también tuvo el que más
suerte. Más tarde cuando fundó su propia empresa no paró de vender y
aumentar sus beneficios. También consiguió casarse con esa mujer
extraordinaria. ¡Qué suerte!
Pero no fue suerte. No nació con la suerte, no era algo innato que le
regalaron. Fue algo que él se encargó de trabajar. Si quería algo, antes
lo pensaba. Soñaba con vender más y pensaba en lo qué tenía que
hacer para conseguirlo. Cómo hacer más llamadas en menos tiempo,
cómo concentrarse en la persona a la que iba a hablar, lo positivo que
sería y los grandes argumentos que le expondría. Utilizaba siempre el
90
ÉXITO David Valois
91
ÉXITO David Valois
7
Los hábitos del éxito
Haz tu lista
92
ÉXITO David Valois
• Traer comida de casa para el trabajo para comer más sano y más
barato
93
ÉXITO David Valois
94
ÉXITO David Valois
95
ÉXITO David Valois
Mata los viejos malos hábitos y adopta los que vienen a continuación.
¿Qué prefieres, trabajar estos hábitos o no estar preparado y llevar una
vida de desesperación y directa a la ruina? La elección es tuya.
96
ÉXITO David Valois
Aquí van unos hábitos que puedes adoptar ya mismo y ver cómo tu
vida se propulsa. Son los que más impacto han tenido en mi vida y en la
de muchos otros:
HÁBITO 1
Planifica
97
ÉXITO David Valois
98
ÉXITO David Valois
vida personal?
99
ÉXITO David Valois
HABITO 2
100
ÉXITO David Valois
101
ÉXITO David Valois
HABITO 3
102
ÉXITO David Valois
El éxito deja pistas. Habla con ellos. Si puedes, vete a comer o tómate
un café con ellos. Si no puedes, únete a asociaciones o clubs donde va
esa gente. Las asociaciones profesionales son una buena opción. Ahí
siempre están los mejores en su campo. Si vas a sus reuniones y
comidas tendrás tu oportunidad. Porque todo el tiempo que pases con
ellos tendrá una enorme influencia. Si eres sincero con ellos y les dices
lo que piensas, si ven que realmente quieres aprender de ellos, te
dedicarán tiempo. Te sorprenderías.
103
ÉXITO David Valois
HABITO 4
No contaminarte
Aléjate de los que sutilmente quieren verte con una mala imagen
porque sino evitarás los caminos que llevan a hacerte mejor y ser un
líder. Y además estarás basado en una mentira. Todo lo que se puede
ser, lo puedes ser tú. Si tú crees que vas a ser un buen jefe o líder lo
serás. Si crees que los obstáculos a tu alrededor no te afectan, entonces
sólo hay una verdad: que no te afectarán y podrás seguir con tu vida
hasta donde quieras.
104
ÉXITO David Valois
HABITO 5
105
ÉXITO David Valois
106
ÉXITO David Valois
HABITO 6
107
ÉXITO David Valois
HABITO 7
¿Crees que será peor? No, amigo mío, al de unos minutos te invadirá
la satisfacción y un poco más tarde la felicidad será completa. Ver cómo
avanzas hacia tus metas no tiene precio.
Cuando la vida se pone cuesta arriba, sólo hay que encontrar algo
importante, algo que merezca la pena hacer. Sólo un pequeño primer
paso, eso es lo importante. Que no te imponga, porque el miedo saldrá
corriendo cuando te vea en marcha. Esta actitud es la que construye a
los grandes, como tú.
108
ÉXITO David Valois
HABITO 8
__________________________
Pero si controlas tus hábitos podrás llegar tan lejos como quieras. Tu
mente hará lo que tú le ordenes. Estás dónde estás y eres lo que eres
gracias a tus hábitos mentales.
109
ÉXITO David Valois
110
ÉXITO David Valois
1 ACTITUD INTELIGENTE
2 BUENOS HÁBITOS
3 METAS
4 ACCIÓN
5 PERSEVERANCIA
111
ÉXITO David Valois
8
Todo tiene que estar acabado
para poder empezar
Seguro que ya lo has oído. Seguro que lo has visto varias veces y
piensas que esto es el típico capítulo de un curso de mejora personal.
“Ahora viene lo de las metas, una vez más.”
112
ÉXITO David Valois
La inspiración automática
Todo lo que nos rodea fue antes una idea en la mente. Las casas en
las que vivimos, las herramientas que usamos, las películas que vemos,
los viajes que hacemos, nuestro estilo de vida y todo lo que tenemos,
empezó con una idea en la cabeza de alguien. Luego la idea fue
perfeccionada mentalmente y en papel. Y eso es lo mismo que tienes
que hacer tú con tus metas.
113
ÉXITO David Valois
¿No puedes hacer realidad tus sueños desde dónde estás? Entonces
busca otro espacio, otro trabajo, otra ciudad, otras amistades, otros
libros otras compañías, otro horario u otra mentalidad para poder
cumplirlos. No vale perseguir suavemente la meta que queremos. No
vale que una meta sea un deseo. Los deseos son las pastillas para
relajarse que toman los poco ambiciosos, un narcótico que nubla la
conciencia. Los deseos sólo sirven para autoengañarse.
114
ÉXITO David Valois
115
ÉXITO David Valois
Es imprescindible planificar
116
ÉXITO David Valois
Tener metas bien definidas es esencial para tus planes. Estas metas
se deben escribir y luego planificar. Nuestro viaje al éxito no es un
paseo. Necesitamos seleccionar un destino específico y un plan para
llegar. Necesitamos anticiparnos a los obstáculos para responder
cuando aparezcan. Y para eso tenemos que planificar.
Tu plan será personal. Tú eres el jefe, porque eres el que más sabe
sobre tus metas. Ignora las opiniones de otros, no influyen en tus planes
ni en la vida que quieres. Sus opiniones raramente son objetivas, los
demás sólo te dirán lo que a ellos les conviene, no lo que te conviene a
ti. Si tu plan no les favorece harán críticas, así que tú a lo tuyo.
117
ÉXITO David Valois
118
ÉXITO David Valois
Antes de seguir quiero remarcar una cosa: que Ángel dedicaba una
hora al día para pensar y planificar en solitario. Se sentaba o se
tumbaba y sólo pensaba en posibilidades, combinaciones, planes y más
planes.
Una de las razones del éxito de Ángel fue pensar y planificar. Así
119
ÉXITO David Valois
120
ÉXITO David Valois
tienen sobre lo que les pasa, es porque sus metas son demasiado
pequeñas y vagas.
Una Gran Meta es una meta que vive y respira. Tu Gran Meta te
levantará de un salto por la mañana. Puedes probarla, olerla y sentirla.
La has escrito y la tienes claramente dibujada en tu cerebro. Y te
encanta reescribirla, porque cada vez que lo haces te llenas de
determinación.
¿Alguna vez te gustó tanto una película que repetiste? Pues pensar
en tu Gran Meta es lo mismo, es como crear una película mental que
puedas ver tanto como sea posible. Hazte una película donde la estrella
seas tú, viviendo los beneficios de conseguir tu Gran Meta.
121
ÉXITO David Valois
9
Cómo diseñar tus metas
Estás a tiempo
122
ÉXITO David Valois
123
ÉXITO David Valois
Escribir tus metas es muy fácil pero el peligro es que también es muy
fácil no escribirlas. ¿Por qué no empiezas hoy? ¡Decídete! ¡Sin piedad!
Harás algo que la mayoría no hace en toda su vida. Sólo escribiéndolas
ya te colocarás en la pista rápida.
124
ÉXITO David Valois
Antes que nada tienes que saber exactamente a dónde quieres llegar
en tu vida. Necesitas saber lo que quieres, necesitas el plano para
construir la casa. Jamás destacarás ni te enriquecerás si no sabes lo
que quieres. ¿Quieres conocer los dos ingredientes para averiguar tus
metas?
125
ÉXITO David Valois
Lápiz y papel. Escribe todas las cosas que te gustaría hacer o tener
en tu vida ideal. Pueden ser cinco, diez o cien. Las que tú quieras. Es un
buen ejercicio que clarificará tus ideas. Anota todo aquello con lo que
sueñas y fantaseas. Todo lo que harías o tendrías si tuvieses mucho
dinero. No dudes en escribir la cosa más rara o exótica, se trata de tu
vida, si quieres tener una isla en el pacífico, escríbelo y si lo que quieres
es irte a vivir al desierto en una tienda de campaña, escríbelo también.
Da rienda suelta a tu imaginación. Sin limitaciones. ¿Quién te gustaría
ser? ¿Cómo sería tu casa ideal? ¿Quién te acompañaría todo ese
tiempo? ¿En qué consistiría tu trabajo? ¿Y tu tiempo libre? ¿Cómo sería
tu día normal? ¿Dónde te despertarías? ¿Alguien te haría el desayuno?
¿Te darías un baño en la playa antes de ir a trabajar? Describe tu día
completo de la mañana a la noche. Sin límites.
126
ÉXITO David Valois
127
ÉXITO David Valois
128
ÉXITO David Valois
Así que si crees estar atrapado sin ninguna meta que te motive, se
negativo primero.
129
ÉXITO David Valois
130
ÉXITO David Valois
“Quiero tener más tiempo” puede ser disfrutar de los fines de semana
o de seis horas adicionales al día.
“Quiero hacer más ejercicio” pueden ser 30 minutos al día o una vez
al mes, puede ser andar o hacer bicicleta.
131
ÉXITO David Valois
132
ÉXITO David Valois
133
ÉXITO David Valois
Habrás oído mil veces que hay que tener una vida equilibrada. Yo te
lo diré más sencillo: tienes que tener hueco para la diversión. Si algunas
metas, lógicamente, incluyen trabajo para llegar a tus objetivos, tienes
que ser creativo para tener metas de diversión. Se puede. Es un mito
que perseguir metas profesionales o hacerte rico es incompatible con
tener tiempo libre y divertirte. De hecho los ricos son los que más se
divierten.
Así que incluye en tus metas algo, para hacer que progresen los
demás. Se te pagará con creces.
134
ÉXITO David Valois
Como lo oyes.
_________________________
135
ÉXITO David Valois
136
ÉXITO David Valois
137
ÉXITO David Valois
Si al final todavía tienes alguna duda entre las primeras metas sobre
cuáles son las tres más importantes, piensa en las consecuencias
negativas de no lograrlas. Por ejemplo: las consecuencias negativas de
no tener X dinero en el banco puede ser no depender de ti mismo y no
poder viajar a determinados sitios en determinadas épocas. A veces la
consecuencia negativa es suficiente por sí misma para aupar un objetivo
a las primeras posiciones.
138
ÉXITO David Valois
Y ahora vamos a ver como planificar tus metas para acelerar aun más
su consecución.
139
ÉXITO David Valois
10
Cómo planificar tus metas
140
ÉXITO David Valois
141
ÉXITO David Valois
142
ÉXITO David Valois
planificar. Empieza por unos minutos cada día (en cuanto veas las
ventajas subirás ese tiempo), si hasta ahora no lo has hecho. Será tu
punto de partida para una vida completamente nueva. Sólo tienes que
pensar en calma qué tareas son las más importantes, asignar
prioridades y prever la manera más rápida de hacerlo.
143
ÉXITO David Valois
144
ÉXITO David Valois
145
ÉXITO David Valois
cuando te jubiles.
Por algo el rico se hace más rico y el pobre más pobre. El rico se ha
hecho rico planificando y seguirá planificando aún más y haciéndose
más rico. En cambio el pobre seguirá pobre porque seguirá sin
planificar. Dirá que no tiene suficiente dinero para planificar nada. Pero
ahí está la trampa. Si se tiene medio dólar se puede planificar también lo
que se gastará y lo que se ahorrará de ese dólar, así se empieza. Se
aprende con poco dinero y cuando se tenga más no se dará nunca un
paso en falso. El karma del universo se encargará de premiar esa
planificación.
146
ÉXITO David Valois
¿Qué es lo que puede salir mal, o no tan bien? ¿Quién puede fallar?
¿Qué pasaría si algo no está terminado a tiempo? ¿Si en el momento
147
ÉXITO David Valois
Y ahora una idea: ¿Por qué no pones ese Plan B en marcha sin que
ocurra nada de lo anterior? Los beneficios pueden ser indescriptibles.
148
ÉXITO David Valois
que las listas hacen las cosas triviales. Pero hacen todo lo contrario, las
listas dan poder.
Ocurre algo al escribir las cosas que las hace más reales. Si escribes
todo lo que tienes pendiente y lo que quieres conseguir, podrás
planificar mucho más rápido.
Las listas tienen enormes posibilidades. Empieza por escribir todas las
cosas que te gustaría hacer antes de morir, todas tus metas y submetas.
Escribe tus planes y los ingredientes físicos y mentales que necesitarás.
Puedes escribir también los pensamientos que se te ocurran y las ideas
para conseguir lo que quieres. Incluso una lista de las futuras personas
de tu vida, te sorprenderías cómo te ayudará a mantener tus relaciones
y conocer gente nueva.
La gente de éxito tiene listas para todo, para las metas, para sus
planes, para los asuntos pendientes, para frases que les llaman la
atención, para los libros que ha leído y los que quiere leer y para
muchas cosas más. Las listas dan a su vida un sentido y dirección.
149
ÉXITO David Valois
150
ÉXITO David Valois
151
ÉXITO David Valois
Y también sirve para apuntar experiencias. Si cada día tienes algo que
decir, pues mejor. Porque todos los pensamientos, conclusiones y
experiencias del día merecen ser escritos. El sólo hecho de escribir
152
ÉXITO David Valois
153
ÉXITO David Valois
154
ÉXITO David Valois
155
ÉXITO David Valois
156
ÉXITO David Valois
1 ACTITUD INTELIGENTE
2 BUENOS HÁBITOS
3 METAS
4 ACCIÓN
5 PERSEVERANCIA
157
ÉXITO David Valois
11
Acción
Verás que tras practicar muchos principios del éxito, algunos pueden
quedarse bastante lejos de sus objetivos. A pesar de todo su esfuerzo
por desarrollar una actitud que lleve al éxito y de absorber día a día
nuevos conocimientos, todo aquello con lo que sueñan sigue
esquivándoles.
158
ÉXITO David Valois
Y por otro lado están esos que reciben mucho con muy pocos méritos.
Esos que a pesar de su falta de virtudes y conocimientos llegan lejos.
No han tenido una buena formación y su actitud respecto a los demás es
insultante. Lo único que comparte con los que deberían tener éxito pero
consiguen tan poco, es un intenso deseo de avanzar.
Todos lo hemos visto. Nos parece injusto que gente sin ética y
algunos delincuentes se hagan ricos, pero ocurre. Algunos muerden el
anzuelo y creen erróneamente que la falta de ética es el camino para
triunfar: “Mira que bien les va a esos delincuentes. ¡Si es que para ser
rico hay que ser mala persona!”
Pero aquí está la clave, aquí está por qué esa gente que parece
tenerlo todo para triunfar nos está engañando. Veamos, sigue
escarbando ¿Qué más ves en esta gente? ¿No notas que Don Gran
Potencial a la hora de la verdad no toma acción?
159
ÉXITO David Valois
Mientras ellos sueñan con la promesa del futuro, “los malos” están
trabajando. Está claro que su actitud es condenable, pero toman acción
con una intensidad y entrega que les haría palidecer.
160
ÉXITO David Valois
Peligrosísimo.
161
ÉXITO David Valois
162
ÉXITO David Valois
163
ÉXITO David Valois
Pero por suerte ese error es fácil de reparar. Cualquier día que
elijamos podremos desarrollar una nueva disciplina en vez de huir. Cada
vez que elijamos la acción sobre lo fácil, cada vez que elijamos trabajar
en vez de descansar, aumentaremos muchísimo nuestra valía, nos
respetaremos más y nuestra autoconfianza se irá por las nubes.
164
ÉXITO David Valois
165
ÉXITO David Valois
siquiera tenía la certeza de que le iban a publicar, pero aún así continuó.
166
ÉXITO David Valois
167
ÉXITO David Valois
12
Urgencia y concentración
¡Tú puedes conseguir el éxito! Tú puedes avanzar diez veces más que
los demás. Sólo tienes que tener un continuo sentido de urgencia y
concentración. El reloj no se para. Tienes la habilidad de alcanzar lo que
quieras pero que tienes que empezar ya, como si fuera una urgencia.
168
ÉXITO David Valois
Por ejemplo, nueve de cada diez millonarios no han tenido una idea
mejor que otros. No han reinventado la rueda. Han aplicado una idea
conocida dándole su toque personal y sobre todo han hecho lo más
importante: tomar acción y actuar como si les fuera la vida en ello. No
cuenta la idea sino la urgencia con la que se aplica.
169
ÉXITO David Valois
170
ÉXITO David Valois
171
ÉXITO David Valois
¿Cuánto descaso y cuanta acción? Una buena táctica será hacer del
descanso una necesidad, no un objetivo. El descanso sólo será una
pausa necesaria mientras asaltamos el siguiente objetivo y conseguimos
otro buen hábito. Un descanso excesivo se castiga con la mediocridad.
172
ÉXITO David Valois
173
ÉXITO David Valois
Normalmente nos paraliza la idea de tener que hacer un gran proyecto. Pero
hay un truco que puede ayudarte a empezar y acabar ese proyecto mucho
antes de lo que imaginas. Y es algo tan sencillo como hacer un pequeño
movimiento que te ponga en marcha.
174
ÉXITO David Valois
175
ÉXITO David Valois
Nos dará oportunidades pero nos pedirá también que actuemos con
urgencia y concentración.
176
ÉXITO David Valois
1 ACTITUD INTELIGENTE
2 BUENOS HÁBITOS
3 METAS
4 ACCIÓN
5 PERSEVERANCIA
177
ÉXITO David Valois
13
Perseverancia
178
ÉXITO David Valois
¿Por qué no todos hacemos uso de esa energía? ¿Qué nos aleja de
perseverar hasta tener éxito?
No es el talento, es la perseverancia
179
ÉXITO David Valois
180
ÉXITO David Valois
181
ÉXITO David Valois
Lo dijo Goethe:”Hasta que te lanzas hay duda, pero hay una verdad
suprema que debes saber. Que en el momento en que definitivamente
te decides, la providencia se decide también”. Si te lanzas y te pones en
marcha, ocurrirán todo tipo de cosas que de lo contrario, no hubieran
ocurrido. Una serie de hechos se moverá a tu favor, todo tipo de
incidentes imprevistos y ayuda material te llegará, cosas que ni siquiera
hubieras soñado.
Si eres serio sobre tener éxito, empieza hoy mismo. Cualquier cosa
que puedas hacer y soñar, empiézala ya. La perseverancia tiene poder.
Tú sólo empieza y el trabajo se completará.
182
ÉXITO David Valois
Hay una verdad sobre el éxito que nadie ve. Y es que sólo se tiene
que tener éxito una vez. Puedes fracasar una y otra vez, pero sólo
necesitas un gran éxito para borrar todos tus fracasos previos. Esto
explica por qué muchos de los más exitosos de la historia han tenido
antes también los mayores fracasos.
183
ÉXITO David Valois
Uno de los estudios más significativos sobre el éxito dice que el 95%
de las metas se consiguen sólo si no se abandona. El estudio dijo que
no es la falta de oportunidades ni habilidades lo que hace fracasar, sino
el no perseverar.
184
ÉXITO David Valois
perseverar todo lo que sea necesario para que las posibilidades de tus
metas se incrementen dramáticamente.
Mucha gente, cuando establece una meta, hace casi todo lo que se
necesita. Pero eso no es suficiente. ¿Y cuál es ese precio extra?
Aguantar siempre dando un paso más cuando las cosas se tuercen. La
mayoría nunca responde a la adversidad. Empiezan el viaje al éxito y en
cuanto ven lo que cuesta se dan la vuelta. Abandonan su sueño. No
quieren pagar el precio. Empiezan fuerte pero a la mínima contrariedad
se rinden.
185
ÉXITO David Valois
186
ÉXITO David Valois
14
La felicidad te llevará al éxito y no
al revés
¡Podemos tener toda la felicidad ahora! No hay que esperar hasta que
seamos ricos, poderosos o famosos para ser felices. No tenemos que
posponer disfrutar de la vida hasta alcanzar nuestras metas
profesionales. Podemos vivir una vida alegre y genial desde hoy.
Por un poco más que el precio de una entrada, cualquiera puede ver
una buena película o un concierto. Cuesta lo mismo y nos puede inspirar
tanto o más que verlo en un lujoso salón privado o en un palco Vip.
Tampoco tienes que ser dueño de un museo para disfrutar de las obras
de los mejores artistas. Un cumplido recibido o entregado con
sinceridad, puede ser más significativo que el dinero. Y ese bosque para
pasear sigue siendo gratis.
No tenemos que ser ricos para tener una vida rica. Toda la felicidad
187
ÉXITO David Valois
que queramos puede ser nuestra hoy mismo. Sólo hay que cambiar
cómo nos sentimos sobre nuestra vida. La felicidad es una causa y la
prosperidad el efecto.
188
ÉXITO David Valois
amigos con los que nos sentimos bien y cuya sólo presencia nos alegra
el día, es algo a lo que no se puede esperar hasta tener éxito.
Todo lo que quieras tener en el futuro practícalo desde ya. Por eso es
fundamental que independientemente de otros objetivos, no te olvides
de practicar ser feliz hoy mismo, en cada minuto.
Si alguien nos pidiera el día de hoy para juzgar nuestra vida entera
diríamos. “¡No! Hoy no es uno de mis mejores días. Pero dentro de un
par de años te daré un día que estoy seguro que representará mi vida. “
¿Y por qué no hoy? ¿Por qué no avanzar todo lo que puedas hoy?
¿Por qué no madrugar hoy? ¿Por qué no leer un buen libro hoy? ¿Por
qué no hacer una buena amistad hoy? ¿Por qué no trabajar duro hoy?
¿Por qué no intentar ganar más hoy? ¿Por qué no dar más de ti hoy?
189
ÉXITO David Valois
190
ÉXITO David Valois
Para experimentar la vida, tenemos que dejar que nos lleve. Tenemos
que buscar siempre el crecimiento. No son sólo las experiencias
positivas. También tendremos disgustos y algunas tristezas por las
nostalgias. Pero serán emociones que nos enriquecerán y nos darán un
entorno mucho más lleno. Para vivir una vida única tenemos que tener
una amplia gama de experiencias y emociones. No vale aislarse. No
vale centrarse sólo en un interés. Sólo si vivimos muchas experiencias
podremos vivir una nueva vida con sustancia.
Por eso ese viaje económico bien planificado, ese detalle de alguien,
esas palabras dichas en su momento exacto, esas amistades que tanta
191
ÉXITO David Valois
192
ÉXITO David Valois
NOTA FINAL:
¿Por qué?
Y así pasa con la vida. Pasan los minutos, las horas, los días y los
años hasta que una mañana se descubre que la oportunidad se ha ido.
Y pasamos nuestros últimos años pensando en lo que podía haber sido,
arrepintiéndonos de lo que nunca hicimos y nunca tendremos.
193
ÉXITO David Valois
194
ÉXITO David Valois
www.maseficaz.com/LibroGT.html
195
ÉXITO David Valois
"Se Rieron Por Lo Bajo cuando Les Dije que me Haría Rico,
Pero Cuando Vieron Mi Nuevo Estilo De Vida..."
www.maseficaz.com/LibroFI.html
196
ÉXITO David Valois
www.maseficaz.com/LecturaRapida.html
197
ÉXITO David Valois
www.maseficaz.com/LibroMM.html
198
ÉXITO David Valois
www.maseficaz.com/LibroMO.html
199
ÉXITO David Valois
200