Tabla 8.

Varianzas de prediccin mnima, mxima y promedio ((g)2 /l) para la variable clorofila "a", usando
los mtodos kriging y cokriging (con base en informacin auxiliar de la variable IGC(4)). Entre parntesis se
encuentran la ganancia en precisin respecto al mtodo kriging con informacin incompleta.
MTODO
VARIANZA DE
VARIANZA DE
VARIANZA DE
PREDICCIN
PREDICCIN
PREDICCIN
MXIMA
MNIMA
PROMEDIO
Kriging con datos en 107 sitios de
379 (25%)
0
muestreo (informacin completa)
Kriging con datos en 54 sitios de
506 (0%)
0
194.147(0%)
muestreo (informacin 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)

De los resultados de la tabla anterior se concluye, como era de esperarse, que la

reduccin en el nmero de observaciones (reduccin del nmero de sitios de muestreo) a
cerca de la mitad, ocasiona un aumento en la varianza de prediccin de la variable
considerada. No obstante dicho aumento es menor cuando se aplica el mtodo cokriging
utilizando como variable auxiliar la variable IGCi(4). Al hacer la prediccin de la variable
clorofila "a" con menos informacin empleando el mtodo cokriging se gana un 4% en
trminos de la varianza mxima y un 2.1 % , en trminos de la varianza promedio (promedio
de 53 varianzas estimadas), de precisin respecto al mtodo kriging con datos incompletos.
Teniendo en cuenta lo anterior y que la variable clorofila "a" presenta altos costos de
muestreo (pasar de 107 sitios a 54 disminuye en ms del 200% (cerca de 2 millones de
pesos) los costos (Giraldo et al., 2001) se recomienda en este caso la aplicacin del mtodo
de cokriging. Con la conclusin anterior no se indica que el nmero ptimo de puntos de
muestreo para la variable clorofila "a" en el ecosistema de estudio debe ser 54, slo se
muestra que en los casos en que se tiene informacin de variables auxiliares como las aqu
utilizadas es preferible el uso del predictor cokriging. Un estudio del nmero ptimo de
sitios de muestreo requiere del diseo de una red de muestreo. Para lo anterior se puede
consultar Giraldo et al (2001).
5.5.2. Estudio Multivariado del Comportamiento Espacial de Variables Fisicoqumicas y
Biolgicas Medidas en el Estuario Cinaga Grande de Santa Marta.

Se emplea la informacin de las variables salinidad, slidos en suspensin (mg/l),

nitritos (mol/l), silicatos (mol/l) y clorofila a(g/l), tomada de la base de datos descrita
en las aplicaciones anteriores, para mostrar el uso de los componentes principales en la
descripcin de la distribucin conjunta de estas.
Resultados y Discusin
Con base en la matriz de correlacin de Pearson clsica (en distancia cero) y aplicando
la metodologa descrita en la seccin 6.4.2. se generaron los ejes factoriales. Los dos
primeros componentes explican el 71% de la variabilidad contenida en las 5 variables
consideradas (tabla 9). Se consideran para el anlisis slo estos dos componentes. La
funcin de semivarianza cruzada entre los dos primeros componentes principales (Fig. 24
revela que para distancias diferentes de cero hay asociacin entre los ejes principales y por
consiguiente se puede concluir que no existe correlacin intrnseca entre las variables
originales. Lo anterior indica que un estudio exhaustivo de la correlacin entre las variables
70