Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance

Simple kriging is a best linear predictor (BLP) and ordinary kriging is a best linear unbiased predictor (BLUP). When the underlying process is normal, simple kriging is not only a BLP but a best predictor (BT) as well, that is, under squared loss, this predictor coincides with the conditional expec...

Full description

Autores:
Tipo de recurso:
Fecha de publicación:
2022
Institución:
Universidad Pedagógica y Tecnológica de Colombia
Repositorio:
RiUPTC: Repositorio Institucional UPTC
Idioma:
spa
OAI Identifier:
oai:repositorio.uptc.edu.co:001/15334
Acceso en línea:
https://revistas.uptc.edu.co/index.php/ciencia_en_desarrollo/article/view/13650
https://repositorio.uptc.edu.co/handle/001/15334
Palabra clave:
Distribución chi-cuadrado, distribución normal multivariada, distancia de Mahalanobis, prueba de normalidad, campo aleatorio, simulación de Monte Carlo
Chi-square distribution, Multivariate normal distribution, Mahalanobis distance, Normality test, Random field, Monte Carlo simulation.
Rights
License
http://purl.org/coar/access_right/c_abf2
id REPOUPTC2_5696b506cc13a9fe6f47489cc902b932
oai_identifier_str oai:repositorio.uptc.edu.co:001/15334
network_acronym_str REPOUPTC2
network_name_str RiUPTC: Repositorio Institucional UPTC
repository_id_str
dc.title.en-US.fl_str_mv Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
dc.title.es-ES.fl_str_mv Pruebas de Normalidad en Geoestadística. Un nuevo enfoque basado en la distancia de Mahalanobis
title Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
spellingShingle Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
Distribución chi-cuadrado, distribución normal multivariada, distancia de Mahalanobis, prueba de normalidad, campo aleatorio, simulación de Monte Carlo
Chi-square distribution, Multivariate normal distribution, Mahalanobis distance, Normality test, Random field, Monte Carlo simulation.
title_short Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
title_full Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
title_fullStr Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
title_full_unstemmed Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
title_sort Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis Distance
dc.subject.es-ES.fl_str_mv Distribución chi-cuadrado, distribución normal multivariada, distancia de Mahalanobis, prueba de normalidad, campo aleatorio, simulación de Monte Carlo
topic Distribución chi-cuadrado, distribución normal multivariada, distancia de Mahalanobis, prueba de normalidad, campo aleatorio, simulación de Monte Carlo
Chi-square distribution, Multivariate normal distribution, Mahalanobis distance, Normality test, Random field, Monte Carlo simulation.
dc.subject.en-US.fl_str_mv Chi-square distribution, Multivariate normal distribution, Mahalanobis distance, Normality test, Random field, Monte Carlo simulation.
description Simple kriging is a best linear predictor (BLP) and ordinary kriging is a best linear unbiased predictor (BLUP). When the underlying process is normal, simple kriging is not only a BLP but a best predictor (BT) as well, that is, under squared loss, this predictor coincides with the conditional expectation of the predictor given the information. In this scenario, ordinary kriging provides an approximation to the BP. For this reason, in applied geostatistics, it is important to test for normality. Given a realization of a spatial random process, the simple kriging predictor will be optimal if the random vector follows a multivariate normal distribution. Some classical tests, such as Shapiro-Wilk (SW), Shapiro-Francia (SF), or Anderson-Darling (AD) are frequently used to evaluate the normality assumption. Such approaches assume independence and hence are not effective for at least two reasons. On the one hand, observations in a geostatistical analysis are typically spatially correlated. On the other hand, kriging optimality as mentioned above is based on multivariate rather than univariate normality. In this work, we provide a simulation study to describe the negative effect of using normality univariate tests with geostatistical data. We also show how the Mahalanobis distance can be adapted to the geostatistical context to test for normality.
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2024-07-08T14:24:05Z
dc.date.available.none.fl_str_mv 2024-07-08T14:24:05Z
dc.date.none.fl_str_mv 2022-07-12
dc.type.none.fl_str_mv info:eu-repo/semantics/article
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.identifier.none.fl_str_mv https://revistas.uptc.edu.co/index.php/ciencia_en_desarrollo/article/view/13650
10.19053/01217488.v13.n2.2022.13650
dc.identifier.uri.none.fl_str_mv https://repositorio.uptc.edu.co/handle/001/15334
url https://revistas.uptc.edu.co/index.php/ciencia_en_desarrollo/article/view/13650
https://repositorio.uptc.edu.co/handle/001/15334
identifier_str_mv 10.19053/01217488.v13.n2.2022.13650
dc.language.none.fl_str_mv spa
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv https://revistas.uptc.edu.co/index.php/ciencia_en_desarrollo/article/view/13650/12649
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
dc.format.none.fl_str_mv application/pdf
dc.publisher.es-ES.fl_str_mv Universidad Pedagógica y Tecnológica de Colombia
dc.source.en-US.fl_str_mv Ciencia En Desarrollo; Vol. 13 No. 2 (2022): Vol. 13 Núm. 2 (2022): Vol. 13 Núm. 2 (2022): Vol 13, Núm.2 (2022): Julio-Diciembre; 99-112
dc.source.es-ES.fl_str_mv Ciencia en Desarrollo; Vol. 13 Núm. 2 (2022): Vol. 13 Núm. 2 (2022): Vol. 13 Núm. 2 (2022): Vol 13, Núm.2 (2022): Julio-Diciembre; 99-112
dc.source.none.fl_str_mv 2462-7658
0121-7488
institution Universidad Pedagógica y Tecnológica de Colombia
repository.name.fl_str_mv Repositorio Institucional UPTC
repository.mail.fl_str_mv repositorio.uptc@uptc.edu.co
_version_ 1839633868739575808
spelling 2022-07-122024-07-08T14:24:05Z2024-07-08T14:24:05Zhttps://revistas.uptc.edu.co/index.php/ciencia_en_desarrollo/article/view/1365010.19053/01217488.v13.n2.2022.13650https://repositorio.uptc.edu.co/handle/001/15334Simple kriging is a best linear predictor (BLP) and ordinary kriging is a best linear unbiased predictor (BLUP). When the underlying process is normal, simple kriging is not only a BLP but a best predictor (BT) as well, that is, under squared loss, this predictor coincides with the conditional expectation of the predictor given the information. In this scenario, ordinary kriging provides an approximation to the BP. For this reason, in applied geostatistics, it is important to test for normality. Given a realization of a spatial random process, the simple kriging predictor will be optimal if the random vector follows a multivariate normal distribution. Some classical tests, such as Shapiro-Wilk (SW), Shapiro-Francia (SF), or Anderson-Darling (AD) are frequently used to evaluate the normality assumption. Such approaches assume independence and hence are not effective for at least two reasons. On the one hand, observations in a geostatistical analysis are typically spatially correlated. On the other hand, kriging optimality as mentioned above is based on multivariate rather than univariate normality. In this work, we provide a simulation study to describe the negative effect of using normality univariate tests with geostatistical data. We also show how the Mahalanobis distance can be adapted to the geostatistical context to test for normality.En geoestadística, bajo estacionariedad, kriging simple (KS) es el mejor predictor lineal (MPL) y kriging ordinario (KO) es el mejor predictor lineal insesgado (MPLI). Cuando el proceso estocástico es Normal, KS no es solo un MPL sino un mejor predictor (MP), es decir que bajo la función de pe ́rdida cuadrática, éste coincide con la esperanza condicional del predictor dada la información. En este escenario, el predictor KO sirve como aproximación del MP. Por esta razón, en geoestadística aplicada, es importante probar el supuesto de normalidad. Dada una realización de un proceso espacial, KS será un predictor óptimo si el vector aleatorio subyacente sigue una distribución normal multivariada. Algunas pruebas de normalidad clásicas como Shapiro-Wilk (SW), Shapiro-Francia (SF), o Anderson-Darling (AD) son usadas para evaluar este supuesto. Estas asumen independencia y por ello no son apropiadas en geoestadística (y en general en estadística espacial). Por un lado, las observaciones en geoestadística son espacialmente correlacionadas. Por otro lado la optimalidad del kriging es fundamentada en normalidad multivariada (no en normalidad univariada). En este trabajo se presenta un estudio de simulación para mostrar por qué es inapropiado el uso de pruebas univaridas de normalidad con datos geoestadísticos. También, como solución al problema anterior, se propone una adaptación de la prueba de Mahalanobis al contexto geoestadístico para hacer de manera correcta el test de normalidad en este ambito.application/pdfspaspaUniversidad Pedagógica y Tecnológica de Colombiahttps://revistas.uptc.edu.co/index.php/ciencia_en_desarrollo/article/view/13650/12649Ciencia En Desarrollo; Vol. 13 No. 2 (2022): Vol. 13 Núm. 2 (2022): Vol. 13 Núm. 2 (2022): Vol 13, Núm.2 (2022): Julio-Diciembre; 99-112Ciencia en Desarrollo; Vol. 13 Núm. 2 (2022): Vol. 13 Núm. 2 (2022): Vol. 13 Núm. 2 (2022): Vol 13, Núm.2 (2022): Julio-Diciembre; 99-1122462-76580121-7488Distribución chi-cuadrado, distribución normal multivariada, distancia de Mahalanobis, prueba de normalidad, campo aleatorio, simulación de Monte CarloChi-square distribution, Multivariate normal distribution, Mahalanobis distance, Normality test, Random field, Monte Carlo simulation.Testing for Normality in Geostatistics. A New Approach Based on the Mahalanobis DistancePruebas de Normalidad en Geoestadística. Un nuevo enfoque basado en la distancia de Mahalanobisinfo:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/access_right/c_abf2Giraldo, RamónPorcu, Emilio001/15334oai:repositorio.uptc.edu.co:001/153342025-07-18 10:56:40.33metadata.onlyhttps://repositorio.uptc.edu.coRepositorio Institucional UPTCrepositorio.uptc@uptc.edu.co